插值
<p>[TOC]</p>
<pre><code class="language-python">%matplotlib inline
%load_ext autoreload
%autoreload 2
import meteva.base as meb
import numpy as np</code></pre>
<h1>格点—>站点 临近点插值</h1>
<p><strong><font face="黑体" color=blue size = 5>interp_gs_nearest(grd,sta,used_coords = "xy")</font></strong><br />
将水平网格数据插值到平面的离散站点上，对于每一个站点，其取值设置为周围四个网格点中最近的一个格点的取值。 </p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>grd</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格数据</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>sta</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong>used_coords</strong></td>
<td style="text-align: left;">插值操作使用的维度，缺省情况下插值操作只在水平方向实现，此时返回的站点数据中id、lon、lat三列的取值会和sta一致，经纬度超出网格范围的站点将被删除，而level,time,dtime参数采用grd里的坐标信息。目前，该函数仅支持该参数缺省时的功能，该参数为其它选项时对应的功能待完善中。</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a>,其站点列表由sta处于grd网格范围内的站点列表确定</td>
</tr>
</tbody>
</table>
<p><strong>调用示例</strong></p>
<pre><code class="language-python">grid0 = meb.grid([100,102,1],[20,22,1],gtime=["2019013108"],dtime_list = [24],level_list = [500,700],member_list = ["GRAPES"])
x= np.arange(3)
y= np.arange(3)
dat = np.array(np.meshgrid(x,y))
grd = meb.grid_data(grid0,dat) #根据网格信息和numpy数组生成网格数
print(grd)</code></pre>
<pre><code><xarray.DataArray 'data0' (member: 1, level: 2, time: 1, dtime: 1, lat: 3, lon: 3)>
array([[[[[[0, 1, 2],
[0, 1, 2],
[0, 1, 2]]]],
[[[[0, 0, 0],
[1, 1, 1],
[2, 2, 2]]]]]])
Coordinates:
* member (member) <U6 'GRAPES'
* level (level) int32 500 700
* time (time) datetime64[ns] 2019-01-31T08:00:00
* dtime (dtime) int32 24
* lat (lat) int32 20 21 22
* lon (lon) int32 100 101 102</code></pre>
<pre><code class="language-python">station = meb.read_station(meb.station_国家站)
meb.set_stadata_coords(station,level = 600)
print(station)</code></pre>
<pre><code> level time dtime id lon lat data0
0 600 2099-01-01 08:00:00 0 50136 122.52 52.97 0
1 600 2099-01-01 08:00:00 0 50137 122.37 53.47 0
2 600 2099-01-01 08:00:00 0 50246 124.72 52.35 0
3 600 2099-01-01 08:00:00 0 50247 123.57 52.03 0
4 600 2099-01-01 08:00:00 0 50349 124.40 51.67 0
... ... ... ... ... ... ... ...
2406 600 2099-01-01 08:00:00 0 59945 109.70 18.65 0
2407 600 2099-01-01 08:00:00 0 59948 109.58 18.22 0
2408 600 2099-01-01 08:00:00 0 59951 110.33 18.80 0
2409 600 2099-01-01 08:00:00 0 59954 110.03 18.55 0
2410 600 2099-01-01 08:00:00 0 59981 112.33 16.83 0
[2411 rows x 7 columns]</code></pre>
<pre><code class="language-python">sta = meb.interp_gs_nearest(grd,station)
print(sta) #used_coords缺省时，返回数据的level,time和dtime和grd里取值一致,由于level有两层，因此插值结果中每个id会出现两次 </code></pre>
<pre><code> level time dtime id lon lat GRAPES
1271 500 2019-01-31 08:00:00 24 56958 100.42 21.92 0
1272 500 2019-01-31 08:00:00 24 56959 100.78 22.00 0
1277 500 2019-01-31 08:00:00 24 56969 101.58 21.47 1
1271 700 2019-01-31 08:00:00 24 56958 100.42 21.92 1
1272 700 2019-01-31 08:00:00 24 56959 100.78 22.00 2
1277 700 2019-01-31 08:00:00 24 56969 101.58 21.47 1</code></pre>
<h1>格点—>站点 双线性插值</h1>
<p><strong><font face="黑体" color=blue size = 5>interp_gs_linear(grd,sta,used_coords ="xy")</font></strong><br />
将水平网格数据插值到平面的离散站点上，对于每一个站点，其取值利用周围四个网格点进行双线性插值获得 </p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>grd</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格数据</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>sta</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong>used_coords</strong></td>
