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） * J! g- b W1 o( R+ b0 o k) t

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。

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。

% n, s! t* G C7 f% X) Z' ]

安装nppr包

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

' y a, L, V1 Z6 i

#下载nppr包

#install.packages(remotes)

remotes::install_github(chaoxv/nppr)

#加载相关R包

7 `% `8 h s: c; ~% I/ _

library(nppr)

( k. k3 R" j f( c- J& Y

library(RCurl)

# z+ I) d8 }9 A3 h

library(XML)

library(R.utils)

library(tidyverse)

7 y- H- l' d/ P8 i$ q

library(lubridate)

. [( }1 v& I m0 F- H' I8 o

使用nppr包下载海洋遥感数据

3 i5 H4 |/ X" y0 r+ |

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。

以下以获取海洋NPP遥感数据为例作个演示。

/ k( L6 ?1 \- _9 a9 q1 k& [& T

#创建工作路径

6 C; z* E) T! O

yourfolder <- F:/R/nppr/vgpm

dir.create(yourfolder)

# W7 v! [/ d+ t) V

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

get_npp_vgpm(

file.path = yourfolder,

' z& m$ T( C% M' ?

grid.size = low, #指定low或high可更改空间分辨率

7 x% t) B% y$ z2 T3 S* j" c& S/ q

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

: Y3 f# s1 z2 q7 C; D# F ~

satellite = MODIS, #选择卫星

mindate = 2016-01-15, #指定时间范围以下载遥感

maxdate = 2016-03-15

)

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

* Q, g0 K& _+ T; D" ]/ [, R4 t s' f

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。

#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

7 w; e! a$ t. Z6 c% b' H8 o

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

vgpm <- read_hdf(file.path = yourfile)

. h; C& @% x x1 ], G! H0 ?9 e

head(vgpm)

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

0 \2 R: E3 ~, m8 R3 \ G( y

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

/ D- ] _' V9 o" {' C1 t# X

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。

6 ~; M, R3 {4 e& R: f' |- J9 w

#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)

#或者同时指定多个数据，不再多说

mydat <- data.frame(

lon = c(120, 112, 116),

lat = c(17, 15, 18),

5 n# M0 I {4 n) A9 s: ^

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

( @5 H7 @- h& h/ z; }+ C$ {9 g

)

match_df(mydat, file.path = yourfolder)

# |9 W8 K3 x" R7 t( z! d: X+ Z

绘制遥感地图

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

#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)

5 r3 h9 P+ U& M* Z

library(ggplot2)

ggplot()+

" d+ _) z( {8 W+ u4 ]. U

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))+

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

6 H0 h4 N3 ]& W* e/ `" u

w6 p( k( {# V3 z N% H" _2 F# F

根据时间和经纬度列表匹配遥感数据的批处理

6 J1 u( _3 w8 ]3 L1 I' Z1 g+ j) g7 ?

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......）

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”）。

; ^) ^2 P. ~9 Y q1 o% k" R$ K

. A2 ~8 C+ M& ?8 t: r2 _: |

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）。

. r4 ?8 l0 P; P) h6 c

##如下以匹配SST数据为例做个演示

* V- F/ u! Z T1 \: ^4 W

dat <- read.delim(data.txt)

' b: y' u; ?8 B2 x

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

- \! }8 j; u7 W

dir.create(yourfolder)

#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）

for (i in Date) {

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

! w0 u9 z5 f7 i! K( G

dir.create(yourfolder)

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

" {" R9 K1 _3 D0 ~) w. O$ A

yourfile <- dir(yourfolder)

/ M( K7 Z9 y5 m! s) d: c

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

# I4 W E/ `# I# |% r& T

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

l4 q }$ b4 }; I, l) L* A/ i7 k

}

#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]

9 i; s" e7 d% d% t% U) F

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), ]

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)

3 L3 a, _+ s& O7 n6 r- M$ C9 n

}

: p- B0 s8 `3 N! t# `) Q6 U/ B( i. y* |

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

0 D. }( r5 m1 j* J& N3 d

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）。

* _0 p( d8 _: {+ _( @ 6 H4 L, t* ]6 e / K( A# \( Y' g' V4 f