<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ScapeD的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ScapeD</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ScapeD]]></copyright><item><title><![CDATA[最新版vscode 连接ubuntu 18.04 保姆级教程]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/149471920</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/149471920</guid><author>ScapeD</author><pubDate>Sat, 19 Jul 2025 23:02:52 +0800</pubDate><description><![CDATA[参考github项目:(本教程需要10分钟)]]></description><category></category></item><item><title><![CDATA[LBM安装、运行入门指南]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/148705973</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/148705973</guid><author>ScapeD</author><pubDate>Tue, 17 Jun 2025 08:16:06 +0800</pubDate><description><![CDATA[我是运行在课题组的ubuntu系统服务器, 服务器一般都有gcc, 但是教程很多是基于icc的, 因此先安装icc和ifort, 很简单:(1)    打开终端，输入下面语句进行安装包的下载：wget https://registrationcenter-download.intel.com/akdlm/irc_nas/18438/l_HPCKit_p_2022.1.1.97_offline.sh(2)    打开终端，输入下面语句进行安装：sudo bash l_HPCKit_p_2022.1.1.97_]]></description><category></category></item><item><title><![CDATA[ArcGIS 安装插件后缺失模块 Missing]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/129243262</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/129243262</guid><author>ScapeD</author><pubDate>Mon, 27 Feb 2023 15:48:15 +0800</pubDate><description><![CDATA[删除重装ArcGIS和插件ArcSWAT后问题仍然存在。在社区也没有找到相应答案。事件起因是ArcGIS 10.6安装 ArcSWAT后显示缺失一个模块，原本应该是HRU的模块显示为Missing，2.弹出的窗口中找到ArcSWAT。1.点击 自定义——自定义模式。在重置后问题得到解决。]]></description><category></category></item><item><title><![CDATA[R语言图表导出png]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/128469564</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/128469564</guid><author>ScapeD</author><pubDate>Wed, 28 Dec 2022 15:46:31 +0800</pubDate><description><![CDATA[【代码】R语言图表导出png。]]></description><category></category></item><item><title><![CDATA[气温、降水、scPDSI再分析数据共享]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/128115789</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/128115789</guid><author>ScapeD</author><pubDate>Wed, 30 Nov 2022 15:21:05 +0800</pubDate><description><![CDATA[气温、降水、scPDSI再分析数据最常用的为cru格点数据，其下载连接分别为：]]></description><category></category></item><item><title><![CDATA[1960-2020年中国气温线性趋势变化的时空差异及影响因素]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/120881230</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/120881230</guid><author>ScapeD</author><pubDate>Thu, 21 Oct 2021 10:38:06 +0800</pubDate><description><![CDATA[说明：文章为笔者原创随笔，引用请标明出处。

摘 要 全球变暖显著影响，然而，我们对气温变化的季节和空间差异了解有限。分析了中国1960-2020年气温变化的时空差异和影响因素。首先，分析了全国和5个不同气候区域年平均气温的变化趋势，结果表明1990前后全国和不同气候区域的年平均气温均出现显著突变。1990年后全国和不同区域年平均气温变暖加快，不同季节变化不同：春、夏季增温加快，冬季增温减缓，而秋季全国气温趋势变化不大。随后，利用地理探测器定量比较了两个阶段气温变化与下垫面影响因子的关系。植被类型、纬度地带]]></description><category></category></item><item><title><![CDATA[ggplot2 一页多图+共享图例]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/119810477</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/119810477</guid><author>ScapeD</author><pubDate>Thu, 19 Aug 2021 20:40:41 +0800</pubDate><description><![CDATA[结果图：





ggpubr包提供了方便的一页多图方法，并且提供了方便的共享图例方法。

因为应用中，一个页面上多幅单一类型的图一般只需一个图例即可。

参照以下代码：


library(ggpubr)

dsamp &lt;- diamonds[sample(nrow(diamonds), 1000), ]
p1 &lt;- qplot(carat, price, data = dsamp, colour = clarity)
p2 &lt;- qplot(cut, price, data = d.]]></description><category></category></item><item><title><![CDATA[Pearson 相关分析 理论与应用]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/119515360</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/119515360</guid><author>ScapeD</author><pubDate>Mon, 09 Aug 2021 10:27:55 +0800</pubDate><description><![CDATA[1 前提假设

