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）

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。

; _/ C4 H& R- n5 o! @9 d

1 Z4 r; b) Q$ V) h4 X Y

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。

安装nppr包

0 _- [ s: U3 X9 V l& M

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

#下载nppr包

#install.packages(remotes)

1 X$ b9 l' q( ] Z1 x6 t! V

remotes::install_github(chaoxv/nppr)

#加载相关R包

4 {* V0 z# O1 [+ d* L4 f R3 v

library(nppr)

4 B: |. `1 w- a' d! z

library(RCurl)

library(XML)

; K5 z+ O& i. z

library(R.utils)

7 ]( E6 K4 y/ r+ z" C! s7 j

library(tidyverse)

library(lubridate)

使用nppr包下载海洋遥感数据

2 G1 g9 `8 h' O6 _

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。

9 w$ y" ~; n/ ^. O1 R5 \% o1 n! k

以下以获取海洋NPP遥感数据为例作个演示。

$ p" b$ O/ ?9 ~1 j

#创建工作路径

yourfolder <- F:/R/nppr/vgpm

6 q O; ~: ~3 u* W7 n7 c

dir.create(yourfolder)

' B" b5 {* {4 R2 f+ X0 ^, E! d/ W

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

get_npp_vgpm(

+ j R5 `. a8 P! @4 B: ^3 ?

file.path = yourfolder,

grid.size = low, #指定low或high可更改空间分辨率

5 T. ?8 F6 z5 j$ N3 p/ D, z

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

satellite = MODIS, #选择卫星

mindate = 2016-01-15, #指定时间范围以下载遥感

% C6 t- v L7 V+ N) m0 g% ]4 X$ j' U

maxdate = 2016-03-15

' h% ~2 v2 L ^0 f6 b- I1 }. k) O

)

( C. |8 l! A8 y, @3 }# y& v

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。

4 L% f5 ]; N* l! T y8 C. t4 _

#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

9 @3 D: q, Z$ Z- U7 D

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

vgpm <- read_hdf(file.path = yourfile)

/ W5 d4 N- Z9 G( K

head(vgpm)

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

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）。

/ T+ N& ?4 j: Y Q) L) \; U

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)

+ ?) P+ x' O) w7 s7 X) Y- _

#或者同时指定多个数据，不再多说

mydat <- data.frame(

lon = c(120, 112, 116),

+ t$ f4 E* p7 Y4 T5 v1 @0 @0 k' K

lat = c(17, 15, 18),

) G" [ Q- i) B# J5 d) E# R1 n& @

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

3 B. G( B, a. J% M

)

1 C5 z5 b, ~* b0 ^3 T4 p

match_df(mydat, file.path = yourfolder)

绘制遥感地图

j8 M/ v2 P+ h6 p) G+ p9 L

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。

#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

3 l7 T% u# C; |$ q3 O

#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

: B1 `, U2 Q, b% T6 K# c

library(viridis)

# l, h- R2 x) z7 d; @1 q# u/ i

library(ggplot2)

, l4 u" T7 k$ B& P0 l1 X

ggplot()+

; J, d! Z* f1 D) ?

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

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

9 y' ], [* e5 [- g( Q' K

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

& ^9 d8 u- z* H

4 m2 a& y f6 L! L& ^+ d: V3 P8 j

根据时间和经纬度列表匹配遥感数据的批处理

8 C/ X9 a6 S# ]4 f/ u0 k' }* t

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......）

1 T2 f& g+ P2 j# K

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”）。

7 T4 _7 R/ i( p8 [7 T

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)

7 s7 t& `% E2 c* G- z. F; e* N

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)

b6 r% B0 C+ P

#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）

- T7 [ e: K) I$ S/ C

for (i in Date) {

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

dir.create(yourfolder)

" R+ r- x/ u& O7 u# b" y

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

7 F& H. r5 f% j4 a

yourfile <- dir(yourfolder)

9 D8 `& @9 L6 o" g) B3 A/ s2 r

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

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

}

- x- y. k0 Z/ T6 O6 ~3 E+ O( g

#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)) {

o" _: f2 q# {2 l. t8 n' {/ @

Date <- dat[i,Date]

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

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), ]

. }6 g! T0 ~: o2 d& t0 w9 z

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)

}

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）。