我试图从R中的geoTIFF文件中获取RGB分量。图像上的颜色对应于不同的土地分类类型,我对RGB分量中的每种分类类型都有一个图例。
我正在使用光栅库。到目前为止,我的代码是
library(raster)
my.map = raster("mygeoTIFFfile.tif")
以下是文件读入后的信息:
> my.map[[1]]
class : RasterLayer
dimensions : 55800, 129600, 7231680000 (nrow, ncol, ncell)
resolution : 0.002777778, 0.002777778 (x, y)
extent : -180.0014, 179.9986, -64.99861, 90.00139 (xmin, xmax, ymin, ymax)
coord. ref. : +proj=longlat +datum=WGS84 +no_defs +ellps=WGS84 +towgs84=0,0,0
data source : filepah/filename.tif
names : filename.tif
values : 11, 230 (min, max)
我正在处理的特定geoTIFF文件可以在这里找到:
http://due.esrin.esa.int/page_globcover.php
(只需点击" Globcover2009_V2.3_Global_.zip")
有人可以帮我从这个文件的单个像素位置获取值吗?
答案 0 :(得分:1)
您似乎在问错误的问题。
要获取单个像素(网格单元格)的值,您可以使用索引编制。例如,对于单元格编号10,000和10,001,您可以执行r[10000:10001]
。
您可以通过values(r)
获取所有值。但是对于像这样的非常大的光栅,这将失败(除非你有很多的RAM)。
然而,您需要回答的问题是,如何通过将整数单元格值与RGB颜色匹配来制作地图。
让我们设置一个示例栅格
library(raster)
r <- raster(nrow=4, ncol=4)
values(r) <- rep(c(11, 14, 20, 30), each=4)
一些匹配的RGB值
legend <- read.csv(text="Value,Label,Red,Green,Blue
11,Post-flooding or irrigated croplands (or aquatic),170,240,240
14,Rainfed croplands,255,255,100
20,Mosaic cropland (50-70%) / vegetation (grassland/shrubland/forest) (20-50%),220,240,100
30,Mosaic vegetation (grassland/shrubland/forest) (50-70%) / cropland (20-50%) ,205,205,102")
计算颜色代码
legend$col <- rgb(legend$Red, legend$Green, legend$Blue, maxColorValue=255)
设置“颜色表”
# start with white for all values (1 to 255)
ct <- rep(rgb(1,1,1), 255)
# fill in where necessary
ct[legend$Value+1] <- legend$col
colortable(r) <- ct
积
plot(r)
您也可以尝试:
tb <- legend[, c('Value', 'Label')]
colnames(tb)[1] = "ID"
tb$Label <- substr(tb$Label, 1,10)
levels(r) <- tb
library(rasterVis)
levelplot(r, col.regions=legend$col, at=0:length(legend$col))
答案 1 :(得分:0)
rasterToPoints()
function会将您的栅格数据转换为每个点包含x
,y
和value
的矩阵。这将非常大,但如果您想对数据进行广泛分析,可能就是您正在寻找的内容。
library(raster)
map <- raster("GLOBCOVER_L4_200901_200912_V2.3.tif")
data <- rasterToPoints(map, progress="text")
head(data)
另一种选择是使用extract()
function通过传递纬度/经度SpatialPoints
object来返回单个点。如果您只需要几个单独的数据点,这比将整个数据加载到矩阵中要快得多。
library(raster)
map <- raster("GLOBCOVER_L4_200901_200912_V2.3.tif")
extract(map, SpatialPoints(cbind(-123.3680884, 48.4252848)))