前面两篇推文我们分别介绍了使用Python和R进行IDW(反距离加权法) 插值的计算及结果的可视化过程，详细内容可见如下：
本期推文，我们将介绍如何使用Python进行克里金(Kriging)插值计算及插值结果的可视化绘制。主要涉及的知识点如下：
克里金(Kriging)插值简介
Python-pykrige库克里金插值应用
克里金(Kriging)插值结果可视化绘制
克里金(Kriging)插值简介
克里金法(Kriging) 是依据协方差函数对随机过程/随机场进行空间建模和预测(插值)的回归算法。在特定的随机过程，例如固有平稳过程中，克里金法能够给出最优线性无偏估计(Best Linear Unbiased Prediction, BLUP)，因此在地统计学中也被称为空间最优无偏估计器(spatial BLUP)(以上定义来自于网络)。还是IDW插值介绍一样，我们省去繁琐的公式推导过程，示意图如下：
(Kriging插值示意图)
而使用Python进行Kriging插值计算无需自定义复杂的函数，这里我们直接调用pykrige包进行Kriging插值计算，而我们所要做的就是将计算出pykrige包插件计算所需要的参数数据即可。
插值网格制作
无论是自定义还是调用包，我们都需要制作出我们插值区域的网格(grid)，方法也十分简单，首先根据地图文件(js)获取其经纬度范围，这里我们使用geopandas读取geojson 地图文件，并获取total_bounds属性，具体代码如下：
js_box=js.geometry.total_bounds
grid_lon=np.linspace(js_box[0],js_box[2],400)
grid_lat=np.linspace(js_box[1],js_box[3],400)
这里我们还是设置400*400的网格，注意np.linspace()方法和上期中 R的seq() 的使用不同。除此之外，我们还需要获取已知站点的经纬度信息(lons、lats)和对应值(data)，这里给出点数据预览，如下：
获取数据代码如下：
lons=nj_data["经度"].values
lats=nj_data["纬度"].values
data=nj_data["PM2.5"].values
pykrige包计算插值结果
在经过上面的数据处理过程后，我们已经构建出符合pykrige包进行插值计算所需的全部参数数据，接下来，我们直接调用即可，具体操作代码如下：
frompykrige.okimportOrdinaryKriging
OK=OrdinaryKriging(lons,lats,data,variogram_model='gaussian',nlags=6)
z1,ss1=OK.execute('grid',grid_lon,grid_lat)
注意：
我们使用
OrdinaryKriging方法进行插值计算，此外，还有
UniversalKriging、RegressionKriging插值方法
variogram_model='gaussian'，我们设置高斯(gaussian)模型，其结果和一般的线性(linear)结果可能会有不同。
pykrige提供
linear, power, gaussian, spherical, exponential, hole-effect几种variogram_model可供选择，默认的为linear模型。
z1就是我们的插值结果，结果如下：
结果可以看出，其形状为400*400(红框中标出)，接下来我们进行插值结果的可视化绘制。
克里金(Kriging)插值结果可视化绘制
这里都是常用的方法了，我们直接给出代码，大家不懂的可以查看之前的文章哈。
#转换成网格
xgrid,ygrid=np.meshgrid(grid_lon,grid_lat)
#将插值网格数据整理
df_grid=pd.DataFrame(dict(long=xgrid.flatten(),lat=ygrid.flatten()))
#添加插值结果
df_grid["Krig_gaussian"]=Krig_result
结果如下(部分)：
plotnine 可视化绘制
到这一步就很简单了，我们直接给出绘图代码即可，这里我们先给出散点的可视化结果，方便对比插值结果。
「散点结果」
「克里金(Kriging)插值结果」绘图代码如下：
importplotnine
fromplotnineimport*
plotnine.options.figure_size=(5,4.5)
Krig_inter_grid=(ggplot()+
geom_tile(df_grid,aes(x='long',y='lat',fill='Krig_gaussian'),size=0.1)+
geom_map(js,fill='none',color='gray',size=0.3)+
scale_fill_cmap(cmap_name='Spectral_r',name='Krig_gaussian_result',
breaks=[30,40,60,80]
)+
scale_x_continuous(breaks=[117,118,119,120,121,122])+
labs(title="MapChartsinPythonExercise02:Mappointinterpolation",
)+
