本文介紹基于R語(yǔ)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(yǔ)言包；前面也提到，我們這里選擇基于raster包來(lái)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(huà)，我們可以先到raster包在R語(yǔ)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(lài)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(lái)的操作。接下來(lái)，我們開(kāi)始安裝raster包；這里我是在RStudio中進(jìn)行代碼的撰寫(xiě)的。

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

install.packages("raster")

隨后，按下回車(chē)鍵，運(yùn)行代碼，如下圖所示。

可以看到，我們?cè)诎惭braster包時(shí)，會(huì)自動(dòng)將其所需依賴(lài)的其他包（如果在此之前沒(méi)有配置過(guò)）都一并配置好，非常方便。

接下來(lái)，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(chē)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(lài)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(lái)，我們首先開(kāi)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(lái)要打開(kāi)的柵格圖像的路徑與文件名，第二句則是通過(guò)raster()函數(shù)打開(kāi)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(lái)，我們可以直接通過(guò)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(shuō)，這一繪制柵格圖像的方式，相較于Python、**C++**等語(yǔ)言都更為方便。

隨后，我們簡(jiǎn)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(guò)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(wú)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(wú)效值；而如果我們的柵格圖像中出現(xiàn)無(wú)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(wú)效值NA；如下圖所示。

3 大量柵格圖像讀取與處理

接下來(lái)，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(chēng)加以匹配，我們用".tif$"表示只篩選出文件名稱(chēng)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(chēng)加文件名稱(chēng)）返回，ignore.case表示是否不考慮匹配文件名稱(chēng)時(shí)的大小寫(xiě)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(lái)，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(lái)了。

接下來(lái)，我們通過(guò)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(guò)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(chēng)，min values與max 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(guò)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(yǔ)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(yǔ)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(yǔ)言柵格數(shù)據(jù)內(nèi)容請(qǐng)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！

最新評(píng)論