因此,我想为我的硕士论文制作3D图,分析土壤水分和土壤温度对土壤CO2排放量的影响。我将提供三个数组:
x = [ 4.84625 5.0544 4.16643056 3.76109722 3.78773611 4.09504167
4.72077778 5.42934722 6.28011111 5.07029167 4.95979167 4.23276389
3.51766667 3.69626389 5.01547222 5.53184722 5.78104167 5.54768056
5.75745833 6.61322222 5.64434722 4.57231944 3.54957971 2.95773611
3.75422222 3.86697222 4.02002778 4.44877778 4.84073611 6.023625
7.03698611 7.99308333 8.91447222 8.07004167 7.707875 7.48558333
9.20861765 9.0425 7.79034722 7.07602778 7.44694444 8.20219444
8.89056944 8.06949383 8.19102083 9.210375 9.84386458 10.14367708
9.431875 8.50241667 8.08403125 8.72190625 8.35941667 8.40601042
8.97308333 10.77721875 11.66096875 11.44730208 10.46144706 10.43688542
10.9673125 10.42191667 10.66585417 12.36960417 11.6680625 10.7986875
10.06146875 10.01920833 9.85397917 10.23405208 10.86102174 10.22102083
9.92835417 10.29175 11.03846875 11.00278125 11.47222917 10.5285625
10.08645833 10.32583333 10.77623958 10.37211458 10.33952083 11.25215625
11.59722917 12.64604167 11.98882979 12.97326042 14.70359375 13.58966667
12.50553125 12.036 12.26488542 12.65345833 13.63321875 14.716625
14.10013542 12.94648958 11.97995833 11.93860417 12.67221053 11.88233333
11.43633333 11.65863333 11.89045 11.31366667 11.37516667 12.35875
13.71744167 14.2269 13.72503333 14.65824167 15.05738043 15.31138333
16.22935 17.15700833 18.54428333 18.88004167 17.46234167 17.08819167
16.34606667 14.36549167 13.13010833 14.04925833 14.77185833 14.63801667
15.05756667 15.38425217 16.21679167 17.05755833 17.59698333 16.08764167
15.294 18.605 17.19335 16.586375 16.83745833 14.940125
14.704475 14.52779167 13.94665 13.61068333 13.18305833 13.76986667
15.228325 16.32699167 17.84733333 16.76384167 17.55046667 18.7748
18.59296667 17.73594167 18.14850833 18.61726882 18.07525 18.0519375
18.73240625 18.70394792 18.2888125 17.76651042 15.99922917 15.52804167
15.37077083 15.91680208 16.1623125 15.90269792 16.4638125 15.94629592
16.11120833 16.50994167 15.526325 15.65330833 17.43736667 19.29425833
18.09973043 15.49424167 14.51321667 13.88214167 13.41865 12.371875
12.54573333 12.67726667 12.73368142 12.367625 12.371625 13.02910833
14.65609167 14.89021667 13.61189167 13.26925 14.379125 13.49785833
13.31195833 12.738725 12.59355833 12.45825833 12.10555833 11.61558462
11.25466667 10.69368333 10.368075 10.45246667 10.78280833 11.92320833
11.91246667 11.96740833 12.65991525 12.87470833 11.37119167 9.33916667
7.323775 6.40818333 6.15135833 5.57013043 6.37014167 7.06788333
7.39481667 7.65511667 7.71625833 8.4291 8.35434167 8.60410345
9.26129167 8.84153333 9.0604 8.58580833 8.05845 7.83515833
8.1961 8.99316667 8.46611667 9.0004 9.05744167 8.05939167
8.48614167 10.01413043 10.5946 11.47135833 11.29858333 11.14658333
11.202075 11.35120833 10.61796667 10.301475 8.77394167 9.3011
10.28681667 10.21425833 10.19259167 9.61508475 8.57460833 7.38274167
5.897325 5.12316667 4.5767 4.93705833 5.42375 4.78229167
4.14294167 5.304725 5.788125 6.22402703 7.12951111 6.70865833
6.282825 5.82234167 5.927 7.3888 7.17425833 6.85355833
5.19165 5.01914167 5.1706 5.61221667 4.529575 5.42310833
6.056725 7.408125 8.10161667 7.48716667 7.53175 7.89276471]
y = [0.2733176 0.27964209 0.27692862 0.27662329 0.27148507 0.27267448
0.27899191 0.27840397 0.27597469 0.27302769 0.27302738 0.28063012
