java raster_最简单的操作栅格数据的方法，用于离散日常温度的年度分布

这是一个解决方案(包括一个可重复的例子)：

library(raster)

library(lubridate)

library(tidyverse)

# creating some fake temperature data which matches your rasterstack

# create template raster

r

# add fake temperature values

Deu_crop

# add layer names

names(Deu_crop)

# check rasterstack

Deu_crop

# output

#

# class : RasterStack

# dimensions : 31, 37, 1147, 5479 (nrow, ncol, ncell, nlayers)

# resolution : 0.25, 0.25 (x, y)

# extent : 5.75, 15, 47.25, 55 (xmin, xmax, ymin, ymax)

# coord. ref. : +proj=longlat +datum=WGS84 +ellps=WGS84 +towgs84=0,0,0

# names : X1980.01.02, X1980.01.03, X1980.01.04, X1980.01.05, X1980.01.06, X1980.01.07, ...

# min values : -10, -10, -10, -10, -10, -10, ...

# max values : 25, 25, 25, 25, 25, 25, ...

所以 Deu_crop 应该在结构方面可以与您的数据共存，当然还有随机温度值 .

shapefile不易重现，所以我已下载并使用它 . 正如我已经提到的，一些多边形对于提取来说有点小 .

最快的方法是将shapefile光栅化以匹配您的数据栅格，但是某些多边形不会被转换而其他多边形可能转换为错误的单元格...所以在这种情况下，最好直接使用 raster::extract shapefile，尽管它可以忍受 - 在此期间喝咖啡 .

shp

# coffee time

e

# add NUTS_ID as names to list

names(e)

要计算每个bin每年的天数，我创建一个使用 tidiverse 功能的函数，并使用 lapply 迭代整个提取列表(一个列表项对应一个多边形)：

# define bins

bins

myfun

gather(data.frame(e[[ix]],stringsAsFactors = F),'colname','temp') %>%

group_by(colname) %>% summarise(temp = mean(temp)) %>% ungroup() %>% # spatial mean

mutate(year = sub('X(\\d{4}).+','\\1',colname)) %>% # get years

select(- colname) %>% # drop colname column

mutate(bin1= (temp <= bins[1]) * 1) %>% # bin1

mutate(bin2= (temp > bins[1] & temp <= bins[2]) * 1) %>% # bin2

mutate(bin3= (temp > bins[2] & temp <= bins[3]) * 1) %>% # bin3

mutate(bin4= (temp > bins[3] & temp <= bins[4]) * 1) %>% # bin4

mutate(bin5= (temp > bins[4] & temp <= bins[5]) * 1) %>% # bin5

mutate(bin6= (temp > bins[5]) * 1) %>% select(-temp) %>% # bin6

group_by(year) %>% summarise_all(funs(sum)) %>% mutate(NUTS_ID = names(e)[ix]) # drop year, calculate occurences and add NUTS_ID

}

# create single dataframe

result

快速查看 result 变量：

result

# output:

#

# # A tibble: 6,864 x 8

# year bin1 bin2 bin3 bin4 bin5 bin6 NUTS_ID

#

# 1 1980 12 85 91 92 85 0 DEA54

# 2 1981 3 64 99 113 86 0 DEA54

# 3 1982 3 80 113 86 83 0 DEA54

# 4 1983 6 84 90 85 100 0 DEA54

# 5 1984 8 90 92 86 90 0 DEA54

# 6 1985 5 86 85 95 94 0 DEA54

# 7 1986 6 74 97 108 80 0 DEA54

# 8 1987 4 82 99 94 86 0 DEA54

# 9 1988 3 89 87 91 96 0 DEA54

#10 1989 8 103 92 73 89 0 DEA54

# # ... with 6,854 more rows

更新：

为了处理这些箱子我首先从整个数据的最小值和最大值计算箱子，然后我使用一个新函数 createBins 将它们添加到每个多边形的提取物中 . 这将取代原始解决方案中的 myfun 部分 .

# new function

createBins

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

bin

if (i ==1) df % mutate(!!bin := (temp >= bins_mat[i,2] & temp <= bins_mat[i,3])*1)

else df % mutate(!!bin := (temp > bins_mat[i,2] & temp <= bins_mat[i,3])*1)

}

return(df)

}

# new version of myfun

myfun2

gather(data.frame(e[[ix]],stringsAsFactors = F),'colname','temp') %>%

group_by(colname) %>% summarise(temp = mean(temp)) %>% ungroup() %>% # spatial mean

mutate(year = sub('X(\\d{4}).+','\\1',colname)) %>% # get years

select(- colname) %>% # drop colname column

createBins(.,bins_mat) %>% select(-temp) %>%

group_by(year) %>% summarise_all(funs(sum)) %>% mutate(NUTS_ID = names(e)[ix])

}

# 11 values to create 10 interval bins

bins

# create a bin matrix (number, bin_minimum, bin_maximum) for later function

bins_mat

# create new result

result