R語言空間資料分析（九）：柵格資料探索性分析
作者：黃天元，復旦大學博士在讀，熱愛資料科學與開源工具（R），致力於利用資料科學迅速積累行業經驗優勢和科學知識發現，涉獵內容包括但不限於資訊計量、機器學習、資料視覺化、應用統計建模、知識圖譜等，著有《R語言高效資料處理指南》（
《R語言資料高效處理指南》（黃天元）【摘要 書評 試讀】- 京東圖書
）。知乎專欄：
R語言資料探勘。
郵箱：[email protected].歡迎合作交流。
EDA（Exploratory Data Analysis，探索性資料分析）是資料科學重要的一個環節，對於給定的柵格資料，我們要如何進行視覺化呢？本帖子將會基於HopeR：R語言空間資料分析（八）：柵格資料預處理中清洗好的資料，進行探索性資料分析。首先，我們把資料匯入R環境中。這裡，我們只對1到7共七個波段進行分析。
library（pacman）
p_load（sp，raster，rgeos，rgdal，rasterVis，raster，fs，sf，tidyverse）
dir（“data/LC08_L1TP_203023_20190513_20190521_01_T1/mask”，full。names = T） %>%
str_subset（pattern = “_B［1-7］_”） %>%
stack（） -> manc
在manc變數中，波段是按照1到7的順序排列的，我們根據波段的光譜名稱，給這些圖層進行命名：
# Name the Bands based on where they sample the electromagentic spectrum
names（manc） <- c（‘ultra-blue’， ‘blue’， ‘green’， ‘red’， ‘NIR’， ‘SWIR1’， ‘SWIR2’）
然後，我們可以對manc這個變數進行一些基本的探索：
crs（manc） # projection 座標系
extent（manc） # extent 分佈範圍
ncell（manc） # number of cells 格點數量
dim（manc） # number of rows， columns， layers 資料維度
nlayers（manc） # number of layers 圖層個數
res（manc） # xres， yres 畫素是多少乘多少的
然後，讓我們來對圖層進行視覺化。可以利用紅綠藍這三個光譜圖層合成真彩色影象，也可以利用其它光譜圖層合成偽彩色影象，關於這方面的知識，可以參考遙感影像圖中真彩色，假彩色，偽彩色是怎樣定義的？為什麼要分這些類？。這裡我們直接用程式碼進行實現：
# visualization
# true colour composite
manc_rgb <- stack（manc$red， manc$green， manc$blue）
# false colour composite
manc_false <- stack（manc$NIR， manc$red， manc$green）
manc_rgb %>%
plotRGB（。，axes=TRUE， stretch=“lin”）
manc_false %>%
plotRGB（。，axes=TRUE， stretch=“lin”）
真彩色影象
偽彩色影象
我們可以只觀察一個波段的圖層，比如SWIR2：
plot（manc$SWIR2）
也可以同時觀察4個圖層，基本包中的繪圖函式可以這樣實現：
## How are these bands different？
#set the plot window size （2 by 2）
par（mfrow = c（2，2））
#plot the bands
plot（manc$blue， main = “Blue”）
plot（manc$green， main = “Green”）
plot（manc$red， main = “Red”）
plot（manc$NIR， main = “NIR”）
最後，我們可以嘗試使用GGally包的ggpairs函式來探知不同光譜之間的相關性（只進行抽樣調查，抽了100個樣本）：
library（ggplot2）
library（GGally）
manc %>%
as。data。frame（。， na。rm=TRUE）%>%
sample_n（。， 100）%>%
ggpairs（。，axisLabels=“none”）
對角線上是單變數的分佈狀況，左下角為散點圖，右上角是變數兩兩之間的相關係數，星號*代表顯著水平，使用的是Pearson相關係數（參考自Correlation matrix with ggally）。
