在不规则网格上绘制气候数据的正确方法

Question

我已将此问题作为Efficient way to plot data on an irregular grid问题的一部分提出，但一般反馈是将原始问题拆分为更易于管理的问题。因此，这个新问题。

我处理组织在不规则二维网格上的卫星数据，其尺寸是扫描线（沿着轨道尺寸，即Y轴）和地面像素（跨越轨道尺寸，即X轴）。每个中心像素的纬度和经度信息存储在辅助坐标变量中，以及四个角坐标对（纬度和经度坐标在WGS84参考椭球上给出）。

让我们建立一个玩具数据集，包括12x10潜在的不规则网格和相关的表面温度测量。

library(pracma) # for the meshgrid function
library(ggplot2)

num_sl <- 12 # number of scanlines
num_gp <- 10 # number of ground pixels
l <- meshgrid(seq(from=-20, to=20, length.out = num_gp), 
              seq(from=30, to=60, length.out = num_sl))

lon <- l[[1]] + l[[2]]/10
lat <- l[[2]] + l[[1]]/10

data <- matrix(seq(from = 30, to = 0, length.out = num_sl*num_gp), 
               byrow = TRUE, nrow = num_sl, ncol = num_gp) +
  matrix(runif(num_gp*num_sl)*6, nrow = num_sl, ncol = num_gp)

df <- data.frame(lat=as.vector(lat), lon=as.vector(lon), temp=as.vector(data))

lon和lat数据包含原始产品I中提供的中心像素坐标，存储为二维矩阵，其轴为ground_pixel（X轴）和扫描线（Y轴）。 data矩阵相同的尺寸包含我的测量值。然后我展平三个矩阵并将它们存储在数据框中。

我想在地图上绘制地面像素（作为四边形），相应地填充温度测量值。

使用瓷砖我得到了：

ggplot(df, aes(y=lat, x=lon, fill=temp)) + 
  geom_tile(width=2, height=2) +
  geom_point(size=.1) +
  borders('world', colour='gray50', size=.2) + 
  coord_quickmap(xlim=range(lon), ylim=range(lat)) +
  scale_fill_distiller(palette='Spectral') +
  theme_minimal()

但那不是我所追求的。我可以使用width和height来制作磁贴＆＃34;触摸＆＃34;彼此，但当然，这甚至不会接近我想要的目标，即在地图上绘制实际的投影地面像素。
例如，Python的xarray可以在给定像素中心坐标的情况下自动推断像素边界：

问题

有没有办法在R中获得相同的结果，即：从像素中心自动推断像素边界，并将像素绘制为地图上的填充多边形？也许使用sf包裹？

我可以在这个question的答案中看到它完成但是使用sf的答案对我来说有点不清楚，因为它处理不同的投影和可能的常规网格，而在我的情况我想我不必重新投射我的数据，而且，我的数据不在常规网格上。

如果这是不可能的，我想我可以使用我的产品中的像素边界信息，但如果这个问题被证明不容易解决，那么这可能是另一个问题的主题。

Answer 1

这是一种方法。可能会有一些更简单的东西，但这有效。

首先，我将使用光栅包来操纵坐标。我在这里创建的栅格是“非常规的”，因为它们包含的值是位置数据。但是使用栅格而不是矩阵可以访问一些有用的函数，例如extend，最有用的是resample，其中使用双线性插值函数来查找顶点

library(raster)
latr = raster(lat)
lonr = raster(lon)

find.vertices = function(m){
  r = raster(m)
  vertices = raster(matrix(nrow = dim(r)[1]+1, ncol = dim(r)[2]+1))
  x = extend(r, c(1,1))
  x[1,] = 2*x[2,] - x[3,]
  x[dim(x)[1],] = 2*x[dim(x)[1]-1,] - x[dim(x)[1]-2,]
  x[,1] = 2*x[,2] - x[,3]
  x[,dim(x)[2]] = 2*x[,dim(x)[2]-1] - x[,dim(x)[2]-2,]
  extent(vertices) = extent(r) + res(r)
  vertices = resample(x, vertices)
}

latv = find.vertices(lat)
lonv = find.vertices(lon)
df2 = data.frame(xc = lonv[], yc = latv[])

让我们绘制这些顶点以检查我们是否正常：

ggplot(df, aes(y=lat, x=lon, fill=temp)) + 
  geom_tile(width=2, height=2) +
  geom_point(size=.1) +
  geom_point(aes(xc, yc), data=df2, inherit.aes =F) +
  borders('world', colour='gray50', size=.2) + 
  coord_quickmap(xlim=range(lon), ylim=range(lat)) +
  scale_fill_distiller(palette='Spectral') +
  theme_minimal()

现在我们从这些顶点

创建一些Polygon

nx = NCOL(latv)
ny = NROW(lonv)
polys = list()
for (i in 1:length(data)) {
  x = col(data)[i]
  y = row(data)[i]
  polys[[i]] = Polygon(cbind(
      lonv[c((x-1)*ny + y, (x-1)*ny + y + 1, x*ny + y + 1, x*ny + y, (x-1)*ny + y)], 
      latv[c((x-1)*ny + y, (x-1)*ny + y + 1, x*ny + y + 1, x*ny + y, (x-1)*ny + y)]
    ))
}

