verde

Verde - 空间数据网格化

快速参考

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')

主要类

类	用途
Spline	双调和样条插值（平滑，外推效果好）
Linear	Delaunay 三角剖分（速度快，不支持外推）
Cubic	三次插值（平滑度适中）
Chain	处理步骤流水线
BlockReduce	将数据降采样为分块均值／中位数
Trend	多项式趋势拟合与去除
Vector	对 2 分量矢量数据进行网格化

基本操作

对离散数据进行网格化

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'])

投影到笛卡尔坐标系

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

对大型数据集进行分块降采样

import numpy as np

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

网格化前去除趋势

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

# Grid residuals, then add trend back

处理流水线

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)

交叉验证

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

屏蔽远离数据的区域

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

网格参数

参数	描述
spacing	网格单元大小（与坐标使用相同单位）
region	(西、东、南、北) 边界
shape	(n_north, n_east) 网格尺寸
adjust	'spacing' 或 'region'——为精确匹配调整哪一项

网格器比较

网格器	速度	平滑度	外推
Spline	中等	高	良好
Linear	快	低	无
Cubic	快	中等	无

何时选择 Verde 或其他方案

使用场景	工具	原因
通用空间网格化	Verde	类似 ML 的 API、流水线和交叉验证
基础 1D／2D 插值	scipy.interpolate	API 更简单，不专注于空间数据
势场网格化	Harmonica	等效源专为重力／磁力数据设计
命令行批量网格化	GMT	功能强大的 CLI，适用于自动化脚本
地统计插值	scikit-gstat / pykrige	基于变异函数，并提供不确定性
超大型数据集（1000 万个点以上）	GMT / GDAL	大规模数据下的内存处理能力更好
矢量数据（GPS 速度）	Verde (Vector)	内置 2 分量矢量网格化
去除趋势并网格化	Verde (Chain)	通过流水线简洁地组合多个步骤

选择 Verde 的情况：需要使用 Python 风格、类似 scikit-learn 的 API，对 离散空间数据进行网格化，并且需要内置的交叉验证、趋势去除和流水线功能。 非常适合探索性分析和可复现工作流。

选择 scipy.interpolate 的情况：只需进行简单插值，不涉及空间坐标、投影或验证。

选择 GMT 的情况：需要通过命令行批量处理大型数据集，或需要集成基于 shell 的工作流并使用 surface 或 nearneighbor。

常见工作流

对离散空间数据进行网格化并验证

• 加载离散点数据（坐标 + 数值）
• 如有需要，将地理坐标投影到笛卡尔坐标系
• 检查数据分布并识别聚集区或空缺
• 使用 BlockReduce 对密集聚集区进行降采样
• 使用 Trend(degree=1) 或 Trend(degree=2) 去除区域趋势
• 使用 cross_val_score() 对网格器参数进行交叉验证
• 根据 CV 分数调整 Spline(damping=...) 或 Spline(mindist=...)
• 在残差上拟合选定的网格器（Spline、Linear 或 Cubic）
• 使用 .grid() 按规则间距生成网格
• 将趋势加回网格化残差
• 使用 distance_mask() 裁剪外推伪影
• 使用 xarray 绘图功能可视化网格：grid.elevation.plot()
• 使用 grid.to_netcdf() 将结果保存为 NetCDF

常见问题

问题	解决方案
外推效果差	使用 distance_mask() 屏蔽远离数据的区域
处理大型数据时速度慢	先使用 BlockReduce
存在区域趋势	网格化前使用 Trend 去除趋势
间距错误	检查坐标单位（度还是米）

参考资料

• 网格器 - 可用的网格器和参数
• 交叉验证 - 参数调优方法

脚本

• scripts/grid_data.py - 将网格离散数据转换为 NetCDF