RainfallToSPI.R

#1. 設定所需的時間：
	* TDP.d1：每一旬的第一天

#2. 按照測站分割資料：
	* STN.rain：對dataframe資料進行時，刪除第一個欄位後，還是dataframe
	* N.days：對dataframe資料進行時，存下第一個欄位，形成array
	* lapply() 回傳 list，而 sapply() 會簡化成向量
	* rain.date：紀錄每個測站的資料時間點，如果不連續則代表有遺失值

#3. TDP rainfalls：
	* 比對真實資料SSS和連續時間(Day.ini~Day.fin)：
		SSS中的DR(Daily Rain)[可能為不連續資料] --> Rain.Daily(list dtype)[必為連續性資料，但可能有NA值]

#3A yearlyTDPs：TDP.class：旬編號(從起始日2021/1/1-2025/12/31)

#3B TDP calculation：
	* TDP.Station：計算每個測站每一旬的雨量加總
	* 水文年：5上~4下
	* HYR.TDP.Station：每個測站的旬雨量用矩陣紀錄，欄位是旬次(13~36, 1~12，也就是水文年)，每一列表示不同年的資料
	* STN_ID：刪除測站名稱中的空白

# Updating TDP rainfalls：
	* Mayrain10_OLD.rds：
		* 過去資料，格式和HYR.TDP.Station相同，有資料的時間是1992~2020，2021只有五月的旬資料
		* 測站只有295個，HYR.TDP.Station測站有313個
		* 配對不到的測站名稱："C0A9A0" "C0M830" "C0R420"
		* 將配對得到的測站資料更新，配對不到的並上NA讓每個測站的資料維度一致

	* Clustering：
		* "group295.csv"已紀錄測站分群(8群)
		* 計算每一群在不同旬中的平均雨量值，算平均時忽略NA值
		* 同一群的測站的雨量若有NA值，則使用對應的平均取代

# 台灣地圖和水庫識別
	* station：測站經緯度
	* map.twd97：台灣縣市位置資料
	* waterid：台灣縣市編號
	* rmap：水庫位置資料
	* mainlandre：對應於rmap中的index，找出在台灣本島的水庫
	* reserid：mainlandre的水庫對應的測站
	* usere：有對應測站的水庫index(對應於rmap)
	* usereid：有對應測站的水庫的對應測站index(對應於station)

# 各分區平均雨量：
	* station測站可進行的分區：水庫集水區、cluster、灌區、流域、所屬水庫(usereid)

# 

================================
資料特殊處理：
1. 雨量為負，轉換成0[default]/雨量為負或NA，轉換成0：轉換成旬累積雨量後，前者資料較少。在顯示水文年矩陣時，可能因為當旬中有位記錄到的雨量，就沒有資料了。
2. 測站複製：
zzz[[40]]=zzz[[43]]	# Replace the Dazhi station by the Neihu station
zzz[[123]]=zzz[[250]]	# Replace the Shanmei station by the Longmei station
zzz[[146]]=zzz[[261]]	# Replace the MuDan station by the Shihmen-Shan station
zzz[[148]]=zzz[[263]]	# Replace the MuDan-Chishan by the Shou-Ka station