如何在Python中使用克里格插值台站数据？

浏览网页时，我发现在Python中使用克里格的一些工具是和。然而，我无法让它们中的任何一个工作。第一个不适用于我（甚至无法导入）：

导入pyKriging

  File "~/python3.6/site-packages/pyKriging/krige.py", line 142
    except Exception, err: 
                    ^
  SyntaxError: invalid syntax

第二个我不知道怎么用。我找不到一个简单的工作示例（例如，这个示例非常好，但遗憾的是，数据已无法下载）

所以我的问题是，我如何使用克里格插值我的数据？我有几个站点数据保存在numpy阵列中，如下所示：

2000      1         1         5.0
2000      1         2         3.4
2000      1         3         0.2

列为年-月-日-降水量。我有几个这样的数据数组（st1、st2、st3）和另一个数组，其中包含每个站点的ID和每个站点所在的坐标（stid，因此站点1位于经度15.6865、纬度62.6420等）

我需要的是每天一个数组（或一个3D数组），其中包含每天使用克里格插值的所有台站的数据，网格如下：

y = np.arange(61,63,0.125)
x = np.arange(14,17,0.125)
X,Y = np.meshgrid(x,y)

---

感谢您的帮助

很高兴能找到有趣的文档、软件包等。克里格法通常被称为“高斯过程回归”

在python中，一个有很多示例的好实现是著名的机器学习包之一。它是基于著名的DACE matlab实现的

关于高斯过程回归实现的文档可以在本文及其链接中找到。您可以在此页面底部找到5个教程：。可以找到可用内核的列表

使用您提供的数据，您只需执行以下操作，即可将简单模型与您选择的内核相匹配：

import sklearn
gp = sklearn.gaussian_process.GaussianProcessRegressor(kernel=your_chosen_kernel)
gp.fit(X, y)  

使用

KrigingAlgorithm

估计条件高斯过程的超参数。您需要的元模型的目的是将（经度、纬度）2D点作为输入，将给定日期的降水量作为输出

第一步是准备数据。在下面的脚本中，我创建了包含经度/纬度对的

coordinates\u train

变量和包含降水量的

premission\u train

变量。我使用了2000年1月2日的降水量，因为3号站2000年1月1日的数据缺失

import openturns as ot
# Input points
coordinates_train = ot.Sample([[15.68,62.64],[15.73,62.12],[16.10,61.14]])
# Output points
precipitation_train = ot.Sample([[3.4],[2.5],[4.5]]) # At 2000/1/2

然后我们可以训练克里金法。为了做到这一点，我使用了一个常数基（模型的趋势）和一个指数协方差模型。这应该是适当的，因为相对于车站的位置，降水量必须非常有规律

# Fit
inputDimension = 2
basis = ot.ConstantBasisFactory(inputDimension).build()
covarianceModel = ot.SquaredExponential([1.]*inputDimension, [1.0])
algo = ot.KrigingAlgorithm(coordinates_train, precipitation_train, covarianceModel, basis)
algo.run()
result = algo.getResult()
krigingMetamodel = result.getMetaModel()

然后，我们可以使用元模型来预测未记录位置的降水量。因为

krigingMetamodel

是一个函数，所以我只使用“（）”操作符

# Predict
coordinates = [15.70,62.53] # A new latitude/longitude pair
precipitation = krigingMetamodel(coordinates)

然后，

降水量

是包含给定位置降水量的1D点。这是预测的降水量

>>> print(precipitation)
[3.46667]

您还可以通过输入（经度、纬度、时间）来获得更通用的克里格法。在这种情况下，您所要做的就是向输入训练样本添加一个新维度，其中包含相关时间，格式为实值。

语句

gp.fit（X，y）

在这种情况下不合适，因为X是经度的2D数组，y是纬度的1D数组。

>>> print(precipitation)
[3.46667]