学习笔记 | 为什么计算CAPE和CIN会为0？

用户11172986

发布于 2026-04-24 19:08:50

520

文章被收录于专栏：气python风雨气python风雨

气象学小白教程：为什么计算CAPE和CIN会为0？

导言

近期在计算一个探空数据的cape值时发现是0，经过一番测试整理成以下教程，希望你有所收获。

内容：通过一个具体实例，深入解析为什么对流有效位能（CAPE）和对流抑制能量（CIN）会计算为0，帮助气象学初学者理解大气稳定性的基本概念。

今天我们要学习：

什么是CAPE和CIN？
为什么这个实例中CAPE和CIN为0？
通过图表直观理解

环境准备

首先导入必要的Python库：

# 导入必要的库
import numpy as np
import metpy.calc as mcalc
from metpy.units import units
import matplotlib.pyplot as plt

✅ 库导入完成！

📚第一部分：CAPE和CIN是什么？

🌡️ CAPE（对流有效位能）:

衡量大气中对流潜力的指标
单位：焦耳/千克 (J/kg)
值越大，对流发展潜力越大
典型值：
- 0-1000 J/kg：弱对流
- 1000-2500 J/kg：中等对流
- 大于2500 J/kg：强对流

🌡️ CIN（对流抑制能量）:

阻止对流发展的能量
单位：焦耳/千克 (J/kg)
值越大，对流越难发生
需要克服CIN才能发展对流

🎯 简单比喻：

CAPE就像汽车的"马力" - 马力越大，跑得越快
CIN就像汽车的"手刹" - 手刹拉得越紧，起步越难
要发展对流，需要：
1. 松开手刹（CIN小或为0）
2. 踩油门（CAPE大）

