Verarbeitungsvektor zum schnelleren Raster mit R.

Ich konvertiere Vektor in Raster in R. Der Prozess war jedoch zu lang. Gibt es die Möglichkeit, das Skript in Multithread- oder GPU-Verarbeitung zu versetzen, um es schneller zu machen?

Mein Skript zum gerasterten Vektor.

r.raster = raster()
extent(r.raster) = extent(setor) #definindo o extent do raster
res(r.raster) = 10 #definindo o tamanho do pixel
setor.r = rasterize(setor, r.raster, 'dens_imov')

r.raster

Klasse: RasterLayer Abmessungen: 9636, 11476, 110582736 (nrow, ncol, ncell) Auflösung: 10, 10 (x, y) Ausdehnung: 505755, 620515, 8555432, 8651792 (xmin, xmax, ymin, ymax) Koordinate. ref. : + proj = longlat + datum = WGS84 + ellps = WGS84 + towgs84 = 0,0,0

Setter

Klasse: SpatialPolygonsDataFrame-Funktionen: 5419 Umfang: 505755, 620515.4, 8555429, 8651792 (xmin, xmax, ymin, ymax) Koordinate. ref. : + proj = utm + zone = 24 + süd + ellps = GRS80 + Einheiten = m + no_defs Variablen: 6 Namen: ID, CD_GEOCODI, TIPO, dens_imov, area_m, domicilios1 min Werte: 35464, 290110605000001, RURAL, 0.00000003,100004, Maximalwerte 1,0000: 58468, 293320820000042, URBANO, 0,54581673,99996, 99,0000

Druck des Setors

Ich habe versucht, die Funktion mit dem Paket folgendermaßen zu "parallelisieren" :rasterizeRparallel

1. Teilen Sie das SpatialPolygonsDataFrame- Objekt in nTeile
2. rasterize jedes Teil separat
3. Füge alle Teile zu einem Raster zusammen

In meinem Computer rasterizedauerte die parallelisierte Funktion 2,75- mal weniger als die nicht parallelisierte rasterizeFunktion.

Hinweis: Mit dem folgenden Code können Sie ein Polygon-Shapefile (~ 26,2 MB) aus dem Internet herunterladen. Sie können jedes SpatialPolygonDataFrame-Objekt verwenden. Dies ist nur ein Beispiel.

Laden Sie Bibliotheken und Beispieldaten:

# Load libraries
library('raster')
library('rgdal')

# Load a SpatialPolygonsDataFrame example
# Load Brazil administrative level 2 shapefile
BRA_adm2 <- raster::getData(country = "BRA", level = 2)

# Convert NAMES level 2 to factor 
BRA_adm2$NAME_2 <- as.factor(BRA_adm2$NAME_2)

# Plot BRA_adm2
plot(BRA_adm2)
box()

# Define RasterLayer object
r.raster <- raster()

# Define raster extent
extent(r.raster) <- extent(BRA_adm2)

# Define pixel size
res(r.raster) <- 0.1

Abbildung 1: Brazil SpatialPolygonsDataFrame-Diagramm

Einfaches Thread-Beispiel

# Simple thread -----------------------------------------------------------

# Rasterize
system.time(BRA_adm2.r <- rasterize(BRA_adm2, r.raster, 'NAME_2'))

Zeit in meinem Laptop:

# Output:
# user  system elapsed 
# 23.883    0.010   23.891

Beispiel für einen Multithread-Thread

# Multithread -------------------------------------------------------------

# Load 'parallel' package for support Parallel computation in R
library('parallel')

# Calculate the number of cores
no_cores <- detectCores() - 1

# Number of polygons features in SPDF
features <- 1:nrow(BRA_adm2[,])

# Split features in n parts
n <- 50
parts <- split(features, cut(features, n))

# Initiate cluster (after loading all the necessary object to R environment: BRA_adm2, parts, r.raster, n)
cl <- makeCluster(no_cores, type = "FORK")
print(cl)

# Parallelize rasterize function
system.time(rParts <- parLapply(cl = cl, X = 1:n, fun = function(x) rasterize(BRA_adm2[parts[[x]],], r.raster, 'NAME_2')))

# Finish
stopCluster(cl)

# Merge all raster parts
rMerge <- do.call(merge, rParts)

# Plot raster
plot(rMerge)

Abbildung 2: Brasilien-Rasterplot

Zeit in meinem Laptop:

# Output:
# user  system elapsed 
# 0.203   0.033   8.688 

Weitere Informationen zur Parallelisierung in R :

• Tipps zum parallelen Gehen in R-Grundlagen
• Parallel-Computing-in-r
• r-Jobs-schnell-auf-vielen-Maschinen ausführen
• Beispiel für Parallelisierung und Clustering in R.