<br><br><div class="gmail_quote">On Tue, Aug 30, 2011 at 4:01 AM, Andreas H. <span dir="ltr">&lt;<a href="mailto:lists@hilboll.de">lists@hilboll.de</a>&gt;</span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex;">
Hi,<br>
<br>
again a question coming from analysis of geodata. Say, I have 3d<br>
(lat/lon/z) data, in the easiest case on a rectangular grid. Now I would<br>
like to re-grid these data to a new (again rectangular, in the simplest<br>
case) grid by calculating the volume-weighted mean of the original grid.<br>
<br>
So for each cell of the new grid, the algorithm should take the<br>
volume-weighted average of those grid cells from the first grid which &quot;are<br>
part of&quot; the new cell.<br>
<br>
Is there any algorithm in SciPy to do this? If not, do you have any<br>
suggestion on where to start? Perhaps there&#39;s some library from a more<br>
low-level language that could be wrapped?<br>
<br>
Any help is greatly appreciated :)<br>
<br></blockquote><div><br>Sounds vaguely like the drizzle algorithm from astronomy. Another approach would be to subsample and convolve, or smooth and resample. Choosing a suitable method will depend on the smoothness/sampling of the original data.<br>
<br>For the original approach, if your sample points are on an evenly spaced grid you can use an fft approach. The sampled data gives rise to a periodic spectrum, multiplication by the transform of a rectangular spot gives the data convolved by &#39;pillars&#39;, essentially subsampling in the Fourier Domain.<br>
<br>Or you can compute the overlaps as you originally proposed. I don&#39;t know of any software for that but someone is bound to have done it before.<br><br>Chuck<br></div></div>