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（https://cran.r-project.org/web/packages/raster/index.html）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中ArcPy栅格裁剪栅格：批量对齐栅格图像范围并统一行数与列数（https://blog.csdn.net/zhebushibiaoshifu/article/details/128489099），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。

欢迎关注：疯狂学习GIS