将网格 3D 数据插值到更精细的比例
Interpolating Gridded 3D Data to a finer scale
我有一个概率曲面的 NetCDF 文件。它是一个 0.25 度 lat/lon 间隔的 30x30 网格，具有在 z 维度中描述的概率表面。我可以轻松地将其导入 NetCDF 查看器 Panoply：
然后轻而易举地（选中一个框）将原始数据 interpolate/smooth 调整为更精细的网格大小：
但是，我不只是想可视化数据，我想在 R 中将其与测深和点数据一起绘制。这一切都没有问题，但我还没有找到一种直接的方法来在 R 中插入网格化数据。这是我用来导入和绘制数据的代码：
library(RNetCDF)
nc <- open.nc("132235-1.nc")
print.nc(nc)
tmp <- read.nc(nc)
probs<-tmp$likelihoods
xran <- range(tmp$longitude)
yran <- range(tmp$latitude)
zran <- range(probs,na.rm=T)
lon <- tmp$longitude
lat <- tmp$latitude[30:1]
z <- array(probs, dim=dim(probs))
z <- z[,rev(seq(ncol(z)))]
z <- z[,seq(ncol(z))]
prob.pal<-colorRampPalette(
c("#C1FFC1","#8FBC8F","#2F4F4F")
)
zbreaks <- seq(0.0001, 0.063, by=0.001)
cols<- c(prob.pal(length(zbreaks)-1))
png("ProbTest.png", width=7.5, height=6, units="in", res=200)
layout(matrix(1:2, 1,2), widths=c(6,1.5), heights=c(6))
par(mar=c(2,2,1,1), ps=10)
image(lon, lat, z=z, col=cols, breaks=zbreaks, useRaster=TRUE, ylim=c(13,28), xlim=c(-115,-100))
dev.off()
最后我得到了这个，它与使用 Panoply 相同，但配色方案不同：
是否有直接的方法来 interpolate/smooth 此数据？我知道如何使用点数据创建内核利用率密度等，但不使用网格化数据。
非常感谢您的帮助！
这就是我认为您正在寻找的解决方案，它使用双线性重采样。然而，这不是进行此类插值的唯一方法，您可能需要证明不使用更复杂的方法（例如地统计、样条等）是合理的：
library(raster)
set.seed(2002)
## Create an extent boundary:
ex <- extent(c(0, 20, 0, 20))
## Simulate a coarse raster:
r.small <- raster(ex, vals=rnorm(10*10, mean=5, sd=1), nrow=10, ncol=10)
## Simulate the grid of a finer-scale raster:
r.big <- raster(ncol=200, nrow=200, ext=ex)
## Resample the coarser raster to match finer grid:
r.res <- resample(x=r.small, y=r.big, method="bilinear")
plot(r.small)
plot(r.res)
粗调：
很好：
我有一个概率曲面的 NetCDF 文件。它是一个 0.25 度 lat/lon 间隔的 30x30 网格，具有在 z 维度中描述的概率表面。我可以轻松地将其导入 NetCDF 查看器 Panoply：
然后轻而易举地（选中一个框）将原始数据 interpolate/smooth 调整为更精细的网格大小：
但是，我不只是想可视化数据，我想在 R 中将其与测深和点数据一起绘制。这一切都没有问题，但我还没有找到一种直接的方法来在 R 中插入网格化数据。这是我用来导入和绘制数据的代码：
library(RNetCDF)
nc <- open.nc("132235-1.nc")
print.nc(nc)
tmp <- read.nc(nc)
probs<-tmp$likelihoods
xran <- range(tmp$longitude)
yran <- range(tmp$latitude)
zran <- range(probs,na.rm=T)
lon <- tmp$longitude
lat <- tmp$latitude[30:1]
z <- array(probs, dim=dim(probs))
z <- z[,rev(seq(ncol(z)))]
z <- z[,seq(ncol(z))]
prob.pal<-colorRampPalette(
c("#C1FFC1","#8FBC8F","#2F4F4F")
)
zbreaks <- seq(0.0001, 0.063, by=0.001)
cols<- c(prob.pal(length(zbreaks)-1))
png("ProbTest.png", width=7.5, height=6, units="in", res=200)
layout(matrix(1:2, 1,2), widths=c(6,1.5), heights=c(6))
par(mar=c(2,2,1,1), ps=10)
image(lon, lat, z=z, col=cols, breaks=zbreaks, useRaster=TRUE, ylim=c(13,28), xlim=c(-115,-100))
dev.off()
最后我得到了这个，它与使用 Panoply 相同，但配色方案不同：
是否有直接的方法来 interpolate/smooth 此数据？我知道如何使用点数据创建内核利用率密度等，但不使用网格化数据。
非常感谢您的帮助！
这就是我认为您正在寻找的解决方案，它使用双线性重采样。然而，这不是进行此类插值的唯一方法，您可能需要证明不使用更复杂的方法（例如地统计、样条等）是合理的：
library(raster)
set.seed(2002)
## Create an extent boundary:
ex <- extent(c(0, 20, 0, 20))
## Simulate a coarse raster:
r.small <- raster(ex, vals=rnorm(10*10, mean=5, sd=1), nrow=10, ncol=10)
## Simulate the grid of a finer-scale raster:
r.big <- raster(ncol=200, nrow=200, ext=ex)
## Resample the coarser raster to match finer grid:
r.res <- resample(x=r.small, y=r.big, method="bilinear")
plot(r.small)
plot(r.res)
粗调：
很好：