📊 如何计算CAPE和CIN？

从地面抬升一个"气块"
计算气块温度 vs 环境温度
如果气块比环境暖 → 正浮力 → CAPE
如果气块比环境冷 → 负浮力 → CIN

📊第二部分：我们的数据是什么样的？

数据基本信息：

# 使用之前的数据（简化版）
data = {
    'p_hPa': np.array([1013.1, 1012.9, 1001.7, 1000, 987.9, 957, 949.7, 929.2, 925, 919.3, 910.5, 900, 895.6, 889.1, 884.5,
                       863.4, 851.7, 850, 828.7, 825.7, 824.2, 819.2, 800.7, 793.9, 788.6, 787, 756.8, 733.7, 727, 724.5,
                       721.1, 718.6, 711, 703.8, 700, 698.4, 687.8, 670.4, 666.2, 659, 645.4, 643.6, 643.1, 640.2, 637.3,
                       616.7, 605.3, 600, 592.4, 583.4, 568.5, 545.5, 544.7, 535.4, 522, 517.5, 514.4, 505.6, 500, 499.7,
                       477.6, 476.1, 469.8, 456.7, 435.9, 425.9, 420.9, 413.5, 405.7, 400, 396.1, 387.6, 368.4, 366.7, 353,
                       334.5, 318.3, 312.5, 307.4, 300, 289.7, 279.1, 263.3, 253.1, 250.6, 250, 238.8, 231.8, 226.8, 219.5,
                       218.3, 215.9, 213.6, 204.3, 200, 193.9, 192.5, 187.1, 182.8, 175.1, 171.4, 163.4, 159.5, 150, 149.5,
                       146.8, 145.6, 143.9, 137.4, 130.3, 129.6, 123.8, 121.9, 121.1, 114, 113.4, 109.3, 106.3, 102.3, 100,
                       99.5, 98.5, 97.1, 94.4, 93.1, 92.2, 88.2, 86.5, 80.9, 79.3, 75.6, 73.9, 72.1, 70.4, 70, 69.9, 68.7,
                       64.7, 63.1, 60.4, 56.4, 55.8, 53.8, 52.6, 50, 49.3, 47.8, 46.2, 44.7, 43.3, 42.5, 40.5, 40, 38.6, 37.9,
                       37.8, 35.6, 35.4, 34.5, 33.1, 31.2, 31, 30.5, 30, 29.1, 29, 27.8, 27, 26.7, 25.2, 25.1, 24.4, 23.5,
                       22.5, 21.8, 21.5, 20.7]),
    'T_degC': np.array([14.7, 15.31, 14.51, 14.67, 14.67, 13.67, 13.23, 13.24, 12.94, 12.69, 12.16, 11.46, 11.59, 11.6, 11.29,
                        10.04, 9.09, 8.94, 7.08, 8.75, 8.97, 8.71, 7.87, 8.07, 8.54, 8.43, 5.47, 3.37, 3.4, 3.45, 4.01, 4.27,
                        5.47, 5.72, 5.96, 6.01, 5.7, 4.19, 3.78, 3.77, 2.44, 2.57, 2.74, 4.71, 5.26, 3.73, 2.68, 2.05, 1.15,
                        0, -1.5, -4.03, -4.07, -4.46, -5.88, -6.29, -5.42, -5.33, -5.78, -5.8, -8.31, -8.49, -8.14, -10.01,
                        -12.35, -13.77, -14.54, -14.81, -15.82, -16.23, -16.72, -16.52, -19.16, -19.37, -20.5, -23.9, -27.02,
                        -28.28, -28.87, -30.44, -32.34, -34.65, -37.49, -39.22, -39.75, -39.89, -42.46, -44.14, -44.99, -46.44,
                        -46.03, -46.14, -46.16, -48.84, -50.19, -52.11, -52.6, -53.46, -54.77, -57.31, -58.55, -61.39, -61.78,
                        -65.05, -65.26, -66.18, -66.18, -66.3, -68.6, -71.29, -71.25, -71.97, -71.72, -71.65, -74.59, -74.9,
                        -75.55, -76.74, -78.15, -78.42, -78.43, -78.52, -78.13, -78.77, -78.43, -78.74, -80.26, -80.64, -82.19,
                        -82.49, -81.36, -80.98, -81.57, -78.98, -77.75, -77.51, -75.07, -75.67, -76.45, -74.98, -71.62, -71.29,
                        -68.09, -67.74, -67.25, -66.81, -66.6, -65.15, -64.38, -64.28, -64.19, -62.42, -62.28, -61.11, -59.64,
                        -59.61, -60.24, -60.04, -58.6, -59.47, -59.66, -59.27, -58.41, -58.08, -57.75, -57.87, -58.94, -57.72,
                        -56.88, -55.48, -55.26, -55.56, -54.15, -52.6, -53.4, -53.89, -53.67]),
    'Td_degC': np.array([8.17, 8.38, 7.76, 7.93, 7.68, 7.29, 7.05, 8.02, 8.09, 8.72, 9.01, 8.19, 7.89, 9.71, 9.6, 7.21, 6.44,
                         6.4, 5.78, 5.95, 5.65, 4.61, 2.91, 2.14, -0.21, -0.46, -2.36, -3.2, -3.65, -3.51, -5.94, -6.1, -8.81,
                         -9.41, -13.02, -15.06, -16.2, -17.1, -17.65, -27.54, -31.88, -33.22, -34.86, -48.57, -48.24, -49.17,
                         -49.82, -49.1, -50.76, -50.39, -52.4, -51.91, -52.68, -54.24, -55.13, -51.57, -54.67, -54.79, -54.04,
                         -55.08, -56.66, -56.78, -56.55, -57.74, -59.22, -60.13, -60.62, -60.79, -61.44, -60.73, -62.02, -61.89,
                         -63.59, -63.73, -64.46, -66.67, -65.94, -64.21, -69.16, -70.03, -72.23, -73.78, -75.68, -76.85, -77.2,
                         -76.34, -79.04, -80.18, -80.77, -81.76, -81.48, -81.55, -81.57, -83.41, -83.34, -85.67, -86.01, -86.6,
                         -87.52, -89.29, -90.16, -92.16, -92.44, -93.67, -94.91, -95.57, -95.57, -95.65, -97.3, -99.23, -99.2,
                         -99.72, -99.54, -99.49, -101.62, -101.84, -102.31, -103.18, -104.21, -103.2, -104.41, -104.48, -104.19,
                         -104.66, -104.41, -104.64, -105.75, -106.03, -107.17, -107.39, -106.56, -106.28, -106.72, -104.82, -102.72,
                         -103.74, -101.97, -102.4, -102.97, -101.9, -99.47, -99.23, -96.93, -96.68, -95.22, -96.02, -95.87, -94.83,
                         -94.28, -94.21, -94.15, -92.89, -91.72, -91.97, -90.93, -90.91, -91.35, -91.21, -90.2, -90.81, -90.94,
                         -90.67, -90.06, -88.79, -89.6, -89.69, -90.44, -89.58, -88.99, -88.01, -87.86, -88.07, -87.08, -86.01,
                         -86.56, -86.9, -86.75]),
}

