In pegoraro/qchlorophyll: qchlorophyll
knitr::opts_chunk$set(out.height="300px")
knitr::opts_chunk$set(out.width="300px")
knitr::opts_chunk$set(fig.align = "center")
#knitr::opts_chunk$set(fig.height = 6, fig.width=5)
Introduzione: caricamento pacchetto.
Il seguente script funziona con qchlorophyll versione 2.0 o superiore.
Installazione pacchetto:
install.packages("/home/qchlorophyll_1.2.tar.gz", repos = NULL, type = "source")
require(qchlorophyll)
Di seguito un procedimento guidato al caricamento dati, l'interpolazione e l'assegnazione di un id pixel.
L'input del processo sono i file .nc e un dataframe di riferimento contenente longitudine, latitudine e l'id pixel.
L'output del processo e' un unico dataframe contenente longitudine, latitudine, id pixel e le variabili caricate.
Nota: longitudine e latitudine nel dataframe di output, a patto di scegliere la stessa risoluzione, saranno esattamente quelle del dataframe di riferimento.
Il procedimento e' strutturato nei seguenti step:
- Caricamento dati da file.
- Ritaglio della zona di lavoro.
- Aumento/diminuzione della risoluzione tramite interpolazione.
- Assegnazione id pixel sulla base del dataframe di riferimento.
- Unione dei dati.
Caricamento dati
I dati sono stati raggruppati in due macrocategorie:
- File .nc contenenti un rilevamento per pixel di una variabile per un certo intervallo temporale. Questi file saranno denominati in seguito come "file nc con frequenza giornaliera" nel caso in cui il file .nc caricato contenga 1 osservazione per ogni giorno per 365 giorni (numero di pixel x 365 osservazioni in totale per file) oppure "file nc con frequenza mensile" nel caso in cui il file .nc caricato contenga una osservazione per ogni mese dell'anno per 12 mesi (numero di pixel x 12 osservazioni in totale per file).
- File .nc contenenti un rilevamento per pixel per la sola data indicata nel nome del file (numero di pixel x 1 osservazioni in totale per file).
L'output delle funzioni di caricamento dati (load_all_as_list e load_nc_with_time) è sempre una lista contenente un dataframe per ogni file caricato.
Le funzioni per il caricamento dati ricavano l'anno di riferimento delle osservazioni dal nome del file (il nome del file deve quindi contenere un numero di 4 cifre).
Caricamento dati con frequenza giornaliera o mensile.
Le funzioni per il caricamento dati ricavano l'anno di riferimento delle osservazioni dal nome del file e, se non è specificato diversamente (vedere sotto), assumono come data iniziale il primo gennaio dell'anno di riferimento.
File nc con frequenza giornaliera
Selezionare la directory contenente i file .nc che si desidera caricare
setwd("/home/mich/Dropbox/cartella_condivisa_linux/quantide/packages_R/qchlorophyll_/dati/nuovo_lavoro/NHF/daily")
Utilizzare la funzione load_nc_with_time senza specificare nessuna data per caricare tutti i file.
- E' necessario specificare la variabile da estrarre.
- E' possibile estrarre anche solo alcuni anni specificando gli argomenti from e to.
- Il ritaglio dell'area desiderata avviene immediatamente prima del caricamento allo scopo di risparmiare memoria. Specificare l'area geografica da ritagliare attraverso i parametri lower_left_lat_lon e upper_right_lat_lon
- Di default, la variabile tempo contenuta nel file .nc è chiamata "time" (argomento time_variable)
- Verificare gli altri valori di default della funzione con ?load_nc_with_time.
