1. 海洋监测数据获取与Python环境搭建

海洋监测的第一步不是画图，而是把“数据从哪里来、以什么格式存在、用什么工具读进来”这三件事理清楚。海洋观测数据来源分散、格式各异：浮标提供高频定点时间序列，卫星提供大范围遥感栅格，CTD提供垂向剖面，ADCP提供流速剖面。它们的时间分辨率、空间覆盖和文件结构差别很大，因此环境搭建的核心目标是建立一套能同时处理表格数据、NetCDF多维数组和地理空间绘图的稳定工具链。

一、常用数据源及其数据形态

理解数据源的关键是看它的“维度结构”，这直接决定后续用pandas还是xarray。

• 浮标：通常以CSV或文本形式发布，每行一个观测时刻，字段包括时间、经纬度、风速、气温、水温、有效波高等。属于典型的一维时间序列，适合用pandas读取和重采样。
• 卫星遥感：海表温度、叶绿素、海面高度等产品多为NetCDF或HDF格式，包含经度、纬度、时间三个维度，是规则网格数据，适合用xarray按维度切片。
• CTD：温盐深剖面仪，一次投放得到一条随压力（深度）变化的剖面，字段为pressure、temperature、salinity。多站次数据可组织成“站次×深度”的二维结构。
• ADCP：声学多普勒流速剖面仪，输出沿深度分层的东向、北向流速，维度通常是“时间×深度层”，用于分析流场垂向结构。

一个实用的判断原则是：数据若能用“行=样本、列=变量”描述，用pandas；若带有明确的命名维度（time、lat、lon、depth），用xarray。NetCDF文件本质是自描述的多维数组容器，xarray能直接读取其中的维度名、坐标和属性，比netCDF4的底层接口更适合分析。

二、环境配置

建议使用conda创建独立环境，避免地理绘图库的依赖冲突。cartopy依赖GEOS、PROJ等C库，用conda安装比pip省事得多：

conda create -n ocean python=3.11
conda activate ocean
conda install -c conda-forge xarray netCDF4 pandas matplotlib cartopy requests

安装完成后做一次最小验证，确认关键库能导入且cartopy能加载海岸线数据：

import xarray as xr, pandas as pd, requests
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature

ds = xr.tutorial.open_dataset("air_temperature")
print(ds.dims, ds.data_vars)

若cartopy首次绘图时报下载海岸线失败，通常是网络问题，可提前设置数据目录并手动放置shapefile，或改用cfeature.COASTLINE.with_scale("110m")降低数据量。

三、读取本地与远程数据

本地NetCDF用xarray一行打开，重点是先看结构再取数：

ds = xr.open_dataset("sst_202401.nc")
print(ds)                 # 查看维度、坐标、变量、属性
sst = ds["sst"].sel(time="2024-01-15", method="nearest")
sst.plot()                # 快速检查空间分布是否合理

远程数据分两种情况。若服务端支持OPeNDAP，xarray可直接按URL打开并只下载所需切片，避免整文件传输：

url = "https://example.org/thredds/dodsC/sst_202401.nc"
ds = xr.open_dataset(url)
sub = ds["sst"].sel(lat=slice(10, 25), lon=slice(110, 125)).isel(time=0)

若只是普通HTTP文件下载，用requests流式写入本地，避免大文件占满内存：

r = requests.get(url, stream=True, timeout=60)
r.raise_for_status()
with open("sst_202401.nc", "wb") as f:
    for chunk in r.iter_content(chunk_size=1 << 20):
        f.write(chunk)

浮标CSV则用pandas读取，并把时间列解析为索引，便于后续按小时或按天重采样：

df = pd.read_csv("buoy_41002.csv", parse_dates=["time"], index_col="time")
df = df[["wspd", "wvht", "wtmp"]].resample("1h").mean()

四、从原始文件到可分析对象的处理链

下图概括了本节的核心工作流：不同来源的数据经过对应的读取库，统一转换为pandas DataFrame或xarray Dataset，再进入matplotlib与cartopy完成可视化。图中同时标出了各环节最需要检查的质量点。

五、一个可复现的最小示例

下面用一段代码把“读取—检查—绘图”串起来。示例使用xarray自带的教学数据集，参数与结果仅用于演示流程，不代表真实海区观测：

import xarray as xr
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import cartopy.feature as cfeature

ds = xr.tutorial.open_dataset("air_temperature")
da = ds["air"].sel(time="2013-01-01", method="nearest")

fig = plt.figure(figsize=(8, 5))
ax = plt.axes(projection=ccrs.PlateCarree())
da.plot(ax=ax, transform=ccrs.PlateCarree(), cmap="RdYlBu_r")
ax.add_feature(cfeature.COASTLINE, linewidth=0.6)
ax.set_extent([-130, -60, 20, 55])
plt.title("示例：二维场空间分布")
plt.show()

判断结果是否合理，可以看三点：色标范围是否与变量物理量级相符；海岸线与数据网格是否对齐（不对齐通常是投影或经度范围设置错误）；切片后的维度是否只剩lat和lon。若绘图报维度错误，先print(da.dims)确认，再用da.squeeze()去掉长度为1的多余维度。

完成本节后，应能做到：识别四类海洋数据源的维度结构，选择pandas或xarray作为入口，用requests或open_dataset获取本地与远程文件，并在cartopy投影下画出第一张带海岸线的空间分布图。这套环境是后续所有分析与报表工作的基础。