欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

R語言讀取柵格數(shù)據(jù)的方法(raster包讀取)

 更新時(shí)間:2023年05月16日 14:58:15   作者:瘋狂學(xué)習(xí)GIS  
這篇文章主要介紹了R語言讀取柵格數(shù)據(jù)的方法,本文就只是對(duì)R語言raster包讀取、處理柵格數(shù)據(jù)加以基本的方法介紹,需要的朋友可以參考下

R語言讀取柵格數(shù)據(jù)的方法

本文介紹基于R語言中的raster包,讀取單張或批量讀取多張柵格圖像,并對(duì)柵格圖像數(shù)據(jù)加以基本處理的方法。

1 包的安裝與導(dǎo)入

首先,我們需要配置好對(duì)應(yīng)的R語言包;前面也提到,我們這里選擇基于raster包來實(shí)現(xiàn)柵格圖像數(shù)據(jù)的讀取與處理工作。首先,如果有需要的話,我們可以先到raster包在R語言的官方網(wǎng)站中,查閱raster包的基本情況,比如其作者信息、當(dāng)前的版本、所依賴的其他包等等;如下圖所示。

當(dāng)然,這些內(nèi)容看不看都不影響我們接下來的操作。接下來,我們開始安裝raster包;這里我是在RStudio中進(jìn)行代碼的撰寫的。

首先,我們輸入如下的代碼,從而開始raster包的下載與自動(dòng)配置。

install.packages("raster")

隨后,按下回車鍵,運(yùn)行代碼,如下圖所示。

可以看到,我們在安裝raster包時(shí),會(huì)自動(dòng)將其所需依賴的其他包(如果在此之前沒有配置過)都一并配置好,非常方便。

接下來,輸入如下的代碼,從而將剛剛配置好的raster包導(dǎo)入。

library(raster)

隨后,按下回車鍵,運(yùn)行代碼,如下圖所示。

此時(shí),在RStudio右下方的“Packages”中,可以看到raster包以及其所依賴的sp包都處于選中的狀態(tài),表明二者都已經(jīng)配置成功,且完成導(dǎo)入。

2 單一柵格圖像讀取與處理

接下來,我們首先開始讀取、處理單獨(dú)一景柵格圖像數(shù)據(jù)。

首先,我們輸入如下的代碼;其中第一句是指定接下來要打開的柵格圖像的路徑與文件名,第二句則是通過raster()函數(shù)打開這一柵格圖像。

tif_file_name <- r"(E:\02_Project\01_Chlorophyll\ClimateZone\Split\A_LCC0.TIF)"
tif_file <- raster(tif_file_name)

運(yùn)行上述代碼。此時(shí),我們可以在RStudio中右上方的“Environment”中看到我們剛剛新建的兩個(gè)變量,以及其對(duì)應(yīng)的值。

接下來,我們可以直接通過plot()函數(shù),對(duì)剛剛讀取到的柵格圖像數(shù)據(jù)加以繪制。

plot(tif_file)

運(yùn)行代碼后,可以在RStudio中右下方的“Plots”看到繪制完畢的圖像??梢哉f,這一繪制柵格圖像的方式,相較于Python、**C++**等語言都更為方便。

隨后,我們簡單介紹一下對(duì)這一柵格圖像數(shù)據(jù)的處理操作。例如,我們可以通過mean()函數(shù)與sd()函數(shù),計(jì)算柵格圖像全部像元數(shù)值的平均值和標(biāo)準(zhǔn)差;這里我們用到了na.rm = TRUE參數(shù),具體含義稍后會(huì)提到。

tif_mean <- mean(tif_file[], na.rm = TRUE)
tif_std <- sd(tif_file[], na.rm = TRUE)

運(yùn)行上述代碼,隨后輸入如下的代碼,即可查看我們剛剛計(jì)算得到的平均值與標(biāo)準(zhǔn)差。

tif_meantif_std

結(jié)果圖下圖所示。

前面我們提到了na.rm = TRUE參數(shù),這一參數(shù)表示是否消除數(shù)據(jù)集中無效值NA的影響;如果我們不將其設(shè)置為TRUE,那么就表示不消除數(shù)據(jù)集中的無效值;而如果我們的柵格圖像中出現(xiàn)無效值(NoData值),那么就會(huì)使得平均值、標(biāo)準(zhǔn)差等計(jì)算結(jié)果同樣為無效值NA;如下圖所示。