path <- getwd()
# Estrazione di tutti i dati giornalieri dal 1998 al 2009
dati_giornalieri <- load_nc_with_time(path = path, variables = c("qnet"))
# Estrazione dei dati giornalieri dal 2000 al 2009 (inclusi)
dati_giornalieri <- load_nc_with_time(path = path,
from = 2000,
to = 2009,
variables = c("qnet"),
lower_left_lat_lon = c(52, -65),
upper_right_lat_lon = c(67, -42))
File nc con frequenza mensile
Per i dati mensili, quando si effettua il caricamento con load_nc_with_time è necessario specificare la frequenza mensile fissando l'argomento monthly al valore TRUE. Valgono le altre considerazioni fatte per i file con frequenza giornaliera. Di seguito un breve esempio:
setwd("/home/mich/Dropbox/cartella_condivisa_linux/quantide/packages_R/qchlorophyll_/dati/nuovo_lavoro/NHF/monthly")
path <- getwd()
# Estrazione di tutti i dati mensili
dati_mensili <- load_nc_with_time(path = path,
variables = c("qnet"),
lower_left_lat_lon = c(52, -65),
upper_right_lat_lon = c(67, -42),
monthly = TRUE)
# Estrazione dei dati mensili dal 2000 al 2009 (inclusi)
dati_mensili <- load_nc_with_time(path = path,
from = 2000,
to = 2009,
variables = c("qnet"),
lower_left_lat_lon = c(52, -65),
upper_right_lat_lon = c(67, -42),
monthly = TRUE)
File nc con frequenza giornaliera e con data in formato "ore da data di riferimento"
Nel caso dei file shtfl.nc (file nc con frequenza giornaliera) la data è fornita nel formato "ore trascorse da una data di riferimento". La data di riferimento in questione è 1800-01-01 (formato: yyyy-mm-dd).
La data di riferimento va specificata nella funzione load_nc_with_time come segue:
setwd("/home/mich/Dropbox/cartella_condivisa_linux/quantide/packages_R/qchlorophyll_/dati/nuovo_lavoro/NHF/shf")
path <- getwd()
# Caricamento di tutti i dati giornalieri shtfl
dati_giornalieri_shtfl <- load_nc_with_time(path = path,
variables = c("shtfl"),
lower_left_lat_lon = c(52, -65),
upper_right_lat_lon = c(67, -42),
date_origin = "1800-01-01")
# ATTENZIONE: specificare la date_origin SOLO se è necessario e si è sicuri che il formato della data nel file .nc sia "ore trascorse da una data di riferimento". In caso queste ipotesi non siano verificate, la funzione porterà a termine il suo compito, restituendo dei valori arbitrari di data, mese e anno.
Nota 1: Prestare attenzione alla directory di lavoro. La funzione di caricamento è abbastanza generale da non mostrare errori (oppure mostrare solo avvisi) nel caso in cui si carichino dati con frequenza mensile ma senza specificarlo, oppure non si specifichi la data di riferimento qualora sia necessario. Chiaramente in tali casi l'output non sarà affidabile.
Caricamento file con rilevazione singola
Per i file contenenti una singola rilevazione (ogni file contiene una singola rilevazione e quindi un numero di osservazioni pari al numero pixel), la funzione da utilizzare per il caricamento e' load_all_as_list come segue
nc_files_path <- "/home/data_nc/CHL8_D"
# Carico file .nc ed estraggo CHL1_mean
dati_giorno_singolo <- load_all_as_list(path = nc_files_path, variables = c("CHL1_mean"))
Ovviamente si applicano tutte le considerazioni fatte per la funzione load_all_as_list nei primi script di esempio forniti.
Ritaglio zona di lavoro
Per i file caricati attraverso la funzione load_nc_with_time il ritaglio della zona di lavoro e' effettuato durante il caricamento per questioni tecniche legate al risparmio di memoria utilizzata.
Per quanto riguarda invece i file caricati con la funzione load_all_as_list il ritaglio della zona di lavoro deve essere effettuato dopo il caricamento attraverso la funzione crop_selected_area utilizzando DIRETTAMENTE l'output di load_all_as_list come segue
nc_files_path <- "/home/data_nc/CHL8_D"
# Carico file .nc ed estraggo CHL1_mean
dati_giorno_singolo <- load_all_as_list(path = nc_files_path, variables = c("CHL1_mean"))
# Ritaglio area di lavoro. Vedere la documentazione della funzione per ulteriori informazioni.
nc_cropped <- crop_selected_area(dati_giorno_singolo, lower_left_lat_lon = c(1,2), upper_right_lat_lon=(3,4))
La funzione crop_selected_area ritorna una lista di dataframe dove ogni dataframe e' stato ridotto alla sola zona di lavoro interessata. L'output di questa funzione puo' essere passato direttamente alle funzioni interpolanti per l'aumento/diminuzione della risoluzione.
