# Load necessary libraries
library(sp)
library(rgdal)
library(dplyr)# read in CSV of data
baseDir <- "The folder your csv is held in"
data <- read.csv(paste0( baseDir, "/Site fidelity in cougars and coyotes, Utah_Idaho USA (data from Mahoney et al. 2016).csv"))# convert to spatial points data frame
# remove all NA values from lat and long columns
names(data)
noNAs <-  data[complete.cases(data[ , 4:5]),]
# filter to select animal of interest
glimpse(noNAs)
cougarF53 <- noNAs %>%filter(individual.local.identifier == "F53") %>%dplyr::select("event.id", "timestamp", "location.long","location.lat")# Unique GEE issue
# GEE does not accept column names with dots So we will rename our columsn
colnames(cougarF53) <- c("id", "timestamp", "lon", "lat")
# check the time line of data collection so we can match those dates in GEE
timeframe <- sort(cougarF53$timestamp)print(paste0("The first time stamp is ", timeframe[1], " the last collection is ", timeframe[length(timeframe)] ))# Create a spatial feature with the sp package
# only keep unique id as data
cougarF53Spatial <- sp::SpatialPointsDataFrame(coords = cougarF53[,3:4], data = cougarF53[,1])
# set coordinate reference system to WGS84, using the proj4str
crs(cougarF53Spatial) <- "+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs "# Export as shapefile
# write a shapefile
writeOGR(cougarF53Spatial, baseDir, "/cougarF53Locations", driver="ESRI Shapefile")

3.2.1上传栅格

引入栅格的过程与我们刚刚使用 shapefile 进行的过程相同。图像集合（栅格集）是更复杂的数据类型，还有一些其他要求，您可以在此处阅读。

3.3.1调用气候资料日

我们使用的是 NASA 派生的数据集 Daymet V3，因为它具有 1 公里的空间分辨率，并且它可以测量美洲狮所经历的环境条件。我们将通过调用数据集的唯一 ID 并将其过滤到我们的边界框几何图形来导入它。

// Call in image and filter.
var Daymet = ee.ImageCollection("NASA/ORNL/DAYMET_V3")
.filterDate("2014-01-01", "2017-08-01")
.filterBounds(geometry)
.select('tmin')
.map(function(image){return image.clip(geometry)});print(Daymet,"Daymet");
Map.addLayer(Daymet, {}, "Daymet");

​

打印语句中 Daymet 数据结构的视图。

从打印语句中，我们可以看到这是一个包含 267 张图像的图像集合（尽管您的图像总数可能会随着数据集的变化而变化）。每幅图像都有七个与特定天气测量相关的波段。现在两个数据集都已加载，我们将把美洲狮的发生数据与天气数据相关联。

// Convert to a multiband image and clip.
var DaymetImage = Daymet.toBands().filterBounds(geometry);print(DaymetImage, "DaymetImage");

// Call the sample regions function.
var samples = DaymetImage.sampleRegions({collection: cougarF53,properties: ['id'],scale: 1000 });
print(samples,'samples');

3.5.1将点导出为 Shapefile

我们有一系列与美洲狮 57 已知位置相关的每日天气数据。虽然我们可以在 GEE 中更多地使用这些数据，但很容易将它们导入 R 或 Excel。有几个选项可以定义导出数据的最终位置。一般来说，将数据保存到 Google Drive 帐户是一个安全的选择。我们将使用字典（用大括号表示）来定义export.table.toDrive()函数的参数。

shapefile 字段限制：一个 shapefile 只能包含 255 个字段；这些数据有 1869 个。因此，我们将数据导出为 csv 文件。

// Export value added data to your Google Drive.
Export.table.toDrive({collection: samples,description:'cougarDaymetToDriveExample',fileFormat: 'csv'
});

当您导出某些内容时，您的任务窗格将亮起。您需要通过选择运行按钮单独运行任务。

​

export运行具有函数的脚本后的任务栏示例。

当您选择运行按钮时，将出现以下弹出窗口。这允许您编辑导出的详细信息。

​

从 GEE 导出特征时出现的用户定义参数示例。

3.5.2导出栅格

在处理所有这些空间数据时，您可能已经意识到，在美洲狮上收集数据的时间段内显示中值的栅格可能是非常有用的信息。有关使用栅格的更多信息，请参阅5

为此，我们将对median()Daymet 图像集合应用一个 reducer 函数，为每个单元格中的每个参数生成一个中值。就像表格数据一样，我们将把这个多波段图像导出到 Google Drive。一旦我们使用该函数将图像集合转换为图像median()，我们就可以将其剪辑到geometry特征对象中。此要素将导出为多波段栅格。

// Apply a median reducer to the dataset.
var Daymet1 = Daymet.median().clip(geometry);print(Daymet1);// Export the image to drive.
Export.image.toDrive({image: Daymet1,description: 'MedianValueForStudyArea',scale: 1000,region: geometry,maxPixels: 1e9
});

有很多选项。最重要的选项之一是max.pixels设置。一般来说，GEE 不允许您导出超过 10^9 像素的栅格。使用该max.pixels参数，您可以将其提高到每张图像大约 10^12 像素。如果您为大于 10^12 像素的区域导出数据，您将需要创造性地了解如何从 GEE 中获取信息。有时这涉及将图像分割成更小的部分，或者在 GEE 之外重新评估如此大的图像的有用性。