3 大量柵格圖像讀取與處理

接下來,我們介紹一下基于raster包批量讀取大量柵格圖像的方法。

首先,我們需要將存放有大量柵格圖像的文件夾明確,并將其帶入list.files()函數(shù)中;這一函數(shù)可以對(duì)指定路徑下的文件加以遍歷。其中,pattern是對(duì)文件名稱加以匹配,我們用".tif$"表示只篩選出文件名稱是以.tif結(jié)尾的文件;full.names表示是否將文件的全名(即路徑名稱加文件名稱)返回,ignore.case表示是否不考慮匹配文件名稱時(shí)的大小寫差異。

tif_file_path <- list.files(r"(E:\02_Project\01_Chlorophyll\ClimateZone\Split\0)", pattern = ".tif$", full.names = TRUE, ignore.case = TRUE)

運(yùn)行上述代碼,并將這一變量打印出來,結(jié)果如下圖所示??梢钥吹?,此時(shí)我們已經(jīng)將指定路徑下的.tif格式的柵格圖像全部提取出來了。

接下來,我們通過stack()函數(shù),將全部柵格圖像的數(shù)據(jù)放入同一個(gè)變量中;隨后,我們可以打印一下這個(gè)變量,查看其中的內(nèi)容。這里需要注意,如果通過這種方法批量讀取柵格圖像,需要保證每一景圖像的空間參考信息、行數(shù)與列數(shù)完全一致,否則會(huì)彈出報(bào)錯(cuò)信息。如果大家的柵格圖像行數(shù)與列數(shù)不完全一致,可以參考文章# Python ArcPy用柵格裁剪柵格并使得各個(gè)柵格行數(shù)、列數(shù)一致,對(duì)各個(gè)柵格圖像加以統(tǒng)一。

tif_file_all <- stack(tif_file_path)
tif_file_all

運(yùn)行上述代碼,得到如下所示的結(jié)果??梢钥吹剑@一變量中保存了12個(gè)圖層(雖然柵格圖像只有7景,但是其中有幾景是具有多個(gè)波段的);其中,除了最基本的柵格圖像維度、空間范圍、空間參考信息等內(nèi)容,names還展示了12個(gè)圖層各自的名稱,min valuesmax values則還展示了每一個(gè)圖層的最小值與最大值。

此外,我們還可以繼續(xù)基于plot()函數(shù),直接批量繪制多個(gè)圖層各自的柵格圖像。

plot(tif_file_all)

運(yùn)行上述代碼,結(jié)果如下所示。

此外,我們還可以基于mean()等函數(shù),對(duì)柵格圖像的基本數(shù)學(xué)統(tǒng)計(jì)信息加以計(jì)算。不過在對(duì)多個(gè)柵格圖像數(shù)據(jù)加以計(jì)算時(shí)需要注意,在tif_file_all后是否添加[]符號(hào),得到的結(jié)果是不一樣的——如果不添加[]符號(hào),我們相當(dāng)于是加以逐像元分析,對(duì)每一個(gè)位置的像元在12個(gè)圖層中的數(shù)值加以統(tǒng)計(jì),并計(jì)算該像元在12個(gè)圖層中的平均值;因此最終所得結(jié)果是一景新的柵格圖像,圖像中的每一個(gè)像元數(shù)值都表示該像元在12個(gè)圖層中的平均值。而如果我們添加了[]符號(hào),那么就和前述單一柵格圖像的處理一樣,計(jì)算的結(jié)果就是一個(gè)數(shù)值,即12個(gè)圖層中每一個(gè)像元對(duì)應(yīng)數(shù)值的總體的平均值。

tif_all_mean <- mean(tif_file_all, na.rm = TRUE)
tif_all_mean_2 <- mean(tif_file_all[], na.rm = TRUE)

我們分別打印上述兩個(gè)變量,得到結(jié)果如下圖所示。

由此可以更加明顯地看出添加[]符號(hào)與否的差異。

本文就只是對(duì)R語言raster包讀取、處理柵格數(shù)據(jù)加以基本的方法介紹,至于更加深入的用法,我們將在后期的文章中加以介紹。

到此這篇關(guān)于R語言讀取柵格數(shù)據(jù)的方法(raster包讀取)的文章就介紹到這了,更多相關(guān)R語言柵格數(shù)據(jù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

最新評(píng)論