做气象绘图的，谁没被basemap折磨过？这个藏在Matplotlib工具箱里的老家伙，虽然是十年前的“旧物”，但至今还有大量科研脚本、毕业论文代码在用，尤其在做大气科学可视化时，底图叠加和“白化”这两件事，几乎绕不开它。这个系列第二篇，我就把实战中最常用的一套流程掰开讲清楚：怎么用basemap叠加地图底图，怎么给气象要素场做白化效果，并给出一份可以直接跑的完整代码。文章适合正在做天气分析、气候统计、模式后处理的学生和科研人员，也适合那些接手了老代码、被迫继续维护basemap脚本的朋友。

1. 为什么是basemap，为什么需要白化

1.1 basemap在气象绘图里的真实地位

basemap本质上是一套把地理投影、海岸线、行政边界和经纬网整合进Matplotlib的工具包。早期做气象图，大家几乎离不开它：先用Basemap初始化一个带投影的地图对象，再调用drawcoastlines、drawcountries、drawparallels这些方法把地理要素铺到底层，最后把模式数据或者站点观测画上去。它的优点是API非常直接，写起来像“搭积木”，对于非地理信息专业出身的气象研究者来说，门槛比手写投影变换低得多。

这里就产生了一个现实问题：basemap官方早已停止更新，很多新装环境里已经很难直接pip安装。但存量代码实在太多，高校课题组里随便翻一个老项目，可能就是from mpl_toolkits.basemap import Basemap开头。这些脚本2015年能跑，2025年只要环境对也能跑。我自己的体会是，与其劝人彻底忘掉basemap，不如把它讲透，毕竟底图投影、坐标变换、掩膜白化这些思路，迁移到cartopy之后是完全相通的，学会basemap等于先把绘图“骨架”建了一遍。

1.2 “白化”到底是在白化什么

气象要素场经常覆盖整个经纬度网格，但海洋上的观测资料往往是缺测的，或者模式输出的海温、降水在海上没有实际业务意义。如果不做任何处理，等值线填色会一路画到海面上，图上看起来就像大陆的降水“长”到了海洋里，既不符合科学事实，也影响读图判断。

所谓白化，就是把不需要显示的区域用掩膜遮掉，让填色只落在目标区域。在basemap里，这个操作的对象不是绘图结果，而是数据本身：先根据经纬度判断某个格点是在陆地还是海洋，再把海洋格点标记为无效值，等值线遇到无效值就不会绘制，视觉上就形成了“只保留陆地”的效果。有人把这种操作叫mask，有人叫maskout，也有人沿用了气象绘图里的习惯叫“白化”，其实都是同一件事。理解了这一点，后面所有基于掩膜的操作就都清楚了。

1.3 方案选型：为什么还要用basemap

既然basemap已经停止维护，如果完全从零开始一个新项目，我通常建议直接上cartopy。但现实世界里大量任务是复现历史图、维护老代码、沿用课题组既有模板，这种情况下硬搬到cartopy反而会引入新的问题。另外basemap自带maskoceans、maskland这类非常顺手的白化方法，老版本代码里只要一行调用，迁移时还得自己实现一遍同等功能，投入不小。

所以我的建议是：如果只是临时画几张图且环境干净，优先cartopy；如果手头已有成熟basemap脚本，或者要在旧环境里批量出图，就安心把basemap用明白。技术选型从来不是“必须用最新”，而是“在约束条件下把活干好”。这篇文章后面所有代码都基于basemap，但我也会在末尾交代一些迁移到cartopy时的对应思路。

2. 环境准备与数据组织

2.1 安装basemap的正确姿势与版本约束

安装basemap是很多人遇到的第一个拦路虎。直接pip install basemap在较新的Python版本里大概率失败，原因在于basemap依赖GEOS地理库，并且旧版包与新版numpy、Python的ABI不兼容。实际中我试过最稳的做法是用conda创建独立环境，指定Python 3.8以内，然后通过conda-forge安装：

conda create -n py38_basemap python=3.8 conda activate py38_basemap conda install -c conda-forge basemap

