In hanel/rcm2019: Hydroclimate Data Manipulation for the Czech Republic

knitr::opts_chunk$set(echo = TRUE)

require(hydroCR)
require(rcm2019)


fill.na <- function(x, i=5) {
  if( is.na(x)[i] ) {
    return( round(mean(x, na.rm = TRUE), 4) )
  } else {
    return( x[i] )
  }
}

preciwei = function(x){

  w = x/sum(x)
  return(w/sum(w))
}

################

setwd('/home/mha/Dropbox/melichar/data/GIS/')
s = readOGR('PLO40hranice_S-JTSK_Krovak_East_North.shp')
ws = krov2wgs(s)
rws = rotatePoly(ws)

dem = raster('srtm_krov500r.tif')
projection(dem) = s@proj4string
asp = terrain(dem, opt = 'aspect')
slo = terrain(dem, opt = 'slope')

xy = coordinates(dem)
xy = krov2wgs(SpatialPoints(xy))

rxy = rotatePoints(xy)

setdp('chars')

preci = raster('srazky_8110.nc')
kpreci = projectRaster(preci, crs = s@proj4string)

#temp = raster('teplota_8110.tif')
#ktemp = projectRaster(temp, crs = s@proj4string)

preci = crop(preci, buffer(ws, 0.2))
pxy = coordinates(preci)
rpxy = rotatePoints(SpatialPoints(pxy))
rpxy = SpatialPointsDataFrame(rpxy, data = data.frame(PR = values(preci)))

finepreci = resample(kpreci, dem, method = 'ngb')

#ktemp = crop(ktemp, buffer(s, 10000))

setwd(file.path(Sys.getenv('R_DATA_PATH'), 'RCM2019', 'annual'))
#setwd('/media/mha/KINGSTON/RCM2019/')


d = dir(pattern = 'tas_')

f = d[1]
setwd(file.path(Sys.getenv('R_DATA_PATH'), 'RCM2019', 'annual'))

p = brick(f, varname = 'pr')

Data

korigované simulace regionálních klimatických modelů z projektu CORDEX (dle výběru CzechGlobu)
digitální model terénu (dem) v rozlišení 500 m (zdroj: SRTM)
1 km x 1 km vrstva průměrných srážek a teploty pro ČR (1980-2010)

Teplota

Původní RCM data (viz obr. níže vlevo) byla bilineárně interpolována do 1 km rozlišení (obr. vpravo)

par(mfrow = c(1, 2))
plot(p[[1]] )
plot(disaggregate(p[[1]], fact = 10, method = 'bilinear'))

Následně byla vytvořena na základě dem korekční vrstva opravující teplotu o 0.65 st. C / 100 m nadm. výšky (níže vlevo). Tato vrstva byla použita ke korekci RCM interpolované vrstvy.

aele = cellStats(mask(dem, s), mean)
cdem = ((aele-dem)/100)*0.65
par(mfrow = c(1, 2))
plot(cdem)
plot(disaggregate(p[[1]], fact = 10, method = 'bilinear'))