将Polygon列表转换为SpatialPolygonsDataFrame

Polys = sapply(1:length(polys), function(i) Polygons(polys[i], i))
SPolys = sapply(1:length(polys), function(i) SpatialPolygons(Polys[i], i))
SPolys = do.call(bind, SPolys)
SPolysdf = SpatialPolygonsDataFrame(SPolys, data.frame(data=as.vector(data)))

要在ggplot中绘制此对象，我们需要转换为传统的data.frame。传统上，大多数人都使用fortify。但是ggplot文档警告说这可能会被弃用，建议改用扫帚包。我对扫帚不太熟悉，但我决定这样遵循这样的建议：

library(broom)
ggSPolysdf = tidy(SPolysdf)
ggSPolysdf = cbind(ggSPolysdf, data = rep(as.vector(data), each=5))

最后我们可以绘制：

ggplot(df, aes(y=lat, x=lon, fill=temp)) + 
  geom_polygon(aes(long,lat,fill=data, group = id), data=ggSPolysdf) +
  borders('world', colour='gray50', size=.2) + 
  coord_quickmap(xlim=range(lon), ylim=range(lat)) +
  scale_fill_distiller(palette='Spectral') +
  theme_minimal()

Answer 2

以下解决方案实质上使用了@dww的答案，并进行了一些必要的更改以获取这些数据（至少在我的平台上如此）。这些变化首先涉及到定义最后一个图的“倾斜像素”的多边形的定义；其次，关于如何将多边形压缩为数据框的问题。对于第二个问题，使用@SymbolixAU建议的sf程序包。

library(raster)
latr = raster(lat)
lonr = raster(lon)

find.vertices = function(m){
 r = raster(m)
 vertices = raster(matrix(nrow = dim(r)[1]+1, ncol = dim(r)[2]+1))
 x = extend(r, c(1,1))
 x[1,] = 2*x[2,] - x[3,]
 x[dim(x)[1],] = 2*x[dim(x)[1]-1,] - x[dim(x)[1]-2,]
 x[,1] = 2*x[,2] - x[,3]
 x[,dim(x)[2]] = 2*x[,dim(x)[2]-1] - x[,dim(x)[2]-2,]
 extent(vertices) = extent(r) + res(r)
 vertices = resample(x, vertices)
}

latv = find.vertices(lat)
lonv = find.vertices(lon)
df2 = data.frame(xc = lonv[], yc = latv[])

让我们绘制这些顶点以检查我们是否在轨道上：

ggplot(df, aes(y=lat, x=lon, fill=temp)) + 
  geom_tile(width=2, height=2) +
  geom_point(size=.1) +
  geom_point(aes(xc, yc), data=df2, inherit.aes=F) +
  borders('world', colour='gray50', size=.2) + 
  coord_quickmap(xlim=range(lon), ylim=range(lat)) +
  scale_fill_distiller(palette='Spectral') +
  theme_minimal()

现在，我们从这些顶点创建多边形：

nx = NCOL(latv)

polys = list()
for (i in 1:length(data)) {
  x = col(data)[i]
  y = row(data)[i]

  polys[[i]] = Polygon(cbind(
      lonv[c((y-1)*nx + x, (y-1)*nx + x + 1, y*nx + x + 1, y*nx + x, (y-1)*nx + x)], 
      latv[c((y-1)*nx + x, (y-1)*nx + x + 1, y*nx + x + 1, y*nx + x, (y-1)*nx + x)]
    ))
}

将多边形列表转换为SpatialPolygonsDataFrame：

Polys = sapply(1:length(polys), function(i) Polygons(polys[i], i))
SPolys = sapply(1:length(polys), function(i) SpatialPolygons(Polys[i], i))
SPolys = do.call(bind, SPolys)
SPolysdf = SpatialPolygonsDataFrame(SPolys, data.frame(data=as.vector(data)))

使用fortify转换为数据帧将由以下两行完成：（注意：，如@dww所指出的，{{1不推荐此解决方案}}文档。）

ggplot2

一种替代方法是使用ggSPolysdf_0 = fortify(SPolysdf) ggSPolysdf = cbind(ggSPolysdf_0, data = rep(as.vector(data), each=5)) 包。在以下代码中，命令sf在st_coordinates中扮演fortify的角色。请注意，使用本方法，变量名称将在转换中丢失，需要手工恢复：

ggplot2

最后我们可以绘制：

library(sf)
sfSPolys = st_as_sf(SPolysdf)
coord_xy_SPolys = st_coordinates(sfSPolys)
coord_xyz_SPolys = cbind(coord_xy_SPolys, data = rep(as.vector(data), each=5))
ggSPolysdf = as.data.frame(coord_xyz_SPolys)
colnames(ggSPolysdf) <- c("long", "lat", "piece", "id", "data")