如果项目还需要读取NetCDF数据，建议一起装上xarray和netcdf4：

conda install -c conda-forge xarray netcdf4 matplotlib

这里有一个很多人忽略的细节：basemap提供了mpl_toolkits.basemap这个模块，但底层依赖GEOS的Python封装。通过conda安装时，conda会帮我们把geos的库文件一起装好，而pip安装往往缺这一步，导致import时报libgeos_c.so找不到。所以不要在pip这边硬磕，换conda会省很多时间。

2.2 数据准备：经纬度网格、维序和缺测处理

做白化之前，先把数据组织好。气象网格数据最常见的格式是NetCDF，里面通常有longitude、latitude和变量三个维度，变量的维度顺序可能是(time, level, lat, lon)。为了绘图方便，我会先用xarray读入，再调整成二维网格需要的形状：

import xarray as xr ds = xr.open_dataset('precip_example.nc') var = ds['precip'].isel(time=0) # 取某个时次 lons = var['lon'].values lats = var['lat'].values data = var.values # 此时是 2D: (lat, lon)

这里要特别注意维度顺序。basemap的maskoceans需要二维的经纬度网格，如果数据是(lat, lon)二维数组，构造网格时要保证和数组一致：

lon2d, lat2d = np.meshgrid(lons, lats)

另外，如果数据里有NaN或者其他缺测标记，最好在画图前先处理干净。maskoceans主要处理海陆掩膜，不会替你把所有缺测修好。常见做法是先判断合法范围，再把无效值设为NaN，这样等值线图也会自动跳过这些区域。

还有一个容易踩的点是经度范围。有的数据用0到360表示东经，有的用-180到180。如果数据和底图投影区域不一致，白化效果会完全错位。建议在进入绘图流程前统一经度范围，必要时用np.where(lon > 180, lon - 360, lon)把经度转到-180到180。

2.3 投影选择与中心参数怎么定

basemap支持很多投影，气象上最常用的三个：cyl（等距圆柱投影）适合全球或低纬大范围；merc（墨卡托投影）适合热带和赤道附近区域；lcc（兰勃特等角圆锥投影）适合中纬度天气图，尤其是冷暖气团、锋面、降水这类过程分析。

区域图我基本都用lcc。初始化的关键参数包括中心经度lon_0、中心纬度lat_0、地图宽度width和高度height，以及标准纬度lat_ts。

m = Basemap(projection='lcc', lon_0=105, lat_0=35, width=2400000, height=2400000, resolution='h', lat_ts=35)

很多人不明白width和height的单位。这两个参数是米，不是经纬度。粗略换算可以记一个数：纬度方向1度大约111公里，经度方向在纬度为φ时大约111*cos(φ)公里。如果我想画一个东西向跨20度、南北向跨15度的区域，中心纬度35度，估算宽度大约是20*111*cos(35°) ≈ 1800公里，高度大约是15*111 ≈ 1665公里。实际画图时宁可留点余量，把width和height稍微放大10%到20%，避免数据被地图边界裁掉。

resolution控制海岸线精度，可选c（粗糙）、l（低）、i（中等）、h（高）、f（精细）。区域图建议至少用h，否则海岸线锯齿很明显，放大了更难看。lat_ts一般与lat_0一致，也可以根据自己的标准纬线调整。

3. 先画底图，再画数据：核心实现流程

3.1 底图初始化与地图要素叠加

底图初始化的本质，是把经纬度坐标转换到一个投影平面坐标系。Basemap对象创建后，可以用它返回的转换函数把经纬度数组变成画图坐标：

x, y = m(lon2d, lat2d)