<td style="text-align: left;">插值操作使用的维度，该参数包括如下选项： 当该参数为"xy"时，插值操作只在水平方向实现，此时返回的站点数据中id、lon、lat三列的取值会和sta一致，经纬度超出网格范围的站点将被删除，而level,time,dtime参数采用grd里的坐标信息；当该参数为"xyz"时，插值操作只在lon,lat,level三个空间维度实现，此时返回的站点数据中id、lon、lat,level四列的取值会和sta一致，经纬度超出网格范围的站点将被删除，而time,dtime参数采用grd里的坐标信息；</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a>,其站点列表由sta处于grd网格范围内的站点列表确定</td>
</tr>
</tbody>
</table>
<p><strong>调用示例</strong></p>
<pre><code class="language-python">sta = meb.interp_gs_linear(grd,station) #在二维平面进行插值，level维度会
print(sta) #used_coords缺省时，返回数据的level,time和dtime和grd里取值一致,由于level有两层，因此插值结果中每个id会出现两次 </code></pre>
<pre><code> level time dtime id lon lat GRAPES
1271 500 2019-01-31 08:00:00 24 56958 100.42 21.92 0.42
1272 500 2019-01-31 08:00:00 24 56959 100.78 22.00 0.78
1277 500 2019-01-31 08:00:00 24 56969 101.58 21.47 1.58
1271 700 2019-01-31 08:00:00 24 56958 100.42 21.92 1.92
1272 700 2019-01-31 08:00:00 24 56959 100.78 22.00 2.00
1277 700 2019-01-31 08:00:00 24 56969 101.58 21.47 1.47</code></pre>
<pre><code class="language-python">sta = meb.interp_gs_linear(grd,station,used_coords = "xyz")
print(sta) #used_coords缺省时，返回数据的level,time和dtime和grd里取值一致,由于level有两层，因此插值结果中每个id会出现两次 </code></pre>
<pre><code> level time dtime id lon lat GRAPES
1271 600 2019-01-31 08:00:00 24 56958 100.42 21.92 1.170
1272 600 2019-01-31 08:00:00 24 56959 100.78 22.00 1.390
1277 600 2019-01-31 08:00:00 24 56969 101.58 21.47 1.525</code></pre>
<pre><code class="language-python">sta = meb.interp_gs_linear(grd,station,used_coords = "xydt")
print(sta) #used_coords缺省时，返回数据的level,time和dtime和grd里取值一致,由于level有两层，因此插值结果中每个id会出现两次 </code></pre>
<pre><code>dtime维度size = 1,无法开展dtime维度插值
None</code></pre>
<h1>格点—>站点 双三次插值</h1>
<p><strong><font face="黑体" color=blue size = 5>interp_gs_cubic(grd,sta,used_coords = "xy")</font></strong><br />
将水平网格数据插值到平面的离散站点上，对于每一个站点，其取值利用周围九个网格点进行双三次插值获得 </p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>grd</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格数据</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>sta</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong>used_coords</strong></td>
<td style="text-align: left;">插值操作使用的维度，缺省情况下插值操作只在水平方向实现，此时返回的站点数据中id、lon、lat三列的取值会和sta一致，经纬度超出网格范围的站点将被删除，而level,time,dtime参数采用grd里的坐标信息。目前，该函数仅支持该参数缺省时的功能，该参数为其它选项时对应的功能待完善中。</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a>,其站点列表由sta处于grd网格范围内的站点列表确定</td>
</tr>
</tbody>
</table>
<p><strong>调用示例</strong></p>
<pre><code class="language-python">sta =meb.interp_gs_cubic(grd,station)
print(sta)</code></pre>
<pre><code> level time dtime id lon lat GRAPES
0 500 2019-01-31 08:00:00 24 56958 100.42 21.92 0.355852
1 500 2019-01-31 08:00:00 24 56959 100.78 22.00 0.745108
2 500 2019-01-31 08:00:00 24 56969 101.58 21.47 1.644148
3 700 2019-01-31 08:00:00 24 56958 100.42 21.92 1.943552
4 700 2019-01-31 08:00:00 24 56959 100.78 22.00 2.000000
5 700 2019-01-31 08:00:00 24 56969 101.58 21.47 1.531029</code></pre>
<h1>格点—>格点 双线性插值</h1>
<p><strong><font face="黑体" color=blue size = 5>interp_gg_linear(grd,grid,used_coords = "xy",outer_value = None)</font></strong><br />
将水平网格数据插值到平面的离散站点上，对于每一个站点，其取值利用周围四个网格点进行双线性插值获得 </p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>grd</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格数据</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>grid</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格信息类变量</a>,插值的目标网格。</td>
