如何为循环绘制的NetCDF文件动态设置图表标题

# 原始代码片段 - 数据加载部分
file_list= sorted(glob.glob('*.nc'))
a_foot = None
Time = [] # 用于存储时间的列表
Foot= [] # 未使用的列表

for file in sorted(glob.glob('*.nc')):
    data= xr.open_dataset(file)
    # ... 省略其他变量提取 ...
    foot= data['foot']

    if a_foot is None:
        a_foot=foot
    else:
        a_foot = foot # 问题点1：a_foot在每次循环中都被覆盖，最终只保留最后一个文件的foot数据
    data.close()

    for num in time: # 问题点2：此循环会多次将整个'time' DataArray添加到Time列表中
        actual_time= time.dt.strftime('%Y-%m-%d %H:%M:%S')
        Time.append(actual_time) # 导致Time列表包含多个xarray DataArray对象

# 原始代码片段 - 绘图部分
for i in Time: # 问题点3：i在这里是xarray DataArray，而非整数索引
    ax= plt.axes(projection=ccrs.PlateCarree())
    # ... 省略绘图配置 ...
    plt.title('location,' + Time[i] ) # 问题点4：尝试用xarray DataArray作为列表索引，导致TypeError
    plt.show()

import xarray as xr
import matplotlib.pyplot as plt
import cartopy.crs as ccrs
import glob
import os # 用于文件名解析

# 1. 获取所有NetCDF文件列表
file_list = sorted(glob.glob('*.nc'))

# 检查是否有文件
if not file_list:
    print("未找到任何 .nc 文件，请检查文件路径。")
else:
    # 2. 遍历每个文件，加载数据并绘制图表
    for file_path in file_list:
        print(f"正在处理文件: {file_path}")

        # 打开数据集
        data = xr.open_dataset(file_path)

        # 提取核心变量
        lon = data['lon']
        lat = data['lat']

        # 对 'foot' 变量进行时间维度求和，得到2D地图数据
        foot_data_2d = data['foot'].sum(dim='time')

        # 提取并格式化用于标题的时间信息
        # 假设我们想使用该文件中的第一个时间点作为代表
        # .isel(time=0) 选取第一个时间点
        # .dt.strftime(...) 格式化为字符串
        # .item() 将xarray DataArray转换为Python标量
        try:
            representative_time = data['time'].isel(time=0).dt.strftime('%Y-%m-%d %H:%M:%S').item()
        except IndexError:
            representative_time = "Unknown Time" # 处理没有时间维度的情况
            print(f"警告: 文件 {file_path} 没有 'time' 维度或时间数据为空。")

        # 从文件名中提取模拟位置信息 (示例)
        # 假设文件名格式为 'simulation_location_YYYYMMDD.nc'
        # 实际应用中，可能需要更复杂的解析或从文件元数据中读取
        file_name_base = os.path.basename(file_path)
        # 简单示例：假设位置信息是文件名中第一个下划线前的部分
        # 或者可以从文件名中解析出更精确的位置
        simulation_location = file_name_base.split('_')[0] if '_' in file_name_base else "Generic Location"

        # 3. 创建图表和地理空间轴
        fig = plt.figure(figsize=(10, 8)) # 为每个图创建一个新图窗
        ax = fig.add_subplot(1, 1, 1, projection=ccrs.PlateCarree())

        # 定义等高线级别和颜色
        levels = [0.01, 0.05, 0.1, 0.15, 0.20, 0.25, 0.30, 0.35, 0.40, 0.45, 0.50, 0.55, 0.60]
        colors = ['mediumblue', 'deepskyblue', 'aqua', 'lightseagreen', 'mediumseagreen', 'limegreen', 
                  'yellow', 'gold', 'orange', 'darkorange', 'tomato', 'orangered', 'red']

        # 绘制等高线图
        contour_plot = ax.contourf(lon, lat, foot_data_2d,
                                   levels=levels,
                                   colors=colors,
                                   transform=ccrs.PlateCarree()) # 必须指定坐标变换

        # 设置地图范围
        ax.set_extent([-150, -143, 57.5, 72], crs=ccrs.PlateCarree())

        # 添加海岸线和网格线
        ax.coastlines()
        gls = ax.gridlines(draw_labels=True, dms=True, x_inline=False, y_inline=False)
        gls.top_labels = False   # 抑制顶部标签
        gls.right_labels = False # 抑制右侧标签

        # 添加颜色条
        plt.colorbar(contour_plot, label='Footprints, ppm (umol-1 m2 s)',
                     location='right', shrink=0.5, format='%.0e', extend="both")

        # 添加受体位置标记
        ax.plot(-146.231483, 64.054333, marker='o', markerfacecolor="None", 
                markeredgecolor='black', markersize=6, transform=ccrs.PlateCarree())

        # 4. 设置动态图表标题
        plt.title(f'{simulation_location}, Time: {representative_time}')

        # 显示图表
        plt.show()

        # 关闭图表以释放内存 (如果不需要立即显示所有图表，或者在循环中生成大量图表时非常重要)
        plt.close(fig)

        # 关闭数据集以释放文件资源
        data.close()