这一步做好后，后面所有绘图操作都在x、y上进行，而不是直接用经纬度。很多人画完图发现数据位置偏了、拉伸了，十有八九是忘了做这一步。

地图要素的叠加有自己的固定套路，通常包括海岸线、国界、经纬网和边界：

m.drawcoastlines(linewidth=0.8, color='black') m.drawcountries(linewidth=0.8, color='black') m.drawparallels(np.arange(20, 50, 5), labels=[1, 0, 0, 0], fontsize=10) m.drawmeridians(np.arange(80, 130, 5), labels=[0, 0, 0, 1], fontsize=10) m.drawmapboundary(fill_color='lightsteelblue')

drawparallels和drawmeridians里的labels参数控制哪一侧显示刻度标签，四个值分别对应左、右、上、下。区域图我只开左侧纬度和下侧经度，这样图上不会到处飘数字。

有一个顺序问题必须提醒：底图要素之间相对顺序会影响观感。海岸线和国界建议在填色图之后、标注之前叠加，这样数据不会盖住边界线，边界线又不会压住最上层信息。

3.2 数据投影与海洋白化核心代码

这是整篇文章最核心的一段。以降水场为例，如果用contourf直接画原始数据，填色会铺满整个矩形区域，海洋上也全是颜色。要在basemap里做白化，标准做法是用maskoceans方法：

data_masked = m.maskoceans(lon2d, lat2d, data)

这个方法内部会根据经纬度判断每个格点是否在海洋上，是海洋就置为掩膜值。mask过后的数组传给contourf，等值线只在陆地格点上绘制。完整示例代码如下：

import numpy as np import xarray as xr import matplotlib.pyplot as plt from mpl_toolkits.basemap import Basemap # 1. 读取网格数据 ds = xr.open_dataset('precip_example.nc') var = ds['precip'].isel(time=0) lons = var['lon'].values lats = var['lat'].values data = var.values # 2. 构造二维经纬度网格 lon2d, lat2d = np.meshgrid(lons, lats) # 3. 处理无效值 data = np.where(np.isfinite(data), data, np.nan) # 4. 初始化底图（区域中心经度和纬度请替换成你的实际参数） fig = plt.figure(figsize=(8, 8)) m = Basemap(projection='lcc', lon_0=105, lat_0=35, width=2400000, height=2400000, resolution='h', lat_ts=35) # 5. 经纬度转投影坐标 x, y = m(lon2d, lat2d) # 6. 海洋白化 data_masked = m.maskoceans(lon2d, lat2d, data) # 7. 绘制等值线填色 levels = np.arange(0, 60, 5) cs = m.contourf(x, y, data_masked, levels=levels, cmap='Blues', extend='both') # 8. 叠加地图要素 m.drawcoastlines(linewidth=0.8) m.drawcountries(linewidth=0.8) m.drawparallels(np.arange(20, 50, 5), labels=[1, 0, 0, 0], fontsize=10) m.drawmeridians(np.arange(80, 130, 5), labels=[0, 0, 0, 1], fontsize=10) m.drawmapboundary(fill_color='lightsteelblue') # 9. 色标 cbar = m.colorbar(cs, location='right', size='5%', pad='5%') cbar.set_label('Precipitation (mm)') # 10. 保存 plt.savefig('precip_with_mask.png', dpi=150, bbox_inches='tight')

很多人会问maskoceans为什么输入的是经纬度而不是投影坐标，因为海洋判断依赖真实地理信息，只有经纬度坐标才能定位到海陆位置。实测下来，如果传二维网格，mask效果会比较稳定；只传一维坐标可能会导致shape匹配问题，建议都先np.meshgrid再调用。

3.3 等值线、色标与出图参数怎么调

contourf的几个参数直接影响成图质量。levels决定了等值线的分级，气象图最好用整十整五的间隔，方便业务判读。cmap的选择也要考虑场景：降水用Blues或者BrBG，气温用RdYlBu_r，风场高度场用jet也常见，但科研投稿越来越忌讳彩虹色，我一般优先用Matplotlib里那些色觉友好型色板。

extend='both'很关键。当数据最大值超过levels最大值时，色标顶部会多一个箭头，表示“还有更大值”；数据最小值低于levels最小值时，底部也有箭头。如果不加这个参数，超出范围的数据会被静默丢弃，容易让人误读成缺测。