print("📈 数据基本信息：")
print(f"• 数据点数：{len(data['p_hPa'])} 层")
print(f"• 气压范围：{data['p_hPa'][0]:.1f} - {data['p_hPa'][-1]:.1f} hPa")
print(f"• 地面温度：{data['T_degC'][0]:.1f}°C")
print(f"• 地面露点：{data['Td_degC'][0]:.1f}°C")
print(f"• 温度露点差：{data['T_degC'][0] - data['Td_degC'][0]:.1f}°C")

# 计算相对湿度
rh = mcalc.relative_humidity_from_dewpoint(
    data['T_degC'][0] * units.degC, 
    data['Td_degC'][0] * units.degC
)
print(f"• 地面相对湿度：{rh.magnitude*100:.1f}%")

📈 数据基本信息：

数据点数：201 层
气压范围：1013.1 - 20.7 hPa
地面温度：14.7°C
地面露点：8.2°C
温度露点差：6.5°C
地面相对湿度：65.1%

🔍 关键观察：

地面温度14.7°C - 不算很暖
相对湿度65% - 中等湿度
这是比较"温和"的天气条件

🎨第三部分：让我们看看大气的"温度剖面"

# 准备数据
p = data['p_hPa'] * units.hPa
T = data['T_degC'] * units.degC
Td = data['Td_degC'] * units.degC

# 计算气块抬升轨迹
profile = mcalc.parcel_profile(p, T[0], Td[0]).to('degC')

# 创建图表
fig, axes = plt.subplots(1, 3, figsize=(18, 8))

# 图1：环境温度垂直分布
ax1 = axes[0]
ax1.plot(T.magnitude, p.magnitude, 'b-', linewidth=3, label='环境温度')
ax1.set_xlabel('温度 (°C)', fontsize=12)
ax1.set_ylabel('气压 (hPa)', fontsize=12)
ax1.set_title('🌡️ 环境温度垂直分布', fontsize=14, fontweight='bold')
ax1.invert_yaxis()  # 气压从上往下递增
ax1.grid(True, alpha=0.3)
ax1.legend(fontsize=11)

# 添加标注
ax1.annotate('地面\n1013 hPa\n14.7°C', 
             xy=(T[0].magnitude, p[0].magnitude), 
             xytext=(20, 50),
             textcoords='offset points',
             arrowprops=dict(arrowstyle='->', color='red'),
             fontsize=10,
             bbox=dict(boxstyle="round,pad=0.3", facecolor="yellow", alpha=0.5))

# 图2：气块抬升轨迹
ax2 = axes[1]
ax2.plot(profile.magnitude, p.magnitude, 'r-', linewidth=3, label='气块温度')
ax2.set_xlabel('温度 (°C)', fontsize=12)
ax2.set_ylabel('气压 (hPa)', fontsize=12)
ax2.set_title('🚀 气块抬升轨迹', fontsize=14, fontweight='bold')
ax2.invert_yaxis()
ax2.grid(True, alpha=0.3)
ax2.legend(fontsize=11)

# 图3：两者对比
ax3 = axes[2]
ax3.plot(T.magnitude, p.magnitude, 'b-', linewidth=3, label='环境温度', alpha=0.7)
ax3.plot(profile.magnitude, p.magnitude, 'r-', linewidth=3, label='气块温度', alpha=0.7)
ax3.set_xlabel('温度 (°C)', fontsize=12)
ax3.set_ylabel('气压 (hPa)', fontsize=12)
ax3.set_title('⚖️ 环境 vs 气块温度对比', fontsize=14, fontweight='bold')
ax3.invert_yaxis()
ax3.grid(True, alpha=0.3)
ax3.legend(fontsize=11)

