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） 6 H0 ^1 l% c$ |( O% _6 u8 x

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。

8 q: i! ^5 G9 M0 y" v7 x9 d0 Y. A' t

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。

0 W6 F& D9 c! O1 `$ X: K! d

安装nppr包

! ^- O2 v+ \6 N9 n/ u) \- ]) F

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

#下载nppr包

#install.packages(remotes)

3 @) _0 h! K- \. d2 @( E

remotes::install_github(chaoxv/nppr)

#加载相关R包

+ [. N. j# o+ X3 \& _' r

library(nppr)

library(RCurl)

library(XML)

1 s" H! `! H6 X, J C: j8 {' \2 f

library(R.utils)

library(tidyverse)

: d/ f- i& _& c1 F0 O

library(lubridate)

使用nppr包下载海洋遥感数据

+ q& m5 D" `; Y: O

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。

1 e% X4 r$ s& {8 p

以下以获取海洋NPP遥感数据为例作个演示。

! l- h2 A8 O; F* K' z: q j

#创建工作路径

+ \7 `1 e) a0 C# V7 r

yourfolder <- F:/R/nppr/vgpm

! T& ^/ f' E! `7 ^

dir.create(yourfolder)

#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,

+ I: U9 q! y* F) N! v( e/ e; K

grid.size = low, #指定low或high可更改空间分辨率

6 }! }/ C+ i l$ }; J& e: S

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

% L* s/ u w: Z

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

)

9 n5 `6 q2 o& L" Z2 |. m

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。

& \# z( k* z2 u' O- e2 v8 n

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。

8 h0 ]1 i. C2 ^: C5 l! X3 V, C+ I4 K

#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

" W# {/ Q# `: Z- M- \! L

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

2 }4 m4 D j4 v! \* A0 a- m

vgpm <- read_hdf(file.path = yourfile)

" {% V9 Y! q' [5 h9 ~

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）。

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。

' W6 ?( [6 J$ u s4 f& l4 S" T9 B, _

#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)

# O6 q% w7 O( n9 }

#或者同时指定多个数据，不再多说

mydat <- data.frame(

& O% S' | j+ I: R

lon = c(120, 112, 116),

* B# X8 t1 U6 b1 T

lat = c(17, 15, 18),

9 m/ h1 X4 ?+ d( y# f" ?! h+ q! H1 O

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

1 a) p6 p) f( {" d: v' M

)

match_df(mydat, file.path = yourfolder)

* z; c* R. v. |* u

绘制遥感地图

2 Y9 Z" T4 ?/ ]9 a0 S- v5 |, S* Y

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。

; J" _; `9 m, Z# s1 ~/ M

#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

8 m" {& @3 H5 u/ l

library(viridis)

library(ggplot2)

ggplot()+

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

% j8 f3 C+ F+ g! |; D

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*)))

根据时间和经纬度列表匹配遥感数据的批处理

) o" Y* x4 n9 i/ v7 x1 I

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......）

4 M4 n6 T, B) j$ U1 c' @

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”）。

- H, g* O$ j. _9 P, @2 c

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

! n. o% j- T. k

dat <- read.delim(data.txt)

7 V, c9 |- U: k# P9 K1 M

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)

#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）

0 E# a: a" r$ N: q

for (i in Date) {

6 P$ S. u: j5 u! J: n

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)

5 I8 M0 l* N8 x9 k

yourfile <- dir(yourfolder)

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

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

}

7 W2 ~, X) \0 T0 b* 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）

# `9 F- A: K s, k1 O h [2 f

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

* Q# T: @9 c- C: @$ T+ y( t/ y

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), ]

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), ]

" |2 H0 o0 B/ x/ a/ M9 A

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

}

. ?9 Q% I, C: V

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

) e/ Q6 s% T) S+ h& | r3 Z

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）。

! l! C' C1 g8 a) W) Z x4 e3 ~ 9 R) V5 L4 D2 x9 |+ G ) h1 X. a2 a0 h! u& O