R Quantile: -9999 für einige Quantile

Question

Ich wollte zonale Perzentilen in R für Rasterwerte mit einem Gridcode berechnen, mit dem DoBy-Paket. Bestimmte Perzentile funktionieren perfekt, andere erzeugen mehr oder weniger NA-Werte, in diesem Fall -9999. Was kann die Ursache für diese Diskrepanz sein?

HINWEIS: Alle NA-Werte erscheinen in Polygonen, die nicht vollständig mit dem Raster überlappen, für das ich mich interessiere. Dies erklärt jedoch nicht, warum einige Perzentile berechnen, andere nicht.

Meine angewendet Perzentil Funktionen:

quant1<-function(x,na.rm=TRUE){(quantile(x, c(.01), na.rm = TRUE))} 
quant5<-function(x,na.rm=TRUE){(quantile(x, c(.05), na.rm = TRUE))} 
quant15<-function(x,na.rm=TRUE){(quantile(x, c(.15), na.rm = TRUE))} 
quant25<-function(x,na.rm=TRUE){(quantile(x, c(.25), na.rm = TRUE))} 
quant75<-function(x,na.rm=TRUE){(quantile(x, c(.75), na.rm = TRUE))} 
quant85<-function(x,na.rm=TRUE){(quantile(x, c(.85), na.rm = TRUE))} 
quant95<-function(x,na.rm=TRUE){(quantile(x, c(.95), na.rm = TRUE))} 
quant99<-function(x,na.rm=TRUE){(quantile(x, c(.99), na.rm = TRUE))} 

Anwendung von Funktionen:

q1<-summaryBy(RASTERVALU~grid_code,data=depth, FUN=quant1, keep.names=T) 
q5<-summaryBy(RASTERVALU~grid_code,data=depth, FUN=quant5, keep.names=T) 
q15<-summaryBy(RASTERVALU~grid_code,data=depth, FUN=quant15, keep.names=T) 
q25<-summaryBy(RASTERVALU~grid_code,data=depth, FUN=quant25, keep.names=T) 
q75<-summaryBy(RASTERVALU~grid_code,data=depth, FUN=quant75, keep.names=T) 
q85<-summaryBy(RASTERVALU~grid_code,data=depth, FUN=quant85, keep.names=T) 
q95<-summaryBy(RASTERVALU~grid_code,data=depth, FUN=quant95, keep.names=T) 
q99<-summaryBy(RASTERVALU~grid_code,data=depth, FUN=quant99, keep.names=T) 

Dies sollte mein Verständnis entfernen Werte NA vor der Berechnung und erzeugen Ergebnisse für alle Polygone, unabhängig von der Pixelzahl zu.

Folgt einer Ausgabetabelle der Berechnung. Perzentil 1 und 15 werden am stärksten von NA-Werten geplagt.