Nota: la funzione assign_id_and_melt NON deve essere utilizzata in questo caso siccome effettuando l'interpolazione si va a modificare il numero di pixel e di conseguenza non ha senso assegnare un id pixel prima di tale procedimento. L'id pixel verra' quindi assegnato dopo il procedimento di interpolazione, sulla base di un dataframe di riferimento (vedere sotto).
Interpolazione (aumento/diminuzione risoluzione dei file)
La funzione interpolate_grid realizza sia il processo di aumento che diminuzione della risoluzione, sulla base del dataframe di riferimento fornito.
Il cambiamento di risoluzione viene effettuato con l'algoritmo inverse distance weighting in modo da garantire che i valori stimati siano entro il massimo e il minimo dei valori effettivi noti. E' possibile cambiare l'algoritmo utilizzato (vedere documentazione del pacchetto gstat)
Il procedimento non dipende dalla frequenza delle osservazioni per cui è identico sia che si tratti di dati mensili, giornalieri oppure annuali. Si rende però necessario specificare il nome della variabile da interpolare (qnet oppure shtfl negli esempi).
Il dataframe di riferimento deve contenere almeno le variabili longitudine e latitudine (lon e lat). Il parametro step determina il livello di risoluzione. Si assume che longitudine e latitudine siano equispaziate di un valore pari al parametro step. Vedere la variabile grd per un esempio. Consiglio di non fissare step a valori troppo bassi (ossia non fissare una risoluzione troppo elevata). L'interpolazione è effettuata giorno per giorno e nonostante sia relativamente veloce, il procedimento è abbastanza oneroso in termini di tempo proprio per la necessità di lavorare su dati giornalieri ad ogni interpolazione (le interpolazioni effettuate sono 365 per il numero di file caricati). Per i dati mensili i tempi sono notevolmente più corti siccome le interpolazioni da effettuare sono solo 12 per il numero di file caricati.
Nota 1: Qualora l'obiettivo sia quello di unire tutte le osservazioni in un unico dataframe e poi assegnare ad ogni pixel un id corrispondente a quello nel dataframe di riferimento, fissare il parametro step ad un valore pari alla differenza in valore assoluto tra i valori di longitudine (o latitudine) del dataframe di riferimento. Cosi' facendo si otterra' una griglia di pixel identica a quella di riferimento.
La funzione interpolate_grid restituisce un dataframe dplyr.
# Interpolation test
# Dataframe di riferimento (deve contenere almeno le variabili lon e lat)
# lon lat range (x, y)
x_range <- as.numeric(c(-65, -42))
y_range <- as.numeric(c(52, 67))
step_ <- 0.25
# Reference dataframe
ref_grd <- expand.grid(lon = seq(from = x_range[1], to = x_range[2], by = step_), lat = seq(from = y_range[1], to = y_range[2], by = step_))
# Oppure esempio di dataframe di riferimento
data("new_x")
ref_grd <- new_x
# Interpolazione
df_interpolato_giornalieri <- interpolate_grid(dati_giornalieri, variable = "qnet", step = 0.25, reference_df = ref_grd)
df_interpolato_mensili <- interpolate_grid(dati_mensili, variable = "qnet", step = 0.25, reference_df = ref_grd)
df_interpolato_giornalieri_shftl <- interpolate_grid(dati_giornalieri_shtfl, variable = "shftl", step = 0.25, reference_df = ref_grd)
df_interpolato_giorno_singolo <- interpolate_grid(dati_giorno_singolo, variable = "CHL1mean", step = 0.25, reference_df = ref_grd)
Assegnazione id pixel sulla base del dataframe di riferimento
Dopo l'interpolazione e' possibile assegnare un id pixel a ciascun pixel interpolato utilizzando la funzione assign_id_from_reference. Al termine di questa operazione, ogni pixel nel dataframe interpolato sara' associato al corrispondente id pixel nel dataframe di riferimento
# Nota: ref_grd DEVE contenere una variabile id_pixel unica per ogni coppia di longitudine e latitudine che verra' usata come identificativo univoco per ciascun pixel
out_df1 <- assign_id_from_reference(df_interpolato_giornalieri, ref_grd, coordinates = c("lon", "lat"), id_name = "id_pixel")
out_df2 <- assign_id_from_reference(df_interpolato_giornalieri_shftl, ref_grd, coordinates = c("lon", "lat"), id_name = "id_pixel")
A questo punto, dopo avere caricato diversi file, aver effettuato l'interpolazione e aver assegnato l'id pixel, si avranno disponibili nell'environment R tanti dataframe quante sono le chiamate effettuate alle funzioni di caricamento.
