verde

Verde - 空間データのグリッディング

クイックリファレンス

import verde as vd

# Basic gridding
spline = vd.Spline()
spline.fit(coordinates, values)  # coordinates = (lon, lat) tuple
grid = spline.grid(spacing=0.1)  # Returns xarray Dataset

# Access result
elevation = grid.elevation.values

# Save output
grid.to_netcdf('output.nc')

主なクラス

クラス	目的
Spline	双調和スプライン補間（滑らかで、外挿に適しています）
Linear	Delaunay 三角形分割（高速で、外挿はできません）
Cubic	3 次補間（中程度の滑らかさ）
Chain	処理ステップのパイプライン
BlockReduce	データをブロック平均値／中央値に間引きます
Trend	多項式トレンドのフィッティングと除去
Vector	2 成分ベクトルデータのグリッド化

基本操作

散布データをグリッド化する

coordinates = (longitude, latitude)  # Tuple of 1D arrays
values = elevation  # 1D array

spline = vd.Spline()
spline.fit(coordinates, values)
grid = spline.grid(spacing=0.1, data_names=['elevation'])

デカルト座標に投影する

import pyproj

projection = pyproj.Proj(proj='merc', lat_ts=data_lat.mean())
proj_coords = projection(longitude, latitude)

spline = vd.Spline()
spline.fit(proj_coords, values)
grid = spline.grid(spacing=1000)  # 1000m spacing

大規模データセットをブロック単位で間引く

import numpy as np

reducer = vd.BlockReduce(reduction=np.median, spacing=0.1)
coords_reduced, values_reduced = reducer.filter(coordinates, values)

グリッド化の前にトレンドを除去する

trend = vd.Trend(degree=2)  # Quadratic
trend.fit(coordinates, values)
residuals = values - trend.predict(coordinates)

# Grid residuals, then add trend back

処理パイプライン

chain = vd.Chain([
    ('trend', vd.Trend(degree=1)),
    ('reduce', vd.BlockReduce(np.median, spacing=0.05)),
    ('spline', vd.Spline())
])
chain.fit(coordinates, values)
grid = chain.grid(spacing=0.01)

クロスバリデーション

spline = vd.Spline()
scores = vd.cross_val_score(spline, coordinates, values, cv=5)
print(f"Mean R2: {scores.mean():.3f}")

データから離れた領域をマスクする

grid = spline.grid(spacing=0.1)
mask = vd.distance_mask(coordinates, maxdist=0.2, grid=grid)
grid_masked = grid.where(mask)

グリッドのパラメーター

パラメーター	説明
spacing	グリッドセルのサイズ（座標と同じ単位）
region	境界（西、東、南、北）
shape	グリッドの寸法（n_north、n_east）
adjust	'spacing' または 'region' - ぴったり収まるように調整する対象

グリッダーの比較

グリッダー	速度	滑らかさ	外挿
Spline	中	高	良好
Linear	高速	低	なし
Cubic	高速	中	なし

代替手段との使い分け

用途	ツール	理由
一般的な空間グリッド化	Verde	ML スタイルの API、パイプライン、クロスバリデーション
基本的な 1D／2D 補間	scipy.interpolate	よりシンプルな API で、空間データに特化していません
ポテンシャル場のグリッド化	Harmonica	重力／磁気データ向けに設計された等価ソース
コマンドラインでのバッチグリッド化	GMT	強力な CLI で、自動化スクリプトに適しています
地球統計学的補間	scikit-gstat / pykrige	バリオグラムに基づき、不確実性を扱えます
非常に大規模なデータセット（1,000 万点以上）	GMT / GDAL	大規模データでのメモリ処理に優れています
ベクトルデータ（GPS 速度）	Verde（Vector）	2 成分ベクトルのグリッド化機能を内蔵
トレンド除去とグリッド化	Verde（Chain）	パイプラインで各ステップをすっきり統合できます

Verde を選ぶ場合：散布空間データのグリッド化に、クロスバリデーション、トレンド除去、パイプラインを組み込み、Python らしい scikit-learn スタイルの API を利用したい場合です。 探索的分析や再現可能なワークフローに最適です。

scipy.interpolate を選ぶ場合：空間座標や投影、検証を必要としない単純な補間タスクの場合です。

GMT を選ぶ場合：大規模データセットのコマンドラインによるバッチ処理が必要な場合、またはシェルベースのワークフローと統合し、surface や nearneighbor を使いたい場合です。

よくあるワークフロー

検証付きで散布空間データをグリッド化する

• 散布点データ（座標＋値）を読み込む
• 必要に応じて地理座標をデカルト座標に投影する
• データ分布を調べ、クラスターや欠損領域を特定する
• BlockReduce を適用して、密集したクラスターを間引く
• Trend(degree=1) または Trend(degree=2) で広域トレンドを除去する
• cross_val_score() でグリッダーのパラメーターをクロスバリデーションする
• CV スコアに基づいて Spline(damping=...) または Spline(mindist=...) を調整する
• 選択したグリッダー（Spline、Linear、または Cubic）を残差にフィッティングする
• .grid() で規則的な間隔のグリッドに変換する
• グリッド化した残差にトレンドを戻す
• distance_mask() を適用して、外挿によるアーティファクトを除去する
• xarray のプロット機能でグリッドを可視化する：grid.elevation.plot()
• grid.to_netcdf() で結果を NetCDF に保存する

よくある問題

問題	解決方法
外挿の品質が低い	distance_mask() を使って、データから離れた領域をマスクします
大規模データで遅い	まず BlockReduce を使います
広域トレンド	グリッド化の前に Trend で除去します
間隔が不正	座標の単位（度またはメートル）を確認します

参考資料

• グリッダー - 利用可能なグリッダーとパラメーター
• クロスバリデーション - パラメーター調整の方法

スクリプト

• scripts/grid_data.py - グリッド化された散在データをNetCDFに変換