使用Pearson相关分析时，需要考虑满足5个假设。

1.两个变量都是连续变量。

2.两个连续变量应当是配对的，即来源于同一个个体。

3.两个连续变量之间存在线性关系，通常做散点图检验该假设。

4.两个变量均没有明显的异常值。Pearson相关系数易受异常值影响。

5.两个变量符合双变量正态分布。

2 验证前提假设

2.1两个连续变量之间存在线性关系

Pearson要求两个变量之间存在线性关系。要确定是否存在线性关系，需要查看两个变量的散点图。如果散点图大致呈一条...]]></description><category></category></item><item><title><![CDATA[数据分享及分析方法——热门气象数据集]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/117930999</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/117930999</guid><author>ScapeD</author><pubDate>Tue, 15 Jun 2021 18:55:04 +0800</pubDate><description><![CDATA[1、NASA的 Land Surface Temperature 基于Modis卫星获取地表反射率，进而转化为地表温度。


]]></description><category></category></item><item><title><![CDATA[R语言提取单个cru格点气象数据]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/117745544</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/117745544</guid><author>ScapeD</author><pubDate>Wed, 09 Jun 2021 15:55:54 +0800</pubDate><description><![CDATA[inputpath &lt;- 'data/cru_ts4.05.1901.2020.tmp.dat.nc'
library(ncdf4) # package for netcdf manipulation
library(raster) # package for raster manipulation
library(rgdal) # package for geospatial analysis
library(ggplot2) # package for plotting

nc_data &lt.]]></description><category></category></item><item><title><![CDATA[R语言数据基础离散化（分箱）之——手动定义间断点]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/117717343</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/117717343</guid><author>ScapeD</author><pubDate>Tue, 08 Jun 2021 22:22:13 +0800</pubDate><description><![CDATA[R语言本身提供手动定义间断点进行离散化的函数 cut

参数如下：

cut(x,breaks,labels=NULL,
	include.lowest=FALSE,right=TRUE,dig.lab=3,
	ordered_result=FALSE,...)
其示例代码如下：


...]]></description><category></category></item><item><title><![CDATA[R语言树轮数据可视化二——以contour图展示]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/117215342</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/117215342</guid><author>ScapeD</author><pubDate>Mon, 24 May 2021 09:23:18 +0800</pubDate><description><![CDATA[一般而言，树轮数据多以折线图进行展示，清楚展示每条序列的变化，但序列一多通常难以比较。笔者尝试使用contour图进行展示，可以清楚的展示高低生长期。

使用 filled.contour(x, y, z, levels, col) 函数对一个采样点的不同树芯宽度进行可视化，效果如下：



其中横轴表示时间（年），纵轴表示不同树轮序列的宽度。

可以看出，每条序列基本都存在先高生长后低生长的趋势。另外，不同序列的敏感性是不同的，需要标准化后进行进一步分析。

全部代码如下：


library(dplR)]]></description><category></category></item><item><title><![CDATA[R语言提取单点的cru格点数据]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/117202101</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/117202101</guid><author>ScapeD</author><pubDate>Sun, 23 May 2021 22:39:43 +0800</pubDate><description><![CDATA[以下以提取降水的cru格点数据为例，温度的数据类似。


inputpath &lt;- 'data/cru_ts4.05.1901.2020.pre.dat.nc'  #文件存储路径

library(ncdf4) # package for netcdf manipulation

nc_data &lt;- nc_open(inputpath)

print(nc_data)
# Save the print(nc) dump to a text file
{
  sink('ncdata.txt')]]></description><category></category></item><item><title><![CDATA[Google Trends 的玩法1——时间序列分析]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/116697265</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/116697265</guid><author>ScapeD</author><pubDate>Wed, 12 May 2021 10:34:13 +0800</pubDate><description><![CDATA[Google Trends是谷歌公司的公共网络设施,它基于谷歌搜索,它显示整个世界各地区的一个特定搜索项搜索量。

我们可以查看2004年来逐月的某关键词搜索量，以及其以国家/城市为单位的空间分布特征。

下面以 “柿子” 为例，其搜索量的时间序列有明显的季节周期变化：



其每到 10-11月份 会达到峰值，其空间分布特征如下：



由于我们是输入中搜索，其热点区域都是中文为主的城市，当我们换为英文“Persimmon”：



时间序列结果类似，而其空间分布特征发生了变化：



其他季节性的水果.]]></description><category></category></item><item><title><![CDATA[r语言实现小波分析]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/115582467</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/115582467</guid><author>ScapeD</author><pubDate>Sat, 10 Apr 2021 19:21:17 +0800</pubDate><description><![CDATA[实现效果