Eliminazione zone di terra
Per ciascun dataframe ottenuto, è possibile eliminare le zone di terra attraverso una maschera binaria.
Se la maschera ha la stessa risoluzione dei file caricati, è possibile applicare direttamente la maschera, altrimenti è necessario ridimensionare anche la maschera.
Procedendo per ordine, per caricare la maschera in R, utilizzare:
msk <- load_mask(mask_file = "mask_25km.nc")
La funzione load_mask assume che il nome della variabile binaria all'interno del file maschera sia mask_name = "lsmask".
Se la risoluzione della maschera è uguale a quella dei file in uso, si può saltare al prossimo passaggio, altrimenti, è necessario allineare la risoluzione della maschera a quella del dataframe di riferimento:
data(new_x)
msk <- resize_mask(msk, reference_df = new_x, step = 0.25, plot_ = TRUE)
Nota: il parametro step deve essere identico a quello utilizzato nella funzione per cambiare la risoluzione ai dati, così come il data frame di riferimento.
L'argomento plot_ = TRUE consente di ottenere un plot della maschera originale e di quella interpolata per una veloce ispezione "a vista" della bontà dell'interpolazione binaria. Consiglio di utilizzarlo sempre se si usano differenti tipi di maschera a diverse risoluzioni.
La maschera ottenuta è pronta per essere applicata a un data frame oppure essere salvata per un successivo utilizzo.
Utilizzando la funzione apply_mask si applica la maschera al dataframe prescelto per rimuovere i pixel di terra:
data_without_earth_pixels <- apply_mask(data, msk)
pegoraro/qchlorophyll documentation built on May 24, 2019, 11:46 p.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
knitr::opts_chunk$set(out.height="300px") knitr::opts_chunk$set(out.width="300px") knitr::opts_chunk$set(fig.align = "center") #knitr::opts_chunk$set(fig.height = 6, fig.width=5)
Introduzione: caricamento pacchetto.
Il seguente script funziona con qchlorophyll versione 2.0 o superiore.
Installazione pacchetto:
install.packages("/home/qchlorophyll_1.2.tar.gz", repos = NULL, type = "source") require(qchlorophyll)
Di seguito un procedimento guidato al caricamento dati, l'interpolazione e l'assegnazione di un id pixel.
L'input del processo sono i file .nc e un dataframe di riferimento contenente longitudine, latitudine e l'id pixel.
L'output del processo e' un unico dataframe contenente longitudine, latitudine, id pixel e le variabili caricate.
Nota: longitudine e latitudine nel dataframe di output, a patto di scegliere la stessa risoluzione, saranno esattamente quelle del dataframe di riferimento.
Il procedimento e' strutturato nei seguenti step:
- Caricamento dati da file.
- Ritaglio della zona di lavoro.
- Aumento/diminuzione della risoluzione tramite interpolazione.
- Assegnazione id pixel sulla base del dataframe di riferimento.
- Unione dei dati.
Caricamento dati
I dati sono stati raggruppati in due macrocategorie:
- File .nc contenenti un rilevamento per pixel di una variabile per un certo intervallo temporale. Questi file saranno denominati in seguito come "file nc con frequenza giornaliera" nel caso in cui il file .nc caricato contenga 1 osservazione per ogni giorno per 365 giorni (numero di pixel x 365 osservazioni in totale per file) oppure "file nc con frequenza mensile" nel caso in cui il file .nc caricato contenga una osservazione per ogni mese dell'anno per 12 mesi (numero di pixel x 12 osservazioni in totale per file).
- File .nc contenenti un rilevamento per pixel per la sola data indicata nel nome del file (numero di pixel x 1 osservazioni in totale per file).