</tr>
<tr>
<td style="text-align: left;"><strong>used_coords</strong></td>
<td style="text-align: left;">插值操作使用的维度，缺省情况下插值操作只在水平方向实现，此时返回的网格数据中lon、lat维度的范围和间距由grid确定，其它维度信息由grd确定</td>
</tr>
<tr>
<td style="text-align: left;"><strong>outer_value</strong></td>
<td style="text-align: left;">当目标网格范围大于原始数据网格时，设置超出部分的取值为outer_value。如果存在网格超出的情况，就必须设置该参数，否则返回None。</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格数据</a>，网格范围由grid参数确定</td>
</tr>
</tbody>
</table>
<p><strong>调用示例</strong></p>
<pre><code class="language-python">grid1 = meb.grid([100,102,0.5],[20,22,0.5])
grd1 = meb.interp_gg_linear(grd,grid1)
print(grd1)</code></pre>
<pre><code><xarray.DataArray 'data0' (member: 1, level: 2, time: 1, dtime: 1, lat: 5, lon: 5)>
array([[[[[[0. , 0.5, 1. , 1.5, 2. ],
[0. , 0.5, 1. , 1.5, 2. ],
[0. , 0.5, 1. , 1.5, 2. ],
[0. , 0.5, 1. , 1.5, 2. ],
[0. , 0.5, 1. , 1.5, 2. ]]]],
[[[[0. , 0. , 0. , 0. , 0. ],
[0.5, 0.5, 0.5, 0.5, 0.5],
[1. , 1. , 1. , 1. , 1. ],
[1.5, 1.5, 1.5, 1.5, 1.5],
[2. , 2. , 2. , 2. , 2. ]]]]]])
Coordinates:
* member (member) <U6 'GRAPES'
* level (level) int32 500 700
* time (time) datetime64[ns] 2019-01-31T08:00:00
* dtime (dtime) int32 24
* lat (lat) float64 20.0 20.5 21.0 21.5 22.0
* lon (lon) float64 100.0 100.5 101.0 101.5 102.0</code></pre>
<pre><code class="language-python">grid1 = meb.grid([100,103,0.5],[20,23,0.5])
grd1 = meb.interp_gg_linear(grd,grid1)
print(grd1)</code></pre>
<pre><code>当目标网格超出数据网格时，outer_value参数必须赋值
None</code></pre>
<pre><code class="language-python">grid1 = meb.grid([100,103,0.5],[20,23,0.5])
grd1 = meb.interp_gg_linear(grd,grid1,outer_value = -1)
print(grd1)</code></pre>
<pre><code><xarray.DataArray 'data0' (member: 1, level: 2, time: 1, dtime: 1, lat: 7, lon: 7)>
array([[[[[[ 0. , 0.5, 1. , 1.5, 2. , -1. , -1. ],
[ 0. , 0.5, 1. , 1.5, 2. , -1. , -1. ],
[ 0. , 0.5, 1. , 1.5, 2. , -1. , -1. ],
[ 0. , 0.5, 1. , 1.5, 2. , -1. , -1. ],
[ 0. , 0.5, 1. , 1.5, 2. , -1. , -1. ],
[-1. , -1. , -1. , -1. , -1. , -1. , -1. ],
[-1. , -1. , -1. , -1. , -1. , -1. , -1. ]]]],
[[[[ 0. , 0. , 0. , 0. , 0. , -1. , -1. ],
[ 0.5, 0.5, 0.5, 0.5, 0.5, -1. , -1. ],
[ 1. , 1. , 1. , 1. , 1. , -1. , -1. ],
[ 1.5, 1.5, 1.5, 1.5, 1.5, -1. , -1. ],
[ 2. , 2. , 2. , 2. , 2. , -1. , -1. ],
[-1. , -1. , -1. , -1. , -1. , -1. , -1. ],
[-1. , -1. , -1. , -1. , -1. , -1. , -1. ]]]]]])
Coordinates:
* member (member) <U6 'GRAPES'
* level (level) int32 500 700
* time (time) datetime64[ns] 2019-01-31T08:00:00
* dtime (dtime) int32 24
* lat (lat) float64 20.0 20.5 21.0 21.5 22.0 22.5 23.0
* lon (lon) float64 100.0 100.5 101.0 101.5 102.0 102.5 103.0</code></pre>
<h1>站点—>格点 反距离权重插值</h1>
<p><strong><font face="黑体" color=blue size = 5>interp_sg_idw(sta, grid, background=None, effectR=1000, nearNum=8,decrease = 2):</font></strong>
将站点数据插值到水平网格上 </p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>sta</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a>，（暂时只支持sta中只包含单个层次时间时效数据列的情况）</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>grid</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格数据</a>，插值的目标网格。</td>
</tr>
<tr>
<td style="text-align: left;"><strong>background</strong></td>
<td style="text-align: left;">插值背景场，在远离站点的区域内将采用background的值，如果background为None，则取为0</td>
