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。

6 w: y( x3 s; v5 ^# l

/ ?& Q& w8 N W: V) X. S

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。

& m4 I D' I I- ~& O; o. X

安装nppr包

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

#下载nppr包

9 ~; A$ }1 {! k' f2 q5 b

#install.packages(remotes)

remotes::install_github(chaoxv/nppr)

#加载相关R包

) j/ X1 z5 f/ i+ G* h& j; x

library(nppr)

5 W; M# {8 ^* f5 H* X3 u. V

library(RCurl)

library(XML)

library(R.utils)

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。

#创建工作路径

yourfolder <- F:/R/nppr/vgpm

dir.create(yourfolder)

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

) l; d2 p# A5 z3 Z, l2 e

get_npp_vgpm(

1 i0 @( |3 P' N8 |) F

file.path = yourfolder,

grid.size = low, #指定low或high可更改空间分辨率

3 {& l* t' |/ O7 E6 U; g& N+ p) A6 w

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

" T) e4 R, s8 e7 |% G

satellite = MODIS, #选择卫星

mindate = 2016-01-15, #指定时间范围以下载遥感

* Y# T2 d1 P: q6 i, B

maxdate = 2016-03-15

; h9 m: z7 Y, e5 L5 i* M# o* A

)

! T- T+ m, j* q4 q$ J6 ]

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。

7 A* `( o7 A# w9 D: e! }- p% V

#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

6 \6 A, t `, q; A/ b% e5 S1 @

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

vgpm <- read_hdf(file.path = yourfile)

head(vgpm)

9 [& V) q4 ~8 e) T: }7 J

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

9 U! K! [4 j" O; d& U1 _1 F

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）。

: _% Y! c5 u' y1 n" _

使用nppr包匹配目标经纬度的遥感数据

: R5 s9 }' Y; M1 I8 R

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。

" ~- G z: L9 g7 _

#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

. H# x8 E% ?# \. r6 ?

match_sig(file.path = yourfolder, lon = 120, lat = 20, date = 2016-03-01)

% Z6 W# [( q0 l/ g

#或者同时指定多个数据，不再多说

mydat <- data.frame(

lon = c(120, 112, 116),

/ ^3 Q$ T. V6 D" e4 U7 f1 e1 r: N

lat = c(17, 15, 18),

/ F! D5 Y, t" L4 x

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

- }. m% o4 n7 L1 F4 U V3 l. r

)

match_df(mydat, file.path = yourfolder)

: r7 t' o8 l U. `4 ?/ f1 s

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。

6 P {/ I) I/ I4 c% j

#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

2 S. m9 O L4 V9 E% q: k

#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)

ggplot()+

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

% V7 X) A, r, F9 x6 _- @& j: M- Z

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

, s! f; _ F. D( r& N1 C% Y

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

$ k, w0 {$ S/ x1 y

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......）

' [+ w" r( H; k3 \" 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”）。

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

9 R n& U) s; c) w5 `4 l# B

dat <- read.delim(data.txt)

$ }7 K2 W% H* g4 C: A& e

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

/ d' e9 k$ @% s. A! I

dir.create(yourfolder)

- k% k; K+ B# X' p& j& X

#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）

" H8 t/ W, {, ~" q% B! N

for (i in Date) {

4 G" {) V7 q9 p5 {: R

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

( a$ i, c1 k- A+ n# L. |) W H

dir.create(yourfolder)

) g) R2 O- L G

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

- }" K0 L0 ]3 |; L% }& B

yourfile <- dir(yourfolder)

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

& \3 F+ x4 Y Z* D5 L

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

" t( ]$ R+ x. ?

}

#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）

* P8 H3 ?4 p7 \ h0 G

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

Date <- dat[i,Date]

$ }% Y! f, f9 ]& s

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

4 p5 t u! I' Z6 q

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)

}

2 W7 y1 N* t8 j6 J0 F

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

" F; J, x7 T0 v e1 O) }

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 O' h3 X) A 7 S' {( G5 |+ F M / j0 X+ r+ j2 ~- n8 x$ l1 L3 o1 G " Y3 A) m& a( G0 J( g z