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） - H9 U. Z# u+ l0 W

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。

) l0 |- z; J1 S* C& J9 }/ ]; [

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。

安装nppr包

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

! u1 R& i) i \ y: |7 `' u

#下载nppr包

2 k+ I& j/ r) Z+ h& O' H

#install.packages(remotes)

! F% S9 E: \$ A+ R

remotes::install_github(chaoxv/nppr)

#加载相关R包

/ m8 Z9 q. [3 e& w9 B2 q

library(nppr)

8 t8 P+ z" u4 @1 i6 {* g

library(RCurl)

library(XML)

library(R.utils)

library(tidyverse)

/ _% C) s, |; n& u2 a

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。

! P& y0 O4 m2 \7 |% l

以下以获取海洋NPP遥感数据为例作个演示。

5 h4 V0 G3 L2 v" q) Y! `# s" A4 F

#创建工作路径

7 |- V6 h" W9 ]- [

yourfolder <- F:/R/nppr/vgpm

- m7 K3 [) U* p4 _! X3 S7 U

dir.create(yourfolder)

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

2 F; E# J8 [9 J0 ~9 S! l

get_npp_vgpm(

: `- X4 ?6 ?" U& z

file.path = yourfolder,

! w5 T% }, S0 W/ P/ v; k

grid.size = low, #指定low或high可更改空间分辨率

0 ^/ C+ A: H: y+ Q0 H5 m

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

% a% F7 j& P( d- a7 _! t3 N

satellite = MODIS, #选择卫星

mindate = 2016-01-15, #指定时间范围以下载遥感

: D* c6 F9 k; i7 g7 o/ Z0 M

maxdate = 2016-03-15

)

) @- y' J/ { H. U) z- ~" X

0 M' g1 g1 z7 P& w( a I

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。

4 Q9 U2 e. M8 Q6 e

#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

$ d" X, P9 V! m9 ~- d3 C' @6 I

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

& b7 L( y3 F) B$ u- L

vgpm <- read_hdf(file.path = yourfile)

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）。

1 o. E: z' L) T; q

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

* L0 T" B$ A- a6 ^

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

: g: F% G; B0 P4 Z$ ?

#或者同时指定多个数据，不再多说

mydat <- data.frame(

lon = c(120, 112, 116),

/ H3 ?1 k/ U: ?, X- h

lat = c(17, 15, 18),

' R* M0 v5 C+ s5 v( a# q

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

; n. e3 `4 T5 X

)

match_df(mydat, file.path = yourfolder)

R D% K% a: I$ X# K1 h

绘制遥感地图

+ Y% b" O& I- O5 F$ _

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)

3 F8 Q+ i* h+ N/ k8 K* b

library(ggplot2)

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*)))

, @6 P( K1 P3 \0 L; G% q! A

根据时间和经纬度列表匹配遥感数据的批处理

3 f' \+ s6 t; E* u7 R% \

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”）。

* J8 T v) Z9 b7 Y0 z

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）。

2 A5 W! h- O, Q, {7 A

##如下以匹配SST数据为例做个演示

dat <- read.delim(data.txt)

Date <- unique(dat$Date) #获取日期

" A! s$ o: `. p. U. 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

! {- S9 r7 t8 r: u$ O. v O

dir.create(yourfolder)

0 w6 u3 a. w+ V! s4 [9 y

#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）

$ i/ K; v% `3 {. O! C

for (i in Date) {

~$ {& F$ I1 U0 y9 J! Z$ A

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

dir.create(yourfolder)

9 ~( ]+ H( d3 _6 W

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

yourfile <- dir(yourfolder)

; N9 K# N0 {8 I& [, t. P, }

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

/ \7 R! b* Q/ j R0 Y

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

}

: e& P# [" h6 M9 k) k9 ?9 v0 ?7 Z

#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]

, r2 }% ]3 z, a( a9 f. b0 [: C4 r; h

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)

' l8 ~! e8 x3 {# p% G8 O

}

: m3 X/ m o j" w. w' J

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

. z; @3 E: T( `7 q! v

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）。

4 E5 V3 V: M2 D: |! e6 x ) ]( y; ]. C" s( S( ] 9 @: R1 M/ ]9 M7 R2 R' W6 A