</tr>
<tr>
<td style="text-align: left;"><strong>effectR</strong></td>
<td style="text-align: left;">最大的插值半径，单位km</td>
</tr>
<tr>
<td style="text-align: left;"><strong>nearNum</strong></td>
<td style="text-align: left;">插值选择的临近站点的个数, nearNum =1时即为临近点插值</td>
</tr>
<tr>
<td style="text-align: left;"><strong>decrease</strong></td>
<td style="text-align: left;">站点权重随距离幂次衰减，即 站点权重 = 1 /(距离 ** decrease) ,其中decrease是幂函数的指数部分参数</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格数据</a>，网格范围由grid参数确定</td>
</tr>
</tbody>
</table>
<p><strong>调用示例</strong></p>
<pre><code class="language-python">grd2 = meb.interp_sg_idw(sta,grid1,nearNum = 2)
print(grd2)</code></pre>
<pre><code><xarray.DataArray 'data0' (member: 1, level: 1, time: 1, dtime: 1, lat: 7, lon: 7)>
array([[[[[[1.1497020000000016, 1.5875887499999985,
1.5875887499999988, 1.5875887499999985,
1.5875887499999988, 1.5875887499999988,
1.5875887499999988],
[1.1497020000000016, 1.5875887499999985,
1.5875887499999988, 1.5875887499999985,
1.5875887499999985, 1.5875887499999985,
1.5875887499999988],
[1.1497020000000016, 1.1497020000000016,
1.587588749999999, 1.5875887499999988,
1.5875887499999985, 1.5875887499999985,
1.5875887499999988],
[1.1497020000000016, 1.1497020000000016,
1.3725540000000007, 1.5875887499999988,
1.5875887499999985, 1.5875887499999985,
1.5875887499999985],
[1.1497020000000016, 1.1497020000000016,
1.3725540000000007, 1.5875887499999985,
1.5875887499999988, 1.5875887499999985,
1.5875887499999985],
[1.1497020000000016, 1.3725540000000005,
1.3725540000000007, 1.3725540000000007,
1.5875887499999985, 1.5875887499999988,
1.5875887499999988],
[1.1497020000000016, 1.3725540000000007,
1.3725540000000007, 1.3725540000000007,
1.3725540000000007, 1.5875887499999985,
1.5875887499999985]]]]]], dtype=object)
Coordinates:
* member (member) <U6 'GRAPES'
* level (level) int32 500
* time (time) datetime64[ns] 2019-01-31T08:00:00
* dtime (dtime) int32 24
* lat (lat) float64 20.0 20.5 21.0 21.5 22.0 22.5 23.0
* lon (lon) float64 100.0 100.5 101.0 101.5 102.0 102.5 103.0</code></pre>
<pre><code class="language-python">station0 = meb.read_station(meb.station_国家站)
rain24 = meb.read_stadata_from_micaps3(r"H:\test_data\input\meb\rain24.m3.txt",station = station0)
grid0 = meb.grid([70,140,0.1],[15,55,0.1])
import time
start = time.time()
grd = meb.interp_sg_idw(rain24,grid = grid0)
used_time = time.time() - start
print("反距离权重插值耗时： " + str(used_time) +"秒")
meb.plot_tools.contourf_2d_grid(grd)</code></pre>
<pre><code>反距离权重插值耗时： 0.6313118934631348秒</code></pre>
<p><img src="https://www.showdoc.cc/server/api/attachment/visitfile/sign/c20a351da919079bfdb94a15ba329baa?showdoc=.jpg" alt="" /></p>
<h1>站点—>格点 cressman插值</h1>
<p><strong><font face="黑体" color=blue size = 5>interp_sg_cressman(sta0, grid, r_list,background=None , nearNum=100):</font></strong>
将站点数据插值到水平网格上 </p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>sta</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a>，（暂时只支持sta中只包含单个层次时间时效数据列的情况）</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>grid</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格数据</a>，插值的目标网格。</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>r_list</font></strong></td>
<td style="text-align: left;">插值的影响半径序列，由大到小排列，单位为km</td>
</tr>
<tr>
<td style="text-align: left;"><strong>background</strong></td>
