当我在处理R中非常大的 RasterStack
对象时,我遇到了一些挑战 . 这是主要的故事,我从欧洲气候评估网站(download site of gridded data和download link of gridded data that I am interested in)下载了网格化数据 . 所以我的第一步是将此数据作为 RasterStack
对象导入R中 . 然后我打算只裁剪特定国家的栅格网格,所以我使用了 raster::crop
来做到这一点 . 我的最终目标是计算每个网格单元的年平均温度 . 这是我从原始原始 RasterStack
对象裁剪的网格覆盖范围,其中网格分辨率定义为 0.25-degree
分辨率:
这是我拍摄的R脚本:
library(raster)
library(ncdf4)
library(R.utils)
library(maptools)
raw_netCDF = raster::stack("~/tg_0.25deg_reg_1995-2010_v17.0.nc") # read downloaded gridded data in R
data(wrld_simpl)
Germany <- wrld_simpl[wrld_simpl@data$NAME == "Germany",]
deu_ext <- extent(Germany)
Germany_ <- crop(raw_netCDF, deu_ext)
但是在裁剪的解决方案之上 Germany_
提出了挑战 . 第一个挑战是处理大型 RasterStack
对象中的缺失值 . 如果我没有处理大型 RasterStack
对象中的缺失值,则在新生成的裁剪栅格网格中,所有缺失值都会变为零,从而导致读取温度观察(例如零摄氏度)的混淆 . 所以我以两种不同的方式处理大型 RasterStack
对象中的缺失值 . 第一个是下面的:
raw_netCDF_ = raster::reclassify(raw_netCDF , cbind(NA, -999))
但由于内存问题, raster::reclassify
总是失败 . 所以这不是好的解决方案 . 我试过 raster::calc
来处理非常大的 RasterStack
对象中的缺失值,但即使我在强大的计算机上运行相同的操作,它也非常慢 . 所以使用 raster::calc
来处理缺失值确实不是一个好主意 . 这是下面的R脚本
raw_netCDF_ = raster::calc(raw_netCDF , function(x) { ifelse(is.na(x), -999, x) })
我想做一些简单的统计,计算每个网格单元的年平均温度,用于上面的整个网格覆盖,并以干净简单的明文数据生成其输出 . 在最终栅格网格数据中,纯文本仅包含网格坐标及其年平均温度 . 为 RasterStack
对象执行此类操作对我来说不是一项普通的任务 .
也许,必须有一个可能的最佳解决方案来正确操作非常大的 RasterStack
对象,并确保原始原始数据中的所有缺失值都可以在德国的裁剪栅格网格中正确保存 .
Desired output :
在导出的纯文本数据中,我希望整个德国网格的年平均值为 Temp
,为期16年,如下所示:
> ann_mean_temp_1996_1999
long lat net_1996_precip net_1997_temp net_1997_temp net_1998_temp net_1999_temp net_2000_temp
1: 6.125 47.375 84.4 86.4 83.4 81.4 80.4 87.4
2: 6.375 47.375 89.3 88.3 84.3 81.3 846.3 846.3
3: 6.625 47.375 80.0 85.0 80.0 83.0 88.0 87.0
4: 6.875 47.375 84.4 83.4 85.4 86.4 82.4 80.4
5: 7.125 47.375 83.0 85.0 84.0 89.0 83.0 84.0
---
1112: 13.875 54.875 63.8 68.8 66.8 67.8 65.8 66.8
1113: 14.125 54.875 69.6 65.6 61.6 60.6 62.6 63.6
1114: 14.375 54.875 60.5 61.5 62.5 67.5 69.5 64.5
1115: 14.625 54.875 62.9 67.9 68.9 67.9 64.9 68.9
1116: 14.875 54.875 64.6 67.6 66.6 62.8 64.6 63.5
如果可以在R中操作非常大的 RasterStack
对象,如何获得具有正确分辨率的预期栅格网格数据(缺失值将被正确处理)并对每个网格的所有日常温度观察应用简单统计数据?我怎样才能做到这一点?是否可以操作 RasterStack
对象并在R中以纯文本数据( ASCII
或 csv
)写入所有栅格网格数据?完成这项任务的任何有效方法?还有什么想法?谢谢
1 回答
我反对你的想法,这是一个"very large"
RasterStack
,但除此之外,我认为你想做的事情应该是直截了当的 .首先,我将数据加载并裁剪到德国的范围:
边界形状不是特别漂亮,但它确实起作用 . 此外,您可以看到在北方,NoData的值仍然正确指示:
在接下来的步骤中,我只使用图层名称来提取年份,然后使用
lapply
来计算每年的均值:这将为您提供一个名为
annual_means
的列表,每年有一个栅格,代表该年的年平均值 . 现在您可以将它们重新堆叠在一起(使用do.call(stack,annual_means)
),单独处理它们,或者您可能想要将它们作为csv写入磁盘:Edit :
annual_means
是一个列表,其中每个元素的栅格表示根据原始数据集的每日观察计算的平均温度 . 因此,列表将包含与多年一样多的元素 .上面的
write.table
示例仅显示其中一年,这意味着如果这是您想要的输出,则需要复制列表中所有元素的步骤 .write.table
步骤的作用是将栅格转换为矩阵,并将其写入磁盘 . 结果将是一个矩阵,其行和列与栅格本身一样多,每个单元格用分号分隔(我个人喜好) .Edit2:
只是为了说明我上面的评论:
您有16年的数据,如
yrs
向量中所示:现在,
annual_means
是一个长度为16的列表,每年有一个单层栅格,这是从每日数据计算出的整个德国全年的平均值 .这是一个示例输出:
如您所见,光栅的分辨率为0.25度(这是数据的原始分辨率),这会产生一个包含德国31行和37列的栅格 .
要获得所需的输出:
我将首先使用相应的年份命名列表条目,以使其更加明显(您可以跳过此):
现在我将提取每个栅格的坐标并使用值创建一个数据帧(使用
lapply
迭代列表):现在我们可以检查数据帧的顶部,例如2000年:
如您所见,第一个像素都是NoData(就像在图中看到的那样),这就是您想要的 .
所以最后,
result
是一个列表,每个元素都是特定年份的数据帧,包含long
,lat
和temp_mean
列 .为了100%复制您想要的输出,现在可以再次循环
result
列表以将temp_mean
列名称更改为特定年份(这完全是可选的):给你:
Edit3:
要使用所有方法获取一个数据帧,您可以执行以下操作:
第一个
lapply
将long / lat(所有年份不会改变)与每个列表项的第3列(T-MEAN)绑定在一起 .第二个
lapply
再次提取和分配列名称的温度,这似乎在过程中丢失 . 对于这个问题,可能比使用lapply
两次更优雅,但它可以胜任 .