matlab中的散点图数据插值2013

我想在我的温度数据中使用散点图数据插值用于丢失或NaN值？我有文本文件，分别由三列matlab中的散点图数据插值2013

第一列是纬度
第二列是经度
三柱由上温度值

有-9999.000值为温度栏代表丢失或NaN数据。我想从剩余的已知值中插入这个值。我想使用F = scatterInterpolant（x，y，v）

其中x，y是采样点的坐标，v是这些采样点的相应值。做出F（q）后，其中q是查询点。这将代表NaN或第三列温度缺失值。

我已经准备了这段代码，但不知道下一步如何移动？

metC = {'linear','cubic','next','pchip','previous','spline','v5cubic','nearest'}; 
    % Read the file data: 
S = dir('Output_*.txt'); 
N = sort({S.name}); 
nmf = numel(N); 
nmr = size(load(N{1},'-ascii'),1); 
mat = zeros(nmr,3,nmf); 
for k = 1:nmf 
    mat(:,:,k) = load(N{k},'-ascii'); 
end 
tmp = 0==diff(mat(:,1:2,:),1,3); 
assert(all(tmp(:)),'First columns do not match') 
% Rearrange: 
[VC,NA,IC] = unique(mat(:,1,1)); 
[VR,NA,IR] = unique(mat(:,2,1)); 
out = reshape(mat(:,3,:),numel(VR),numel(VC),nmf); 
% Detect -9999: 
idx = out<(-9998);

在这里，我没有想法，我是否要去正确与否？

Interpolate: 
vec = 1:nmf;% 24 times 
for m = 1:numel(metC)% the length of techniques let say 3 times in this case 
    metS = metC{m} % the method 
for r = 1:numel(VR)% 19 times 
    for c = 1:numel(VC)% 17 times 
      idy = squeeze(idx(r,c,:)).'; % removing singleton dimension. Here idy will be position of the without -9999 value 
     if any(idy) %check for -9999 
      Xold = vec(~idy); %giving x which are sample points 
      Yold = squeeze(out(r,c,~idy)).'; % I DO NOT KNOW WHAT THIS LINE DOING? 
      Xnew = vec(idy); % these are query points which we want to interpolate 
      out(r,c,idy) = scatteredInterpolant(Xold,Yold,???????????,Xnew,metC,'extrap'); 
     end 
    end 
end 
end

