1 简介

下面的这幅图可能很多读者朋友们都看到过，这是英国摇滚乐队「Joy Division」在1979年发行的其第一张录音室专辑「Unknown Pleasures」的封面，由艺术家「Peter Saville」基于射电脉冲星信号的数据图创作而成，成为了一种流行文化的符号标志。

图1

类似图1的风格，在地图制作中也存在着一种「山脊地图」，基于记录地表海拔信息的「高程数据」，我们可以利用水平方向上的基于实际位置海拔高度的曲线，来对某块区域的地形进行更具艺术性的表达。

图2

而今天的文章，我们就来一起基于Python，配合颜色与字体的选择搭配，使用简短的代码，就可以创作出艺术海报级别的「山脊地图」。

2 基于ridge_map的山脊地图绘制

我们主要使用matplotlib与ridge_map来完成一幅山脊图的创作，使用pip install ridge_map完成对ridge_map的安装之后，我们先一个非常简单的例子开始：

from ridge_map import RidgeMap
import matplotlib.font_manager as fm
import matplotlib.pyplot as plt

# 从本地的字体文件中注册字体
font_prop = fm.FontProperties(fname="fonts/UncialAntiqua-Regular.ttf")

# 基于传入的区域左下角、右上角经纬度
# 来获取原始高程数据并绘制成山脊地图
# 如果你有“特殊的上网技巧”，这一步等待时间会很短
(
    RidgeMap(bbox=(-156.250305,18.890695,-154.714966,20.275080),
             font=font_prop)
    .plot_map(label="Hawai'i")
)

plt.savefig('图3.png')

图3

这就是ridge_map绘制山脊地图的基本模式，利用matplotlib.font_manager注册要使用的字体，再将绘图区域bbox信息与字体属性传入RidgeMap()之后调用plot_map()方法即可进行绘制。

但如果你想要制作出像下面这种更多定制内容的山脊地图，就需要了解多一些知识：

图4

下面我们分部分来展开介绍：

2.1 数据准备

我们统一使用RidgeMap接受bbox参数确定区域范围，格式为(左下角经度, 左下角纬度, 右上角经度, 右上角纬度)，其基于的高程数据来自「NASA」的SRTM数据集，分辨率为1弧秒（约30米），适用于北纬60°到南纬60°之间的区域。

ridge_map中数据准备的完整过程如下，其中get_elevation_data方法的num_lines参数用于控制返回数据对应的水平线数量，越大约细密，默认为80；viewpoint参数用于确定指南针所指的方向，默认为south：

# 初始化
rm = RidgeMap(bbox=(-156.250305,18.890695,-154.714966,20.275080),
              font=font_prop)

# 在线获取高程数据
values = rm.get_elevation_data(num_lines=200, viewpoint='north')

而获取到的values实际上是范围内各条水平线海拔变化情况的二维numpy数组：

图5

2.2 数据加工

在第一步获取到的数据的基础上，我们可以利用RidgeMap的preprocess方法来进行加工，从而实现一些诸如改变高度映射比例、低洼地区筛选的功能，其主要参数如下：

❝
「values」：传入上一步获取到的二维数组数据
「water_ntile」：浮点数，范围应在0到100之间，作为数据删除的阈值，即高度低于总体**water_ntile%**分位数的数据会被视作水体，从而在图像中不显示
「vertical_ratio」：用于设置原始高度值在绘图中被扩大的倍数，越大越夸张
❞

values = rm.preprocess(values=values,
                       water_ntile=10,
                       vertical_ratio=240)

rm.plot_map(values, label="Hawai'i")

plt.savefig('图6.png')

图6

2.3 绘制图像

做完上述数据加工之后，我们就可以调用plot_map()方法来进行山脊图的绘制，其主要参数如下：

❝
「values」：传入之前处理好的values
「label」：用于设置图像上叠加的文字标签内容
「label_x」：0-1之间的浮点数，用于确立文字标签左下角相对于绘图区域的比例x坐标
「label_y」：类似「label_x」，调整y坐标
「label_verticalalignment」：调整文字标签在竖直方向上的对齐方式，默认为'bottom'
「label_size」：控制文字标签字体大小，默认为40
「line_color」：设置线条的色彩，默认为'black'，当传入matplotlib中的colormap对象时即开启了色彩映射模式
「kind」：设置色彩映射策略，'gradient'表示与高度无关，在画幅竖直方向上进行色彩渐变，'elevation'则将色彩映射与高度相绑定
「linewidth」：设置线条粗细，默认为2
「background_color」：设置图像背景色
❞

其他参数都非常简单易懂，这里来重点展示不同kind参数下结果的不同：

「kind='gradient'」

rm.plot_map(values, label="Hawai'i", kind='gradient', line_color=plt.get_cmap('Reds'))

图7

可以看到在gradient模式下，整幅图像上的线条色彩从上向下按照colormap进行渐变。

「kind='elevation'」

rm.plot_map(values, label="Hawai'i", kind='elevation', line_color=plt.get_cmap('Reds'))

plt.savefig('图8.png')

图8

可以看到这时我们的线条色彩基于的是高度信息。

2.4 结合matplotlib

因为ridge_map基于的是matplotlib，所以我们可以类似geopandas绘图那样，在调用plot_map时向ax参数传入已经存在的Axes对象，从而结合不同类型的图像，就像下面这个简单的例子一样：

图9

在get到ridge_map的有趣用法之后，我们就可以对合法范围内任意一个地方进行绘制，譬如下面我们绘制的重庆市中心城区的部分范围：

font_prop = fm.FontProperties(fname="fonts/LongCang-Regular.ttf")

rm = RidgeMap(bbox=(106.360758,29.385385,106.74734,29.676339),
              font=font_prop)

values = rm.get_elevation_data(num_lines=250, viewpoint='south')
values = rm.preprocess(values=values,
                       water_ntile=5,
                       vertical_ratio=90)

rm.plot_map(values, label="", 
            kind='elevation', 
            line_color=plt.get_cmap('plasma'),
            label_size=100)

plt.savefig('图10.png')