Question

我有一个由lon，lat和月平均变量（例如温度或降水）组成的数据集，涵盖1961年至1970年。数据集的分辨率为0.5 x 0.5度lon / lat，覆盖全球并下载作为.NC文件，我使用以下方法提取R中的数据：

library(ncdf)
f <- open.ncdf("D:/CRU/cru_ts3.21.1961.1970.tmp.dat.nc")
A <- get.var.ncdf(nc=f,varid="tmp")
B <- get.var.ncdf(nc=f,varid="lon")
C <- get.var.ncdf(nc=f,varid="lat")
D <- cbind(expand.grid(B, C))
E <- expand.grid(A)

扩展网格（E）是由31,104,000行变量组成的数据表，扩展网格（D）是由259,200行lon / lat组成的数据表。如果你乘以259,200 * 10年* 12个月就得到31,104,000。因此，可以使用以下方法将表格E切割为月度值：

Month <- 1
Start <- (Month-1)*(259200)+1
Finish <- (Month*259200)
G <- E[Start:Finish,]
H <- expand.grid(G)
I <- cbind(D,H)

因此，我现在是第一个月（即1961年1月）的数据表，包括lon，lat和变量。下面给出了一个数据示例：

        lon    lat tmp
49184 -68.25 -55.75 7.5
49185 -67.75 -55.75 7.6
49186 -67.25 -55.75 7.6
49899 -70.75 -55.25 6.8
49900 -70.25 -55.25 7.0
49901 -69.75 -55.25 6.9
49902 -69.25 -55.25 7.1
49903 -68.75 -55.25 6.8
49904 -68.25 -55.25 7.6
49905 -67.75 -55.25 8.2

现在提出我的问题。网格的当前分辨率为0.5 * 0.5度，我想“重新”数据，因此分辨率为0.25 * 0.25度。我不想做任何特别聪明的数据，所以我只想让0.25网格取其所在的0.5网格的值，即每个0.5 * 0.5网格包含4个0.25 * 0.25网格，我只想要4个0.25 * 0.25网格与0.5 * 0.5网格具有相同的值。

我看过光栅，但似乎无法用它做任何事情。

Answer 1

这不是R解决方案，只是要指出您可以使用CDO在Linux / MAC OS环境中从命令行轻松地重新编译netcdf文件。根据您的描述，听起来好像您想要使用最近邻插值，对于0.25度的常规网格将是

cdo remapnn,r1440x720 in.nc out.nc

但是，您也可以使用一阶或二阶保守重映射。例如，对于第一个订单：

cdo remapcon,r1440x720 in.nc out.nc

然后，您可以按照与当前相同的方式将重新划分的字段读入R中。

Answer 2

以下是使用plyr::ddply()执行此操作的方法 - 可能会对您的表格大小有点慢，具体取决于您想要重新网格化的频率。我将考虑使用data.table来实现它的方法，它应该更快：

require(plyr)
# make your data frame
I<-data.frame(lat=seq(0.5,1000,0.5),lon=1,tmp=sample(1:100,2000,replace=T))

# make an adjustment grid
k<-expand.grid(c(0,0.25),c(0,0.25),0)

# use plyr:ddply() to expand out each entry into the correponding 4 entries
new_I<-ddply(I,.(lat,lon),function(x)as.list(x)+k)
colnames(new_I)<-c("lat","lon","newlat","newlon","tmp")

head(new_I)

  lat lon newlat newlon tmp
1 0.5   1   0.50   1.00  64
2 0.5   1   0.75   1.00  64
3 0.5   1   0.50   1.25  64
4 0.5   1   0.75   1.25  64
5 1.0   1   1.00   1.00  31
6 1.0   1   1.25   1.00  31

实际上考虑一下，从时间的角度来看，这是一个更好的方法（尽管它有点像黑客，并且让你对未来可能希望做的额外数据处理的控制较少），但它需要6.5秒2m>＆gt; 8M行。

# make your data frame
I<-data.frame(lat=seq(0.5,1000000,0.5),lon=1,tmp=sample(1:100,2000000,replace=T))

# make an adjustment vector
v<-rep(0.25,times=2000000)

# make 3 new tables, apply the vector appropriately, and rbind
I_latshift<-I
I_lonshift<-I
I_bothshift<-I

I_latshift$lat<-I_latshift$lat+v
I_lonshift$lon<-I_lonshift$lon+v
I_bothshift$lat<-I_bothshift$lat+v
I_bothshift$lon<-I_bothshift$lon+v

I<-rbind(I,I_bothshift,I_latshift,I_lonshift)

# sort it for neatness
I<-I[with(I, order(lat, lon)), ]


head(I)

         lat  lon tmp
1       0.50 1.00   3
6000001 0.50 1.25   3
4000001 0.75 1.00   3
2000001 0.75 1.25   3
2       1.00 1.00  88
6000002 1.00 1.25  88

Answer 3

R包raster中存在一个解决方案。它如下：

library("ncdf4")
library("raster")
nc <- nc_open("my_file.nc")
lon <- ncvar_get(nc, "lon")
lat <- ncvar_get(nc, "lat")
time <- ncvar_get(nc, "time")
dname <- "pre"        ## pre for the short name of precpitation 
nlon <- dim(lon)
nlat <- dim(lat)
nt <- dim(time)
lonlat <- expand.grid(lon, lat)    # make grid of given longitude and latitude 
pr.array <- ncvar_get(nc, dname)
dlname <- ncatt_get(nc, dname, "long_name")
dunits <- ncatt_get(nc, dname, "units")
fillvalue <- ncatt_get(nc, dname, "_FillValue")

pr.vec.long <- as.vector(pr.array)
pr.mat <- matrix(pr.vec.long, nrow = nlon * nlat, ncol = nt)
pr.df <- data.frame(cbind(lonlat, pr.mat))

pr_c <- pr.df[ ,-c(1:2)]
 ### Specific region have been clipped out from global datafile by 
## selecting lon and lat range and extract regridded data at 1lon 1lat
 ## resolution.  

x0 <- seq(67.5, 98.5, by = 1) ## choose different resolution, eg. by = 0.5 
y0 <- seq(6.5, 37.5, by = 1)


m <- cbind(x0, y0)
m <- as.data.frame(m)
s <- rasterFromXYZ(m)
pts <- expand.grid(x0, y0)
pos <- pr.df[ ,c(1:2)]
l_pr <- apply(pr_c, 2, function(x) cbind(pos, x))
colnm = c("x","y","z")
for (j in seq_along(l_pr)){
  colnames(l_pr[[j]]) <- colnm
}

pr_rstr <- lapply(l_pr, function(x) rasterFromXYZ(x))
## Use resample command to regrid the data, here nearest neighbor method can also be chosen by setting method = "ngb"
pr_bn <- lapply(pr_rstr, function(x) resample(x, s, method = "bilinear"))
pr_extr <- lapply(pr_bn, function(x) extract(x, pts))
df_pr <- do.call("cbind", lapply(pr_extr, data.frame))
## write dataframe in csv format
write.csv(df_pr, "my_data_regridded_1.csv")

我希望这能达到目的。

如何更改R中的分辨率（或regrid）数据

3 个答案: