sacpy 使用方法指南#

本文档整理自 相关代码 目录中涉及 sacpy 的 Python 脚本，汇总了 sacpy 库在气象数据分析中的核心用法，包括距平计算、线性回归、EOF 分析及地图绘图增强。

一、安装#

1
pip install sacpy

二、距平计算 — scp.get_anom#

2.1 基本用法#

1
import sacpy as scp
2

3
ssta = scp.get_anom(sst, method=1)

2.2 参数说明#

参数	说明
`sst`	xarray DataArray，维度 (time, lat, lon)
`method=1`	方法1：逐月去气候态（减去各月多年平均），即去季节循环

2.3 完整示例（来源：ENSO_regression_sacpy.py<16>）#

1
import xarray as xr
2
import sacpy as scp
3

4
ds = xr.open_dataset('sst.mnmean.nc')
5
sst = ds['sst'].sel(time=slice('1950','2020'))
6
sst = scp.get_anom(sst, method=1)

2.4 多变量批量去距平（来源：Nino12_regression_sst_uv_sacpy.py<24-26>）#

1
sst  = scp.get_anom(sst,  method=1)
2
uwnd = scp.get_anom(uwnd, method=1)
3
vwnd = scp.get_anom(vwnd, method=1)

三、线性回归 — scp.LinReg#

3.1 基本用法#

1
LinReg = scp.LinReg(index, field)
2
slope   = LinReg.slope       # 回归系数场 (lat, lon)
3
p_value = LinReg.p_value     # p 值场 (lat, lon)

3.2 参数说明#

参数	说明
`index`	一维时间序列（如 Nino34 指数），形状 (time,)
`field`	二维或三维场（如 SST），形状 (time, lat, lon)

3.3 返回值属性#

属性	说明
`.slope`	回归系数场（斜率），形状与 field 的空间维度一致
`.p_value`	p 值场，形状与 slope 一致

3.4 完整示例（来源：ENSO_regression_sacpy.py<18-21>）#

1
# 计算 Nino34 指数
2
nino34 = sst.loc[:, 5:-5, 190:240].mean(dim=['lat', 'lon'])
3

4
# 线性回归：将 SST 场回归到 Nino34 指数
5
LinReg = scp.LinReg(nino34, sst)
6
slope   = LinReg.slope
7
p_value = LinReg.p_value

3.5 多变量逐个回归（来源：Nino12_regression_sst_uv_sacpy.py<28-35>）#

1
nino12 = sst.loc[:, 10:0, 270:280].mean(dim=['lat', 'lon'])
2

3
map_sst  = scp.LinReg(nino12, sst)
4
map_uwnd = scp.LinReg(nino12, uwnd)
5
map_vwnd = scp.LinReg(nino12, vwnd)

3.6 显著性过滤#

1
import numpy as np
2

3
# 将不显著的格点设为 NaN（绘图时不显示）
4
sst_tmp  = np.where(map_sst.p_value >= 0.05, np.nan, map_sst.slope)
5
uwnd_tmp = np.where(map_uwnd.p_value >= 0.10, np.nan, map_uwnd.slope)
6
vwnd_tmp = np.where(map_vwnd.p_value >= 0.10, np.nan, map_vwnd.slope)

参数	说明
`condition`	条件表达式，如 `p_value >= 0.05`
`np.nan`	满足条件时的替换值
`map.slope`	不满足条件时的原值

四、EOF 分析 — scp.EOF#

4.1 基本用法#

1
eof = scp.EOF(ssta)                      # 初始化
2
eof.solve()                              # 求解
3
pc    = eof.get_pc(npt=3)                # 获取 PC（时间序列）
4
pt    = eof.get_pt(npt=3)                # 获取空间模态
5
pcvar = eof.get_varperc(npt=3) * 100     # 解释方差百分比（%）

4.2 方法说明#

方法	参数	说明
`scp.EOF(data)`	`data`	输入距平场 (time, lat, lon)
`.solve()`	—	执行 EOF 分解
`.get_pc(npt)`	`npt`	返回前 npt 个主成分，形状 (npt, time)
`.get_pt(npt)`	`npt`	返回前 npt 个空间模态，形状 (npt, lat, lon)
`.get_varperc(npt)`	`npt`	返回前 npt 个模态的方差占比（小数，需 ×100 得百分比）

4.3 完整示例（来源：EOF_sst_sacpy.py<16-25>）#

1
import xarray as xr
2
import sacpy as scp
3

4
ds = xr.open_dataset('sst.mnmean.nc')
5
sst = ds['sst'].sel(time=slice('1950','2020')).loc[:, 30:-30, 90:300]
6

7
# 计算距平
8
ssta = scp.get_anom(sst, method=1)
9

10
# EOF 计算
11
eof = scp.EOF(ssta)
12
eof.solve()
13

14
# 获取 PC 和空间模态
15
pc = -eof.get_pc(npt=3)       # 取负号可翻转符号，视需求而定
16
pt = -eof.get_pt(npt=3)
17

18
# 获取解释方差百分比
19
pcvar = eof.get_varperc(npt=3) * 100

注意：PC 和 pattern 的符号可同时取反而不会改变物理意义，这与求解器内部约定有关。

4.4 绘制 EOF 模态与 PC（来源：EOF_sst_sacpy.py<31-55>）#

1
import matplotlib.pyplot as plt
2
import cartopy.crs as ccrs
3
import sacpy.Map
4

5
fig = plt.figure(figsize=[9, 10])
6
for i in range(3):
7
    # EOF 空间模态
8
    ax = fig.add_subplot(3, 2, 2*i+1,
9
                         projection=ccrs.PlateCarree(central_longitude=180))
10
    m1 = ax.scontourf(lon, lat, pt[i, :, :], cmap='RdBu_r',
11
                      levels=np.linspace(-0.75, 0.75, 15), extend="both")
12
    ax.scontour(m1, colors="black")
13
    ax.init_map(smally=2.5)
14
    ax.set_title("EOF-{} ({:.2f}%)".format(i+1, pcvar[i]))
15

16
    # PC 时间序列
17
    ax = fig.add_subplot(3, 2, 2*i+2)
18
    ax.plot(sst.time, pc[i])
19
    ax.set_title("PC-{}".format(i+1))
20

21
# colorbar
22
cb_ax = fig.add_axes([0.1, 0.06, 0.4, 0.02])
23
fig.colorbar(m1, cax=cb_ax, orientation="horizontal")

五、sacpy.Map 绘图增强#

sacpy.Map 在导入后会自动为 matplotlib/cartopy 的 Axes 对象注册扩展方法，无需额外初始化。

5.1 ax.scontourf — 填充等值线#

1
m = ax.scontourf(lon, lat, data, cmap='RdBu_r',
2
                 levels=np.arange(-1.2, 1.4, 0.2), extend="both")

参数	说明
`lon, lat`	经纬度坐标
`data`	二维数据数组 (lat, lon)
`cmap`	色标，如 `'RdBu_r'`
`levels`	等值线层级，可传入整数或 np.arange / np.linspace 生成的具体值
`extend`	色标延伸：`"both"` 两端延伸，`"min"`, `"max"`, `"neither"`

5.2 ax.scontour — 叠加等值线#

在已有填充等值线上叠加黑色等值线：

1
ax.scontour(m, colors="black")

参数	说明
`m`	`scontourf` 返回的对象，沿用其 levels
`colors`	等值线颜色，如 `"black"`

5.3 ax.init_map — 地图初始化#

自动添加海岸线、设置经纬度刻度：

1
ax.init_map(stepx=50, stepy=20, smallx=10, smally=5)

参数	说明
`stepx`	大刻度经度间隔（度）
`stepy`	大刻度纬度间隔（度）
`smallx`	小刻度经度间隔（度）
`smally`	小刻度纬度间隔（度）

init_map 等价于自动调用 ax.coastlines() + 经纬度刻度设置，简化了 cartopy 的绘图流程。

5.4 ax.sig_plot — 显著性打点#

在图上对通过显著性检验的格点打点标记：

1
ax.sig_plot(lon, lat, p_value, thrshd=0.05, color='gray')

