Tujuan chmloader adalah mengunduh data Canopy Height Model (CHM) dari karya terbaru Tolan dkk. (2024). Ringkasan tingkat tinggi dari pekerjaan ini dapat ditemukan di sini. Data diunduh dari penyimpanan AWS s3 - detail lebih lanjut tentang bucket dapat ditemukan di sini
Anda dapat menginstal chmloader seperti ini:
# install.packages("pak")
pak :: pkg_install( " TESS-Laboratory/chmloader " ) Ini adalah contoh dasar yang menunjukkan cara mengunduh beberapa data. Fungsi download_chm menggunakan gdalwarp (melalui sf::gdal_utils ) untuk secara efisien hanya mengambil data yang diperlukan dari beberapa ubin - resolusi defaultnya adalah 1 m tetapi resolusi ini dapat diproyeksikan ulang sesuai kebutuhan menggunakan argumen res .
library( chmloader )
parana_cuiana <- sf :: st_point(c( - 61.89 , - 4.12 )) | >
sf :: st_sfc( crs = 4326 ) | >
sf :: st_buffer( 3000 )
pc_chm <- download_chm(
parana_cuiana ,
filename = tempfile( fileext = " .tif " )
)
terra :: plot( pc_chm , col = hcl.colors( 256 , " viridis " ))Paket ini juga menyediakan fungsi sederhana untuk membuat plot untuk membandingkan CHM yang berbeda. Tujuan dari fungsi ini adalah untuk memungkinkan evaluasi yang sederhana dan kuat terhadap penelitian Tolan dkk. (2024) Data CHM dengan model berbasis LiDAR dan produk turunan ML lainnya. Paket chmloader dilengkapi dengan sekumpulan kecil kumpulan data contoh CHM berbasis LiDAR, yang berasal dari kumpulan data Model Objek Vegetasi Badan Lingkungan Inggris. Di bawah ini adalah contoh yang menggunakan salah satu contoh kumpulan data dari Fingle Woods, Devon, Inggris:
fingle_woods <- reference_data( " fingle_woods " )
compare_models( fingle_woods , aggregate = 10 , drop_zeros = TRUE )
# > ℹ meta/WRI CHM not provided, downloading now...
# > ✔ CHM downloaded successfully! Perhatikan dalam contoh ini, argumen aggregate digunakan untuk mengurangi resolusi referensi dan Meta/WRI CHM dengan faktor 10 (menghasilkan model 10 m) dan menguji kedua model skala kasar ini selain model asli 1 m model. Fungsi ini dapat membantu mengungkap resolusi sebenarnya dari Meta/WRI CHM, dan bagaimana perbandingannya dengan model berbasis LiDAR di berbagai skala.
Selain itu, argumen drop_zeros digunakan untuk menghapus nilai nol dari plot kepadatan 2d dan statistik turunan, dengan nilai dari data referensi/benchmark dan Meta/WRI CHM keduanya nol. Hal ini sangat berguna apabila tujuan utamanya adalah untuk mengevaluasi kanopi pohon dibandingkan dengan tidak adanya pohon dan/atau dimana tutupan pohonnya jarang; namun, nilai default drop_zeros adalah FALSE .