L'output delle funzioni di caricamento dati (load_all_as_list e load_nc_with_time) è sempre una lista contenente un dataframe per ogni file caricato.
Le funzioni per il caricamento dati ricavano l'anno di riferimento delle osservazioni dal nome del file (il nome del file deve quindi contenere un numero di 4 cifre).
Caricamento dati con frequenza giornaliera o mensile.
Le funzioni per il caricamento dati ricavano l'anno di riferimento delle osservazioni dal nome del file e, se non è specificato diversamente (vedere sotto), assumono come data iniziale il primo gennaio dell'anno di riferimento.
File nc con frequenza giornaliera
Selezionare la directory contenente i file .nc che si desidera caricare
setwd("/home/mich/Dropbox/cartella_condivisa_linux/quantide/packages_R/qchlorophyll_/dati/nuovo_lavoro/NHF/daily")
Utilizzare la funzione load_nc_with_time senza specificare nessuna data per caricare tutti i file.
- E' necessario specificare la variabile da estrarre.
- E' possibile estrarre anche solo alcuni anni specificando gli argomenti from e to.
- Il ritaglio dell'area desiderata avviene immediatamente prima del caricamento allo scopo di risparmiare memoria. Specificare l'area geografica da ritagliare attraverso i parametri lower_left_lat_lon e upper_right_lat_lon
- Di default, la variabile tempo contenuta nel file .nc è chiamata "time" (argomento time_variable)
- Verificare gli altri valori di default della funzione con ?load_nc_with_time.
path <- getwd() # Estrazione di tutti i dati giornalieri dal 1998 al 2009 dati_giornalieri <- load_nc_with_time(path = path, variables = c("qnet")) # Estrazione dei dati giornalieri dal 2000 al 2009 (inclusi) dati_giornalieri <- load_nc_with_time(path = path, from = 2000, to = 2009, variables = c("qnet"), lower_left_lat_lon = c(52, -65), upper_right_lat_lon = c(67, -42))
File nc con frequenza mensile
Per i dati mensili, quando si effettua il caricamento con load_nc_with_time è necessario specificare la frequenza mensile fissando l'argomento monthly al valore TRUE. Valgono le altre considerazioni fatte per i file con frequenza giornaliera. Di seguito un breve esempio:
setwd("/home/mich/Dropbox/cartella_condivisa_linux/quantide/packages_R/qchlorophyll_/dati/nuovo_lavoro/NHF/monthly") path <- getwd() # Estrazione di tutti i dati mensili dati_mensili <- load_nc_with_time(path = path, variables = c("qnet"), lower_left_lat_lon = c(52, -65), upper_right_lat_lon = c(67, -42), monthly = TRUE) # Estrazione dei dati mensili dal 2000 al 2009 (inclusi) dati_mensili <- load_nc_with_time(path = path, from = 2000, to = 2009, variables = c("qnet"), lower_left_lat_lon = c(52, -65), upper_right_lat_lon = c(67, -42), monthly = TRUE)
File nc con frequenza giornaliera e con data in formato "ore da data di riferimento"
Nel caso dei file shtfl.nc (file nc con frequenza giornaliera) la data è fornita nel formato "ore trascorse da una data di riferimento". La data di riferimento in questione è 1800-01-01 (formato: yyyy-mm-dd).
La data di riferimento va specificata nella funzione load_nc_with_time come segue:
setwd("/home/mich/Dropbox/cartella_condivisa_linux/quantide/packages_R/qchlorophyll_/dati/nuovo_lavoro/NHF/shf") path <- getwd() # Caricamento di tutti i dati giornalieri shtfl dati_giornalieri_shtfl <- load_nc_with_time(path = path, variables = c("shtfl"), lower_left_lat_lon = c(52, -65), upper_right_lat_lon = c(67, -42), date_origin = "1800-01-01") # ATTENZIONE: specificare la date_origin SOLO se è necessario e si è sicuri che il formato della data nel file .nc sia "ore trascorse da una data di riferimento". In caso queste ipotesi non siano verificate, la funzione porterà a termine il suo compito, restituendo dei valori arbitrari di data, mese e anno.