参数	说明
`lon, lat`	经纬度坐标
`p_value`	p 值场 (lat, lon)
`thrshd`	显著性阈值，如 `0.05` 或 `0.10`
`color`	打点颜色，如 `'gray'`

工作原理：将 p_value < thrshd 的格点用指定颜色打点（散点），常用于回归图或合成图的显著性标记。

5.5 ax.squiver — 风场矢量图#

在地图上叠加风场箭头（矢量）：

1
ax.squiver(uwnd.lon, uwnd.lat, uwnd_tmp, vwnd_tmp,
2
           stepx=4, stepy=2, width=0.004)

参数	说明
`lon, lat`	风场格点的经纬度坐标
`u, v`	纬向风和经向风分量
`stepx`	经度方向间隔抽取（隔几个格点画一个箭头）
`stepy`	纬度方向间隔抽取
`width`	箭头线宽

squiver 自动处理间隔抽取，避免箭头过于密集。

5.6 绘图完整示例（来源：ENSO_regression_sacpy.py<24-32>）#

1
import sacpy.Map
2
import matplotlib.pyplot as plt
3
import cartopy.crs as ccrs
4

5
ax = plt.axes(projection=ccrs.PlateCarree(central_longitude=180))
6

7
# 填充等值线
8
m = ax.scontourf(sst.lon, sst.lat, LinReg.slope, cmap='RdBu_r', extend="both")
9
# 叠加等值线
10
ax.scontour(m, colors="black")
11
# 地图初始化
12
ax.init_map(stepx=50, stepy=20, smallx=10, smally=5)
13
# 设置地图范围
14
ax.set_extent([0, 358, -60, 60])
15
# 显著性打点
16
ax.sig_plot(sst.lon, sst.lat, LinReg.p_value, thrshd=0.05, color='gray')
17
ax.set_title("Nino34 Regression Map", fontsize=18)

5.7 SST + 风场叠加绘图示例（来源：Nino12_regression_sst_uv_sacpy.py<46-76>）#

1
fig = plt.figure(figsize=[9, 5])
2
ax = fig.add_subplot(projection=ccrs.PlateCarree(central_longitude=180))
3

4
# 填充等值线（SST 回归系数）
5
m1 = ax.scontourf(sst.lon, sst.lat, sst_tmp, cmap='RdBu_r',
6
                  levels=np.arange(-1.2, 1.4, 0.2), extend="both")
7
ax.init_map(stepx=50, stepy=20, smallx=10, smally=5)
8
ax.set_extent([0, 358, -60, 60])
9

10
# 显著性打点
11
ax.sig_plot(sst.lon, sst.lat, map_sst.p_value, thrshd=0.10, color='gray')
12

13
# 风场矢量叠加
14
ax.squiver(uwnd.lon, uwnd.lat, uwnd_tmp, vwnd_tmp,
15
           stepx=4, stepy=2, width=0.004)
16

17
ax.set_title("SSTA Regression Map (Nino1+2)", fontsize=20)
18

19
# colorbar
20
plt.colorbar(m1, orientation='horizontal', shrink=0.7)

六、sacpy 与手动实现对比#

功能	手动实现	sacpy
距平计算	`groupby('time.month').mean()` → 相减	`scp.get_anom(data, method=1)`
线性回归	`np.linalg.lstsq` + 手算 p 值	`scp.LinReg(index, field)`
EOF 分析	`eofs.standard.Eof(data, weights)` 逐步骤操作	`scp.EOF(data)` → `.solve()`
地图填充	`ax.contourf()` + 手动 transform	`ax.scontourf()` 自动处理投影
显著性打点	手动 `np.where` + `scatter`	`ax.sig_plot()` 一行搞定
风场矢量	`ax.quiver()` + 手动抽取	`ax.squiver()` 自动抽取间隔

