使用nppr包下载和处理海洋遥感数据（SST、Chla、PAR、NPP） - 海洋遥感数据处理

使用nppr包下载和处理海洋遥感数据（SST、Chla、PAR、NPP） . _% Q" J2 o* |2 O

Ocean Productivity（http://sites.science.oregonstate.edu/ocean.productivity/index.php）是一个众所周知的海洋生产力数据库，我们经常从中下载相关的遥感数据来用于分析。

$ i! u3 M# h6 z. r7 A) E* p

本篇介绍师兄的一个R包，nppr包（https://github.com/chaoxv/nppr）。该包提供了便捷的函数，可以用来下载和处理Ocean Productivity的海洋表面温度（SST）、光合有效辐射（PAR）、叶绿素a（Chl a）、净初级生产力（NPP）等遥感数据。

" z& O/ z% X5 |( O0 v

安装nppr包

可在github（https://github.com/chaoxv/nppr）获取nppr包。

2 w4 B0 c- X4 v- B, s+ g: E

#下载nppr包

2 t$ X* r& ^7 Z4 C

#install.packages(remotes)

6 s4 r# V1 C9 Y& d4 ~4 [+ m

remotes::install_github(chaoxv/nppr)

# ~& _* t0 F$ h" {

#加载相关R包

library(nppr)

! f) o" ]/ F1 h

library(RCurl)

6 J: G( N; E0 P

library(XML)

) e! \+ O* F" h. z$ Q2 R, X: ]" x

library(R.utils)

& Z. W& ?1 K* z! J: P( x

library(tidyverse)

" z7 B5 C& C9 m; j/ D: \9 E

library(lubridate)

, T' ?. M8 i$ U) Y* } Z, s+ R! d ~

使用nppr包下载海洋遥感数据

nppr包内常用函数如下所示，get_*等函数可分别用于下载Ocean Productivity的海洋表面温度（SST）、光合有效辐射（PAR）、叶绿素a（Chl a）、净初级生产力（NPP）等遥感数据。

7 S6 O; q: S+ r" O: h7 [3 w

以下以获取海洋NPP遥感数据为例作个演示。

3 R# D- X7 ]& n/ x$ N

#创建工作路径

5 M+ s- O6 o5 U7 k/ I4 M9 e

yourfolder <- F:/R/nppr/vgpm

dir.create(yourfolder)

7 [4 h& ~, z: o5 E/ I

#以VGPM（NPP的一种遥感算法）为例做个演示，详情?get_npp_vgpm

" N' I( }& b. R& G- r4 r

get_npp_vgpm(

file.path = yourfolder,

- n% E' z) `' n7 y2 K% c

grid.size = low, #指定low或high可更改空间分辨率

, |7 N7 ~- t0 d4 x p5 }$ Z _3 p

time.span = monthly, #monthly代表月平均，dayly代表8天平均

satellite = MODIS, #选择卫星

( g: ~4 D/ q, Z1 L. y& }: Q

mindate = 2016-01-15, #指定时间范围以下载遥感

5 x4 W: J+ w) C# c3 N5 e9 O

maxdate = 2016-03-15

8 M0 S$ L& Z1 H$ X+ `

)

5 O7 U$ d; G# C: \% r( ^, w

在这个示例中，我们使用nppr包下载了来自Ocean Productivity（http://orca.science.oregonstate.edu/1080.by.2160.monthly.hdf.vgpm.m.chl.m.sst.php）的基于VGPM算法反演的全球海洋2016年1月至3月的月平均NPP数据。

使用nppr包进行遥感数据格式转换

如上所述，下载后的遥感数据以hdf格式存储。nppr包提供了便捷的方法，可将hdf格式转为常见的数据框格式，便于我们后续操作。

( x' ]5 ]! _4 P7 L

#将hdf文件转为常见的数据框格式，例如将上述下载的2016年3月的月平均NPP数据做个转换

yourfile <- paste0(yourfolder, /201603.hdf)

vgpm <- read_hdf(file.path = yourfile)

) H! E1 O3 t% _- I

head(vgpm)

/ {8 d% J" k. u+ z0 Y

write.table(vgpm, vgpm.201603.txt, sep = \t, row.names = FALSE, quote = FALSE)

- @% z+ |6 \6 [

转换后的数据框包括三列，分别是经度（lon）、纬度（lat）以及当前日期内该经纬度海区的NPP（var，单位mg C m-2 d-1）。

使用nppr包匹配目标经纬度的遥感数据

默认情况下，下载的遥感数据是全球海洋的。nppr包同样提供了相关函数，便于我们从中提取特定区域的遥感数据，如下所示。

#获取指定日期和经纬度的遥感，例如在上述2016年3月的月平均NPP数据中提取120°E、20°N的NPP

match_sig(file.path = yourfolder, lon = 120, lat = 20, date = 2016-03-01)

