MATLAB三元相图进阶玩法：用STernary类绘制带等高线、气泡图和凸包的数据可视化

MATLAB三元相图进阶可视化：STernary工具包深度解析

在科研数据可视化领域，三元相图（Ternary Plot）作为展示三种组分比例关系的利器，广泛应用于材料科学、化学工程、地质学等学科。对于MATLAB用户而言，基础的三元散点图绘制已不能满足复杂数据分析的需求。本文将深入解析STernary工具包的高级功能，带您掌握带等高线、气泡图和凸包等专业可视化技巧，让数据故事跃然图上。

1. STernary工具包核心架构解析

STernary工具包采用面向对象设计思路，将三元相图的坐标系统抽象为一个完整的图形对象。与MATLAB原生绘图函数相比，它提供了更精细的坐标控制能力和更丰富的可视化元素：

% 初始化三元相图坐标系统 STA = STernary();

核心属性对比表：

工具包通过STernary类封装了以下关键功能模块：

• 坐标系统初始化与样式配置
• 数据归一化处理方法
• 高级绘图函数集（散点、气泡、等高线等）
• 视觉元素管理系统（标签、刻度、网格等）

提示：使用前需将STernary类文件添加到MATLAB路径。建议创建独立的绘图脚本，避免与现有代码的变量命名冲突。

2. 多维数据的高级呈现技术

2.1 密度等高线可视化

当处理大量重叠数据点时，传统的散点图会失去辨识度。SContourf函数通过核密度估计生成热力图，清晰展现数据分布密度：

% 生成模拟合金成分数据 rng(2023); A = betarnd(2,5,1,300); B = betarnd(2,2,1,300); C = 1 - A - B; % 创建带密度填充的三元相图 STA = STernary(); [~,Z] = STA.SContourf(A,B,C,[],15,'Visible','off'); levels = linspace(0.1*max(Z(:)), max(Z(:)), 12); STA.SContourf(A,B,C,[],levels,'LineWidth',0.8); colormap(turbo); colorbar;

关键参数解析：

• 第四个空数组参数[]表示自动计算网格密度
• levels控制等高线分层数量与位置
• Visible选项可用于预计算Z值范围

2.2 气泡图多变量表达

SBubblechart函数将第四维度信息通过气泡大小编码，实现四维数据同屏展示：

% 模拟合金性能数据 comp = dirichlet([1,2,3],50); hardness = 50 + 100*comp(:,1) + 30*comp(:,2).^2; STA = STernary(); STA.SBubblechart(comp(:,1),comp(:,2),comp(:,3),hardness,... 'CData',hardness,'MarkerEdgeColor','k'); colormap(parula); h = colorbar; ylabel(h,'硬度(HV)');

视觉优化技巧：

• 使用CData属性实现气泡颜色映射
• 通过MarkerEdgeColor增强轮廓可见性
• 组合colorbar提供专业图例参考

2.3 凸包边界分析

材料相图中，不同成分区域的边界划分至关重要。SConvhull函数自动计算数据集的凸包边界：

% 三类不同性能合金的组分数据 class1 = dirichlet([8,1,1],80); class2 = dirichlet([1,6,3],80); class3 = dirichlet([2,2,9],80); STA = STernary(); STA.SScatter(class1(:,1),class1(:,2),class1(:,3),'filled'); STA.SScatter(class2(:,1),class2(:,2),class2(:,3),'filled'); STA.SScatter(class3(:,1),class3(:,2),class3(:,3),'filled'); % 绘制凸包边界 STA.SConvhull(class1(:,1),class1(:,2),class1(:,3),... 'FaceAlpha',0.1,'EdgeColor','r','LineWidth',1.5); STA.SConvhull(class2(:,1),class2(:,2),class2(:,3),... 'FaceAlpha',0.1,'EdgeColor','g','LineWidth',1.5); STA.SConvhull(class3(:,1),class3(:,2),class3(:,3),... 'FaceAlpha',0.1,'EdgeColor','b','LineWidth',1.5);