0.29610115 0.28930181 0.28496873 0.28086077 0.27846396 0.27424571
0.27329482 0.27181639 0.29800326 0.31738405 0.33345126 0.33481233
0.31019282 0.29790984 0.29688231 0.29420815 0.29159637 0.28603658
0.28328972 0.28150449 0.28119089 0.27711579 0.27961831 0.27844424
0.26938635 0.26961442 0.26538158 0.26481452 0.2638801 0.26213648
0.25983697 0.26047091 0.25655433 0.25160312 0.25345591 0.25247221
0.26737732 0.26958303 0.26529778 0.26566143 0.27940386 0.27938518
0.27759135 0.28415508 0.27627014 0.27467795 0.27172908 0.27087189
0.26540338 0.26391582 0.26243198 0.27190417 0.28611455 0.27795939
0.2732012 0.26903494 0.26588979 0.26349886 0.2616274 0.25885331
0.25673807 0.25259062 0.24985113 0.24619419 0.24178816 0.23877029
0.237692 0.23647172 0.23381978 0.22825834 0.22726297 0.22257543
0.22148879 0.22244292 0.21916408 0.21658375 0.21282291 0.20990481
0.20563385 0.20079866 0.1969995 0.19335424 0.19054059 0.19354637
0.19344151 0.18956079 0.18594144 0.18472481 0.18930976 0.18990058
0.18843025 0.18734792 0.18596231 0.21316707 0.20624629 0.20493351
0.19930249 0.19551533 0.1955808 0.19506241 0.18765736 0.17886094
0.17530556 0.17050445 0.16643018 0.17408098 0.22818912 0.20714307
0.19985945 0.19664134 0.19724992 0.19294141 0.18936391 0.20077928
0.20709991 0.20883202 0.20716167 0.2042538 0.19738381 0.20399176
0.20203433 0.16111788 0.14870067 0.14630156 0.14268198 0.14257247
0.14477404 0.14525339 0.14481834 0.14177843 0.13974793 0.13718585
0.13358842 0.13011725 0.13051324 0.1270028 0.12848073 0.14058003
0.13731316 0.13491559 0.13315127 0.14203353 0.15867211 0.15778603
0.14926617 0.15811576 0.1789844 0.14458724 0.22626758 0.1917349
0.14881479 0.15324344 0.14396887 0.15558101 0.15099083 0.13640126
0.157956 0.17211004 0.17991944 0.16765933 0.17670911 0.19620278
0.18381065 0.16858602 0.16429211 0.16256395 0.1585947 0.18236735
0.19134138 0.18162246 0.18058074 0.17614707 0.17215646 0.16986923
0.17079299 0.17672539 0.17584268 0.17592995 0.17949796 0.17338403
0.16452258 0.1650575 0.16653916 0.15830426 0.16795308 0.17858168
0.15020058 0.1480237 0.14614203 0.16709302 0.16820226 0.14711241
0.14078599 0.15647374 0.13778884 0.1365005 0.13747749 0.15373748
0.16493339 0.165129 0.16511313 0.17024292 0.18020126 0.19782195
0.20093688 0.18753853 0.19066367 0.19385462 0.21801323 0.21849588
0.20849082 0.18372053 0.17648474 0.20948026 0.21531231 0.21933009
0.21947646 0.19001721 0.21650568 0.19291195 0.1792483 0.17773779
0.17982754 0.18126038 0.1781274 0.1829152 0.17868724 0.17298911
0.17422606 0.17384864 0.17303813 0.1731333 0.17030162 0.23143221
0.25468778 0.26653923 0.2857105 0.24489137 0.24188946 0.22500125
0.22285074 0.23633701 0.2560784 0.27062934 0.26484626 0.25422344
0.22523628 0.22076187 0.24572896 0.25947905 0.27356545 0.25011848
0.24958946 0.25780442 0.24529393 0.25310605 0.21400465 0.21765686
0.23685871 0.25672207 0.25800685 0.26481888 0.2643238 0.2618982
0.25847495 0.21331127 0.21287104 0.2072117 0.21291095 0.20376975]
z = [0.995 1.3725 1.1315625 1.01244444 0.89268817 1.08
1.35489362 1.41903226 1.55361702 1.26182796 1.389375 1.11104167
1.09847826 1.32578947 1.7159375 1.59925532 1.2740625 1.191875
1.30364583 1.54854167 0.98580645 1.04809524 0.81024691 0.79752688
1.07645833 1.26536842 1.18791667 1.1765625 1.106 1.32197917
2.01177083 2.39375 2.12978947 1.78104167 1.40648936 1.78170213