我的数据集的样子：

21.500 60.500 295.867 
21.500 61.500 295.828 
21.500 62.500 295.828 
21.500 63.500 295.867 
21.500 64.500 296.102 
21.500 65.500 296.234 
21.500 66.500 296.352 
21.500 67.500 296.336 
21.500 68.500 296.305 
21.500 69.500 298.281 
21.500 70.500 301.828 
21.500 71.500 302.094 
21.500 72.500 299.469 
21.500 73.500 301.711 
21.500 74.500 -9999.000 
21.500 75.500 -9999.000 
21.500 76.500 -9999.000 
21.500 77.500 -9999.000 
21.500 78.500 -9999.000 
22.500 60.500 295.477 
22.500 61.500 295.484 
22.500 62.500 295.516 
22.500 63.500 295.547 
22.500 64.500 295.852 
22.500 65.500 295.859 
22.500 66.500 295.852 
22.500 67.500 295.711 
22.500 68.500 295.969 
22.500 69.500 298.562 
22.500 70.500 300.828 
22.500 71.500 302.352 
22.500 72.500 300.570 
22.500 73.500 301.383 
22.500 74.500 -9999.000 
22.500 75.500 -9999.000 
22.500 76.500 -9999.000 
22.500 77.500 -9999.000 
22.500 78.500 -9999.000 
23.500 60.500 294.906 
23.500 61.500 294.898 
23.500 62.500 295.000 
23.500 63.500 295.078 
23.500 64.500 295.297 
23.500 65.500 295.359 
23.500 66.500 295.297 
23.500 67.500 295.312 
23.500 68.500 296.664 
23.500 69.500 298.781 
23.500 70.500 299.211 
23.500 71.500 300.109 
23.500 72.500 301.000 
23.500 73.500 301.594 
23.500 74.500 302.000 
23.500 75.500 -9999.000 
23.500 76.500 -9999.000 
23.500 77.500 -9999.000 
23.500 78.500 -9999.000 
24.500 60.500 294.578 
24.500 61.500 294.516 
24.500 62.500 294.734 
24.500 63.500 294.789 
24.500 64.500 294.844 
24.500 65.500 294.562 
24.500 66.500 294.734 
24.500 67.500 296.367 
24.500 68.500 297.438 
24.500 69.500 298.531 
24.500 70.500 298.453 
24.500 71.500 299.195 
24.500 72.500 300.062 
24.500 73.500 -9999.000 
24.500 74.500 -9999.000 
24.500 75.500 -9999.000 
24.500 76.500 -9999.000 
24.500 77.500 -9999.000 
24.500 78.500 -9999.000 
25.500 60.500 296.258 
25.500 61.500 296.391 
25.500 62.500 296.672 
25.500 63.500 296.398 
25.500 64.500 295.773 
25.500 65.500 295.812 
25.500 66.500 296.609 
25.500 67.500 297.977 
25.500 68.500 297.109 
25.500 69.500 297.828 
25.500 70.500 298.430 
25.500 71.500 298.836 
25.500 72.500 298.703 
25.500 73.500 -9999.000 
25.500 74.500 -9999.000 
25.500 75.500 -9999.000 
25.500 76.500 -9999.000 
25.500 77.500 -9999.000 
25.500 78.500 299.023 
26.500 60.500 -9999.000 
26.500 61.500 298.266 
26.500 62.500 296.773 
26.500 63.500 -9999.000 
26.500 64.500 -9999.000 
26.500 65.500 -9999.000 
26.500 66.500 297.250 
26.500 67.500 296.188 
26.500 68.500 295.938 
26.500 69.500 296.906 
26.500 70.500 297.828 
26.500 71.500 299.312 
26.500 72.500 299.359 
26.500 73.500 -9999.000 
26.500 74.500 -9999.000 
26.500 75.500 -9999.000 
26.500 76.500 -9999.000 
26.500 77.500 298.875 
26.500 78.500 296.773 
27.500 60.500 -9999.000 
27.500 61.500 -9999.000 
27.500 62.500 -9999.000 
27.500 63.500 -9999.000 
27.500 64.500 -9999.000 
27.500 65.500 -9999.000 
27.500 66.500 -9999.000 
27.500 67.500 295.352 
27.500 68.500 295.148 
27.500 69.500 295.750 
27.500 70.500 295.750 
27.500 71.500 296.070 
27.500 72.500 295.227 
27.500 73.500 -9999.000 
27.500 74.500 -9999.000 
27.500 75.500 -9999.000 
27.500 76.500 -9999.000 
27.500 77.500 -9999.000 
27.500 78.500 296.609 
28.500 60.500 -9999.000 
28.500 61.500 -9999.000 
28.500 62.500 -9999.000 
28.500 63.500 -9999.000 
28.500 64.500 -9999.000 
28.500 65.500 -9999.000 
28.500 66.500 -9999.000 
28.500 67.500 295.773 
28.500 68.500 295.375 
28.500 69.500 295.438 
28.500 70.500 294.664 
28.500 71.500 294.906 
28.500 72.500 294.812 
28.500 73.500 295.805 
28.500 74.500 -9999.000 
28.500 75.500 -9999.000 
28.500 76.500 -9999.000 
28.500 77.500 -9999.000 
28.500 78.500 -9999.000 
29.500 60.500 -9999.000 
29.500 61.500 -9999.000 
29.500 62.500 -9999.000 
29.500 63.500 -9999.000 
29.500 64.500 -9999.000 
29.500 65.500 -9999.000 
29.500 66.500 -9999.000 
29.500 67.500 295.719 
29.500 68.500 296.797 
29.500 69.500 293.375 
29.500 70.500 294.305 
29.500 71.500 294.070 
