Kriging, dat kende ik niet. Maar even gegoogeld, zeer interessant. Ik heb daar zelf een algoritme voor ontwikkeld dat via interpolatie de waarde van de tussenliggende 'pixels' berekend, waarbij de waarde ook afhankelijk is van de afstand tot omliggende stations in een bepaalde straal.
Kun je dit hele proces ook doen in een automatisch/batch proces?
Ja geen probleem. Het is ook wat het KNMI gebruikt voor de kaarten op hun website, ook in de klimaatatlas. Zie bijvoorbeeld: Optimization of Rainfall Interpolation - KNMI Bibliotheek, maar ze hebben er wel meer publicaties aan gewijd. De theoretische achtergrond wordt goed uitgelegd in: A practical guide to geostatistical mapping.
Het voordeel is dat je de onderlinge correlatie tussen de stations optimaliseert door een variogram te fitten, dat werkt beter dan een vaste onderlinge relatie aan te nemen. Denk bijvoorbeeld aan het verschil tussen een overtrekkend front (sterke relatie) of lokale onweersbuien (zwakke relatie). Het moeten fitten van een functie maakt een eigen implementatie wel een stuk ingewikkelder. In Python kan je de "GaussianProcessRegressor" in Scikit-Learn hiervoor gebruiken.
Een simpelere manier van interpoleren is bijvoorbeeld met een Radial Basis Function, dat is relatief eenvoudig zelf te implementeren. Zie bijvoorbeeld de code uit de derde editie van Numerical Recipes:
https://www.astro.umd.edu/~ricotti/NEWWEB/teaching/ASTR415/InClassExamples/NR3/code/interp_rbf.h
Quote selectie