q1 q5 q15 q25 q75 q85 q95 q99 
-9999 -82.7934989929199 -9999 -9999 -82.6172466278076 -82.5455478668213 -82.4335483551025 -82.3479396057129 
-9999 -82.0279998779297 -9999 -9999 -81.7740020751953 -81.6869964599609 -81.6319034576416 -81.6039762878418 
-9999 -68.5245018005371 -9999 -68.6367511749268 -68.4617481231689 -68.4400024414062 -68.4128520965576 -68.318980255127 
-9999 -68.1529998779297 -9999 -68.6242504119873 -67.9940013885498 -67.9098526000977 -67.8197998046875 -67.6305767059326 
-9999 -66.0965003967285 -9999 -9999 -65.9724998474121 -65.9219970703125 -65.7605514526367 -65.6639614868164 
-9999 -65.2804985046387 -9999 -9999 -64.8652515411377 -64.7608005523682 -64.5118511199951 -64.4869895172119 
-9999 -62.7045001983643 -9999 -9999 -62.5639991760254 -62.4821016311646 -62.2751508712769 -62.1119895172119 
-9999 -62.5089988708496 -9999 -62.6920013427734 -62.3634986877441 -62.2785495758057 -62.1639013290405 -62.1359615707397 
-9999 -62.3390007019043 -9999 -9999 -62.1464996337891 -62.088650894165 -62.031251335144 -61.9182501983643 
-9999 -58.6590003967285 -9999 -9999 -58.3725004196167 -58.1434007644653 -57.8779983520508 -57.6537393188477 
-9999 -58.4934997558594 -9999 -58.8072500228882 -58.3682489395142 -58.3038509368896 -58.1767482757568 -58.0499892425537 
-9999 -56.1360015869141 -9999 -56.3297491073608 -56.0120010375977 -55.9688512802124 -55.8899494171143 -55.8329501724243 
-9999 -53.9230003356934 -9999 -54.2092504501343 -53.8269996643066 -53.7830009460449 -53.6978017807007 -53.6589603805542 
-9999 -48.9314994812012 -9999 -9999 -48.7105007171631 -48.6123992919922 -48.5179513931274 -48.4739890289307 
-9999 -42.2854995727539 -9999 -42.8615007400513 -41.8812494277954 -41.6038501739502 -41.3591510772705 -40.5169882965088 
-9999 -42.1614990234375 -9999 -42.2462491989136 -42.0267505645752 -41.9099998474121 -41.8459506988525 -41.8219386291504 
-9999 -38.1544990539551 -9999 -9999 -37.8874998092651 -37.6593996047974 -37.4445497512817 -37.3039208602905 
-9999 -33.1689987182617 -9999 -33.2529983520508 -33.1027507781982 -33.0769996643066 -33.0347497940063 -33.0139999389648 
-9999 -29.6655006408691 -9999 -9999 -29.5527496337891 -29.5060005187988 -29.4157503128052 -29.3299599266052 
-9999 -29.638500213623 -9999 -29.7770004272461 -29.5520000457764 -29.5209999084473 -29.4968997955322 -29.4849806022644 
-9999 -29.0570001602173 -9999 -9999 -28.9180006980896 -28.8618495941162 -28.7558505058289 -28.6939602470398 
-9999 -27.1759996414185 -9999 -9999 -27.0627498626709 -27.0209999084473 -26.9890003204346 -26.9459791564941 
-9999 -25.918999671936 -9999 -25.9869995117188 -25.8700008392334 -25.8515495300293 -25.8089500427246 -25.7189898681641 

Was könnte diesen Effekt erklären?

Hinweis: Meine Daten haben keine NA-Werte. Bestimmte Raster haben nur eine geringere Anzahl von Pixeln.

UPDATE: Ja, die Daten haben -9999 für NA-Werte, albern und einfach Fehler. Danke für die Hilfe!

Answer 1

ich tun würde:

library(raster) 
r <- raster(ncols=10, nrows=10) 
r[] <- runif(ncell(r)) * 1:ncell(r) 
z <- r 
z[] <- rep(1:5, each=20) 

quants <- c(0.01, 0.05, 0.15, 0.25, 0.75, 0.85, 0.95, 0.99) 

q <- zonal(r, z, function(i, ...) quantile(i, quants)) 
colnames(q) <- c("zone", quants) 
q 

nun Ihre Daten eindeutig Werte von -9999 hat. Diese sind nicht NA, sie sind -9999. Aus diesem Grund haben Ihre niedrigsten Quantilwerte diesen Wert. Wenn Sie sie NA sein wollen, können Sie versuchen:

NAvalue(r) <- -9999 
q <- zonal(r, z, function(i, ...) quantile(i, quants, na.rm=TRUE)) 

oder

x <- reclassify(r, cbind(-9999, NA)) 
q <- zonal(r, z, function(i, ...) quantile(i, quants, na.rm=TRUE)) 

Answer 2

Von wo ich sitze, macht Ihr Ergebnis Sinn. -9999 werden in die unteren (0,1 und 0,15) Quantile "klassifiziert".

> quantile(c(rep(-9999, 15), rnorm(50, mean = -50, sd = 5)), prob = c(0.1, 0.15, 0.25, 0.75)) 
     10%   15%   25%   75% 
-9999.00000 -9999.00000 -60.11869 -49.44009 

Beachten Sie auch, dass nach Ihrer Notation, quant5 Funktion wahrscheinlich quant50 sein sollte.