Avances Relacionados con GIS para estudio de Pluma del Río Amazonas

Manejo con datos Raster y NetCDF

Librerías

library(ncdf4)
library(fields)
library(maps)
library(raster)
library(sp)
library(sf)
library(animation)
library(terra)

Rutina para extraer base de datos NetCDF

Se imprime la Metadata del archivo

#Se especifica la direccion de la base de datos NetCDF
dirsemanal = "A:/CICIMAR/Bases de datos/Output file of weekly climatology simulated with the ROMS model (NetCDF standard).nc"
#se le asigna a una variable la lectura de esos datos
semanal = nc_open(dirsemanal)
#Se muestra en pantalla las variables que presenta la base de datos,
#y sus dimensiones
print(semanal) #consultando metadatos del fichero

File A:/CICIMAR/Bases de datos/Output file of weekly climatology simulated with the ROMS model (NetCDF standard).nc (NC_FORMAT_CLASSIC):

     9 variables (excluding dimension variables):
        double h[lon,lat]   
            standard_name: Bathymetry
            long_name: Bathymetry
            units: m
            missing_value: NaN
            FillValue: NaN
        double ssh[lon,lat,time]   
            standard_name: SSH
            long_name: Sea Surface Height
            units: m
            missing_value: NaN
            FillValue: NaN
        double temp[lon,lat,depth,time]   
            standard_name: temp
            long_name: Potential temperature
            units: degreeC
            missing_value: NaN
            FillValue: NaN
        double salt[lon,lat,depth,time]   
            standard_name: salt
            long_name: Salinity
            units: PSU
            missing_value: NaN
            FillValue: NaN
        double swd[lon,lat,depth,time]   
            standard_name: Density
            long_name: Seawater density
            units: Kg m^-3
            missing_value: NaN
            FillValue: NaN
        double ucurr[lon,lat,depth,time]   
            standard_name: ucurr
            long_name: Zonal component
            units: m s^-1
            missing_value: NaN
            FillValue: NaN
        double vcurr[lon,lat,depth,time]   
            standard_name: vcurr
            long_name: Meridional component
            units: m s^-1
            missing_value: NaN
            FillValue: NaN
        double vort[lon,lat,depth,time]   
            standard_name: vort
            long_name: Vorticity
            units: s^-1
            missing_value: NaN
            FillValue: NaN
        double cspd[lon,lat,depth,time]   
            standard_name: cspd
            long_name: Current speed
            units: m s^-1
            missing_value: NaN
            FillValue: NaN

     4 dimensions:
        lon  Size:183 
            standard_name: logitude
            long_name: logitude
            units: degrees_east
            axis: X
        lat  Size:159 
            standard_name: latitude
            long_name: latitude
            units: degrees_north
            axis: Y
        depth  Size:61 
            standard_name: Depth
            long_name: Vertical axis
            units: m
            axis: Z
        time  Size:48   *** is unlimited *** 
            standard_name: time
            long_name: time
            calendar: standard
            axis: T
            comment: 

    5 global attributes:
        creation_date: 05-Aug-2022 01:24:56
        Producer: DOCEAN/UFPE/Recife/PE/Brasil
        dataType: 2D Grid
        Comment: ArpHDv2 datasets (standard NetCDF files)
        Author: H. L. Varona & M. Araujo

Asignación de variables

lat_variable = 'lat'
lon_variable = 'lon'
time_variable ='time'
latssem = ncvar_get(semanal,lat_variable) 
lonssem = ncvar_get(semanal,lon_variable)
timessem = ncvar_get(semanal,time_variable)



batimetria=ncvar_get(semanal,"h")
nivelmarsem = ncvar_get(semanal,'ssh') 
tempsem = ncvar_get(semanal,'temp')
salisem = ncvar_get(semanal,"salt") 
densisem = ncvar_get(semanal,"swd") 
zonalcomsem=ncvar_get(semanal,"ucurr")
meridionalcomsem=ncvar_get(semanal,"vcurr")
vorticidadsem=ncvar_get(semanal,"vort")
velocidadsem = ncvar_get(semanal,'cspd') 

Manejo de datos raster

Se rota cada elemento semanal de salinidad correctamente y se le asigna a cada elemento de la lista vacía creada. Se le agragan las coordenadas a cada elemento de la lista

#Se le asigna a borrador para no modificar la variable de origen
borrador=salisem

# Lista vacía

# Creando una lista vacía con 48 elementos
lista_vacia <- vector("list", length = 48)




# Se rota cada elemento semanal de salinidad correctamente y se le asigna a 
# cada elemento de la lista vacía creada 
# Se le agragan las coordenadas a cada elemento de la lista 
# 
for(i in 1:48){
  #Se rota cada elemento 
 temporal <- apply(t(borrador[,,1,i]),2,rev)
 lista_vacia[[i]]=temporal 
  # Se convierte a raster cada elemento de la lista
 lista_vacia[[i]]=raster(lista_vacia[[i]])
 extent(lista_vacia[[i]]) <- extent(c(min(lonssem),max(lonssem),min(latssem),max(latssem)))
 
}

Animación de verificación de imagenes

meses=c("Enero","Febrero","Marzo","Abril","Mayo","Junio","Julio","Agosto","Septiembre","Octubre","Noviembre","Diciembre")
(meses=rep(meses, each=4))

