问在python中使用sklearn进行时空克里金法？

EN

我有大约6个气象站的天气数据。对于所有这些站点，我都有可用的经度和纬度，以及日期时间(从2016年初开始每隔10分钟)。我想使用克里金插值方法来填充其他经纬度位置(这些站点之间)的缺失值。

我知道scikit learn有可以用于克里金法的“GaussianProcessRegressor”。然而，我不明白我如何在拟合过程中包括时间维度。这是可能的吗?或者我应该为我拥有的每个datetime建立一个单独的模型？

X必须是一个特征数组，在我的例子中应该是纬度和经度(我想)。X现在是每个站点的6个经度/经度对(例如52.1093、5.181)的列表。我带了一个人去测试探地雷达。Y是一个长度为6的列表，它包含了这些站点在该特定时间的露点。

现在的问题是，我实际上想要对所有的日期时间做克里格法。如何合并这些datetimes？我是否应该将日期时间作为特征添加到X数组中(例如52.1093、5.181、2017年、1、2、10、50)？这在我看来真的很奇怪。然而，我找不到任何其他方法来对时间因素进行建模。

我安装GaussianProcessRegressor的代码如下：

    one_date = meteo_df[meteo_df['datetime'] == 
    datetime].drop_duplicates(subset=['long', 'lat'], keep='last')

    long = one_date['long']
    lat = one_date['lat']
    x = [[la,lo] for la, lo in zip(lat, long)]
    y = list(one_date['dew_point']) 

    GPR = GaussianProcessRegressor(n_restarts_optimizer=10)
    GPR.fit(x, y)