1.99021978 1.86073684 1.77042553 1.6684375 2.07479167 1.68957895
1.67510417 1.88096154 1.86641667 2.04966667 2.1635 2.64733333
2.47675 2.12266667 2.05308333 2.29491667 2.10508333 2.09352941
2.41916667 3.34341667 3.72583333 3.10033333 2.97588785 2.99875
3.59441667 2.93508333 3.47741667 3.75666667 3.41791667 3.0175
2.95588235 2.42058333 2.26108333 3.21908333 2.82773913 2.71352941
2.40291667 2.63283333 3.07066667 2.88675 2.88033333 2.50285714
2.42375 2.40983193 3.01833333 2.7025 3.29133333 3.94225
3.57386555 3.49583333 3.43228814 3.98725 4.098 3.71733333
3.38458333 3.16975 3.46283333 3.77633333 4.083 5.90783333
5.167 3.82308333 3.51383333 3.50825 4.70704762 3.463
3.82958333 4.36025 4.13691667 3.95141667 3.98 4.65241667
5.32958333 5.27133333 5.10675 5.16633333 5.0998913 4.78808333
4.85716667 5.00791667 5.49058333 5.79508333 6.19516667 6.587
5.36275 4.55583333 4.51475 5.42683333 5.0675 5.48975
6.17108333 6.52434783 6.91158333 7.41808333 6.78375 6.12716667
5.40568182 7.56309091 5.83841667 5.47808333 5.25461538 3.95767241
4.89420168 4.67983193 4.02658333 3.53408333 3.53566667 3.64016667
3.88533333 4.17375 4.47108333 4.75833333 4.49808333 4.16283333
3.55460177 2.97515464 2.90229167 3.30578313 3.0503125 2.70791667
3.98302083 4.6140625 4.375 5.2559375 4.58145833 4.885
4.69333333 4.76958333 4.17125 3.74145833 5.2028125 5.14653061
5.34008333 5.65791667 6.16933333 5.89891667 6.60125 7.41291667
6.14521739 5.45325 5.55683333 5.05241667 4.12783333 3.54116667
4.51316667 4.71166667 4.53274336 4.3015 4.47058333 5.16025
6.35366667 6.27658333 5.56616667 5.50141667 5.75166667 5.49983333
5.03733333 4.52625 5.02225 5.04325 4.62008333 4.108125
3.37444444 3.07458333 3.02958333 2.97541667 3.07675 3.346
3.19166667 3.10241667 4.39016949 5.04008333 3.91775 3.05566667
2.35808333 2.1405 2.16716667 2.18086957 2.22775 2.60108333
2.71733333 2.77333333 2.74375 3.03633333 2.65525 2.80560345
2.87691667 2.97915254 2.82966667 2.74383333 2.6515 2.73083333
2.83041667 2.99420168 2.77983333 2.88521008 2.92166667 2.56216667
2.51633333 2.97617391 3.23462185 3.98925 3.47316239 3.11383333
2.21341667 2.8835 3.24741667 2.89025 2.04675214 2.22504202
2.99016667 3.30788136 2.32275 1.8982906 2.35336134 2.33445378
1.45376068 1.78205128 1.20991597 1.63570175 1.87691667 1.64258621
1.13090909 1.22559322 1.21440678 1.44561644 2.37636364 2.13608333
1.47163793 1.31156522 1.12508621 2.4512605 2.51965217 1.81958333
1.48675214 1.13310345 1.20683761 1.44136752 1.66857143 2.05017094
1.60869565 2.04347458 2.14201754 2.12915966 1.84618644 2.06779412]
到目前为止,我得到的是:
from scipy.interpolate import griddata
from mpl_toolkits import mplot3d
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
fig = plt.figure(figsize=(15,10))
ax = fig.gca(projection='3d')
xi = np.linspace(x.min(), x.max(), 50)
yi = np.linspace(y.min(), y.max(), 50)
Xi, Yi = np.meshgrid(xi, yi)
Zi = griddata((x, y), z, (xi[None, :], yi[:, None]))
ax.contour(Xi, Yi, Zi, levels=5, linewidths=0.5, colors='k')
cntr1 = ax.contourf(Xi, Yi, Zi, levels=14, cmap='viridis')
fig.colorbar(cntr1, ax=ax, shrink=0.5)
ax.set_xlim(x.max(), x.min())
ax.set_xlabel('temp')
ax.set_ylabel('moist')
ax.set_zlabel('CO2 Flux')
我非常感激任何想法,特别是更漂亮的网格,如何达到第二个情节。
我已经使用过matplotlibs plot_surface
和plot_trisurf
了,但是这对我来说并不奏效,因为我经常需要z的函数,而我却没有。