-
Notifications
You must be signed in to change notification settings - Fork 1
/
Introduccion_raster.Rmd
318 lines (250 loc) · 8.52 KB
/
Introduccion_raster.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
---
title: "Introducción a la manipulación de datos raster en R"
author: "Alexander Quevedo"
date: "11/30/2018"
output: html_document
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```
## Introducción
En `R` podemos encontrar una serie de paquetes que se pueden usar para leer, visualizar y analizar datos espaciales. En esta ocasión nos centraremos en la manipulación de datos `raster`, específicamente nos centraremos en los paquetes:
* [`raster`](https://cran.r-project.org/web/packages/raster/vignettes/Raster.pdf)
* [`rasterVis`](https://cran.r-project.org/web/packages/rasterVis/rasterVis.pdf)
* [`fasterize`](https://cran.r-project.org/web/packages/fasterize/index.html)
```{r cars, message=FALSE, warning=FALSE}
if (!require(raster)) install.packages('raster',dependencies=T)
library(raster)
if (!require(rasterVis)) install.packages('rasterVis',dependencies=T)
library(rasterVis)
if (!require(velox)) install.packages('velox',dependencies=T)
library(velox)
if (!require(fasterize)) install.packages('fasterize',dependencies=T)
library(fasterize)
if (!require(sf)) install.packages('sf',dependencies=T)
library(sf)
if (!require(rgdal)) install.packages('rgdal',dependencies=T)
library(rgdal)
if (!require(tidyverse)) install.packages('tidyverse',dependencies=T)
library(tidyverse)
```
Iniciaremos cargando un modelo digital de elevación.
```{r}
MDE<-raster("Datos/Michoacan_60m.tif")
```
Al impimimir el objecto `RasterLayer` se muestra el resumen de los datos
```{r}
MDE
```
ahora realizemos el plot con de nuestro `MDE`
```{r}
plot(MDE)
```
##Corte y confección
El siguiente paso consiste en recortar el MDE para un area de interes especifica para esto emplearemos la funcion `crop()`. Para esto cargaremos primero un archivo vectorial usnado `shapefile()`.
```{r}
areaI<-shapefile("Datos/mun.shp")
areaI
plot(areaI)
```
```{r}
MDE_I<-crop(MDE,areaI)
MDE_I
```
```{r}
plot(MDE_I)
```
```{r}
plot(MDE_I)
plot(areaI, add=T)
```
```{r}
MDE_II<-mask(MDE_I,areaI)
MDE_II
plot(MDE_II)
plot(areaI,add=T)
```
Es posible explorar nuestro conjunto de datos usando `hist` y `boxplot`
```{r}
hist(MDE_II)
```
```{r}
boxplot(MDE_II)
```
Una operación bastante común cuando se trabaja con información espacial es el cambio de sistemas de referencia. Es decir proyectar de un sistema a otro para esto es crucial conocer el sistema de referencia de destino. Con el paquete `raster` podemos usar`projectRaster()` para este fin.
En este caso voy a emplear el sistema de referencia Mexico [ITRF2008 / LCC](https://epsg.io/6372?fbclid=IwAR0M22mlOilhKhmK0X7e8ky-O9jKTT44rEB7MGfqNtDpGELG1TnGjKITnEo), para mayor informacion puede consultar http://geotiff.maptools.org/proj_list/
```{r}
crs(MDE_II)
```
```{r}
?projectRaster()
Rcrs<-CRS("+init=epsg:4326")
Rcrs
```
```{r}
#usando PROJ.4
RPROJ.4<-CRS("+proj=lcc +lat_1=17.5 +lat_2=29.5 +lat_0=12 +lon_0=-102 +x_0=2500000 +y_0=0 +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +units=m +no_defs")
RPROJ.4
```
```{r warning=FALSE}
#MDE_LCC<-projectRaster(MDE_II,crs=Rcrs)
MDE_LCC<-projectRaster(MDE_II,crs=RPROJ.4)
```
```{r}
MDE_LCC
```
```{r}
pendiente<-terrain(MDE_LCC, opt='slope',unit='degrees')
plot(pendiente)
```
\newline
Es posible usar operadores lógicos para seleccionar un conjunto de pixeles que cumpla con un criterio determinado. Por ejemplo pixeles con un valor mayor a 10º.
```{r}
consulta1 <- pendiente > 10
consulta1
plot(consulta1, col = c("gray", "green"))
```
```{r}
consulta2 <- pendiente
consulta2[ pendiente < 10]<-NA
consulta2
plot(consulta2)
```
```{r}
consulta3 <- pendiente
consulta3[ pendiente < 10 | pendiente > 40]<-NA
consulta3
plot(consulta3)
```
\newline
El proceso de reclasificación es tarea cotidiana en el análisis espacial, en el siguiente ejemplo empleamos ` projectRaster()`. En este caso
```{r}
m <- c(0, 15, 1, 15, 20, 2, 20, 60, 3)
clases <- matrix(m, ncol=3, byrow=TRUE)
clases
```
```{r}
rec = reclassify(pendiente, clases)
rec
plot(rec)
```
##Agregación de datos espaciales
Es posible modificar el arreglo espacial de las celdas agrupando celdas. La función `aggregate()` permite reagrupar varios pixeles, obteniendo un mapa raster de menor resolución espacial. La función `fun()` permite controlar el cálculo del valor del pixel de baja resolución que corresponde a varias celdas en los datos de entrada. En el siguiente ejemplos se reagrupan 2x2 pixeles, se promedian los valores de las cuatro celdas.
