我正在考虑使用此方法对我拥有的一些3D点进行插值。作为输入，我在一个区域中的各个高度具有大气浓度的气体。我所获得的数据以垂直高度每隔几英尺的数值显示数十英尺，但在水平方向上相隔数百英尺(因此，列的值紧密封装)。
假定在任何给定的时间点，值在垂直方向上的变化比在水平方向上的变化大得多。
我想在考虑到该假设的情况下执行3D克里金法(作为我可以调整的参数，或者可以统计地定义的参数-或/或)。
我相信scikit学习模块可以做到这一点。如果可以，我的问题是如何创建离散单元输出？即，输出到尺寸为50 x 50 x 1英尺的3D数据网格中。理想情况下，我希望将[x_location，y_location，value]的输出与那些(或相似的)距离分开。
不幸的是，我没有很多时间来处理它，所以我只是希望在研究它之前先弄清楚这是否可以在Python中实现。谢谢!
最佳答案
是的，您绝对可以在scikit_learn中做到这一点。
实际上，可以使用各向异性协方差核是克里格/高斯过程回归的基本特征。
正如manual中所精确指出的(如下所述)，ou可以自己设置协方差的参数，也可以估计它们。您可以选择使所有参数相等或全部不同。
关于Python-scikit_learn中的Kriging(高斯过程)，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/30489610/