#添加文本信息
annotate('text',x=116.5,y=35.3,label="processedmapchartswithplotnine",ha="left",
size=10)+
annotate('text',x=120,y=30.6,label="VisualizationbyDataCharm",ha="left",size=9)+
theme(
text=element_text(family="RobotoCondensed"),
#修改背景
panel_background=element_blank(),
axis_ticks_major_x=element_blank(),
axis_ticks_major_y=element_blank(),
axis_text=element_text(size=12),
axis_title=element_text(size=14),
panel_grid_major_x=element_line(color="gray",size=.5),
panel_grid_major_y=element_line(color="gray",size=.5),
))
可视化结果如下：
还是一样，使用geopandas的clip()方法进行裁剪操作，唯一和上面绘图不同的就是数据选取的不同，这里选择裁剪后的数据。我们直接给出裁剪结果，如下：
Basemap的插值结果绘制
我们直接给出绘图代码及必要的可视化结果，具体不解的地方，可以查看之前的文章，代码如下：
frommpl_toolkits.basemapimportBasemap
jiangsu_shp=r"F:\DataCharm\shpfile_data\JS\江苏省_行政边界"
fig,ax=plt.subplots(figsize=(6,4.5),dpi=130,facecolor="white")
map_base=Basemap(llcrnrlon=js_box[0],urcrnrlon=js_box[2],llcrnrlat=js_box[1],urcrnrlat=js_box[3],
projection="cyl",lon_0=119,lat_0=33,ax=ax)
#lat=np.arange(30,36,1)
#lon=np.arange(116,122,1)
map_base.drawparallels(np.arange(30,36,1),labels=[1,0,0,0],fontsize=12,zorder=0)#画纬度线
map_base.drawmeridians(np.arange(116,122,1),labels=[0,0,0,1],fontsize=12,zorder=0)#画经度线
map_base.readshapefile(shapefile=jiangsu_shp,name="Js",default_encoding="ISO-8859-1",
drawbounds=True)
cp=map_base.pcolormesh(xgrid,ygrid,data=z1.data,cmap='Spectral_r')
colorbar=map_base.colorbar(cp,size='3%',pad="5%",label="Kriging_inter")
#设置colorbar
colorbar.outline.set_edgecolor('none')
forspinein['top','left','right','bottom']:
ax.spines[spine].set_visible(None)#隐去轴脊
ax.text(.5,1.1,"MapChartsinPythonExercise02:MapKrigingGridline",transform=ax.transAxes,ha='center',
va='center',fontweight="bold",fontsize=14)
ax.text(.5,1.03,"processedmapchartswithBasemap",
transform=ax.transAxes,ha='center',va='center',fontsize=10,color='black')
ax.text(.83,-.06,'\nVisualizationbyDataCharm',transform=ax.transAxes,
ha='center',va='center',fontsize=8,color='black')
可视化结果如下：
还可以通过：
ct=map_base.contour(xgrid,ygrid,data=z1.data,colors='w',linewidths=.7)
添加二维等值线，结果如下：
裁剪结果可视化如下：
添加等值线结果：
总结
到这里，Python的克里金(Kriging)插值计算方法及结果的可视化绘制就介绍完了，还是那句话，有现成的“轮子”可以用，大家尽量使用哈(当然，高度的定制化需求除外)，此外，懂得其计算原理也是很重要的哦。下一篇，我们将介绍使用R语言及其优秀的第三包进行克里金(Kriging)插值计算和插值结果可视化展示。
推荐阅读
好文！必须在看
如果觉得《python 克里金空间插值_Python克里金(Kriging)插值计算及可视化绘制》对你有帮助，请点赞、收藏，并留下你的观点哦！
