计算机人的雷达入门：零基础用Python+Cinrad可视化雷达数据【实战指南】

前言

作为计算机专业人士，当我第一次打开雷达数据文件时，整个人都愣住了，一堆复杂的气象雷达术语，仿佛面对外星密码。这可能是许多跨界进入气象雷达领域的计算机人共同的困境。我们精通算法和架构，却对雷达原理一无所知，我们能写出优雅的代码，却看不懂雷达图像中的天气故事。更棘手的是，网络上关于气象雷达编程的资料即零散又专业，让零基础者望而却步 。 本文正是基于这样的背景诞生。它不是一篇纯技术教程，而是一名跨界者的实践经验总结，我将分享如何利用Cinrad库，快速解锁雷达数据处理能力。

一、为什么选择Cinrad库处理气象雷达数据？

作为计算机专业的人士，选择技术栈时，我们会综合评估开发效率、生态兼容性、社区支持和维护成本。在气象雷达数据处理领域，虽然知名的PyART、wradlib等库功能强大通用，但Cinrad库作为专为处理中国新一代天气雷达（CINRAD）数据而生的库，在处理国内业务数据时提供了无与伦比的"开箱即用"体验。

为了更清晰地做出选择，我们可以从以下几个维度进行对比：

评估维度	Cinrad	PyART/wralib（国际主流）	对计算机人的意义
核心优势	本土化、专用化	通用化、模块化	专用工具vs瑞士军刀
数据格式兼容性	原生支持	需要格式转换或自定义读取器	Cinrad直接读取 .bin 文件，PyART可能需要先转换为 NETCDF 等格式，增加复杂度和出错可能
API设计与易用性	高度抽象，几行代码即可完成读取、解析、可视化	底层灵活，需要自己组合模块和数据处理流程	Cinrad像 Scikit-learn ； PyART像 NumPy，更基础更灵活
坐标系与投影	内置中国区常用投影（如兰伯特投影），直接输出经纬度	通常为雷达本身坐标系，需要自行配置地理转换	这对于需要在地图上精准定位（如与GIS系统结合）的需求至关重要，Cinrad省去了大量额外步骤
文档与社区	中文文档，社区较小但作者响应及时	英文文档丰富，国际社区活跃	对于中文使用者，Cinrad的文档和沟通门槛更低，能更快地获得帮助
适用场景	处理中国气象局标准的雷达基数据、业务应用、快速分析、科研入门	学术研究、算法开发、处理多种国际雷达格式	如果你的目标明确是处理国内数据，Cinrad无疑是捷径

二、环境配置：安装Cinrad库及依赖

2.1、安装前准备

在开始之前，需要确保已安装Cinrad库及其依赖项。Cinrad支持Python 3.5及以上版本，但版本过高也会出现不兼容的情况，这里强烈推荐使用Python 3.11！

#使用pip直接安装Cinrad
pip install cinrad

2.2、验证安装

import cinrad
import cartopy
import numpy as np

print(cinrad.__version__) # 打印cinrad版本
print(np.__version__)   # 打印numpy版本
print(cartopy.__version__)  # 打印cartopy版本

⚠️ 常见问题： 如果出现不兼容情况，通常是Python版本过高导致。本人的Python版本为Python 3.13，与cartopy-0.25.0版本不兼容所致，错误信息如下所示：

2.3、解决方案：使用Conda管理环境

这里采用的办法是在Pycharm中配置Conda。

将Python版本设为3.11，在终端输入：

# 创建新环境
conda create -n py311_env python=3.11

# 激活环境
conda activate py311_env

# 安装cartopy
conda install -c conda-forge cartopy

运行结果如图： ✅ 环境配置完成

三、实战开始：读取CINRAD雷达数据

3.1、理解雷达数据格式与获取

中国新一代天气雷达数据通常以二进制格式存储，文件扩展名为 .bin 。这些文件包含了雷达站信息、扫描时间和气象参数等数据。每个文件遵循特定的格式规范，包括文件头、径向数据头和各气象要素的径向数据。 首先，我们需要理解雷达基数据文件的命名规则。以示例文件为例： Z_RADR_I_Z9556_20230617020712_O_DOR_SAD_CAP_FMT.bin.bz2