3 `0 h% a7 g$ N

#或者同时指定多个数据，不再多说

mydat <- data.frame(

8 r( ?! n8 Z! _- u- b9 n; u

lon = c(120, 112, 116),

8 p3 A+ X9 P* e; C! `

lat = c(17, 15, 18),

date = c(2016-03-04, 2016-03-07, 2016-02-04)

9 T" w( y7 E7 j& i9 B2 L

)

match_df(mydat, file.path = yourfolder)

绘制遥感地图

. o* l0 `. ^$ [% U

nppr包的函数geom_oce()可以用来绘制地图，例如我们作图展示来自遥感反演的NPP分布。

3 M# p4 v$ ?1 n# }/ [' |

#上述已经将下载的2016年3月的月平均NPP数据转换为数据框格式

#我们仍以该数据为例作图，展示中国南海2016年3月的月平均NPP

library(viridis)

4 F/ l9 M4 Z0 a: W

library(ggplot2)

ggplot()+

' Q% z/ L4 n% K4 C2 q3 R) ]

geom_oce(vgpm, aes(x = lon, y = lat, fill = var), lonlim = c(100, 120), latlim = c(7, 25))+

/ i. g6 h: S6 I( c

scale_fill_viridis(option = D, direction = -1,breaks = seq(50, 1050, 100), limits = c(50, 1050))+

labs(x = Longitude, y = Latitude, fill = expression(NPP*~(*mg~C~m^-2~d^-1*)))

* X* E, E0 y+ C+ H' \

根据时间和经纬度列表匹配遥感数据的批处理

实际情况中，经常需要对来自不同时间不同经纬度的大量站位匹配遥感，以下提供了一个批处理（不过这是自己先前瞎写的，然后一直偷懒一直用，俺也不知道写的对不对......写在这里仅为方便自己复制粘贴，大家慎用......）

9 j2 W1 o' N' _ U1 c5 ]+ T

将待匹配的站位的经纬度、日期信息整合在一个文档中，如下所示的这样（本示例命名为“data.txt”）。

) `/ J* c- t7 E- b

随后在R中读取该文件，设置一个循环，依次读取日期信息以下载当前日期的遥感（如月平均或8天平均的SST、PAR、Chla或NPP等）。并再根据各站位的经纬度，从中匹配该站位附近的数据（比方说以0.1°为网格进行匹配，并将网格内的数据平均）。

##如下以匹配SST数据为例做个演示

dat <- read.delim(data.txt)

" D0 b. }: H _, U% O5 C9 V' {

Date <- unique(dat$Date) #获取日期

yourfolder <- paste0(getwd(), /, SST) #在当前工作路径下创建新路径以存放遥感数据

dir.create(yourfolder)

1 p2 ?% Z2 x5 F

#通过循环依次获取各日期下的遥感（本示例以下载8天平均SST为例）

9 V3 h9 m6 ]7 L# Y4 I

for (i in Date) {

. c1 t* h' b" {# l0 b7 v

yourfolder <- paste(getwd(), SST, i, sep = /)

dir.create(yourfolder)

get_sst(file.path = yourfolder, grid.size = low, time.span = dayly, satellite = MODIS, mindate = i, maxdate = i)

yourfile <- dir(yourfolder)

, R& E$ k% y! R, j

hdf <- read_hdf(file.path = paste(yourfolder, yourfile, sep = /))

write.table(hdf, paste(yourfolder, /, i, .xls, sep = ), sep = \t, row.names = FALSE, quote = FALSE)

}

#再根据列表中各站位的经纬度匹配当前日期的遥感（本示例计算0.1°网格内的平均）

for (i in 1:nrow(dat)) {

Date <- dat[i,Date]

yourfile <- paste(getwd(), /, SST, /, Date, /, Date, .xls, sep = )

( W- p. c. J# @' I5 T3 z( A

hdf <- read.delim(yourfile)

hdf <- hdf[which(round(hdf$lon, 2) < round(dat[i,Longitude], 2)+0.1 & round(hdf$lat, 2) < round(dat[i,Latitude], 2)+0.1), ]

! H, _1 `5 Z0 {: M$ t' y+ E$ A" o

hdf <- hdf[which(round(hdf$lon, 2) > round(dat[i,Longitude], 2)-0.1 & round(hdf$lat, 2) > round(dat[i,Latitude], 2)-0.1), ]

dat[i,SST] <- mean(hdf$var)

}

% d% p( K6 b8 _

write.table(dat, SST+0.1.xls, sep =\t, quote = FALSE, row.names = FALSE)

输出列表的最后一列添加了匹配的遥感数据（本示例匹配了SST）。

/ L6 m) H, ^ K3 M5 `/ G, o5 D 7 _9 @1 e- ~: R6 v& `& H" r