Python求和地理半径内的lat/lon点并求和到栅格

基本上，我的实验程序是试图找出在给定时间内有效点半径（例如50公里）内的点数。我的数据在三个单独的数组中结构化（但如果需要，我可以进行重组），例如：

一个纬度，一个纬度，一个时间

其中，1_LAT、1_LON、1_TIM都包含大约250个值，分别对应于纬度、经度（十进制度数）和时间

我有20组这样的阵列（即，1_-LAT、1_-LON、1_-TIM…20_-LAT、20_-LON、20_-TIM）

以下是我想要实现的目标：

1） 计算出每一组特定半径范围内的lat/lon组的数量。例如，在有效时间为1_TIM时，有多少点落在半径为1_LAT，1_LON的50公里范围内，与其他19组点相比。然后，我将遍历每个有效时间，以计算出每个特定点和有效时间的有效半径中的点数

我在下面附上了一张图片，以帮助直观地描述。

黑色正方形表示LAT_1/LON_1阵列中的所有点。 蓝色方块表示横向/横向阵列中的所有点

我想计算每套lat/lon阵列在每个有效时间内每个半径中的点数。最终显示将是地理底图图像上每个网格点的丹尼斯（即计数数/20）的总和光栅或网格

---

我有一种感觉，KDEtree可能是实现这一目标的最佳方式，但我对这方面几乎没有经验。如有任何意见或建议，将不胜感激

您可以执行以下操作。。。首先，将每组的

（x，y）

坐标分组到一个

点x

数组中：

points_1 = np.column_stack((LAT_1, LON_1))
...
points_n = np.column_stack((LAT_n, LON_n))

最好将它们存储在阵列列表中：

points = [point_1, points_2, ..., points_n]

现在，用每组点制作一个kdTree：

import scipy.spatial as spsp
kdtrees = [spsp.cKdTree(p) for p in point]

你准备好出发了。如果现在运行以下代码：

r = whatever_your_threshold_value_is
points_within_r = np.zeros((len(kdtrees), len(kdtrees)), dtype=np.int)
for j in xrange(len(kdtrees)):
    for k in xrange(j+1, len(kdtrees)):
        points_within_r[j, k] = kdtrees[j].count_neighbors(kdtrees[k], r, 2)
points_within_r = points_within_r + points_within_r.T

现在，您应该会发现

points\u in_r[j，k]

包含

points\j

中有多少个点在

points\k

中一个点的半径

r

内

---

请记住，此处的距离是坐标的欧几里德距离，忽略它们测量的是球面角的事实。

由于这些值是lat/lon值，因此必须有更精确的方法来确定点是否在半径内。我已经下载了geopy（可以获得更精确的测量）。我将尝试修改代码以获得这样的值，但我仍然需要将所有这些映射到basemap中。我可能放弃这个解决方案，尝试使用shapely库。如果您担心lat/lon vs xyz，KDTree将沿最后一个轴接受任何维度参数。只需将你的点阵列从lat/long转换为xyz。但它不会测量沿球体表面的距离，而是直接穿过地球，对吗？与地球的曲率相比，半径为-50公里是相当小的。在50公里处，这两个点只需离地面几米，以避免穿过地球。假设它是一个完美的球体，没有树……我想知道是否有一个更简单的解决方案，使用Shapely library buffer工具，然后“求和”/将多边形叠加到某种热密度贴图中。