Question

我想通过像素计数方法获得每个多边形的面积估计。最初的landcover地图是栅格数据，其中包含分配给每个像素的独特类（landcover map legend）。但是，通过使用像素计数来获得面积估计对我来说并不直观。也许，我能做的第一件事就是提取每个多边形的所有像素，这些像素提供有关每个多边形内土地覆盖类分布的信息。之后，我需要使用像素计数方法来获得区域估计并汇总城市的所有土地/土壤覆盖，每个多边形的农业区域。对我来说，使用像素计数来获得面积估算并不简单，并且不清楚如何在R中完成这项工作。

请注意，原始的地形图相当大（大约92 mb）并且很难为landcover栅格制作可重复的示例，所以请原谅我这样的不便。以下是获取landcover栅格的R脚本：

library(raster)
library(R.utils)

url = "https://cidportal.jrc.ec.europa.eu/ftp/jrc-opendata/LUISA/PrimaryOutput/Europe/REF-2014/JRC_LUISA_Input_Corine_land_cover_2006_r_ref_2014.zip"
download.file(url, basename(url))
gunzip(basename(url))
rname <- list.files(getwd(), "tif$")
land_cover <- raster::raster("~/LUISA_CLC_land_coverage/clc06_r.tif")

我希望汇总每个多边形的所有土地/土壤覆盖率信息（要汇总的土地覆盖信息的总403个多边形）;以下是我将用于区域估算的多边形：shapefile with polygons are available on the fly：

我裁剪原始的landcover栅格如下：

deu_shp = maptools::readShapePoly("~/adm2.shp",
                                  proj4string=crswgs84,verbose=TRUE)
deu_proj <- spTransform(deu_shp, CRSobj = land_cover@crs)
land_cover_deu <- crop(land_cover, deu_proj )

为了理解像素计数的区域估计，我用Google搜索相关文章并发现： Using remote sensing for crop area estimation并且本文中提出的想法与我的兴趣非常匹配，但实现所提出的方法纯粹是理论上的，对我来说很难在R中完成。如果有任何快速而肮脏的方法来通过像素计数获得面积估算，我必须将土地/土壤覆盖信息（例如城市，森林，农田）聚合到每个多边形（shapefile with polygons are available on the fly）。

对于像素提取，我可以简单地使用raster::extract如下（下面的代码是试用）：

lapply(deu_proj, function(x) {
    pixel_extract = raster::extract(land_cover_deu, deu_proj[x,])
    pixel_extract= as.data.frame(pixel_extract)
})

以上简单的像素提取对于原始土地覆盖栅格效率不高。我不知道如何对每个多边形中的提取像素进行像素计数，并获得相应的区域估计（如城市，森林，农业区等的土地覆盖）。

有任何想法让这件事发生在R？对于给定的土地覆盖栅格，如何通过像素计数方法进行面积估算？是否有可能将土地/土壤覆盖信息汇总到每个多边形？提前致谢

Answer 1

这是一个工作流程，用于通过多边形获取每个土地覆盖类别的像素数（称为制表区域的操作）。我们的想法是使用分辨率和土地覆盖栅格的范围来栅格化shapefile。然后，使用基于data.table的非常有效的函数计算制表区域，该函数计算每个多边形中每个类的像素数。

# add ID field to the shapefile
deu_proj@data$ID <- 1:nrow(deu_proj@data)

# extract extent and resolution of land cover raster
ext <- extent(land_cover_deu)
ext <- paste(ext[1], ext[3], ext[2], ext[4])
res <- paste(res(land_cover_deu)[1], res(land_cover_deu)[2])

# rasterize shapefile using gdal (more efficent than rasterize from raster package)
# you can change GDAL_CACHEMAX according to your RAM
system(paste0("gdal_rasterize --config GDAL_CACHEMAX 8000 -a ID -te ",
               ext," -tr ", res,
               " -ot Int16 /home/deu_proj.shp /home/zones.tif"))

# load raster
zones <- raster("/home/zones.tif")

# zonal stats using myZonal function
Zstat <- myZonal(land_cover_deu, zones)

# reshape output    
results <- data.table::dcast(Zstat, z ~ vals)
colnames(results)[1] <- "ID"

# merge data
deu_proj@data <- plyr::join(deu_proj@data, results, by="ID")

# show results
head(deu_proj@data[, c(8, 17:ncol(deu_proj@data))])

           NAME_2  0   1    2    3    4  5   6   7  8   9 10  11    12  15   16    18    20   21 22    23    24    25  26
1 Alb-Donau-Kreis NA 241 4504  781 1317 NA  NA 357 NA  NA NA 133 57460  NA   NA  7212 19899 1627 NA 16403  6628 15248 135
2       Böblingen NA 369 4947 1599 1140 NA  NA 149 87 116 98 438 17845  NA 1712  1717  4742 3079 NA  3988  2286 14557  NA
3     Baden-Baden NA  45  791  150  306 NA  83  33 NA  NA 38  41   695 338  602   721   468   92 NA  1090  2272  4401  NA
4        Biberach NA 201 4681  462 1264 NA 152 312 NA  48 NA 131 46163  NA   29 23780 19126  920 NA  2291 28679  5140  NA
5   Bodenseekreis NA 268 3219  561  814  7 169  81 NA  NA NA  76  9482 418 5403  4750 19105  804 NA    96  9151  8797  NA
6        Bodensee NA  NA   13    1   NA  9  NA  NA NA  NA NA   3    NA  NA   NA     1     2   NA NA    NA    NA     4  NA
  27   29 30 31 32 34   35  36 37 39 40  41 42 43   45 46   128
1 NA  581 NA NA NA NA  104  NA NA NA NA 397 NA NA 2643 40    NA
2 NA  801 NA NA NA NA   NA  NA NA NA NA  NA NA NA 2001 58    NA
3 NA 1117 NA NA NA NA  157  NA NA NA NA  79 NA NA  486  1    NA
4 NA 2063 NA NA NA NA 1105 273 NA NA NA 384 NA NA 3760 25    NA
5 NA  240 NA NA NA NA  299  NA NA NA NA 193 NA NA 2476 66    45
6 NA   NA NA NA NA NA    4  NA NA NA NA 415 NA NA   20  1 27563

区域统计功能（改编自here）

myZonal <- function (x, z, digits = 0, na.rm = TRUE) { 
  vals <- raster::getValues(x) 
  zones <- round(raster::getValues(z), digits = digits) 
  rDT <- data.table::data.table(vals, z = zones) 
  plyr::count(rDT) }

样本数据

# I have loaded the shapefile using getData but you can use your own shp.
# The only difference will be in the column numbers of "show results" step.
deu_shp <- getData("GADM", country="DEU", level=2)

R中用于土地覆盖栅格的像素计数方法获得面积估计的任何有效方法？

1 个答案:

区域统计功能（改编自here）

样本数据