我有一个按位置划分的海洋深度数据网格，我正在尝试为选定的GPS点插入深度值。
我们一直在使用RSAGA :: pick.from.points，它适用于小型数据集。
require(RSAGA)
depthdata <- cbind.data.frame(x=c(74.136, 74.135, 74.134, 74.133, 74.132, 74.131, 74.130, 74.129, 74.128, 74.127),
y=rep(40, times=10),
depth=c(-0.6, -0.6, -0.9, -0.9, -0.9, -0.9, -0.9, -0.9, -0.6, -0.6))
mylocs <- rbind(c(-74.1325, 40), c(-74.1305, 40))
colnames(mylocs) <- c("x", "y")
results <- pick.from.points(data=mylocs, src=depthdata, pick=c("depth"), method="nearest.neighbour")
mydepths <- results$depth
但我们的深度数据集包含6900万个数据点，我们有500万个GPS点，我们需要深度估算，而pick.from.points只需要太长时间（> 2周）组。我们认为我们可以在MATLAB或ArcMap中更快地完成这项任务，但我们正试图将这项任务纳入R中更长的工作流程中，我们正在为其他人编写反复运行的工作流程，因此切换到专有软件的部分工作流程不太理想。
我们愿意为速度牺牲一定程度的准确性。
我尽可能地寻找解决方案，但我对网格数据和插值相当新，因此可能使用了不恰当的语言，因此缺少一个简单的解决方案。
答案 0 :(得分：6)
如果你愿意通过找到最近的邻居并使用它的值来推算，我认为诀窍是使用一个有效的最近邻居实现，它允许你在O（n（log）中找到n个替代中最近的邻居） 时间。 kd树提供了这种性能，并且可以通过R中的FNN包获得。虽然计算（在随机生成的数据上有6900万个数据点供参考，500万个数据点用于估算）不是即时的（它需要大约3分钟），它比2周快得多！
{{1}}
作为警告，该过程最高可达10GB RAM，因此您需要大量内存资源才能在您的大小的数据集上运行。