本文介绍根据R言语中的raster包，读取单张或批量读取多张栅格图画，并对栅格图画数据加以根本处理的办法。

1 包的装置与导入

  首要，咱们需求装备好对应的R言语包；前面也说到，咱们这儿挑选根据raster包来完结栅格图画数据的读取与处理工作。首要，假如有需求的话，咱们能够先到raster包在R言语的官方网站中，查阅raster包的根本情况，比如其作者信息、当时的版别、所依靠的其他包等等；如下图所示。

  当然，这些内容看不看都不影响咱们接下来的操作。接下来，咱们开端装置raster包；这儿我是在RStudio中进行代码的编撰的。

  首要，咱们输入如下的代码，然后开端raster包的下载与主动装备。

install.packages("raster")

  随后，按下回车键，运转代码，如下图所示。

  能够看到，咱们在装置raster包时，会主动将其所需依靠的其他包（假如在此之前没有装备过）都同时装备好，十分便利。

  接下来，输入如下的代码，然后将刚刚装备好的raster包导入。

library(raster)

随后，按下回车键，运转代码，如下图所示。

  此刻，在RStudio右下方的“Packages”中，能够看到raster包以及其所依靠的sp包都处于选中的状况，标明二者都现已装备成功，且完结导入。

2 单一栅格图画读取与处理

  接下来，咱们首要开端读取、处理独自一景栅格图画数据。

  首要，咱们输入如下的代码；其间榜首句是指定接下来要翻开的栅格图画的途径与文件名，第二句则是经过raster()函数翻开这一栅格图画。

tif_file_name <- r"(E:\02_Project\01_Chlorophyll\ClimateZone\Split\A_LCC0.TIF)"
tif_file <- raster(tif_file_name)

  运转上述代码。此刻，咱们能够在RStudio中右上方的“Environment”中看到咱们刚刚新建的两个变量，以及其对应的值。

  接下来，咱们能够直接经过plot()函数，对刚刚读取到的栅格图画数据加以制作。

plot(tif_file)

  运转代码后，能够在RStudio中右下方的“Plots”看到制作结束的图画。能够说，这一制作栅格图画的办法，相较于Python、C++等言语都更为便利。

  随后，咱们简略介绍一下对这一栅格图画数据的处理操作。例如，咱们能够经过mean()函数与sd()函数，核算栅格图画悉数像元数值的平均值和规范差；这儿咱们用到了na.rm = TRUE参数，详细意义稍后会说到。

tif_mean <- mean(tif_file[], na.rm = TRUE)
tif_std <- sd(tif_file[], na.rm = TRUE)

  运转上述代码，随后输入如下的代码，即可检查咱们刚刚核算得到的平均值与规范差。

tif_mean
tif_std

  成果图下图所示。

  前面咱们说到了na.rm = TRUE参数，这一参数表明是否消除数据会集无效值NA的影响；假如咱们不将其设置为TRUE，那么就表明不用除数据会集的无效值；而假如咱们的栅格图画中呈现无效值（NoData值），那么就会使得平均值、规范差等核算成果相同为无效值NA；如下图所示。

3 很多栅格图画读取与处理

  接下来，咱们介绍一下根据raster包批量读取很多栅格图画的办法。

  首要，咱们需求将寄存有很多栅格图画的文件夹清晰，并将其带入list.files()函数中；这一函数能够对指定途径下的文件加以遍历。其间，pattern是对文件称号加以匹配，咱们用".tif$"表明只挑选出文件称号是以.tif结束的文件；full.names表明是否将文件的全名（即途径称号加文件称号）回来，ignore.case表明是否不考虑匹配文件称号时的大小写差异。

tif_file_path <- list.files(r"(E:\02_Project\01_Chlorophyll\ClimateZone\Split\0)", pattern = ".tif$", full.names = TRUE, ignore.case = TRUE)

  运转上述代码，并将这一变量打印出来，成果如下图所示。能够看到，此刻咱们现已将指定途径下的.tif格局的栅格图画悉数提取出来了。

  接下来，咱们经过stack()函数，将悉数栅格图画的数据放入同一个变量中；随后，咱们能够打印一下这个变量，检查其间的内容。这儿需求留意，假如经过这种办法批量读取栅格图画，需求确保每一景图画的空间参阅信息、行数与列数完全共同，不然会弹出报错信息。假如咱们的栅格图画行数与列数不完全共同，能够参阅文章Python完结snap：对齐多张遥感印象的空间规模，对各个栅格图画加以一致。

tif_file_all <- stack(tif_file_path)
tif_file_all

  运转上述代码，得到如下所示的成果。能够看到，这一变量中保存了12个图层（尽管栅格图画只要7景，可是其间有几景是具有多个波段的）；其间，除了最根本的栅格图画维度、空间规模、空间参阅信息等内容，names还展现了12个图层各自的称号，min values与max values则还展现了每一个图层的最小值与最大值。

  此外，咱们还能够持续根据plot()函数，直接批量制作多个图层各自的栅格图画。

plot(tif_file_all)

  运转上述代码，成果如下所示。

  此外，咱们还能够根据mean()等函数，对栅格图画的根本数学核算信息加以核算。不过在对多个栅格图画数据加以核算时需求留意，在tif_file_all后是否增加[]符号，得到的成果是不相同的——假如不增加[]符号，咱们适当所以加以逐像元剖析，对每一个方位的像元在12个图层中的数值加以核算，并核算该像元在12个图层中的平均值；因而终究所得成果是一景新的栅格图画，图画中的每一个像元数值都表明该像元在12个图层中的平均值。而假如咱们增加了[]符号，那么就和前述单一栅格图画的处理相同，核算的成果便是一个数值，即12个图层中每一个像元对应数值的整体的平均值。

tif_all_mean <- mean(tif_file_all, na.rm = TRUE)
tif_all_mean_2 <- mean(tif_file_all[], na.rm = TRUE)

  咱们别离打印上述两个变量，得到成果如下图所示。

  由此能够愈加明显地看出增加[]符号与否的差异。

  本文就仅仅对R言语raster包读取、处理栅格数据加以根本的办法介绍，至于愈加深化的用法，咱们将在后期的文章中加以介绍。