# 在对比图上标注关键区域
# 找出温度差最小的区域
temp_diff = profile.magnitude - T.magnitude
closest_idx = np.argmin(np.abs(temp_diff))

ax3.annotate('最接近的点\n但气块仍然更冷', 
             xy=(profile[closest_idx].magnitude, p[closest_idx].magnitude), 
             xytext=(-80, 20),
             textcoords='offset points',
             arrowprops=dict(arrowstyle='->', color='green'),
             fontsize=10,
             bbox=dict(boxstyle="round,pad=0.3", facecolor="lightgreen", alpha=0.7))

plt.tight_layout()
plt.show()

图：温度垂直分布图

🔍 观察图表：

环境温度（蓝色线）：随高度降低
气块温度（红色线）：抬升后也降低
关键发现：红色线始终在蓝色线左边！
- 这意味着气块温度始终低于环境温度
- 气块比环境冷 → 下沉 → 没有上升运动

📉第四部分：温度差分析 - 揭秘CAPE为0的原因

# 计算温度差
temp_diff = profile.magnitude - T.magnitude

print("📊 温度差统计：")
print(f"• 最小温度差：{min(temp_diff):.2f}°C")
print(f"• 最大温度差：{max(temp_diff):.2f}°C")
print(f"• 平均温度差：{np.mean(temp_diff):.2f}°C")
print(f"• 正温度差数量：{np.sum(temp_diff > 0)} 个")
print(f"• 负温度差数量：{np.sum(temp_diff < 0)} 个")
print(f"• 零温度差数量：{np.sum(temp_diff == 0)} 个")

if np.sum(temp_diff > 0) == 0:
    print("\n❌ 没有正温度差！")
    print("   → 气块从未比环境暖")
    print("   → 没有正浮力区域")
    print("   → 因此 CAPE = 0")

📊 温度差统计：

最小温度差：-8.23°C
最大温度差：-0.05°C
平均温度差：-2.67°C
正温度差数量：0 个
负温度差数量：201 个
零温度差数量：0 个

❌ 没有正温度差！

气块从未比环境暖
没有正浮力区域
因此 CAPE = 0

# 创建温度差图表
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 8))

# 图1：温度差垂直分布
ax1.plot(temp_diff, p.magnitude, 'g-', linewidth=3, label='温度差(气块-环境)')
ax1.axvline(x=0, color='k', linestyle='--', linewidth=2, alpha=0.5, label='零线')
ax1.set_xlabel('温度差 (°C)', fontsize=12)
ax1.set_ylabel('气压 (hPa)', fontsize=12)
ax1.set_title('📊 气块与环境温度差', fontsize=14, fontweight='bold')
ax1.invert_yaxis()
ax1.grid(True, alpha=0.3)
ax1.legend(fontsize=11)

# 填充负温度差区域（CIN区域）
ax1.fill_betweenx(p.magnitude, 0, temp_diff, where=(temp_diff < 0), 
                   color='red', alpha=0.3, label='负浮力区域')

# 标注
ax1.annotate('全部为负值！\n没有正浮力', 
             xy=(min(temp_diff)/2, 500), 
             xytext=(-100, 0),
             textcoords='offset points',
             arrowprops=dict(arrowstyle='->', color='red'),
             fontsize=12,
             bbox=dict(boxstyle="round,pad=0.3", facecolor="red", alpha=0.2))

# 图2：温度差直方图
ax2.hist(temp_diff, bins=30, color='skyblue', edgecolor='black', alpha=0.7)
ax2.axvline(x=0, color='red', linestyle='--', linewidth=2, label='零线')
ax2.set_xlabel('温度差 (°C)', fontsize=12)
ax2.set_ylabel('频数', fontsize=12)
ax2.set_title('📈 温度差分布直方图', fontsize=14, fontweight='bold')
ax2.grid(True, alpha=0.3)
ax2.legend(fontsize=11)

# 标注直方图
ax2.annotate('全部在零线左侧！\n全是负值', 
             xy=(min(temp_diff)/2, 5), 
             xytext=(50, 30),
             textcoords='offset points',
             arrowprops=dict(arrowstyle='->', color='blue'),
             fontsize=12,
             bbox=dict(boxstyle="round,pad=0.3", facecolor="lightblue", alpha=0.5))

plt.tight_layout()
plt.show()