色标有两种写法。基础写法是plt.colorbar(cs, shrink=0.8, pad=0.05)，比较通用；basemap环境里也可以用m.colorbar(cs, location='right', size='5%', pad='5%')，好处是自动把色标贴在地图边上。我个人更常用后者，因为在区域图里色标占用的相对位置更可控。

保存图片时dpi=150基本能满足论文初稿，投稿可以到300。bbox_inches='tight'会把多余白边裁掉，不过要注意，如果还想再叠其他小图，建议先不加这个参数，否则坐标系边界会变化。

4. 白化效果的进阶玩法与细节打磨

4.1 反向白化与区域级联裁剪

maskoceans是“把海洋mask掉”，反过来如果要画海温、海洋变量，需要“把陆地mask掉”，basemap同样提供了对应方法：maskland。用法完全一致：

sst_masked = m.maskland(lon2d, lat2d, sst_data)

这种反向白化在海温图、海浪图里非常常见。需要注意，maskland的陆判精度同样受海岸线分辨率影响，如果区域沿岸地形复杂，建议把resolution提高到h以上再用。

有时候需要更精细的区域裁剪，比如只保留某个流域、某条海岸线以内。basemap没有直接提供的“多边形裁剪”函数，但可以通过Matplotlib的路径对象实现：先把目标区域边界做成一个多边形，再判断每个网格点是否落在多边形内，不在的点置为NaN。核心代码如下：

from matplotlib.path import Path # poly_lon, poly_lat 是目标区域边界经纬度 polygon = Path(list(zip(poly_lon, poly_lat))) grid_points = np.column_stack([lon2d.ravel(), lat2d.ravel()]) in_region = polygon.contains_points(grid_points).reshape(lon2d.shape) data_region = np.where(in_region, data, np.nan)

这种做法的好处是不依赖海陆判断，完全由你自己定义“有效区域”。做流域面雨量、城市群污染带分析时非常实用。边界点越多，裁剪结果越精细，但计算量也会上升，网格特别大的时候建议先把边界抽稀到几百个点以内。

4.2 中文字体、标注和数据叠加

basemap本身不管中文字体，中文乱码是Matplotlib的经典问题。用之前先设置字体：

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows 常见 plt.rcParams['axes.unicode_minus'] = False # 修正负号显示

Linux环境下没有SimHei，可以改成Noto Sans CJK SC或者WenQuanYi Micro Hei，要确保系统已安装对应字体。字体设置要放在绘图脚本最开始，否则个别元素已经渲染成方框了再改也来不及。

地图上叠加站点观测是很常见的需求。站点经纬度是散点，不能直接扔进plot，要先通过底图对象转换：

slons = [108, 110.5, 113] slats = [30, 31.2, 33.5] sx, sy = m(slons, slats) m.plot(sx, sy, 'o', color='red', markersize=6)

如果还要标站名，用ax.text(sx[i], sy[i], '站名')时注意偏移一点，避免文字盖住圆点。标题和色标标签里也可以放中文，但保存时务必确认输出文件里的中文正常，不行就换plt.savefig后再用图片工具检查一下。

4.3 图层顺序为什么会影响成图观感

同样的数据，图层顺序不同，观感差异很大。我见过不少新手把fillcontinents放在填色图之后画，结果陆地色块把数据整个盖住，只剩海洋上一圈颜色，完全看不出降水分布。

常规的图层顺序是：先画海洋底色或陆地底色，再画数据填色，再画海岸线和国界，最后画站点和标注。按照这个顺序，陆地在数据层下面，海岸线在数据层上面，读图时既能看到数据分布，又能看清地形边界。具体到代码：

m.fillcontinents(color='lightgray', lake_color='lightsteelblue') cs = m.contourf(x, y, data_masked, levels=levels, cmap='Blues') m.drawcoastlines(linewidth=0.8)

如果不想让陆地底色抢数据视觉，可以把陆地颜色调得很浅，比如#f5f5f5。海陆对比不要太强，否则填色的色彩会显得灰蒙蒙。

5. 踩坑实录：常见问题与排查技巧

5.1 安装和导入阶段的报错速查

basemap的坑集中在两个阶段：装不上，和画不对。先整理一份高频报错速查表。

如果你是在某个共享服务器上维护老项目，建议不要轻易动系统级Python环境，为项目单独建一个conda环境，把basemap、xarray、matplotlib版本都固定好。这样后续别人复现脚本，一克隆环境就能跑，不会互相踩。

