scikit_learn中的Python - Kriging (高斯过程)

Question

我正在考虑使用这种方法来插值我拥有的一些3D点。作为输入，我有一个地区不同高度的气体在大气中的浓度。我拥有的数据显示为几十英尺的垂直高程的每几英尺的值，但水平分隔数百英尺(所以“列”的紧凑的值)。

假设在任何给定的时间点上，值在垂直方向上的变化明显大于在水平方向上的变化。

我想要在考虑到这个假设的情况下执行3D克里金法(作为我可以调整的参数，或者是统计定义的参数-要么/或者)。

我相信scikit学习模块可以做到这一点。如果可以，我的问题是如何创建离散单元输出？也就是说，输出到尺寸为50x50x1英尺的3D数据网格。理想情况下，我希望输出的x_location，y_location，值与这些(或类似)距离的分隔。

不幸的是，我没有太多的时间去尝试它，所以在深入研究它之前，我只是希望弄清楚这在Python中是否可行。谢谢!

Answer 1

是的，你绝对可以在scikit_learn中做到这一点。

事实上，可以使用各向异性协方差核是克里金/高斯过程回归的一个基本特征。

因为它在manual (下面引用)中是精确的，所以您可以自己设置协方差的参数，也可以估计它们。您可以选择让所有参数相等或全部不同。

theta0 : double array_like，可选形状为(n_features，)或(1，)的数组。自相关模型中的参数。如果还指定了thetaL和thetaU，则theta0将被视为最佳参数集的最大似然估计的起点。默认假设各向同性自相关模型，theta0 =1e-1。

Answer 2

在2d的情况下，这样的东西应该可以工作：

import numpy as np
from sklearn.gaussian_process import GaussianProcess

x = np.arange(1,51)
y = np.arange(1,51)
X, Y = np.meshgrid(lons, lats)

points = zip(obs_x,  obs_y)
values = obs_data    # Replace with your observed data

gp = GaussianProcess(theta0=0.1, thetaL=.001, thetaU=1., nugget=0.001)
gp.fit(points, values)
XY_pairs = np.column_stack([X.flatten(), Y.flatten()])
predicted = gp.predict(XY_pairs).reshape(X.shape)