```{r}
MDE_agreg <- aggregate(MDE_LCC, fact=2, fun="mean")
MDE_agreg
```
##Operaciones zonales
El paquete `raster` permite también llevar a cabo operaciones zonales que consiste en calcular algún indice sobre una capa estratificando el cálculo en función en otra capa.
![Estadisticas zonales, Fuente: http://eujournal.org/files/journals/1/books/JeanFrancoisMas.pdf](img/zonal.png)
```{r}
areaI_LCC<- spTransform(areaI, RPROJ.4)
areaI_LCC.sp<- st_as_sf(areaI_LCC)
```
```{r}
system.time(rasterize(areaI_LCC,MDE_LCC,field='Id'))
```
```{r}
system.time(fasterize(areaI_LCC.sp,MDE_LCC,field='Id'))
```
```{r}
mun_R<-fasterize(areaI_LCC.sp,MDE_LCC,field='Id')
plot(mun_R)
```
```{r}
Elev_P= zonal(MDE_LCC, mun_R, fun = "mean") %>%
as.data.frame()
Elev_P
```
##Operaciones Focales
`raster` permite realizar operaciones de filtrado espacial. La operacion focal a continuación calcula desviacion estandar de los valores de las celdas en una ventana móvil de 7 x 7 pixeles.
```{r}
matrix(1,7,7)
```
```{r}
#pendiente.sd <- focal(pendiente, w = matrix(1,7,7), fun = sd,pad=T)
pendiente.sd <- focal(pendiente, w = matrix(1,7,7), fun = sd)
plot(pendiente.sd)
```
##Algebra de mapas
Para los siguientes ejemplos se usaran datos del producto `MOD13Q1` de MODIS, específicamente la capa de `NDVI`. En este producto los valores de NDVI tienen un factor de escala de `0.0001`.
```{r}
modis1<-raster("Datos/Modis/MOD13Q1_NDVI_2010_001.tif")
modis1
```
Ahora procederemos a escalar los valores de NDVI
```{r}
system.time(modis1/10000)
system.time(calc(modis1,function(x){x /10000}))
```
Los datos raster puede eventualmente manejarse como imágenes multibanda con stack() o brick().
```{r}
lmodis<-list.files(pattern = "MOD13*", recursive = TRUE, include.dirs = TRUE)
lmodis
```
```{r}
modis2010<-stack(lmodis)
modis2010
```
```{r}
#modis2010R<-mosdis2010/100000
modis2010R<-calc(modis2010,fun=function(x){x / 10000})
modis2010R
```
Como el usuario debe suponer en este momento también es posible realizar operaciones entre capas raster, nuevamente nos encontramos con diferentes maneras de abordar el problema.
```{r}
r1<-raster(modis2010R,1)
r1
```
```{r}
r2<-modis2010R[[2]]
r2
```
```{r}
promedio<- (r1+r2) / 2
plot(promedio)
```
Por supuesto en este caso tenemos un conjunto de datos de 13 capas, en este caso podemos emplear la función `overlay()`, esta función es similar al paquete `calc()`. La diferencia radica en que `overlay()` esta pensado para agilizar las operaciones entre capas.
```{r}
#NDVI_promedio<-mean(modis2010R)
NDVI_promedio<-overlay(modis2010R, fun=mean)
NDVI_promedio
plot(NDVI_promedio, main="Promedio de NDVI de los primeros 100 dias del año 2010")
```
Para guardar un archivo raster es necesario conocer primero el tipo de dato que deseamos guardar. Para mayor información consultar (https://www.rdocumentation.org/packages/raster/versions/2.8-4/topics/dataType)
```{r}
dataType(NDVI_promedio)
```
```{r}
writeRaster(NDVI_promedio,'NDVI_P.tif', format="GTiff",datatype="FLT4S", overwrite=TRUE)
```
##Mejorar la visualización
El paquete `rasterVis` define métodos adicionales para el acceso, la manipulación y la visualización de datos raster.
```{r}
plot(MDE_LCC,
main="Modelo Digital de Elevación",
cex.main = 0.7,
col=viridisLite::viridis(10))
plot(areaI_LCC, add=T)
```
\newline
Aquí aplicamos la función leveplot () que está optimizada para mostrar datos ráster y que proporciona algunas características gráficas adicionales.
```{r}
m <- 100
levelplot(MDE_LCC,
margin=FALSE,
contour=TRUE,
at=seq(0, maxValue(MDE_LCC), m),
main = paste('Modelo Digital de Elevación, contorno', m, 'm'),
par.settings=rasterTheme())
```
```{r}
histogram(MDE_LCC)
```
```{r}
levelplot(modis2010R)
```
##Recomendaciones
* Si esta interesado en manejar grandes conjuntos de datos por favor revise el paquete [`velox`](https://cran.r-project.org/web/packages/velox/velox.pdf)
* Explore la función ` cluster()` del paquete `raster`, esta función permite paralelizar procesos de una manera bastante intuitiva usado `calc` y `overlay`
* Combine las funciones anteriores con pipes`%>%` esto le permitira tener un vida plena y feliz.