R 基于2个光栅对光栅进行重新分类
我在R中有两个具有相同空间范围的光栅r1和r2,我想创建一个以r1和r2中的值为条件的光栅r3。我可以设置一个矩阵并使用raster::reclassify,但我只能使用其中一个光栅来完成这项工作。我正在寻找一种在两个光栅上执行此操作的有效方法。例如,如果r1=0且r2<2,r3=0.5,请参见下文,但如果r1=1且r2<2,则r3=0.8。如果r1=0,r2>2,r3=0.7,但是如果r1=1,r2>2,r3=0.9,我还有几个条件要在实际数据上使用。下面是代码形式的示例R 基于2个光栅对光栅进行重新分类,r,gis,raster,R,Gis,Raster,我在R中有两个具有相同空间范围的光栅r1和r2,我想创建一个以r1和r2中的值为条件的光栅r3。我可以设置一个矩阵并使用raster::reclassify,但我只能使用其中一个光栅来完成这项工作。我正在寻找一种在两个光栅上执行此操作的有效方法。例如,如果r1=0且r22,r3=0.9,我还有几个条件要在实际数据上使用。下面是代码形式的示例 library(raster) # create two random rasters r1 <- raster(matrix
library(raster)
# create two random rasters
r1 <- raster(matrix(rbinom(16, size=1, prob=.5), nrow=4))
r2 <- raster(matrix(rpois(16, 2), nrow=4))
# check that spatial extent is the same
extent(r1) == extent(r2)
# here is a reclassify matrix if r1==1
reclass_m1 <- matrix(
c(0,2,.8,
3,5,.9
), ncol=3, byrow=TRUE
)
# reclassify matrix if r1==0
reclass_m0 <- matrix(
c(0,2,.5,
3,5,.7
), ncol=3, byrow=TRUE
)
# so if r1==1, I would want
r3 <- reclassify(r2, reclass_m1)
# if r1==0, I would want
r3 <- reclassify(r2, reclass_m0)
# but I want a single r3 that does this process consistently.
我看了其他类似的问题,没有找到我想要的解决方案。我提前感谢你的帮助 如果r1和r2具有可比性,则可以使用逻辑索引。如果您有一吨或不同数量的条件,这可能会有点乏味,但对于本例来说,它确实有效:
library(raster)
# create two random rasters
r1 <- raster(matrix(rbinom(16, size=1, prob=.5), nrow=4))
r2 <- raster(matrix(rpois(16, 2), nrow=4))
# check that spatial extent is the same
extent(r1) == extent(r2)
plot(r1)
plot(r2)
# create r3 from r1
r3 <- raster(r1)
# fill based on conditions
r3[r1 == 0 & r2 < 2] <- 0.5
r3[r1 == 1 & r2 < 2] <- 0.8
r3[r1 == 0 & r2 > 2] <- 0.7
r3[r1 == 1 & r2 > 2] <- 0.9
r3
# class : RasterLayer
# dimensions : 4, 4, 16 (nrow, ncol, ncell)
# resolution : 0.25, 0.25 (x, y)
# extent : 0, 1, 0, 1 (xmin, xmax, ymin, ymax)
# coord. ref. : NA
# data source : in memory
# names : layer
# values : 0.7, 0.8 (min, max)
谢谢你@Val!这适用于模拟数据。我的大锉刀有问题,所以我在等着看它对它们是否有效,但它应该有效。通过创建定义感兴趣的值的向量,然后在循环中建立索引,可以避免一些繁琐的工作。@mikey如果你的光栅真的很大,你可以实现分块解决方案更新:我得到了这一点,可以在不分块的情况下处理大光栅。作为参考,整个北美的光栅分辨率均为30x30 m。按照上面@Val的解决方案使用逻辑索引在一台速度较慢的笔记本电脑8GB Ram上花费了大约30分钟。