如何从dataframe创建SpatRaster？大数据框场景提速方案咨询

一、从DataFrame创建SpatRaster #

创建SpatRaster的核心是确保DataFrame包含坐标列（x/y或经纬度）和栅格值列，根据数据类型选择对应方法：

1. 规则格网数据（已知分辨率/范围） #

如果数据是规则格网采样（每个栅格中心对应一行），直接用terra::rast()初始化空栅格，再填充值：

library(terra)

# 示例规则格网DataFrame
df <- data.frame(
  x = rep(seq(100, 110, 0.5), 21),
  y = rep(seq(30, 40, 0.5), each = 21),
  value = rnorm(21*21)
)

# 定义栅格范围、分辨率和坐标系
ext <- ext(min(df$x), max(df$x), min(df$y), max(df$y))
res <- c(0.5, 0.5)
crs <- "EPSG:4326"

# 创建空栅格并赋值
r <- rast(ext, res = res, crs = crs)
values(r) <- df$value

2. 不规则点数据（需栅格化） #

如果是离散点数据，先转成SpatVector再栅格化：

# 将DataFrame转为SpatVector
v <- vect(df, geom = c("x", "y"), crs = crs)
# 初始化空栅格
r <- rast(ext, res = res, crs = crs)
# 栅格化（支持聚合重叠点）
r <- rasterize(v, r, field = "value", fun = "mean")

二、栅格化/gridded()性能优化方案 #

针对大数据场景的速度问题，以下是实操优化技巧：

1. 替换sp::gridded()为terra工具 #

sp包的gridded()属于旧版实现，性能远低于terra包。直接用terra的方法替代：

# 替代sp::gridded()的高效写法
# 旧代码（慢）：sp_df <- SpatialGridDataFrame(grid = grid, data = df)
# 新代码（快）：
r <- rast(df, type = "xyz") # 当df是x/y/value三列时直接转换
# 或手动指定范围分辨率
r <- rast(ext, res = res)
values(r) <- df$value

2. 优化terra::rasterize()参数 #

• 批量处理多字段：避免循环逐个栅格化，一次性传入多个字段
• 指定聚合函数：提前处理重叠点，减少后续计算
• 设置背景值：避免默认值的额外开销

# 批量栅格化多字段+聚合重叠点
r_multi <- rasterize(v, r, field = c("value1", "value2"), fun = "sum", background = 0)

3. 内存与并行优化 #

• 分块处理：用writeRaster()的blocksize参数分块写入，降低内存占用
• 开启并行：通过terraOptions()分配多核资源

# 分块写入栅格，减少内存压力
writeRaster(r, "output.tif", blocksize = c(256, 256), overwrite = TRUE)
# 开启4核并行计算
terraOptions(cores = 4, memfrac = 0.8)

4. 预处理数据 #

• 过滤冗余：提前删除NA值、重复坐标行，减少计算量
• 预转投影：先将点数据转换为目标栅格的坐标系，避免实时转换开销

# 提前转换点数据投影到目标栅格CRS
v <- project(v, crs(r))
# 过滤NA值行
df <- df[!is.na(df$value), ]

内容的提问来源于stack exchange，提问作者Yuri Gelsleichter