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。

3 W5 P s) Y. x# q: J0 y- v! S6 [/ D

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。

m, j2 M# C* R9 t

安装nppr包

2 h; Q( g, B7 q2 Y' \

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

0 Z! l/ B6 w' b# G' O6 M

#下载nppr包

% p9 }3 p n6 K$ V( h

#install.packages(remotes)

remotes::install_github(chaoxv/nppr)

; B, m0 x/ y4 i1 L0 V& L' x

#加载相关R包

library(nppr)

8 {% z* n: r: U1 C3 m# T

library(RCurl)

7 |) \0 f& u8 O' `* f

library(XML)

8 Z# w# `+ ~3 ^5 j# }$ I2 @0 I

library(R.utils)

library(tidyverse)

8 \# r' _6 T4 T; A9 `% O: q

library(lubridate)

7 Z" ^$ Y+ C- t' H% ]& E( N

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。

" A% L7 ~5 N5 k% a$ n

以下以获取海洋NPP遥感数据为例作个演示。

( W6 u( D" v) H6 b; \( E. ^ z5 J, r

#创建工作路径

yourfolder <- F:/R/nppr/vgpm

# b* m9 U. d# s, Q' x, Z7 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

% K6 w7 p6 w1 I6 i

get_npp_vgpm(

( L8 v2 J+ F/ Q* n

file.path = yourfolder,

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

" z! H H) ?. M# D6 [0 o

satellite = MODIS, #选择卫星

5 i) M0 U+ D7 p( P; @2 a8 o

mindate = 2016-01-15, #指定时间范围以下载遥感

' H7 h: \$ {) a. D! m, a' v

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

8 k8 v8 _- p9 Z

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。

7 B3 I7 H4 ~/ a P4 S) Q

#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)

( K* K: D/ o( M- P% b u1 `+ O

vgpm <- read_hdf(file.path = yourfile)

head(vgpm)

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

% P; v! Y4 ~: E. N

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

; }6 X( H% |2 w, W- d7 A

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),

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

2 b' g$ V1 t# [5 n& a1 b4 b

)

match_df(mydat, file.path = yourfolder)

1 U. s" X& }- {% ^ w8 v+ L

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。

8 D, l! n/ } F4 K: k8 N! G2 f

#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)

library(ggplot2)

. V6 j: z% K$ ]' {8 O

ggplot()+

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

( S9 n+ [+ X ~5 j" ~

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

. N1 I P3 v, |4 d8 _( u. |) }& h, K

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

/ s! D6 @4 u' e% L' T; T

' G6 \4 }2 ]0 r; ?- v$ M; d& f3 d& D

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......）

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”）。

; u! f* a0 d( w- c0 ^$ B! 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

& r6 D, h2 B) k

dat <- read.delim(data.txt)

- f9 _8 G* n6 y/ y, Y

Date <- unique(dat$Date) #获取日期

$ J0 P$ ?- ]/ h* e3 Q

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

" e1 x3 n! @( V, A) A! ^

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 = /)

dir.create(yourfolder)

: ^5 R2 r) R5 W3 f/ s

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

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)

}

1 ?, M3 J% \/ V% 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）

/ b [; M! R# y: t( M

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

; P V: z: w: q& H" r% r

Date <- dat[i,Date]

2 V. j' K0 c: y# ]1 _

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

9 f; H1 ]( Q6 A% K. G# U

hdf <- read.delim(yourfile)

5 e: y& v5 b# @

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), ]

# D- o) X8 M3 w; Z6 q

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)

}

) u+ W' S* ?3 Y% h

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

4 z% h0 H0 c4 f

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）。

5 W( L& t% i% I' D. d & _( C8 A0 g7 i