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。

- v( Z' [0 E/ `1 ~, j: h1 ]

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。

# s! ^/ P1 {2 d# h; r; c- L

安装nppr包

+ O- n* A$ c. _2 @! }1 {

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

4 @5 I$ N: R) Y, j

#下载nppr包

3 K, @; `5 @! f

#install.packages(remotes)

remotes::install_github(chaoxv/nppr)

* G( O' L+ H& n4 }' N" ]( _

#加载相关R包

library(nppr)

library(RCurl)

9 ] ]8 k4 o2 @- \0 k7 n' J4 S/ V: K; D5 @

library(XML)

3 j' r* X/ c. P

library(R.utils)

* H+ ]/ ?8 x. g$ J6 N8 H, |

library(tidyverse)

library(lubridate)

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。

以下以获取海洋NPP遥感数据为例作个演示。

/ z; D' q4 O# _% R/ j

#创建工作路径

) W4 Y n( G8 D; H% E

yourfolder <- F:/R/nppr/vgpm

' m; M) S6 d5 L, W7 Z F8 z

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(

4 F8 M9 c8 {, T/ ] A

file.path = yourfolder,

) q) L& V8 @/ ~9 `. s2 i' F, D* C

grid.size = low, #指定low或high可更改空间分辨率

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

# \; n0 z, a5 I

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

)

1 X' _& k$ ]7 X$ }( U

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$ T' Z& T2 n2 A% Z( i

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

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

vgpm <- read_hdf(file.path = yourfile)

head(vgpm)

( G# h. f& G% H. A6 j

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

* r3 }# D# Q. t% k! s* U

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）。

6 @% V: k* I5 K8 z

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。

0 J( n0 O; @: ^4 e5 v

#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

, [5 v, S+ O5 N% j6 |* h

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

" q ~! M6 P; T. w5 V ]

mydat <- data.frame(

lon = c(120, 112, 116),

lat = c(17, 15, 18),

( v/ h$ W! J( X& E6 f& x! U

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

; T- g, _6 W5 r$ o

)

3 h) n J/ g! x

match_df(mydat, file.path = yourfolder)

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

c# O3 T* H+ ?, u& A

library(viridis)

: }3 Q6 q! ~3 W6 ?# K3 m

library(ggplot2)

I0 `- P- V W5 N f

ggplot()+

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*)))

; f9 @6 @/ V" n7 J8 B) s9 M. ~

根据时间和经纬度列表匹配遥感数据的批处理

7 U6 O# S8 u7 h

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”）。

1 E! @8 ]; J# U* o5 z! M( 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)

2 q0 h; n0 Q* ~; o1 n. W B

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

& e/ J! ?3 N$ r! o

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) {

6 y3 L5 @: M2 ~6 @% e7 g6 u6 B

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)

- y1 w7 m b5 F2 X$ ]$ d

yourfile <- dir(yourfolder)

0 R3 n! }9 B8 x# q. ~6 ` R9 a$ [ d

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

5 _9 b# y9 z2 [. v

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

9 n" f" F0 I& d. u5 x

}

- @; U- @1 L9 N6 h1 a

#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 s0 }9 }- a8 |/ \5 R& t' B, f

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

Date <- dat[i,Date]

* [6 d" n% _0 [1 A. G* T" I! H- K

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), ]

3 M( `2 l* e0 u$ L

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

}

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

! [7 @, j' p1 B

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）。

h& C) D* O: ?& w s; U8 _. {$ _ x : T: v" H0 N# o: O% C+ N & |; L7 ^) r' ^+ l. ^, l # n6 Q5 Q/ C1 U | k