Nota 1: Prestare attenzione alla directory di lavoro. La funzione di caricamento è abbastanza generale da non mostrare errori (oppure mostrare solo avvisi) nel caso in cui si carichino dati con frequenza mensile ma senza specificarlo, oppure non si specifichi la data di riferimento qualora sia necessario. Chiaramente in tali casi l'output non sarà affidabile.
Caricamento file con rilevazione singola
Per i file contenenti una singola rilevazione (ogni file contiene una singola rilevazione e quindi un numero di osservazioni pari al numero pixel), la funzione da utilizzare per il caricamento e' load_all_as_list come segue
nc_files_path <- "/home/data_nc/CHL8_D" # Carico file .nc ed estraggo CHL1_mean dati_giorno_singolo <- load_all_as_list(path = nc_files_path, variables = c("CHL1_mean"))
Ovviamente si applicano tutte le considerazioni fatte per la funzione load_all_as_list nei primi script di esempio forniti.
Ritaglio zona di lavoro
Per i file caricati attraverso la funzione load_nc_with_time il ritaglio della zona di lavoro e' effettuato durante il caricamento per questioni tecniche legate al risparmio di memoria utilizzata.
Per quanto riguarda invece i file caricati con la funzione load_all_as_list il ritaglio della zona di lavoro deve essere effettuato dopo il caricamento attraverso la funzione crop_selected_area utilizzando DIRETTAMENTE l'output di load_all_as_list come segue
nc_files_path <- "/home/data_nc/CHL8_D" # Carico file .nc ed estraggo CHL1_mean dati_giorno_singolo <- load_all_as_list(path = nc_files_path, variables = c("CHL1_mean")) # Ritaglio area di lavoro. Vedere la documentazione della funzione per ulteriori informazioni. nc_cropped <- crop_selected_area(dati_giorno_singolo, lower_left_lat_lon = c(1,2), upper_right_lat_lon=(3,4))
La funzione crop_selected_area ritorna una lista di dataframe dove ogni dataframe e' stato ridotto alla sola zona di lavoro interessata. L'output di questa funzione puo' essere passato direttamente alle funzioni interpolanti per l'aumento/diminuzione della risoluzione.
Nota: la funzione assign_id_and_melt NON deve essere utilizzata in questo caso siccome effettuando l'interpolazione si va a modificare il numero di pixel e di conseguenza non ha senso assegnare un id pixel prima di tale procedimento. L'id pixel verra' quindi assegnato dopo il procedimento di interpolazione, sulla base di un dataframe di riferimento (vedere sotto).
Interpolazione (aumento/diminuzione risoluzione dei file)
La funzione interpolate_grid realizza sia il processo di aumento che diminuzione della risoluzione, sulla base del dataframe di riferimento fornito.
Il cambiamento di risoluzione viene effettuato con l'algoritmo inverse distance weighting in modo da garantire che i valori stimati siano entro il massimo e il minimo dei valori effettivi noti. E' possibile cambiare l'algoritmo utilizzato (vedere documentazione del pacchetto gstat)
Il procedimento non dipende dalla frequenza delle osservazioni per cui è identico sia che si tratti di dati mensili, giornalieri oppure annuali. Si rende però necessario specificare il nome della variabile da interpolare (qnet oppure shtfl negli esempi).
Il dataframe di riferimento deve contenere almeno le variabili longitudine e latitudine (lon e lat). Il parametro step determina il livello di risoluzione. Si assume che longitudine e latitudine siano equispaziate di un valore pari al parametro step. Vedere la variabile grd per un esempio. Consiglio di non fissare step a valori troppo bassi (ossia non fissare una risoluzione troppo elevata). L'interpolazione è effettuata giorno per giorno e nonostante sia relativamente veloce, il procedimento è abbastanza oneroso in termini di tempo proprio per la necessità di lavorare su dati giornalieri ad ogni interpolazione (le interpolazioni effettuate sono 365 per il numero di file caricati). Per i dati mensili i tempi sono notevolmente più corti siccome le interpolazioni da effettuare sono solo 12 per il numero di file caricati.