 [1] "Enero"      "Enero"      "Enero"      "Enero"      "Febrero"    "Febrero"   
 [7] "Febrero"    "Febrero"    "Marzo"      "Marzo"      "Marzo"      "Marzo"     
[13] "Abril"      "Abril"      "Abril"      "Abril"      "Mayo"       "Mayo"      
[19] "Mayo"       "Mayo"       "Junio"      "Junio"      "Junio"      "Junio"     
[25] "Julio"      "Julio"      "Julio"      "Julio"      "Agosto"     "Agosto"    
[31] "Agosto"     "Agosto"     "Septiembre" "Septiembre" "Septiembre" "Septiembre"
[37] "Octubre"    "Octubre"    "Octubre"    "Octubre"    "Noviembre"  "Noviembre" 
[43] "Noviembre"  "Noviembre"  "Diciembre"  "Diciembre"  "Diciembre"  "Diciembre" 

saveGIF({
for (i in 1:48) {

#plotea
ColorRamp = colorRampPalette(c("yellow", "#ead379", "#df7a3a","blue"))#, "red4"))
image.plot(lonssem,latssem,salisem[,,1,i],
           main = paste("Salinidad (PSU) del mes " ,meses[i], "semana ",i,"/48"), xlab = 'Longitude',ylab = 'Latitude',col = ColorRamp(20))
#añade un mapa
map(add=TRUE,fill = TRUE,col = "green",resolution = 0)

}
},movie.name = "Salinidad(PSU).gif", interval = 0.2, nmax = 2)

animation option 'nmax' changed: 50 --> 2

[1] TRUE

En el entorno de trabajo de R se obtendrá el siguiente gift

Figura 1: Secuencia de valores de salinidad (PSU) a lo largo de 48 semanas por imágen, a profundidad de 1 metro

Tabla de reclasificación

Se crea una tabla de reclasificación que usará posteriormente para asginar a los valore de salinidad (PSU) que esten en el rango de 0 <= x <35 como 1, y a los valores que estén en 35 <=x <40 como 0.

# Tabla de reclasificación (rangos)
m <- c(1, 35, 1, 35, 40,0)
tabla_reclas <- matrix(m, ncol=3, byrow=TRUE)
print(tabla_reclas)

     [,1] [,2] [,3]
[1,]    1   35    1
[2,]   35   40    0

Binarización

Se crea una secuencia de imagenes (48), una para cada semana correspondiente a la binarizacion de acuerdo al nivel de salinidad

saveGIF({
for (i in 1:48) {
#reclasificación  
reclas <- reclassify(lista_vacia[[i]], tabla_reclas)
#plotea
plot(reclas, ylim=c(min(latssem),max(latssem)), main=paste("Pluma binarizada (<35 psu) \n en el mes" ,meses[i]," semana ",i,"/48"))
#añade un mapa
map(add=TRUE,fill = TRUE,col = "green",resolution = 0)

}
},movie.name = "PlumaGIF1.gif", interval = 0.2, nmax = 2)

animation option 'nmax' changed: 50 --> 2

[1] TRUE

En el entorno de trabajo de R se obtendrá el siguiente gift

Figura 2: Secuencia de imagenes raster binarizadas según el proceso de reclasificación

Superposición de imágenes binarizadas

#Área de influencia de la pluma delimitada
#Binarizacion de cada imagen y superposicion lógica de cada imagen en una sola
#######################
inicial <- reclassify(lista_vacia[[1]], tabla_reclas)

superpo=inicial
for (i in 2:48) {
  
  
  #reclasificación  
  temp <- reclassify(lista_vacia[[i]], tabla_reclas)
  #plotea
  superpo <- overlay(superpo,temp, fun = function(x,y)
  {ifelse( x == 1 | y == 1, 1, 0)})
  
}

plot(superpo,axes=T)
title(main ="Superposición de valores binarizados",font.main=2, adj=0.5, cex.main=1)

map(add=TRUE,fill = TRUE,col = "green",resolution = 0)

Figura 3: Superposición de todos las imagenes binarizadas de la pluma ## Vectorización

#Se convierte a formato raster del paquete terra con la funcion rast,
#El producto de la superposicion para que pueda ser vectorizado con una funcion del mismo paquete


torast=rast(superpo)

#Se vectoriza
supervect = as.polygons(torast)|> 
  st_as_sf()

#Se proyecta la imagen vectorizada
# plot(supervect,axes=T,add=T)
# map(add=TRUE,fill = TRUE,col = "green",resolution = 0)

plot(supervect[2,],axes=T,main="")
title(main ="Vectorización de la Imagen 3",font.main=2, adj=0.5, cex.main=1)

Figura 4: Vector de resultante de la vectorización de la imagen de la figura 3.

Referencias

Echevarría-Rubio, J. M. (2022). Detección y monitoreo de sargazo en el Mar Caribe. Tesis de Maestía en Ciencias en Manejo de Recursos Marinos, CICIMAR-IPN.

Hu, C., Montgomery, E., Schmitt, R., & Mullerkarger, F. (2004). The dispersal of the Amazon and Orinoco River water in the tropical Atlantic and Caribbean Sea: Observation from space and S-PALACE floats. Deep Sea Research Part II: Topical Studies in Oceanography, 51(10–11), 1151–1171. https://doi.org/10.1016/S0967-0645(04)00105-5

Park, E., & Latrubesse, E. M. (2014). Modeling suspended sediment distribution patterns of the Amazon River using MODIS data. Remote Sensing of Environment, 147, 232-242. https://doi.org/10.1016/j.rse.2014.03.013

Varona, H. L., & Araujo, M. (2022). Hydro-thermodynamic dataset of the Amazon River Plume and North Brazil Current retroflection. Data in Brief, 40. https://doi.org/10.17882/82958

Varona, H. L., Veleda, D., Silva, M., Cintra, M., & Araujo, M. (2019). Amazon River plume influence on Western Tropical Atlantic dynamic variability. Dynamics of Atmospheres and Oceans, 85, 1-15. https://doi.org/10.1016/j.dynatmoce.2018.10.002