七、核心 API 速查表#

需求	代码
去气候态	`scp.get_anom(sst, method=1)`
线性回归	`LinReg = scp.LinReg(index, field)`
回归系数	`LinReg.slope`
回归 p 值	`LinReg.p_value`
EOF 初始化	`eof = scp.EOF(ssta)`
EOF 求解	`eof.solve()`
获取 PC	`pc = eof.get_pc(npt=3)`
获取模态	`pt = eof.get_pt(npt=3)`
方差占比	`pcvar = eof.get_varperc(npt=3) * 100`
填充等值线	`ax.scontourf(lon, lat, data, cmap='RdBu_r', extend="both")`
叠加等值线	`ax.scontour(m, colors="black")`
地图初始化	`ax.init_map(stepx=50, stepy=20)`
显著性打点	`ax.sig_plot(lon, lat, p_value, thrshd=0.05, color='gray')`
风场矢量	`ax.squiver(lon, lat, u, v, stepx=4, stepy=2)`

音乐

音乐

sacpy 使用方法指南#

一、安装#

二、距平计算 — scp.get_anom#

2.1 基本用法#

2.2 参数说明#

2.3 完整示例（来源：ENSO_regression_sacpy.py<16>）#

2.4 多变量批量去距平（来源：Nino12_regression_sst_uv_sacpy.py<24-26>）#

三、线性回归 — scp.LinReg#

3.1 基本用法#

3.2 参数说明#

3.3 返回值属性#

3.4 完整示例（来源：ENSO_regression_sacpy.py<18-21>）#

3.5 多变量逐个回归（来源：Nino12_regression_sst_uv_sacpy.py<28-35>）#

3.6 显著性过滤#

四、EOF 分析 — scp.EOF#

4.1 基本用法#

4.2 方法说明#

4.3 完整示例（来源：EOF_sst_sacpy.py<16-25>）#

4.4 绘制 EOF 模态与 PC（来源：EOF_sst_sacpy.py<31-55>）#

五、sacpy.Map 绘图增强#

5.1 ax.scontourf — 填充等值线#

5.2 ax.scontour — 叠加等值线#

5.3 ax.init_map — 地图初始化#

5.4 ax.sig_plot — 显著性打点#

5.5 ax.squiver — 风场矢量图#

5.6 绘图完整示例（来源：ENSO_regression_sacpy.py<24-32>）#

5.7 SST + 风场叠加绘图示例（来源：Nino12_regression_sst_uv_sacpy.py<46-76>）#

六、sacpy 与手动实现对比#

七、核心 API 速查表#

文章分享

音乐

音乐

音乐

sacpy的简单用法

sacpy 使用方法指南#

一、安装#

二、距平计算 — scp.get_anom#

2.1 基本用法#

2.2 参数说明#

2.3 完整示例（来源：ENSO_regression_sacpy.py<16>）#

2.4 多变量批量去距平（来源：Nino12_regression_sst_uv_sacpy.py<24-26>）#

三、线性回归 — scp.LinReg#

3.1 基本用法#

3.2 参数说明#

3.3 返回值属性#

3.4 完整示例（来源：ENSO_regression_sacpy.py<18-21>）#

3.5 多变量逐个回归（来源：Nino12_regression_sst_uv_sacpy.py<28-35>）#

3.6 显著性过滤#

四、EOF 分析 — scp.EOF#

4.1 基本用法#

4.2 方法说明#

4.3 完整示例（来源：EOF_sst_sacpy.py<16-25>）#

4.4 绘制 EOF 模态与 PC（来源：EOF_sst_sacpy.py<31-55>）#

五、sacpy.Map 绘图增强#

5.1 ax.scontourf — 填充等值线#

5.2 ax.scontour — 叠加等值线#

5.3 ax.init_map — 地图初始化#

5.4 ax.sig_plot — 显著性打点#

5.5 ax.squiver — 风场矢量图#

5.6 绘图完整示例（来源：ENSO_regression_sacpy.py<24-32>）#

5.7 SST + 风场叠加绘图示例（来源：Nino12_regression_sst_uv_sacpy.py<46-76>）#

六、sacpy 与手动实现对比#

七、核心 API 速查表#

文章分享

音乐