只需要mask你的“river”数组。
例如，在

rivers = np.ma.masked_where(rivers == 0, rivers)

字符串
作为以这种方式叠加两个图的快速示例：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm

# Generate some data...
gray_data = np.arange(10000).reshape(100, 100)

masked_data = np.random.random((100,100))
masked_data = np.ma.masked_where(masked_data < 0.9, masked_data)

# Overlay the two images
fig, ax = plt.subplots()
ax.imshow(gray_data, cmap=cm.gray)
ax.imshow(masked_data, cmap=cm.jet, interpolation='none')
plt.show()

型

的数据
另外，顺便说一下，imshow很乐意接受其RGBA格式的浮点数。它只是期望所有值都在0和1之间。

另一种不使用掩码数组的方法是设置颜色Map如何处理低于clim最小值的裁剪值（无耻地使用Joe Kington的例子）：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm

# Generate some data...
gray_data = np.arange(10000).reshape(100, 100)

masked_data = np.random.random((100,100))

my_cmap = cm.jet
my_cmap.set_under('k', alpha=0)

# Overlay the two images
fig, ax = plt.subplots()
ax.imshow(gray_data, cmap=cm.gray)
im = ax.imshow(masked_data, cmap=my_cmap, 
          interpolation='none', 
          clim=[0.9, 1])
plt.show()

字符串

的数据
还有一个set_over用于裁剪顶部，还有一个set_bad用于设置颜色Map表如何处理数据中的“坏”值。
这样做的一个优点是，您可以通过使用im.set_clim([bot, top])调整clim来更改阈值

另一种选择是将所有保持透明的单元格设置为np.nan（不知道这里哪个更有效，我猜基于clim的tacaswell's answer将是最快的）。适配Joe Kington's answer示例：

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm

# Generate some data...
gray_data = np.arange(10000).reshape(100, 100)

masked_data = np.random.random((100,100))
masked_data[np.where(masked_data < 0.9)] = np.nan

# Overlay the two images
fig, ax = plt.subplots()
ax.imshow(gray_data, cmap=cm.gray)
ax.imshow(masked_data, cmap=cm.jet, interpolation='none')
plt.show()

字符串

的数据
请注意，对于dtype=bool数组，您不应该遵循IDE的建议，为了PEP 8（E712）而比较masked_data is True，而是坚持使用masked_data == True进行元素比较，否则掩码将失败：

的

另一种策略是导出河流分支网络。这通常是水文流量路由工具中的一个选项。我不确定你在这里使用了哪个工具，但下面是一个使用Python pysheds库的示例，它需要一个光栅类型文件，因此使用tiff文件而不是2D numpy数组：

from pysheds.grid import Grid
import matplotlib.pyplot as plt
import numpy as np

# Instantiate grid from raster
grid = Grid.from_raster('test1.tif')
dem = grid.read_raster('test1.tif')

# Fill pits
pit_filled_dem = grid.fill_pits(dem)

# Fill depressions
flooded_dem = grid.fill_depressions(pit_filled_dem)

# Resolve flats and compute flow directions
inflated_dem = grid.resolve_flats(flooded_dem)
fdir = grid.flowdir(inflated_dem)

# Compute accumulation
acc = grid.accumulation(fdir)

# Extract river branch network for accumulations > 1000 units
branches = grid.extract_river_network(fdir, acc > 1000)

# Create fig and axes objects of matplotlib figure
fig, ax = plt.subplots()

# Set limits and aspect and tick formatting
plt.xlim(grid.bbox[0], grid.bbox[2])
plt.ylim(grid.bbox[1], grid.bbox[3])
ax.set_aspect('equal')
ax.ticklabel_format(style='sci', scilimits=(0,0), axis='both')

# Set the axes color to gray to demonstrate non-river pixels 
ax.set_facecolor('lightgray')

# Plot the river branch network using for loop
for branch in branches['features']:
    line = np.asarray(branch['geometry']['coordinates'])
    plt.plot(line[:, 0], line[:, 1], color='k')

字符串

的数据