多变量插值的哪种方法最适合实际使用？

Question

在彼得·阿尔弗雷德关于多变量散乱数据插值的article中，他提到，从各种方案中，只有少数在实践者中非常受欢迎。他以Shepard的方法和Hardy Multiquadrics命名。但是这篇文章到目前为止已有近20年的历史了，真正有趣的是现在广泛使用的方法。

如果您有使用某些空间插值方案的经验，请告诉它。

UPD：为了使这个问题更具竞争力，我已经重申了这一点。这是“你曾经使用过多种插值的方法吗？”

Answer 1

Answer 2

我过去曾使用Kriging，其中散布的数据与每个样本的准确度估计值一致。看起来像一种强大的技术，值得在地质统计学世界之外更广泛地使用。

Answer 3

（一年后）看 inverse-distance-weighted-idw-interpolation-with-python， 反距离加权和scipy.spatial.KDTree的组合。

Answer 4

我见过的唯一应用程序是littleCMS代码中的一个（开源颜色管理引擎）。

第一次检查时，它只是在一个轴上进行了线性插值，然后在该结果和另一个轴上的点之间进行插值。我刚刚重新加载它，似乎更复杂。无法与您提及的文章进行比较，但可能需要检查它，它位于cmslut.c文件中。

Answer 5

我使用平滑3D散射数据进行表面处理LINK。这涉及许多点，我想要一个非常光滑的表面，因此该过程首先找到最适合数据的二阶曲面，然后是松弛阶段，其中点被拟合到曲面上。这不是原始数据的插值表面，但是，它是一种以优化方式减少插值顺序的方法。

该方法涉及对非常适合二阶近似的分段区域进行操作。

该方法的另一个有趣特征是点是三角形的顶点，并且在平滑期间保持连通性。