Python SciPy interpolate.SmoothSphereBivariateSpline用法及代码示例

本文简要介绍 python 语言中 scipy.interpolate.SmoothSphereBivariateSpline 的用法。

用法:

class  scipy.interpolate.SmoothSphereBivariateSpline(theta, phi, r, w=None, s=0.0, eps=1e-16)#

球坐标中的平滑二元样条近似。

参数 ：：

theta, phi, r： array_like

一维数据点序列(顺序不重要)。坐标必须以弧度表示。 Theta 必须位于区间 [0, pi] 内，而 phi 必须位于区间 [0, 2pi] 内。

w： 数组，可选

正的一维权重序列。

s： 浮点数，可选

为估计条件定义的正平滑因子：sum((w(i)*(r(i) - s(theta(i), phi(i))))**2, axis=0) <= s 默认 s=len(w) 如果 1/w[i] 是对 r[i] 的标准偏差的估计，则该值应该是一个不错的值。

eps： 浮点数，可选

用于确定over-determined 线性方程组的有效等级的阈值。每股收益应该在开区间内有一个值(0, 1)，默认为 1e-16。

注意：

有关详细信息，请参阅有关此函数的FITPACK 站点。

例子：

假设我们在粗网格上有全局数据(输入数据不必在网格上)：

>>> import numpy as np
>>> theta = np.linspace(0., np.pi, 7)
>>> phi = np.linspace(0., 2*np.pi, 9)
>>> data = np.empty((theta.shape[0], phi.shape[0]))
>>> data[:,0], data[0,:], data[-1,:] = 0., 0., 0.
>>> data[1:-1,1], data[1:-1,-1] = 1., 1.
>>> data[1,1:-1], data[-2,1:-1] = 1., 1.
>>> data[2:-2,2], data[2:-2,-2] = 2., 2.
>>> data[2,2:-2], data[-3,2:-2] = 2., 2.
>>> data[3,3:-2] = 3.
>>> data = np.roll(data, 4, 1)

我们需要设置插值器对象

>>> lats, lons = np.meshgrid(theta, phi)
>>> from scipy.interpolate import SmoothSphereBivariateSpline
>>> lut = SmoothSphereBivariateSpline(lats.ravel(), lons.ravel(),
...                                   data.T.ravel(), s=3.5)

作为第一个测试，我们将看到算法在输入坐标上运行时返回什么

>>> data_orig = lut(theta, phi)

最后，我们将数据插入到更精细的网格中

>>> fine_lats = np.linspace(0., np.pi, 70)
>>> fine_lons = np.linspace(0., 2 * np.pi, 90)

>>> data_smth = lut(fine_lats, fine_lons)

>>> import matplotlib.pyplot as plt
>>> fig = plt.figure()
>>> ax1 = fig.add_subplot(131)
>>> ax1.imshow(data, interpolation='nearest')
>>> ax2 = fig.add_subplot(132)
>>> ax2.imshow(data_orig, interpolation='nearest')
>>> ax3 = fig.add_subplot(133)
>>> ax3.imshow(data_smth, interpolation='nearest')
>>> plt.show()