29.500 72.500 293.750 
29.500 73.500 295.539 
29.500 74.500 -9999.000 
29.500 75.500 -9999.000 
29.500 76.500 -9999.000 
29.500 77.500 -9999.000 
29.500 78.500 -9999.000 
30.500 60.500 -9999.000 
30.500 61.500 -9999.000 
30.500 62.500 -9999.000 
30.500 63.500 -9999.000 
30.500 64.500 -9999.000 
30.500 65.500 -9999.000 
30.500 66.500 -9999.000 
30.500 67.500 -9999.000 
30.500 68.500 -9999.000 
30.500 69.500 -9999.000 
30.500 70.500 293.320 
30.500 71.500 292.930 
30.500 72.500 293.570 
30.500 73.500 294.648 
30.500 74.500 295.383 
30.500 75.500 -9999.000 
30.500 76.500 -9999.000 
30.500 77.500 -9999.000 
30.500 78.500 -9999.000 
31.500 60.500 -9999.000 
31.500 61.500 -9999.000 
31.500 62.500 -9999.000 
31.500 63.500 -9999.000 
31.500 64.500 -9999.000 
31.500 65.500 -9999.000 
31.500 66.500 -9999.000 
31.500 67.500 -9999.000 
31.500 68.500 -9999.000 
31.500 69.500 -9999.000 
31.500 70.500 293.992 
31.500 71.500 293.422 
31.500 72.500 294.438 
31.500 73.500 294.141 
31.500 74.500 -9999.000 
31.500 75.500 -9999.000 
31.500 76.500 -9999.000 
31.500 77.500 -9999.000 
31.500 78.500 -9999.000 
32.500 60.500 -9999.000 
32.500 61.500 -9999.000 
32.500 62.500 -9999.000 
32.500 63.500 -9999.000 
32.500 64.500 -9999.000 
32.500 65.500 -9999.000 
32.500 66.500 -9999.000 
32.500 67.500 -9999.000 
32.500 68.500 -9999.000 
32.500 69.500 -9999.000 
32.500 70.500 -9999.000 
32.500 71.500 294.312 
32.500 72.500 294.812 
32.500 73.500 -9999.000 
32.500 74.500 -9999.000 
32.500 75.500 -9999.000 
32.500 76.500 -9999.000 
32.500 77.500 -9999.000 
32.500 78.500 -9999.000 
33.500 60.500 -9999.000 
33.500 61.500 -9999.000 
33.500 62.500 -9999.000 
33.500 63.500 -9999.000 
33.500 64.500 -9999.000 
33.500 65.500 -9999.000 
33.500 66.500 -9999.000 
33.500 67.500 -9999.000 
33.500 68.500 -9999.000 
33.500 69.500 -9999.000 
33.500 70.500 -9999.000 
33.500 71.500 -9999.000 
33.500 72.500 -9999.000 
33.500 73.500 -9999.000 
33.500 74.500 -9999.000 
33.500 75.500 -9999.000 
33.500 76.500 -9999.000 
33.500 77.500 -9999.000 
33.500 78.500 -9999.000 
34.500 60.500 -9999.000 
34.500 61.500 -9999.000 
34.500 62.500 -9999.000 
34.500 63.500 -9999.000 
34.500 64.500 -9999.000 
34.500 65.500 -9999.000 
34.500 66.500 -9999.000 
34.500 67.500 -9999.000 
34.500 68.500 -9999.000 
34.500 69.500 -9999.000 
34.500 70.500 -9999.000 
34.500 71.500 -9999.000 
34.500 72.500 -9999.000 
34.500 73.500 -9999.000 
34.500 74.500 -9999.000 
34.500 75.500 -9999.000 
34.500 76.500 -9999.000 
34.500 77.500 -9999.000 
34.500 78.500 -9999.000 
35.500 60.500 -9999.000 
35.500 61.500 -9999.000 
35.500 62.500 -9999.000 
35.500 63.500 -9999.000 
35.500 64.500 -9999.000 
35.500 65.500 -9999.000 
35.500 66.500 -9999.000 
35.500 67.500 -9999.000 
35.500 68.500 -9999.000 
35.500 69.500 -9999.000 
35.500 70.500 -9999.000 
35.500 71.500 -9999.000 
35.500 72.500 -9999.000 
35.500 73.500 -9999.000 
35.500 74.500 -9999.000 
35.500 75.500 -9999.000 
35.500 76.500 -9999.000 
35.500 77.500 -9999.000 
35.500 78.500 -9999.000 
36.500 60.500 276.742 
36.500 61.500 274.406 
36.500 62.500 -9999.000 
36.500 63.500 -9999.000 
36.500 64.500 -9999.000 
36.500 65.500 272.219 
36.500 66.500 273.023 
36.500 67.500 275.875 
36.500 68.500 -9999.000 
36.500 69.500 -9999.000 
36.500 70.500 -9999.000 
36.500 71.500 -9999.000 
36.500 72.500 -9999.000 
36.500 73.500 -9999.000 
36.500 74.500 -9999.000 
36.500 75.500 -9999.000 
36.500 76.500 -9999.000 
36.500 77.500 -9999.000 
36.500 78.500 -9999.000 
37.500 60.500 277.406 
37.500 61.500 277.547 
37.500 62.500 276.375 
37.500 63.500 275.484 
37.500 64.500 276.820 
37.500 65.500 275.312 
37.500 66.500 274.875 
37.500 67.500 275.875 
37.500 68.500 -9999.000 
37.500 69.500 -9999.000 
37.500 70.500 -9999.000 
37.500 71.500 -9999.000 
37.500 72.500 -9999.000 
37.500 73.500 -9999.000 
37.500 74.500 -9999.000 
37.500 75.500 -9999.000 
37.500 76.500 -9999.000 
37.500 77.500 -9999.000 
37.500 78.500 -9999.000

