【学习教程】基于Python的生态学、地学领域高质量科研可视化制图

  本课程核心优势凸显几个方面：其一，场景高度适配，所有案例均源自生态学与地学真实研究，避免“通用教学”与领域需求脱节；其二，技术体系完整，从基础环境搭建（conda环境锁定、Jupyter 工作流）到高级技能（多面板整合、批量化导出、Git 版本管理），再到后处理工具（Inkscape、Illustrator），覆盖科研制图全流程；其三，长效辅助交流，不仅提供直播授课与全套资料，更建立长期导师助学群，课后通过不定期答疑、经验分享辅助学员解决实践问题，欢迎相关学者及人员参加此课程。特通知如下。

培训方式

网络直播+助学群辅助+导师面对面实践工作交流（报名后加入助学群、查阅会议流程）

导师随行

1.建立导师助学交流群，长期进行答疑及经验分享，辅助学习及应用；

2.课程结束后不定期召开线上答疑交流，辅助学习巩固工作实践问题处理交流；

教学特色

1、原理深入浅出的讲解；   

2、技巧方法讲解，提供所有案例数据及代码；

3、与项目案例相结合讲解实现方法，对接实际工作应用 ；

4、跟学上机操作、独立完成案例操作练习、全程问题跟踪解析；

5、课程结束专属助学群辅助巩固学习及实际工作应用交流，不定期召开线上答疑； 

证书及学时

参加培训的学员可以获得《Python科研制图技术》专业技术证书及学时证明，网上可查。此证书可作为学时证明、个人学习和知识更新、单位在职人员专业技能素质培养及单位人才聘用重要参考依据。证书查询网址：www.aishangyanxiu.com

注：办理证书需提供电子版2寸照片及姓名、身份证号信息，开课前发给会务组人员

发票开具

发票类别：培训费、会议费、资料费、技术咨询费等，配有盖章文件等，用于参会人员报销使用

培训费用

非会员费用：2980元

Ai尚研修会员费用：会员政策参会

【优惠活动】：

1、学生凭学生证有效证件参会可享受85折优惠。

2、转发朋友圈推荐好课程，集赞20枚可获得100元【设置公开可见】。

第一章：课程导论与SCI图像标准、环境搭建

1.1 SCI图像规范

分辨率与DPI（300 vs 600 vs 1200）

RGB / CMYK色彩模式转换

矢量图（PDF、SVG） vs 位图（TIFF、PNG）

常见错误示例：字体不一致、图例遮挡、JPEG压缩

1.2 Python科研绘图生态

Matplotlib（底层/可控）、Seaborn（统计范式）、Plotly（交互）、Cartopy（制图）、PyVista（3D）、SHAP（可解释）

图像后处理：Inkscape、Illustrator

质量标准：同一项目统一配色/字体/网格/标注风格。

常见错：同图混用多库默认样式、位图编辑代替矢量编辑。

1.3 环境搭建

conda 环境锁定（env.yml）、pip-tools；Jupyter+VS Code 工作流。

第二章：Matplotlib高质量图核心

2.1 样式管理与rcParams

统一字体（英：Arial/Times；中：思源/苹方）、字号层级、线型与色板。

科研配色、色盲友好色板

2.2 单图 & 多子图布局

折线图、散点图、误差带

子图对齐、Panel A/B/C 自动标。

GridSpec 控制比例；共享坐标轴；单位与小数位标准化。

2.3 输出高分辨率图像

矢量优先；位图仅限栅格底图；透明背景 PNG；TIFF 无压缩。

保存两份（审稿版 RGB、发版版 CMYK）；嵌入/转曲字体。

第三章：Seaborn与高级统计可视化

3.1 基础统计图

箱线+雨点/violin 组合；显著性标记；样本量 n 标注。

误差呈现一致（SD/SE/CI）；对数坐标时说明变换。

3.2 分布与相关性

热图（相关系数+FDR）、jointplot（边缘分布）、置信椭圆。

相关矩阵排序与聚类；显著性以符号或遮罩表达。

多区域分组相关热力气泡图

3.3 分布对比与趋势

山脊图展示密度；分组柱状+热力组合呈现强度与结构。

第四章：空间数据与生态制图

4.1 空间数据处理

GeoTIFF + Shapefile 叠加

栅格 vs 矢量

坐标与分辨率对齐。

先重投影后裁剪；属性表最小化；图层顺序与透明度控制。

4.2 Cartopy美化

指北针 + 比例尺

分区标注

4.3 高级空间图

遥感分类结果图（LULC）

多Y轴气候水文图

三维三角网格曲面图 + 二维等高线

第五章：高级相关性分析与可视化

5.1 相关性图谱

案例分析

方块面积相关性热图、关联气泡图、层次聚类相关热图

5.2 统计显著性校正

FDR多重检验校正可视化

5.3 多维相关性图

散点矩阵、分组矩阵、PCA/NMDS 结果图。

第六章：机器学习案例分析与SHAP可视化

6.1 生态案例应用与分析

6.2 SHAP可视化

南丁格尔玫瑰图展示模型权重

头部特征SHAP散点图

SHAP依赖图（单特征）

双特征交互效应SHAP图

特征重要性总览 + 依赖组合图

6.3 集成分析图

流程图（数据→特征→模型→评估）

模型对比表

第七章：多源融合与多面板整合

7.1 综合布局设计

流程图 + 空间图 + 统计图组合

多面板分栏排版

7.2 Pillow图像拼接

Python合成 + 矢量输出

第八章：批量化与自动化工作流

8.1 自动批量导出

批量命名、格式转换

RGB→CMYK自动转换

8.2 版本管理与可复现

Git管理科研绘图代码

结果可追溯化