嘿!

今天，我将完成有关如何提高使用R处理栅格图像的速度的系列文章。在最后两篇文章中，我谈到了 更改rasterOptions（） 和关于 使用foreach（）并行化。 这两个选项的migth都能为您带来不错的速度提升并减少您的处理时间。在本文中，我将借助{raster}包中的clusterR函数讨论集群中的处理。

簇R 是用于将集群与其他功能一起使用的灵活界面。该函数仅适用于将Raster *对象作为第一个参数并且以像元为单位进行操作的函数（即，没有对像元进行近邻处理）并返回与输入栅格对象具有相同像元数的对象的函数。 （来自？clusterR）

因此，此功能的作用是将通常在单个内核上运行的进程外包给 n 用户指定的其他核心。 Thies大大提高了速度，并最大程度地缩短了处理时间。群集通过以下（光栅）功能可以很好地工作： calc（），overlay（） 要么 预测（）。但是，它不适用于 merge（），crop（），mosaic（），（dis）aggregate（），resample（），projectRaster（），focus（），distance（），buffer（）direction（）。

没有clusterR的示例

让’s say 拉斯 是我们的栅格堆栈，我们想计算堆栈中每个像素的均值。这就是你会怎么做的 calc（） 用一个 单核:

拉斯.mean <- calc(ras, mean, na.rm=T)

使用clusterR的示例

现在想象一下，它是一个具有许多层的大栅格。此操作可能需要先完成。在这里 簇R（） 功能派上用场：

beginCluster（4）

ras.mean <- 簇R(ras, calc, args=list(mean, na.rm=T))

endCluster()

命令 beginCluster（4） 在您的PC上初始化群集，并为该进程分配4个内核。 （请注意，您受到PC内核数量的限制。如果使用的内核过多，则PC可能会崩溃。）

然后魔术发生了： 簇R（） 调用函数 calc（） 称为功能 意思（）。请注意，由调用的函数 calc（） 必须用 list（）.

该过程完成后，使用以下命令关闭集群 endCluster（）.

通过用户定义的函数使用clusterR和calc

您也可以将 簇R（） 和 calc（） 与您的自定义功能一起使用：

a <- 10
f3 <- 功能(x) sum(x)+a
beginCluster(4)
z1 <- 簇R(s, calc, args=list(fun=f3), 出口='a')
endCluster()

什么时候 f3() 是您的自定义函数，只需将其插入列表内的args参数即可。如果您在函数中使用参数，例如 一种， 你需要使用 出口=’parameter name’ 使该参数可用于所有其他内核。

您可以在 簇R（） 功能 这里.

我希望您喜欢上一篇有关使用R {raster}提高栅格处理速度的教程。如果您有任何问题，请告诉我。再见！

马丁