mplstereonet

mplstereonet - Matplotlib 立体网

快速参考

import mplstereonet
import matplotlib.pyplot as plt

# Create stereonet
fig, ax = mplstereonet.subplots()

# Plot plane and pole (strike/dip, right-hand rule)
ax.plane(315, 45, 'b-')          # Great circle
ax.pole(315, 45, 'ko')           # Pole to plane

# Plot lineation (trend/plunge)
ax.line(120, 30, 'r^')

ax.grid()
plt.savefig('stereonet.png', dpi=150)

关键函数

函数	用途
mplstereonet.subplots()	创建立体网图形和坐标轴
ax.plane(strike, dip)	绘制大圆
ax.pole(strike, dip)	绘制平面的极点
ax.line(trend, plunge)	绘制线状构造点
ax.density_contourf()	填充密度等值线
mplstereonet.fit_girdle()	拟合最佳大圆
mplstereonet.find_mean_vector()	平均方位

基本操作

使用等值线显示多组测量值

import numpy as np

strikes = [45, 52, 38, 48, 55, 41, 50, 43]
dips = [25, 30, 22, 28, 35, 24, 32, 27]

fig, ax = mplstereonet.subplots()

# Density contour of poles
ax.density_contourf(strikes, dips, measurement='poles', cmap='Reds')
ax.pole(strikes, dips, 'k.', markersize=5)

ax.grid()
ax.set_title('Bedding Orientations')
plt.savefig('density.png', dpi=150)

计算平均方位

# Fit best-fit plane (girdle)
mean_strike, mean_dip = mplstereonet.fit_girdle(strikes, dips)

# Or calculate mean pole for clustered data
lon, lat = mplstereonet.pole(strikes, dips)
mean_lon, mean_lat = mplstereonet.find_mean_vector(lon, lat)
mean_s, mean_d = mplstereonet.pole2strike(mean_lon, mean_lat)

Pi 图解（褶皱轴）

# Bedding measurements around a fold
strikes = np.array([20, 35, 50, 70, 90, 110, 130, 150, 165, 180])
dips = np.array([45, 40, 35, 30, 25, 30, 35, 40, 45, 50])

fig, ax = mplstereonet.subplots()
ax.pole(strikes, dips, 'ko', markersize=6)

# Fit girdle to poles - fold axis is pole to girdle
girdle_strike, girdle_dip = mplstereonet.fit_girdle(strikes, dips)
ax.plane(girdle_strike, girdle_dip, 'r-', linewidth=2)

fold_trend, fold_plunge = mplstereonet.pole(girdle_strike, girdle_dip)
ax.line(fold_trend, fold_plunge, 'r^', markersize=12, label='Fold axis')

ax.grid()
ax.legend()

断层面与滑动矢量

fault_strike, fault_dip = 45, 60
rake = 30  # Degrees from strike

# Convert rake to trend/plunge
slip_trend, slip_plunge = mplstereonet.rake(fault_strike, fault_dip, rake)

fig, ax = mplstereonet.subplots()
ax.plane(fault_strike, fault_dip, 'r-', linewidth=2)
ax.line(slip_trend, slip_plunge, 'r>', markersize=10)
ax.grid()

多组节理

set1 = {'strikes': [45, 50, 42, 48], 'dips': [70, 75, 68, 72]}
set2 = {'strikes': [135, 140, 130, 138], 'dips': [60, 65, 58, 62]}

fig, ax = mplstereonet.subplots()
ax.pole(set1['strikes'], set1['dips'], 'ro', label='Set 1')
ax.pole(set2['strikes'], set2['dips'], 'bs', label='Set 2')
ax.grid()
ax.legend()

测量约定

格式	描述	示例
走向/倾角	右手定则（倾向位于走向右侧）	045/60
倾向/倾角	倾向的方位角	135/60
趋向/倾伏角	线状构造方位	180/30

格式转换

# Strike/dip to dip direction
strike, dip = 45, 60
dip_direction = (strike + 90) % 360

# Pole to strike/dip
lon, lat = mplstereonet.pole(strike, dip)
back_strike, back_dip = mplstereonet.pole2strike(lon, lat)

等值线方法

方法	描述
kamb	统计显著性（默认）
schmidt	点计数
exponential_kamb	平滑 Kamb

何时使用及替代方案

工具	最适合的用途	局限性
mplstereonet	在 Python 中快速创建立体网、与 matplotlib 集成、脚本化工作流	不支持交互式旋转，3D 功能有限
apsg	高级构造分析、张量、方位统计	学习曲线较陡
JTOPO	交互式 GUI 探索、教学	基于 Java，无法编写脚本

在以下情况下使用 mplstereonet： 需要以编程方式生成立体网并与 matplotlib 集成、批量处理方位数据集，或生成可复现的构造图用于发表。

在以下情况下考虑替代方案： 需要对方位进行交互式 3D 可视化（使用 apsg）、用于教学或快速检查的 GUI（使用 JTOPO），或需要 mplstereonet 未提供的高级张量统计功能。

常见工作流

分析层理方位并确定褶皱轴

• 从 CSV 或数组加载走向/倾角测量值
• 使用 mplstereonet.subplots() 创建立体网
• 使用 ax.pole(strikes, dips) 绘制层理极点
• 使用 ax.density_contourf() 生成密度等值线
• 使用 mplstereonet.fit_girdle() 对极点拟合大圆
• 使用 mplstereonet.pole() 将大圆的极点作为褶皱轴
• 使用 ax.line(trend, plunge) 绘制褶皱轴
• 添加网格、图例并保存图形

参考资料

• 投影类型 - 等面积投影与等角投影
• 绘图选项 - 自定义和样式设置

脚本

• scripts/structural_analysis.py - 分析构造数据并生成图形