来源

2016-02-28 Muhammad Usman Saleem

请指导我，我将非常感谢这种赞同 –

下面是使用scatteredInterpolant一个例子。

% Load the data 
data = load('temperature_data.txt'); 
% separate the data columns, just to make the code clear 
Lat = data(:,1); % Column 1 is Latitude 
Lon = data(:,2); % Column 2 is Longitude 
Tmp = data(:,3); % Column 3 is Temperature 
% Find the "good" data points 
good_temp = find(Tmp > -9999); 
% create the interpolant object using the good data points 
T = scatteredInterpolant(Lat(good_temp),Lon(good_temp),Tmp(good_temp),'linear'); 
% find the "bad" data points 
bad_temp = find(Tmp == -9999); 
% use the interpolation object to interpolate temperature values 
interp_values = T(Lat(bad_temp),Lon(bad_temp)); 
% replace the bad values with the interpolated values 
Tmp(bad_temp) = interp_values;

来源

2016-02-28 08:20:04 mhopeng

非常感谢你的这种协助。现在我想制作一个矩阵，其中第一列是lat，第二列是lon，第三列是temp。我尝试interpolant_output = [Lat; Lon; Tmp];但这给了我一个尺寸969x1双倍的matix，我该怎么办？ –

另外，告诉我在NaN值之前和之后是否使用dissInterpolant取得good_temp值同时告诉我它是如何在最下面的缺失值处进行插值的。谢谢你总是提供这种帮助 –

你想要使用：interpolant_output = [Lat Lon Tmp];'将结果连接成单个矩阵。 – mhopeng

matlab中的散点图数据插值2013

回答

相关问题