左图为原始数据，右图为小波分析加显著性检测结果

所需包：WaveletComp

一、安装并加载WaveletComp包


install.packages('WaveletComp')


加载：


library('WaveletComp')



二、创造数据并执行小波分析及模拟


series.length = 6*128*24
x1 = periodic.series(start.period = 1*24, length = series.length)
x2 = p..]]></description><category></category></item><item><title><![CDATA[R语言netcdf格式数据读取与处理]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/115579097</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/115579097</guid><author>ScapeD</author><pubDate>Sat, 10 Apr 2021 16:46:50 +0800</pubDate><description><![CDATA[在本教程中，我们将打开一些存储在netCDF文件中的地理空间数据。我们将选择感兴趣的变量和时间范围，并将数据导出到GeoTIFF，以便在R或其他地理空间软件中继续分析。（译者注：新手看可能不知道每个函数的用法，可以先根据文档仿写，记住即可，想要深入研究每个函数的用法，使用RStudio打开包帮助阅读即可）

本文读取netcdf并可视乎数据的结果：



NetCDF数据集示例

首先，我们需要一些数据。作为一个例子，我们将使用北极地区植被绿色度趋势的一些数据。可通过以下链接从ORNL DAAC获取此数据：]]></description><category></category></item><item><title><![CDATA[气象数据处理——数据表重排列（长表宽表转换）]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/115515325</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/115515325</guid><author>ScapeD</author><pubDate>Thu, 08 Apr 2021 18:17:48 +0800</pubDate><description><![CDATA[一、长表转换为宽表

好多气象数据（如气象站点、格点等）是用长表存储的，其格式如下：



长表格式常用于数据的存储，尤其对于多维数据的存储十分方便，然而并不利于数据分析。

R语言tidyr包中的pivot_wider函数 可以将长表变为宽表，适用于将多个变量保存到了一列的情况。

如上图示例，我们需要将表中数据转换成：每年（列）不同站点（行）的观测值，我们使用以下代码：


d.tempwider &lt;-d.monthtemp1 %&gt;%pivot_wider(names_from = stat]]></description><category></category></item><item><title><![CDATA[R语言计算多变量两两之间的相关关系及显著性]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/115513345</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/115513345</guid><author>ScapeD</author><pubDate>Thu, 08 Apr 2021 11:48:34 +0800</pubDate><description><![CDATA[当数据存储为data.frame格式时，我们通常先将其转为可以使用 PerformanceAnalytics 包之间求相关，并将结果可视化。


chart.Correlation(dda, histogram=TRUE, pch=19)

其中，dda 为data.frame格式的数据，要求数据格式为 numeric ,如果不是，要先转化


...]]></description><category></category></item><item><title><![CDATA[R语言读取.csv数据报错]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/115495234</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/115495234</guid><author>ScapeD</author><pubDate>Wed, 07 Apr 2021 20:37:41 +0800</pubDate><description><![CDATA[示例：


Error in nchar(x[is_na], type = "width") : 
  invalid multibyte string, element 1

出现读取数据报错，很多时候由数据读取默认的编码格式 与 数据本身的编码格式不同 引起的

表格中，如果含有中文或中文符号，一般默认为 GBK 编码，而一边编程语言读取时 默认为 UTF-8 编码

此时设置 读取数据编码为 GBK 即可：

示例：


read_csv('data/treeringTP.csv',locale=lo]]></description><category></category></item><item><title><![CDATA[ArcGIS将太平洋调至地图中间（改变地图中心经度）]]></title><link>https://blog.youkuaiyun.com/ScapeD/article/details/115467899</link><guid>https://blog.youkuaiyun.com/ScapeD/article/details/115467899</guid><author>ScapeD</author><pubDate>Tue, 06 Apr 2021 19:13:03 +0800</pubDate><description><![CDATA[很多时候，我们加载数据后结果大西洋在地图中间（下图左），而我们想展示太平洋全貌（下图右），类似这种要求，即需要调整起始经线位置。



1、新建图层坐标系

一般地理坐标系投影左端点为-180°，我们需新建图层的坐标系，并指定新的坐标原点：

在数据视图上 右键—数据框属性—坐标系，然后双击当前坐标，弹出地图坐标系属性窗口，如下图



修改坐标名称，如WGS-from180,最重要的一步，修改本初子午线，经度设置为180°，设置如下图所示：



点击应用，返回数据框属性页面。此时地图并未变化，因为...]]></description><category></category></item></channel></rss>