python 根据经纬度数据生成插值图

### 绘制基于经纬度数据的插值图 为了根据经纬度数据生成插值图，可以使用多种方法和技术。以下是几种常见的技术及其对应的代码实现。 #### 方法一：利用 `matplotlib` 和 `cartopy` 进行简单插值 通过 `numpy.meshgrid()` 创建网格并结合 `scipy.interpolate.griddata()` 实现简单的插值操作： ```python import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import griddata import cartopy.crs as ccrs import cartopy.feature as cfeature # 假设这是您的原始经纬度和对应的数据点 lons = np.array([104.08, 104.09, 104.10]) lats = np.array([30.67, 30.68, 30.69]) values = np.array([25, 30, 35]) # 定义目标网格分辨率 lon_res = 0.01 lat_res = 0.01 lon_min, lon_max = lons.min(), lons.max() lat_min, lat_max = lats.min(), lats.max() # 构建目标网格 lon_grid = np.arange(lon_min, lon_max + lon_res, lon_res) lat_grid = np.arange(lat_min, lat_max + lat_res, lat_res) Lon, Lat = np.meshgrid(lon_grid, lat_grid) # 插值到新网格上 Z = griddata((lons, lats), values, (Lon, Lat), method='cubic') # 可视化 fig = plt.figure(figsize=(8, 6)) ax = fig.add_subplot(1, 1, 1, projection=ccrs.PlateCarree()) ax.set_extent([lon_min, lon_max, lat_min, lat_max], crs=ccrs.PlateCarree()) # 添加地理特征 ax.add_feature(cfeature.COASTLINE) ax.add_feature(cfeature.BORDERS, linestyle=':') ax.add_feature(cfeature.RIVERS) # 显示插值结果 contourf = ax.contourf(Lon, Lat, Z, levels=100, cmap='viridis') plt.colorbar(contourf, ax=ax, orientation='vertical', label='Interpolated Value') plt.title('Simple Interpolation with Matplotlib and Cartopy') plt.show() ``` 此代码展示了如何创建一个二维网格，并将离散的观测数据插值到该网格上[^1]。 --- #### 方法二：使用 Kriging 插值法 Kriging 是一种更复杂的地质统计学插值方法，适用于空间自相关性强的数据集。可以通过 `pykrige` 库来实现克里金插值： ```python from pykrige.ok import OrdinaryKriging # 使用相同的输入数据 OK = OrdinaryKriging( lons, lats, values, variogram_model="linear", verbose=False, enable_plotting=False, ) # 执行插值 z_krige, ss = OK.execute("grid", lon_grid, lat_grid) # 可视化 fig = plt.figure(figsize=(8, 6)) ax = fig.add_subplot(1, 1, 1, projection=ccrs.PlateCarree()) ax.set_extent([lon_min, lon_max, lat_min, lat_max], crs=ccrs.PlateCarree()) # 添加地理特征 ax.add_feature(cfeature.COASTLINE) ax.add_feature(cfeature.BORDERS, linestyle=':') ax.add_feature(cfeature.RIVERS) # 显示插值结果 contourf = ax.contourf(Lon, Lat, z_krige, levels=100, cmap='plasma') plt.colorbar(contourf, ax=ax, orientation='vertical', label='Kriging Interpolated Value') plt.title('Ordinary Kriging Interpolation') plt.show() ``` 这种方法提供了更高的精度以及对空间变异性的更好估计[^3]。 --- #### 方法三：使用 `ggplot2` 风格的地图可视化工具 如果希望采用类似于 R 的 `ggplot2` 风格进行地图绘制，则可以借助 `plotnine` 库完成这一任务： ```python import pandas as pd from plotnine import * # 将数据转换为 DataFrame 格式 df_points = pd.DataFrame({ 'lon': lons, 'lat': lats, 'value': values }) # 利用 ggplot() 函数构建图形对象 g = ( ggplot(df_points, aes(x='lon', y='lat')) + geom_point(aes(color='value'), size=3) + scale_color_gradient(low="blue", high="red") + theme_minimal() + labs(title="Geographic Data Visualization using Plotnine") ) print(g) ``` 上述代码片段展示了一个基本的例子，其中包含了颜色映射的功能[^2]。 --- ### 总结 以上三种方法分别代表了不同的技术和应用场景： - **Matplotlib/Cartopy**: 简单易用，适合快速原型开发。 - **PyKrige**: 提供更高精度的空间插值能力。 - **Plotnine/GGPlot**: 更加美观且灵活，尤其适合学术出版物中的图表制作。