如何在R中对.tif文件应用相似性模型，匹配加州与西班牙气候相似坐标？

以下方案基于terra（栅格处理）和tidyverse（数据处理）工具链，完美适配你的需求：

1. 读取并合并西班牙的气候TIFF #

先把所有气候变量的TIFF文件读入，合并成一个多波段栅格对象，方便后续处理：

library(terra)
library(tidyverse)

# 替换成你的TIFF文件路径
spain_tmax <- rast("spain_tmax.tif")
spain_tmin <- rast("spain_tmin.tif")
spain_tavg <- rast("spain_tavg.tif")
spain_precip <- rast("spain_precip.tif")

# 合并为多波段栅格，给波段命名（要和你的加州数据框列名对应）
spain_clim <- c(spain_tmax, spain_tmin, spain_tavg, spain_precip)
names(spain_clim) <- c("tmax", "tmin", "tavg", "precip")

2. 把西班牙栅格转成数据框 #

提取所有有效栅格点的坐标和气候值（自动过滤NA值，比如海洋区域）：

# xy=TRUE 保留经度(x)、纬度(y)列，na.rm=TRUE 去掉无数据的点
spain_df <- as.data.frame(spain_clim, xy = TRUE, na.rm = TRUE)

3. 标准化变量（必做！） #

温度和降水量的量纲差很大，直接算距离会被降水量主导，所以先做z-score标准化：

# 标准化西班牙的气候变量
spain_df[, c("tmax", "tmin", "tavg", "precip")] <- scale(spain_df[, c("tmax", "tmin", "tavg", "precip")])

# 同样标准化你的加州数据框（假设叫california_df，列包含x,y,tmax,tmin,tavg,precip）
california_df[, c("tmax", "tmin", "tavg", "precip")] <- scale(california_df[, c("tmax", "tmin", "tavg", "precip")])

4. 匹配每个加州点的最相似西班牙点 #

定义一个函数，对单个加州点计算和所有西班牙点的欧氏距离（距离越小越相似），然后返回距离最小的点：

# 定义匹配函数
find_most_similar <- function(cal_point, spain_df) {
  # 提取当前加州点的标准化气候值
  cal_vars <- cal_point %>% select(tmax, tmin, tavg, precip) %>% unlist()
  
  # 计算每个西班牙点与当前加州点的欧氏距离
  spain_df <- spain_df %>%
    mutate(distance = sqrt((tmax - cal_vars["tmax"])^2 + 
                            (tmin - cal_vars["tmin"])^2 + 
                            (tavg - cal_vars["tavg"])^2 + 
                            (precip - cal_vars["precip"])^2))
  
  # 取距离最小的那个西班牙点
  top_match <- spain_df %>% slice_min(distance, n = 1) %>% select(x, y, distance)
  
  # 把加州点坐标和匹配结果合并
  result <- cal_point %>% select(x, y) %>% rename(cal_x = x, cal_y = y) %>%
    bind_cols(top_match %>% rename(spain_x = x, spain_y = y))
  
  return(result)
}

# 对加州的16个点批量匹配
matched_results <- purrr::map_dfr(california_df, find_most_similar, spain_df = spain_df)

5. 结果说明 #

matched_results数据框里会有：

• cal_x/cal_y：加州点位的经纬度
• spain_x/spain_y：对应的西班牙最相似气候点位的经纬度
• distance：两者的标准化气候变量欧氏距离（值越小，相似度越高）

可选优化 #

• 如果西班牙TIFF分辨率太高，计算慢：可以先聚合降分辨率，减少计算量

# 把栅格分辨率降低为原来的1/2（fact=2，可根据需求调整）
spain_clim_agg <- aggregate(spain_clim, fact = 2, fun = mean)
spain_df_agg <- as.data.frame(spain_clim_agg, xy = TRUE, na.rm = TRUE)

• 想用相关系数衡量相似度（看变量趋势一致性）：修改函数里的计算逻辑

find_most_similar_cor <- function(cal_point, spain_df) {
  cal_vars <- cal_point %>% select(tmax, tmin, tavg, precip) %>% unlist()
  
  spain_df <- spain_df %>%
    mutate(correlation = cor(cbind(cal_vars, c(tmax, tmin, tavg, precip)))[1,2])
  
  top_match <- spain_df %>% slice_max(correlation, n = 1) %>% select(x, y, correlation)
  
  result <- cal_point %>% select(x, y) %>% rename(cal_x = x, cal_y = y) %>%
    bind_cols(top_match %>% rename(spain_x = x, spain_y = y))
  
  return(result)
}

内容的提问来源于stack exchange，提问作者Raúl