本文介紹基於R語言中的raster包，讀取單張或批量讀取多張柵格圖像，並對柵格圖像數據加以基本處理的方法。

1 包的安裝與導入

  首先，我們需要配置好對應的R語言包；前面也提到，我們這裡選擇基於raster包來實現柵格圖像數據的讀取與處理工作。首先，如果有需要的話，我們可以先到raster包在R語言的官方網站中，查閱raster包的基本情況，比如其作者信息、當前的版本、所依賴的其他包等等；如下圖所示。

  當然，這些內容看不看都不影響我們接下來的操作。接下來，我們開始安裝raster包；這裡我是在RStudio中進行代碼的撰寫的。

  首先，我們輸入如下的代碼，從而開始raster包的下載與自動配置。

install.packages("raster")

  隨後，按下回車鍵，運行代碼，如下圖所示。

  可以看到，我們在安裝raster包時，會自動將其所需依賴的其他包（如果在此之前沒有配置過）都一併配置好，非常方便。

  接下來，輸入如下的代碼，從而將剛剛配置好的raster包導入。

library(raster)

隨後，按下回車鍵，運行代碼，如下圖所示。

  此時，在RStudio右下方的“Packages”中，可以看到raster包以及其所依賴的sp包都處於選中的狀態，表明二者都已經配置成功，且完成導入。

2 單一柵格圖像讀取與處理

  接下來，我們首先開始讀取、處理單獨一景柵格圖像數據。

  首先，我們輸入如下的代碼；其中第一句是指定接下來要打開的柵格圖像的路徑與文件名，第二句則是通過raster()函數打開這一柵格圖像。

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

  運行上述代碼。此時，我們可以在RStudio中右上方的“Environment”中看到我們剛剛新建的兩個變數，以及其對應的值。

  接下來，我們可以直接通過plot()函數，對剛剛讀取到的柵格圖像數據加以繪製。

plot(tif_file)

  運行代碼後，可以在RStudio中右下方的“Plots”看到繪製完畢的圖像。可以說，這一繪製柵格圖像的方式，相較於Python、C++等語言都更為方便。

  隨後，我們簡單介紹一下對這一柵格圖像數據的處理操作。例如，我們可以通過mean()函數與sd()函數，計算柵格圖像全部像元數值的平均值和標準差；這裡我們用到了na.rm = TRUE參數，具體含義稍後會提到。

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

  運行上述代碼，隨後輸入如下的代碼，即可查看我們剛剛計算得到的平均值與標準差。

tif_mean
tif_std

  結果圖下圖所示。

  前面我們提到了na.rm = TRUE參數，這一參數表示是否消除數據集中無效值NA的影響；如果我們不將其設置為TRUE，那麼就表示不消除數據集中的無效值；而如果我們的柵格圖像中出現無效值（NoData值），那麼就會使得平均值、標準差等計算結果同樣為無效值NA；如下圖所示。

3 大量柵格圖像讀取與處理

  接下來，我們介紹一下基於raster包批量讀取大量柵格圖像的方法。

  首先，我們需要將存放有大量柵格圖像的文件夾明確，並將其帶入list.files()函數中；這一函數可以對指定路徑下的文件加以遍歷。其中，pattern是對文件名稱加以匹配，我們用".tif$"表示只篩選出文件名稱是以.tif結尾的文件；full.names表示是否將文件的全名（即路徑名稱加文件名稱）返回，ignore.case表示是否不考慮匹配文件名稱時的大小寫差異。

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

  運行上述代碼，並將這一變數列印出來，結果如下圖所示。可以看到，此時我們已經將指定路徑下的.tif格式的柵格圖像全部提取出來了。

  接下來，我們通過stack()函數，將全部柵格圖像的數據放入同一個變數中；隨後，我們可以列印一下這個變數，查看其中的內容。這裡需要註意，如果通過這種方法批量讀取柵格圖像，需要保證每一景圖像的空間參考信息、行數與列數完全一致，否則會彈出報錯信息。如果大家的柵格圖像行數與列數不完全一致，可以參考文章Python實現snap：對齊多張遙感影像的空間範圍，對各個柵格圖像加以統一。

tif_file_all <- stack(tif_file_path)
tif_file_all

  運行上述代碼，得到如下所示的結果。可以看到，這一變數中保存了12個圖層（雖然柵格圖像只有7景，但是其中有幾景是具有多個波段的）；其中，除了最基本的柵格圖像維度、空間範圍、空間參考信息等內容，names還展示了12個圖層各自的名稱，min values與max values則還展示了每一個圖層的最小值與最大值。

  此外，我們還可以繼續基於plot()函數，直接批量繪製多個圖層各自的柵格圖像。

plot(tif_file_all)

  運行上述代碼，結果如下所示。

  此外，我們還可以基於mean()等函數，對柵格圖像的基本數學統計信息加以計算。不過在對多個柵格圖像數據加以計算時需要註意，在tif_file_all後是否添加[]符號，得到的結果是不一樣的——如果不添加[]符號，我們相當於是加以逐像元分析，對每一個位置的像元在12個圖層中的數值加以統計，並計算該像元在12個圖層中的平均值；因此最終所得結果是一景新的柵格圖像，圖像中的每一個像元數值都表示該像元在12個圖層中的平均值。而如果我們添加了[]符號，那麼就和前述單一柵格圖像的處理一樣，計算的結果就是一個數值，即12個圖層中每一個像元對應數值的總體的平均值。

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

  我們分別列印上述兩個變數，得到結果如下圖所示。

  由此可以更加明顯地看出添加[]符號與否的差異。

  本文就只是對R語言raster包讀取、處理柵格數據加以基本的方法介紹，至於更加深入的用法，我們將在後期的文章中加以介紹。