部分	含义	说明
Z9556	雷达站编号	代表具体的气象雷达站
20230617020712	数据时间	格式为年月日时分秒
DOR	数据类型标识	表示多普勒雷达数据
SAD	扫描模式	表示扇区扫描数据
CAP	数据来源	示雷达基数据
FMT	数据格式标识	标准格式

📢 重要提示：：气象雷达基数据属于气象敏感数据，需通过正规渠道获取：

渠道	说明	适用场景
国家气象信息中心	官方数据服务平台	历史雷达数据申请
中国气象局数据网	认证注册用户可申请	科研和教育用途
省级气象数据中心	各省气象局内部平台	区域性研究
科研合作渠道	与科研院所合作	学术研究项目

🔍 零基础备用方案：读者可在【国家气象科学数据中心】网站注册后，搜索"雷达基数据"进行申请下载。

3.2、读取雷达数据代码实现

import cinrad
import matplotlib.pyplot as plt
import numpy as np
from cinrad.visualize import PPI

# 读取雷达数据文件
# 这里是我测试的数据文件目录，请根据实际情况修改
basePath = r"C:\Users\Administrator\Desktop" # 数据存放路径
nFiles = basePath + r"\Z_RADR_I_Z9556_20230617020712_O_DOR_SAD_CAP_FMT.bin.bz2"
f=cinrad.io.StandardData(nFiles)

# 获取雷达基本信息
print("雷达站编号:", f.code)
print("雷达站名:", f.name)
print("扫描时间:", f.scantime)
print("雷达站纬度：",f.stationlat)
print("雷达站经度：",f.stationlon)
print("获取所有仰角列表：",f.angleindex_r)
print("实际仰角度数",f.el)#获取所有仰角的具体角度值（单位：度）
print("可用产品类型：",f.available_product(0))#查询第一个仰角扫描层的可用数据产品

3.3、深入解析数据结构

#获取第一个仰角的反射率数据
tilt_number=0
detection_range=230 #探测距离（km）
data_type="REF" #反射率数据

# 获取数据
data = f.get_data(tilt=tilt_number, drange=detection_range, dtype=data_type)

print("=== 雷达数据结构分析 ===")
print("数据对象类型:", type(data))
print("数据维度:", data.dims)
print("数据坐标变量:", list(data.coords.keys()))
print("数据属性:", list(data.attrs.keys()))

# 显示反射率数据统计信息
ref_data = data.REF
print("反射率数据形状:", ref_data.shape)
print("反射率范围: {:.1f} 到 {:.1f} dBZ".format(np.nanmin(ref_data.values), np.nanmax(ref_data.values)))
print("有效数据点数:", np.sum(~np.isnan(ref_data.values)))

# 显示经纬度范围
print("经度范围: {:.3f}° 到 {:.3f}°".format(
    np.nanmin(data.longitude.values), np.nanmax(data.longitude.values)))
print("纬度范围: {:.3f}° 到 {:.3f}°".format(
    np.nanmin(data.latitude.values), np.nanmax(data.latitude.values)))
print("高度范围: {:.1f} 到 {:.1f} 米".format(
    np.nanmin(data.height.values), np.nanmax(data.height.values)))

四、雷达数据可视化

4.1、生成平面位置显示（PPI）图

#生成PPI图像
fig=plt.figure(figsize=(8,8))#设置图形尺寸为8*8英寸

# 创建PPI显示对象
display=PPI(data,fig)
display.plot_range_rings([50,100,150,200,250],color="white", linewidth=1) #添加距离圈
display.gridlines(draw_labels=True, linewidth=1, color="white") #画经纬度网格线

#设置图形属性
plt.title(f'product:{data_type}   code:{f.code}   scantime:{f.scantime}   tilt:{tilt_number}')

import cartopy.crs as ccrs
#标注雷达站点所在位置
display.geoax.scatter(x=f.stationlon, y=f.stationlat, s=500, c="r", marker=".", transform=ccrs.PlateCarree())

plt.show()