图：温度差分析

🎯 核心结论：温度差全部 ≤ 0 → 气块始终不比环境暖 → 没有正浮力 → CAPE = 0

🧮第五部分：实际计算CAPE和CIN

# 计算CAPE和CIN
cape, cin = mcalc.cape_cin(p, T, Td, profile)

📊 计算结果：

CAPE = 0.00 J/kg
CIN = 0.00 J/kg

🔍 结果解读：

CAPE = 0.00 J/kg
- 没有对流有效位能
- 大气非常稳定
- 不会发展对流性天气（雷暴、暴雨等）
CIN = 0.00 J/kg
- 没有对流抑制能量
- 但这不是"好事情"！
- 因为气块根本抬升不起来
- 就像汽车手刹没拉，但发动机坏了

🎯 重要概念：LFC和EL

LFC（自由对流高度）：气块开始比环境暖的高度
EL（平衡高度）：气块再次与环境温度相等的高度
在我们的例子中：
- 气块从未比环境暖
- 所以 LFC = 不存在 (NaN)
- 所以 EL = 不存在 (NaN)

# 尝试获取LFC和EL信息
try:
    result = mcalc.cape_cin(p, T, Td, profile, which_lfc='bottom', which_el='top')
    if len(result) > 2:
        print(f"LFC压力: {result[2]}")
        print(f"EL压力: {result[3]}")
        print("👆 看到吗？都是NaN（不存在）")
except Exception as e:
    print(f"错误信息: {e}")
    print("这证实了LFC和EL不存在！")

🔧 尝试获取LFC和EL信息：

LFC压力: nan hPa
EL压力: nan hPa
👆 看到吗？都是NaN（不存在）

📝 简单总结：没有正浮力 → 没有CAPE → 没有LFC和EL → 大气稳定

🎭第六部分：对比一下 - 有CAPE的情况是什么样的？

让我们创建一个"理想"的对流案例：

# 创建一个有对流的示例数据
ideal_p = np.array([1000, 850, 700, 500, 400, 300]) * units.hPa
ideal_T = np.array([30, 20, 10, -10, -25, -50]) * units.degC  # 环境温度
ideal_Td = np.array([25, 18, 8, -15, -30, -55]) * units.degC  # 露点温度

# 计算气块轨迹
ideal_profile = mcalc.parcel_profile(ideal_p, ideal_T[0], ideal_Td[0]).to('degC')

# 计算CAPE和CIN
ideal_cape, ideal_cin = mcalc.cape_cin(ideal_p, ideal_T, ideal_Td, ideal_profile)

📊 理想对流案例数据：

气压 1000 hPa: 温度 30.0°C, 露点 25.0°C
气压 850 hPa: 温度 20.0°C, 露点 18.0°C
气压 700 hPa: 温度 10.0°C, 露点 8.0°C
气压 500 hPa: 温度 -10.0°C, 露点 -15.0°C
气压 400 hPa: 温度 -25.0°C, 露点 -30.0°C
气压 300 hPa: 温度 -50.0°C, 露点 -55.0°C

📈 计算结果：

CAPE = 1878.45 J/kg
CIN = -15.26 J/kg

🔍 对比分析：

指标	我们的案例	理想案例
地面温度	14.7°C	30.0°C
地面露点	8.2°C	25.0°C
CAPE	0.0 J/kg	1878.5 J/kg
CIN	0.0 J/kg	-15.3 J/kg

🎯 关键区别：

地面温度：30°C vs 14.7°C → 更暖的地面
地面露点：25°C vs 8.2°C → 更潮湿
结果：有CAPE vs 无CAPE

# 可视化对比
fig, axes = plt.subplots(1, 2, figsize=(16, 8))

# 我们的案例
ax1 = axes[0]
ax1.plot(T.magnitude, p.magnitude, 'b-', label='环境温度', alpha=0.7)
ax1.plot(profile.magnitude, p.magnitude, 'r-', label='气块温度', alpha=0.7)
ax1.set_xlabel('温度 (°C)')
ax1.set_ylabel('气压 (hPa)')
ax1.set_title('❄️ 我们的案例：无CAPE', fontsize=14, fontweight='bold')
ax1.invert_yaxis()
ax1.grid(True, alpha=0.3)
ax1.legend()
ax1.annotate('气块始终更冷\nCAPE=0', 
             xy=(10, 500), 
             xytext=(50, 0),
             textcoords='offset points',
             fontsize=12,
             bbox=dict(boxstyle="round,pad=0.3", facecolor="red", alpha=0.2))

