本文介绍基于
R
语言中的
raster
包，读取
单张
或批量读取
多张
栅格图像，并对栅格图像数据加以
基本处理
的方法。

1 包的安装与导入

首先，我们需要配置好对应的
R
语言包；前面也提到，我们这里选择基于
raster
包来实现栅格图像数据的读取与处理工作。首先，如果有需要的话，我们可以先到
raster
包在
R
语言的
官方网站
中，查阅
raster
包的基本情况，比如其作者信息、当前的版本、所依赖的其他包等等；如下图所示。

当然，这些内容看不看都不影响我们接下来的操作。接下来，我们开始安装
raster
包；这里我是在
RStudio
中进行代码的撰写的。

首先，我们输入如下的代码，从而开始
raster
包的下载与自动配置。

install.packages("raster")

随后，按下
回车
键，运行代码，如下图所示。

可以看到，我们在安装
raster
包时，会自动将其所需依赖的其他包（如果在此之前没有配置过）都一并配置好，非常方便。

接下来，输入如下的代码，从而将刚刚配置好的
raster
包导入。

library(raster)

随后，按下
回车
键，运行代码，如下图所示。

此时，在
RStudio
右下方的“
Packages
”中，可以看到
raster
包以及其所依赖的
sp
包都处于选中的状态，表明二者都已经配置成功，且完成导入。

2 单一栅格图像读取与处理

接下来，我们首先开始读取、处理单独一景栅格图像数据。

首先，我们输入如下的代码；其中第一句是指定接下来要打开的栅格图像的路径与文件名，第二句则是通过
raster()
函数打开这一栅格图像。

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

运行上述代码。此时，我们可以在
RStudio
中右上方的“
Environment
”中看到我们刚刚新建的两个变量，以及其对应的值。

接下来，我们可以直接通过
plot()
函数，对刚刚读取到的栅格图像数据加以绘制。

plot(tif_file)

运行代码后，可以在
RStudio
中右下方的“
Plots
”看到绘制完毕的图像。可以说，这一绘制栅格图像的方式，相较于
Python
、
C++
等语言都更为方便。

随后，我们简单介绍一下对这一栅格图像数据的处理操作。例如，我们可以通过
mean()
函数与
sd()
函数，计算栅格图像全部像元数值的平均值和标准差；这里我们用到了
na.rm = TRUE
参数，具体含义稍后会提到。

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

运行上述代码，随后输入如下的代码，即可查看我们刚刚计算得到的平均值与标准差。

tif_mean
tif_std

结果图下图所示。

前面我们提到了
na.rm = TRUE
参数，这一参数表示是否消除数据集中无效值
NA
的影响；如果我们不将其设置为
TRUE
，那么就表示不消除数据集中的无效值；而如果我们的栅格图像中出现无效值（
NoData
值），那么就会使得平均值、标准差等计算结果同样为无效值
NA
；如下图所示。

3 大量栅格图像读取与处理

接下来，我们介绍一下基于
raster
包批量读取大量栅格图像的方法。

首先，我们需要将存放有大量栅格图像的文件夹明确，并将其带入
list.files()
函数中；这一函数可以对指定路径下的文件加以遍历。其中，
pattern
是对文件名称加以匹配，我们用
".tif$"
表示只筛选出文件名称是以
.tif
结尾的文件；
full.names
表示是否将文件的全名（即路径名称加文件名称）返回，
ignore.case
表示是否不考虑匹配文件名称时的大小写差异。

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

运行上述代码，并将这一变量打印出来，结果如下图所示。可以看到，此时我们已经将指定路径下的
.tif
格式的栅格图像全部提取出来了。

接下来，我们通过
stack()
函数，将全部栅格图像的数据放入同一个变量中；随后，我们可以打印一下这个变量，查看其中的内容。这里需要注意，如果通过这种方法批量读取栅格图像，需要保证每一景图像的空间参考信息、行数与列数完全一致，否则会弹出报错信息。如果大家的栅格图像行数与列数不完全一致，可以参考文章
Python实现snap：对齐多张遥感影像的空间范围
，对各个栅格图像加以统一。

tif_file_all <- stack(tif_file_path)
tif_file_all

运行上述代码，得到如下所示的结果。可以看到，这一变量中保存了
12
个图层（虽然栅格图像只有
7
景，但是其中有几景是具有多个波段的）；其中，除了最基本的栅格图像维度、空间范围、空间参考信息等内容，
names
还展示了
12
个图层各自的名称，
min values
与
max values
则还展示了每一个图层的最小值与最大值。

此外，我们还可以继续基于
plot()
函数，直接批量绘制多个图层各自的栅格图像。

plot(tif_file_all)

运行上述代码，结果如下所示。

此外，我们还可以基于
mean()
等函数，对栅格图像的基本数学统计信息加以计算。不过在对多个栅格图像数据加以计算时需要注意，在
tif_file_all
后是否添加
[]
符号，得到的结果是不一样的——如果不添加
[]
符号，我们相当于是加以逐像元分析，对每一个位置的像元在
12
个图层中的数值加以统计，并计算该像元在
12
个图层中的平均值；因此最终所得结果是一景新的栅格图像，图像中的每一个像元数值都表示该像元在
12
个图层中的平均值。而如果我们添加了
[]
符号，那么就和前述单一栅格图像的处理一样，计算的结果就是一个数值，即
12
个图层中每一个像元对应数值的总体的平均值。

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

我们分别打印上述两个变量，得到结果如下图所示。

由此可以更加明显地看出添加
[]
符号与否的差异。

本文就只是对
R
语言
raster
包读取、处理栅格数据加以基本的方法介绍，至于更加深入的用法，我们将在后期的文章中加以介绍。