科研应用场景：

• 合金相区边界识别
• 化学组分稳定区域划分
• 生物样本分类特征可视化

3. 工业级可视化实战案例

3.1 高温合金成分优化分析

以下代码展示如何将实验数据与理论模型结合，生成可用于论文发表的专业图表：

% 导入实际实验数据 expData = readtable('alloy_exp.csv'); theoryData = readtable('alloy_theory.csv'); % 创建双面板对比图 figure('Position',[100,100,900,400]); subplot(1,2,1); STA1 = STernary(gca); STA1.SContourf(expData.Ni, expData.Cr, expData.Fe, [], 10); STA1.SScatter(expData.Ni, expData.Cr, expData.Fe, 20, 'k'); title('实验数据分布'); subplot(1,2,2); STA2 = STernary(gca); [~,Z] = STA2.SContourf(theoryData.Ni, theoryData.Cr, theoryData.Fe, [], 15); STA2.SContour(theoryData.Ni, theoryData.Cr, theoryData.Fe, [],... linspace(0.5*max(Z(:)),max(Z(:)),8),'LineColor','k'); title('理论模型预测');

出版级图表优化要点：

1. 使用subplot创建多图对比布局
2. 控制colormap范围确保数据可比性
3. 添加等高线增强关键特征识别
4. 统一坐标范围和刻度设置

3.2 动态成分演变过程

通过动画展示材料组分随时间变化的过程：

STA = STernary(); vidObj = VideoWriter('alloy_evolution.mp4','MPEG-4'); open(vidObj); for t = 1:0.5:10 % 生成时间相关组分数据 A = 0.2 + 0.6*sigmoid(t-5); B = 0.7 - 0.6*sigmoid(t-5); C = 1 - A - B; cla; STA.SScatter(A,B,C,100,'filled','CData',t); title(['t = ' num2str(t) 'h']); frame = getframe(gcf); writeVideo(vidObj,frame); end close(vidObj);

动态可视化技巧：

• 使用VideoWriter创建高质量动画
• 通过颜色映射表现时间维度
• 控制帧率平衡文件大小与流畅度
• 添加时间标记增强可读性

4. 高级定制与性能优化

4.1 坐标系统深度定制

STernary提供超过30种可定制属性，满足期刊出版级要求：

STA = STernary(); % 轴系样式设置 STA.set('A_Axis','Color',[0.2 0.2 0.8],'LineWidth',2); STA.set('B_Axis','Color',[0.2 0.8 0.2],'LineWidth',2); STA.set('C_Axis','Color',[0.8 0.2 0.2],'LineWidth',2); % 网格系统配置 STA.set('GridValues',0:10:100); STA.set('MinorGridValues',0:2:100); STA.set('A_Grid','Color',[0.2 0.2 0.8],'LineStyle','--'); STA.set('B_MinorGrid','Color',[0.2 0.8 0.2],'LineStyle',':'); % 标签系统优化 STA.set('A_Label','String','Ni (%)','FontSize',14); STA.set('B_Label','String','Cr (%)','FontSize',14); STA.set('C_Label','String','Fe (%)','FontSize',14); STA.label2Side(); % 标签侧边布局

典型配置方案：

4.2 大数据量优化策略

当处理超过10,000个数据点时，可采用以下优化方案：

% 数据降采样策略 fullData = rand(20000,3); fullData = fullData./sum(fullData,2); sampleIdx = randperm(size(fullData,1),2000); sampleData = fullData(sampleIdx,:); % 内存优化绘图 STA = STernary(); STA.SContourf(sampleData(:,1),sampleData(:,2),sampleData(:,3),50);

性能对比测试数据：

注意：对于超大规模数据集，建议先进行聚类分析或网格聚合，再可视化统计特征而非原始数据点。