我有一个栅格对象,其中包含数值和NA,我想知道每个带有值的栅格像元到半径内其他数字像元的距离。结果是一个矩阵/栅格,其中包含每个非NA的数字栅格像元的总距离。未考虑的细胞获得NA。现在的问题是计算需要相对较长的时间,因为我必须对所有栅格像元进行循环以测试它们是否为数字,然后计算距离。然后,我必须选择所有数字栅格单元,并选择特定半径内的所有数字像元,因为accCost函数不考虑带有NA的像元来计算距离。有没有一种更快的方法来计算特定半径内栅格像元的总距离?
首先,我有一个栅格,必须修改它,因为我只想知道特定区域内像元的总距离。由于accCost函数不考虑NA,因此我需要给它们一个值。然后,我定义“ foreach”功能的核心。当我使用“ accCost”函数计算从一个栅格像元到其他栅格像元的距离时,我需要进行一些默认设置并计算像元的xy坐标。要选择非NA的距离,我要进行boolena查询。 然后,我遍历每个栅格像元以测试它们是否具有特定值。如果是,则使用“ accCost”函数计算到每个网格单元的距离。然后,我将结果栅格化。否则,栅格像元将获得NA。
#load library
library(doParallel)
library(foreach)
library(gdistance)
library(raster)
#Create a raster
mraster<-matrix(nrow=15,ncol = 15)
mraster[c(5,10,9,15,13,5),c(4,8,9,7,7,15)]<-1
builtupraster<-raster(mraster, xmn=1, xmx=1500, ymn=1, ymx=1500)
proj4string(builtupraster) <- CRS("+proj=somerc +lat_0=46.952405555556 +lon_0=7.439583333333 +x_0=600000 +y_0=200000 +ellps=bessel +towgs84=674.374,15.056,405.346,0,0,0,0 +units=m +no_defs")
builtupraster[is.na(builtupraster)]<-0
#define parallel function
cores<-detectCores()
cl<-makeCluster(cores-2)
doParallel::registerDoParallel(cl)
#calculate the distance between cells fast
r <- builtupraster
r2 <- transition(r, transitionFunction = function(x){1}, directions = 16)
r2 <- geoCorrection(r2, scl=FALSE)
siedlungsfl<-as.matrix(r>0)
xcord<-xFromCol(r,1:ncol(r))
ycord<-yFromRow(r,1:nrow(r))
testrow<-1:nrow(r)
testcol<-1:ncol(r)
distmat<-foreach(row= testrow, .combine = "rbind" ,.packages = "gdistance") %:%
foreach(col= testcol, .combine="c",.packages = "gdistance") %dopar%{
if(r[row,col]>0){
d <- accCost(r2,c(xcord[row],ycord[col]))
d2 <- d[which(siedlungsfl)]
d3 <- d2[d2<=2000]
d4 <- sum(sqrt(2*d3+1)-1)/length(d3)+(sqrt(0.97428*30+1.46)-0.996249)
} else{
d4 <- NA
}
}
结果类似于:Result
答案 0 :(得分:0)
我简化了您的脚本---删除了并行化,因此更易于优化。我删除了循环和if语句,并进行了其他一些更改;这可能会有所帮助,但可能不会很大。
library(gdistance)
r <- raster(nrow=15,ncol = 15, xmn=1, xmx=1500, ymn=1, ymx=1500, vals=0, crs = "+proj=somerc +lat_0=46.952405555556 +lon_0=7.439583333333 +x_0=600000 +y_0=200000 +ellps=bessel +towgs84=674.374,15.056,405.346,0,0,0,0 +units=m"
)
r[c(5,10,9,15,13,5),c(4,8,9,7,7,15)] <- 1
tr <- transition(r, transitionFunction = function(x){1}, directions = 16)
tr <- geoCorrection(tr, scl=FALSE)
cells <- Which(r > 0, cells=TRUE)
xy <- xyFromCell(r, cells)
constant <- sqrt(0.97428 * 30 + 1.46) - 0.996249
d <- rep(NA, length(cells))
for(i in 1:length(cells)) {
dst <- accCost(tr, xy[i,])[cells]
dst <- dst[dst <= 1000] # 2000 is too high for this example
d[i] <- mean(sqrt(2 * dst + 1) - 1)
}
result <- raster(r)
result[cells] <- d + constant
plot(result)
text(result)
另一种可能更慢的方法是这样的:
library(raster)
r <- raster(nrow=15,ncol = 15, xmn=1, xmx=1500, ymn=1, ymx=1500, crs = "+proj=somerc +lat_0=46.952405555556 +lon_0=7.439583333333 +x_0=600000 +y_0=200000 +ellps=bessel +towgs84=674.374,15.056,405.346,0,0,0,0 +units=m"
)
r[c(5,10,9,15,13,5),c(4,8,9,7,7,15)] <- 1
d <- distance(r)
cells <- Which(r > 0, cells=TRUE)
b <- buffer(SpatialPoints(xyFromCell(r, cells)), 1000, dissolve=FALSE)
e <- extract(d, b, fun=sum)
result2 <- raster(r)
result2[cells] <- e
plot(result2)
text(result2)
结果不一样,因为我总结了距离(根据您的描述),而您却constant + mean(sqrt(2 * dst + 1) - 1)