<td style="text-align: left;">插值背景场，在距离最近的站点的距离超过r_list[0]的那些格点将采用background网格数中对应的网格值，如果background为None，则取为0</td>
</tr>
<tr>
<td style="text-align: left;"><strong>nearNum</strong></td>
<td style="text-align: left;">插值时所用的最大临近点个数。例如当 r_list = [5000,100]时，则在第一轮插值时基本上做插值时全国的站点（例如2500个）都会用到一个格点的权重计算当中，但这样计算效率会很低，当nearNum = 100时,即使用50000km的半径扫描到2500个站点，实际插值时仅保留100个离格点最近的站点，由此提高计算效率，当半径收缩后，半径内的站点数小于nearNum时，则所有半径范围内的站点都会参与插值</td>
</tr>
<tr>
<td style="text-align: left;"><strong>decrease</strong></td>
<td style="text-align: left;">站点权重随距离幂次衰减，即 站点权重 = 1 /(距离 ** decrease) ,其中decrease是幂函数的指数部分参数</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600815874861">网格数据</a>，网格范围由grid参数确定</td>
</tr>
</tbody>
</table>
<p><strong>调用示例</strong></p>
<pre><code class="language-python">start = time.time()
grd1 = meb.interp_sg_cressman(rain24,grid = grid0,r_list = [1000,200,100,50],nearNum = 100)
used_time = time.time() - start
print("cressman插值耗时： " + str(used_time) +"秒")
meb.plot_tools.contourf_2d_grid(grd1)</code></pre>
<pre><code>cressman插值耗时： 6.56514310836792秒</code></pre>
<p><img src="https://www.showdoc.cc/server/api/attachment/visitfile/sign/26ab731a3e75ee0c83e98ab1ae7bc06a?showdoc=.jpg" alt="" /></p>
<pre><code class="language-python">start = time.time()
grd1 = meb.interp_sg_cressman(rain24,grid = grid0,r_list = [1000,200,100,50],nearNum =200)
used_time = time.time() - start
print("cressman插值耗时： " + str(used_time) +"秒")
meb.plot_tools.contourf_2d_grid(grd1)</code></pre>
<pre><code>cressman插值耗时： 13.275934934616089秒</code></pre>
<p><img src="https://www.showdoc.cc/server/api/attachment/visitfile/sign/52bbf137fed588c62e60f4bfd697bf2c?showdoc=.jpg" alt="" /></p>
<p>通过上面的例子可以看出，在基于全国2500个站进行降水插值时，nearNum参数从100增大到200对国内的插值效果影响甚微，但耗时增加了近一倍。 </p>
<h1>站点—>站点 反距离权重插值</h1>
<p><strong><font face="黑体" color=blue size = 5>interp_ss_idw(sta, station, background=None, effectR=1000, nearNum=8):</font></strong>
将站点数据插值到另一套站点上 </p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>sta</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a>，（暂时只支持sta中只包含单个层次时间时效数据列的情况）</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>station</font></strong></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a>，插值的目标站点列表</td>
</tr>
<tr>
<td style="text-align: left;"><strong>background</strong></td>
<td style="text-align: left;">插值背景场，在远离站点的区域内将采用background的值，如果background为None，则取为0</td>
</tr>
<tr>
<td style="text-align: left;"><strong>effectR</strong></td>
<td style="text-align: left;">最大的插值半径，单位km</td>
</tr>
<tr>
<td style="text-align: left;"><strong>nearNum</strong></td>
<td style="text-align: left;">插值选择的临近站点的个数, nearNum ==1时即为临近点插值</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;"><a href="https://www.showdoc.cc/meteva?page_id=3975600580125986">站点数据</a>，站点列表和station完全一致</td>
</tr>
</tbody>
</table>
<p><strong>调用示例</strong></p>
<pre><code class="language-python">sta_g = meb.trans_grd_to_sta(grd2) #将网格数据转换成站点形式
station_500 = meb.sele_by_para(sta,level = 500)
sta2= meb.interp_ss_idw(sta_g,station = station_500,nearNum = 4) #从站点数据sta_g 插值到 站点列表sta上
print(sta2)</code></pre>
<pre><code> level time dtime id lon lat GRAPES
0 500 2019-01-31 08:00:00 24 56958 100.42 21.92 1.157298
1 500 2019-01-31 08:00:00 24 56959 100.78 22.00 1.300249
2 500 2019-01-31 08:00:00 24 56969 101.58 21.47 1.587589</code></pre>
<pre><code class="language-python"></code></pre>