Nota 1: Qualora l'obiettivo sia quello di unire tutte le osservazioni in un unico dataframe e poi assegnare ad ogni pixel un id corrispondente a quello nel dataframe di riferimento, fissare il parametro step ad un valore pari alla differenza in valore assoluto tra i valori di longitudine (o latitudine) del dataframe di riferimento. Cosi' facendo si otterra' una griglia di pixel identica a quella di riferimento.
La funzione interpolate_grid restituisce un dataframe dplyr.
# Interpolation test # Dataframe di riferimento (deve contenere almeno le variabili lon e lat) # lon lat range (x, y) x_range <- as.numeric(c(-65, -42)) y_range <- as.numeric(c(52, 67)) step_ <- 0.25 # Reference dataframe ref_grd <- expand.grid(lon = seq(from = x_range[1], to = x_range[2], by = step_), lat = seq(from = y_range[1], to = y_range[2], by = step_)) # Oppure esempio di dataframe di riferimento data("new_x") ref_grd <- new_x # Interpolazione df_interpolato_giornalieri <- interpolate_grid(dati_giornalieri, variable = "qnet", step = 0.25, reference_df = ref_grd) df_interpolato_mensili <- interpolate_grid(dati_mensili, variable = "qnet", step = 0.25, reference_df = ref_grd) df_interpolato_giornalieri_shftl <- interpolate_grid(dati_giornalieri_shtfl, variable = "shftl", step = 0.25, reference_df = ref_grd) df_interpolato_giorno_singolo <- interpolate_grid(dati_giorno_singolo, variable = "CHL1mean", step = 0.25, reference_df = ref_grd)
Assegnazione id pixel sulla base del dataframe di riferimento
Dopo l'interpolazione e' possibile assegnare un id pixel a ciascun pixel interpolato utilizzando la funzione assign_id_from_reference. Al termine di questa operazione, ogni pixel nel dataframe interpolato sara' associato al corrispondente id pixel nel dataframe di riferimento
# Nota: ref_grd DEVE contenere una variabile id_pixel unica per ogni coppia di longitudine e latitudine che verra' usata come identificativo univoco per ciascun pixel out_df1 <- assign_id_from_reference(df_interpolato_giornalieri, ref_grd, coordinates = c("lon", "lat"), id_name = "id_pixel") out_df2 <- assign_id_from_reference(df_interpolato_giornalieri_shftl, ref_grd, coordinates = c("lon", "lat"), id_name = "id_pixel")
A questo punto, dopo avere caricato diversi file, aver effettuato l'interpolazione e aver assegnato l'id pixel, si avranno disponibili nell'environment R tanti dataframe quante sono le chiamate effettuate alle funzioni di caricamento.
Eliminazione zone di terra
Per ciascun dataframe ottenuto, è possibile eliminare le zone di terra attraverso una maschera binaria.
Se la maschera ha la stessa risoluzione dei file caricati, è possibile applicare direttamente la maschera, altrimenti è necessario ridimensionare anche la maschera.
Procedendo per ordine, per caricare la maschera in R, utilizzare:
msk <- load_mask(mask_file = "mask_25km.nc")
La funzione load_mask assume che il nome della variabile binaria all'interno del file maschera sia mask_name = "lsmask".
Se la risoluzione della maschera è uguale a quella dei file in uso, si può saltare al prossimo passaggio, altrimenti, è necessario allineare la risoluzione della maschera a quella del dataframe di riferimento:
data(new_x) msk <- resize_mask(msk, reference_df = new_x, step = 0.25, plot_ = TRUE)
Nota: il parametro step deve essere identico a quello utilizzato nella funzione per cambiare la risoluzione ai dati, così come il data frame di riferimento.
L'argomento plot_ = TRUE consente di ottenere un plot della maschera originale e di quella interpolata per una veloce ispezione "a vista" della bontà dell'interpolazione binaria. Consiglio di utilizzarlo sempre se si usano differenti tipi di maschera a diverse risoluzioni.
La maschera ottenuta è pronta per essere applicata a un data frame oppure essere salvata per un successivo utilizzo.
Utilizzando la funzione apply_mask si applica la maschera al dataframe prescelto per rimuovere i pixel di terra:
data_without_earth_pixels <- apply_mask(data, msk)
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.