# 理想案例
ax2 = axes[1]
ax2.plot(ideal_T.magnitude, ideal_p.magnitude, 'b-', label='环境温度', alpha=0.7)
ax2.plot(ideal_profile.magnitude, ideal_p.magnitude, 'r-', label='气块温度', alpha=0.7)
ax2.set_xlabel('温度 (°C)')
ax2.set_ylabel('气压 (hPa)')
ax2.set_title('🔥 理想案例：有CAPE', fontsize=14, fontweight='bold')
ax2.invert_yaxis()
ax2.grid(True, alpha=0.3)
ax2.legend()

# 标记正浮力区域
ideal_temp_diff = ideal_profile.magnitude - ideal_T.magnitude
positive_mask = ideal_temp_diff > 0
if np.any(positive_mask):
    ax2.fill_betweenx(ideal_p.magnitude, ideal_T.magnitude, ideal_profile.magnitude, 
                      where=positive_mask, color='green', alpha=0.3, label='正浮力区域')
    ax2.annotate('气块比环境暖！\n这就是CAPE区域', 
                 xy=(ideal_profile.magnitude[2], ideal_p.magnitude[2]), 
                 xytext=(-80, 0),
                 textcoords='offset points',
                 arrowprops=dict(arrowstyle='->', color='green'),
                 fontsize=12,
                 bbox=dict(boxstyle="round,pad=0.3", facecolor="green", alpha=0.2))

plt.tight_layout()
plt.show()

图：案例对比

💡 学习要点：要产生CAPE，需要：

温暖潮湿的地面空气
气块抬升后比环境暖
有正浮力区域

🎓第七部分：总结与学习要点

📚 今天我们学到了：

1. 📖 基本概念

CAPE：对流有效位能，衡量对流潜力
CIN：对流抑制能量，阻止对流发展
LFC：自由对流高度，气块开始比环境暖的高度
EL：平衡高度，气块再次与环境温度相等的高度

2. 🔍 我们的案例分析

地面温度：14.7°C（不算很暖）
地面露点：8.2°C（比较干燥）
相对湿度：65%（中等湿度）
关键发现：气块温度始终 ≤ 环境温度

3. 📊 为什么CAPE和CIN为0？

✅ 技术原因：气压数据已修复（单调递减） ✅ 计算过程：正确无误 ✅ metpy库：功能正常 ❌ 根本原因：没有正浮力区域

气块从未比环境暖
温度差全部 ≤ 0
因此 CAPE = 0, CIN = 0

4. 🎯 关于LFC和EL为NaN

因为CAPE=0，气块从未达到自由对流
所以LFC不存在 → NaN
所以EL不存在 → NaN
这不是错误，而是正确结果！

5. 🌤️ 实际气象意义

CAPE=0表示大气非常稳定
不会发展雷暴、暴雨等对流天气
可能是：
- 冬季或极地探空
- 夜间探空（地面冷却）
- 高压系统控制下
- 稳定天气条件

6. 💡 如何产生CAPE？

需要同时满足：

温暖的地面温度（>25°C）
高的地面湿度（露点差小）
环境温度随高度快速降低
气块抬升后比环境暖

🎉 结论

恭喜！您现在理解了为什么这个实例中CAPE和CIN为0

👨‍🏫 记住：CAPE=0不一定是计算错误，可能是大气确实稳定

🔬 气象学就是通过数据理解大气行为！

📌 下一步学习建议：

尝试修改地面温度，看看CAPE如何变化
学习其他对流参数（LI、SI、KI等）
分析真实天气案例的探空数据
了解CAPE与天气现象的关系

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2025-12-09，如有侵权请联系 cloudcommunity@tencent.com 删除

数据

本文分享自气python风雨微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

登录后参与评论

0 条评论

热度