4.2、运行结果展示

图像解析： 彩色区域表示不同强度的降水回波 同心圆表示距离圈（每50公里一个） 红色圆点表示雷达站位置 颜色条显示反射率强度（dBZ）

五、完整代码展示

import cinrad
import matplotlib.pyplot as plt
import numpy as np
from cinrad.visualize import PPI

# 读取雷达数据文件
# 这里是我测试的数据文件目录，请根据实际情况修改
basePath = r"C:\Users\Administrator\Desktop" # 数据存放路径
nFiles = basePath + r"\Z_RADR_I_Z9556_20230617020712_O_DOR_SAD_CAP_FMT.bin.bz2"
f=cinrad.io.StandardData(nFiles)

# 获取雷达基本信息
print("雷达站编号:", f.code)
print("雷达站名:", f.name)
print("扫描时间:", f.scantime)
print("雷达站纬度：",f.stationlat)
print("雷达站经度：",f.stationlon)
print("获取所有仰角列表：",f.angleindex_r)
print("实际仰角度数",f.el)#获取所有仰角的具体角度值（单位：度）
print("可用产品类型：",f.available_product(0))#查询第一个仰角扫描层的可用数据产品

#获取第一个仰角的反射率数据
tilt_number=0
detection_range=230 #探测距离（km）
data_type="REF" #反射率数据

# 获取数据
data = f.get_data(tilt=tilt_number, drange=detection_range, dtype=data_type)

print("=== 雷达数据结构分析 ===")
print("数据对象类型:", type(data))
print("数据维度:", data.dims)
print("数据坐标变量:", list(data.coords.keys()))
print("数据属性:", list(data.attrs.keys()))

# 显示反射率数据统计信息
ref_data = data.REF
print("反射率数据形状:", ref_data.shape)
print("反射率范围: {:.1f} 到 {:.1f} dBZ".format(np.nanmin(ref_data.values), np.nanmax(ref_data.values)))
print("有效数据点数:", np.sum(~np.isnan(ref_data.values)))

# 显示经纬度范围
print("经度范围: {:.3f}° 到 {:.3f}°".format(
    np.nanmin(data.longitude.values), np.nanmax(data.longitude.values)))
print("纬度范围: {:.3f}° 到 {:.3f}°".format(
    np.nanmin(data.latitude.values), np.nanmax(data.latitude.values)))
print("高度范围: {:.1f} 到 {:.1f} 米".format(
    np.nanmin(data.height.values), np.nanmax(data.height.values)))

#生成PPI图像
fig=plt.figure(figsize=(8,8))#设置图形尺寸为8*8英寸

#创建PPI显示对象
display=PPI(data,fig)
display.plot_range_rings([50,100,150,200,250],color="white", linewidth=1) #添加距离圈
display.gridlines(draw_labels=True, linewidth=1, color="white") #画经纬度网格线

#设置图形属性
plt.title(f'product:{data_type}   code:{f.code}   scantime:{f.scantime}   tilt:{tilt_number}')

import cartopy.crs as ccrs
#标注雷达站点所在位置
display.geoax.scatter(x=f.stationlon, y=f.stationlat, s=500, c="r", marker=".", transform=ccrs.PlateCarree())

plt.show()

总结

通过本文的介绍，我们已经掌握了使用Cinrad库处理气象雷达数据的基本流程： 1.环境配置 ： 正确配置Python 3.11+ Cinrad环境 2.数据读取 ：使用cinrad.io.StandardData读取雷击基数据文件 3.数据解析 ：深入理解雷达数据结构和属性 4.可视化：生成平面位置显示（PPI）图

大家在学习雷达图像处理时还遇到了哪些"劝退"的难题？欢迎在评论区讨论，我会尽力解答！如果大家需要，下一篇我可以深入讲解如何使用Cartopy生成地理参考图、绘制组合反射率或者是雷达数据的三维可视化。 欢迎点赞、收藏、关注，您的支持是我持续创作的最大动力！

本文首次发布在CSDN平台。