5.2 白化与绘图阶段的典型坑

装好环境只是开始，画图阶段才是考验细节的地方。我把自己踩过以及帮别人排查过的坑整理成几个典型情况。

第一个是白化边界呈锯齿状。这个太常见了，尤其用resolution='l'或'i'时，岸线本身就不平滑，掩膜也跟着粗糙。解决方法是提高分辨率到'h'，同时把网格数据插值到更细的格点。如果还觉得边界不够好看，可以在填色图之上再加一层drawcoastlines，用线图遮住一部分锯齿，视觉上会干净很多。

第二个是maskoceans之后整块图全空白。出现这个，先别怀疑方法本身，多半是经纬度维序不匹配。比如数据是(lon, lat)顺序，但你先meshgrid(lons, lats)得到(lat, lon)形状，两者错位之后，每个格点对应的经纬度全乱了，mask自然把所有点都吞掉。排查技巧很简单：打印data.shape和lon2d.shape、lat2d.shape，确保三者完全一致。

第三个是等值线填色范围“炸了”，颜色分布和预想不一致。常见原因是levels设置没覆盖数据实际范围。比如数据最小值-5，最大值100，你却从0开始设levels，小于0的部分会全部落在第一级，色标底部还带箭头。建议在画图前先看np.nanmin(data)和np.nanmax(data)，再决定levels。

第四个是数据位置整体偏移或者被拉伸。这个问题几乎都是忘记做投影转换，直接把经纬度数组传给了contourf，或者传了二维经纬度但没用m()转换。底图坐标系是投影平面，绘制任何数据都要先经过m(lon, lat)变换，这个步骤不能省。

第五个是经度跨0度或跨180度的数据画出来特别怪。比如数据经度范围是0到360，底图经度范围是-180到180，海陆判断就会错位，看起来降水不在正确的位置上。处理办法在数据准备小节已经提过：统一经度表示方式，把大于180的值减360。

5.3 如何用最快的方式定位问题

绘图脚本出错时，与其逐行看报错，不如分段排查。我的经验是三层递进：先跑一个最简底图，不画数据，只画海岸线和经纬网，确认投影参数没问题；再加数据但不加mask，确认数据位置、色标、levels都正常；最后再加maskoceans，确认白化效果。这样每一步的输出都容易判断，出了问题也知道是底图、数据还是mask环节。

在这个排查过程中，print是你的好朋友。打印数据的shape、经纬度范围、mask前后有效点数量变化，往往一眼就能看出问题出在哪。比如mask前有效点1万个，mask后只剩2000个，那说明陆地格点占比本身就低；如果mask后剩100个，那就要怀疑经纬度顺序是不是错了。

6. 写在最后：老脚本与新脚本之间怎么选

我个人在实际操作里的体会是，basemap的“老”不代表“没有价值”，它的掩膜思路、投影选择、图层组织方式，放到今天依然成立。我手上有大量老脚本，后来为了维护方便，我把常用的basemap绘图逻辑封装成了一套函数库，maskoceans那步做成了装饰器，一行调用就能叠加白化。再往后接触cartopy时，我发现只要理解了“经纬度转投影坐标→画数据→按海陆掩膜→叠加地理要素”这条链路，迁移起来非常顺畅，并没有想象中那么痛苦。

最后再分享一个小技巧：如果以后换环境、换新库，别急着推翻老代码，先把basemap里相关函数的参数对照表列出来，比如drawcoastlines对应cartopy的feature.COASTLINE，maskoceans则可以用形态学填充的思路自己实现。这样你维护老项目的同时，也能逐步把核心绘图逻辑抽离成与库无关的模块。说到底，画图工具会变，但你对数据的理解、对科学表达的要求，才是真正值钱的那部分。