Disponibile con ArcGIS Image for ArcGIS Online.
Lo strumento Interpolazione punti acquisisce punti di dati con valori in ogni punto e utilizza un metodo di interpolazione che tiene conto dell'errore nella stima del semivariogramma sottostante tramite simulazioni ripetute per produrre raster di valori di errore previsti e di predizione.
Gli output sono layer immagini ospitati.
Scopri come funziona il kringing baynesiano empirico
Esempi
Esempi di applicazione di questo strumento:
- Un distretto per la gestione della qualità dell'aria dispone di sensori in alcune posizioni che misurano i livelli di inquinamento. Questo strumento può essere utilizzato per predire i livelli di inquinamento in località sprovviste di sensori, ad esempio località con popolazioni a rischio quali ospedali o scuole.
- È possibile prevedere le concentrazioni di metalli pesanti nei raccolti sulla base di campioni prelevati da singole piante.
- Prevedere i livelli di nutrienti del suolo (azoto, fosforo, potassio e così via) e altri indicatori (come la conducibilità elettrica) per studiare le loro relazioni con la resa delle colture e prescrivere quantità precise di fertilizzanti per ogni posizione nel campo.
- Le applicazioni meteorologiche includono la previsione delle temperature, delle precipitazioni e di variabili associate, come le piogge acide.
Note sull'utilizzo
Interpolazione punti include configurazioni per layer di input, impostazioni di interpolazione e layer di risultati.
Layer di input
Il gruppo Layer di input include i seguenti parametri:
Feature punto di input identifica le feature da interpolare.
Interpolazione campo contiene i valori dei dati da interpolare. Il campo deve essere numerico.
Impostazioni di interpolazione
Il gruppo Impostazioni interpolazione include i seguenti parametri:
Ottimizza per consente di specificare la preferenza tra predizioni accurate e velocità di calcolo.
Questo strumento utilizza lo strumento di geoprocessing Kriging baynesiano empirico per eseguire l'interpolazione. I parametri che vengono forniti allo strumento Kriging Bayesiano empirico sono controllati dal parametro Ottimizza per. Predizioni più accurate richiedono tempi di calcolo più lunghi. Sono disponibili le seguenti opzioni:
- Velocità: il modello di interpolazione verrà ottimizzato per calcoli più rapidi utilizzando il numero minore di simulazioni e impiegando le opzioni e le configurazioni più efficienti.
- Bilanciamento: il modello di interpolazione bilancerà la velocità e la precisione utilizzando le opzioni e le configurazioni tipiche. Si tratta dell'impostazione predefinita.
- Precisione: il modello di interpolazione verrà ottimizzato per calcoli accurati e precisi utilizzando il numero massimo di simulazioni e le opzioni e le configurazioni più complicate.
La tabella seguente elenca i valori dei parametri utilizzati nello strumento Kriging baynesiano empirico per ogni opzione:
Parametro Velocità Bilanciamento Precisione Tipo di trasformazione dati
NESSUNO
NESSUNO
EMPIRICO
Tipo del modello di semivariogramma
POTENZA
POTENZA
K_BESSEL
Numero massimo di punti in ogni modello locale
50
75
200
Fattore di sovrapposizione area modello locale
1
1,5
3
Numero di semivariogrammi simulati
30
100
200
Prossimità di ricerca (numero min di vicini)
8
10
15
Prossimità di ricerca (numero max di vicini)
8
10
15
Dimensione cella di output specifica la dimensione della cella del raster di output.
Le unità di misura disponibili sono piedi, miglia, metri e chilometri.
Trasforma dati trasforma i dati in una distribuzione normale prima di eseguire l'analisi. Se i valori dei dati non appaiono normalmente distribuiti (forma a campana), è preferibile eseguire una trasformazione.
- Non selezionato: non verrà applicata alcuna trasformazione. Si tratta dell'impostazione predefinita
- Selezionato: alla distribuzione normale verrà applicata una trasformazione.
Dimensione dei modelli locali specifica il numero di punti in ogni modello locale.
Un valore maggiore renderà l'interpolazione più globale e stabile, ma gli effetti in piccola scala potrebbero mancare. Valori maggiori renderanno l'interpolazione più locale, per cui è più probabile che vengano catturati effetti in piccola scala, ma l'interpolazione potrebbe essere instabile.
Numero di vicini specifica il numero di vicini che verranno utilizzati nel calcolo della predizione in una cella raster particolare.
Layer di risultati
Il gruppo Layer di risultati include i seguenti parametri:
Nome raster di output specifica il nome del layer raster di output che viene creato e aggiunto alla mappa.
Il nome deve essere unico. Se un layer con lo stesso nome esiste già nell'organizzazione, lo strumento non funzionerà e verrà chiesto di utilizzare un nome diverso.
Errore predizione output specifica se verrà creato un raster di errori standard delle predizioni interpolate. Gli errori di predizione sono utili perché forniscono informazioni sull'affidabilità dei valori predetti. Questo parametro è opzionale.
Se è necessario un raster di errori standard per le predizioni interpolate, avrà lo stesso nome del valore Raster di output ma con la parola Errori accodata.
- Tipo di layer di output specifica il tipo di output raster che verrà creato. L'output può essere un layer immagini di tile o un layer immagini dinamico.
- Il parametro Salva nella cartella specifica il nome di una cartella in I miei contenuti in cui verrà salvato il risultato.
Ambienti
Le impostazioni degli ambienti di analisi sono parametri aggiuntivi che influiscono sui risultati dello strumento. È possibile accedere alle impostazioni dello strumento dal gruppo di parametri Impostazioni ambiente.
Questo strumento rispetta i seguenti ambienti di analisi:
- Sistema di coordinate di output
- Estensione di elaborazione
Nota:
L'estensione di elaborazione predefinita in Map Viewer è Estensione completa. Questa impostazione predefinita è diversa da Map Viewer classico in cui Utilizza estensione mappa corrente è abilitato per impostazione predefinita.
- Snap raster
- Dimensione cella
- Maschera
Crediti
Questo strumento consuma crediti.
Utilizzare Stima crediti per calcolare il numero di crediti necessari per eseguire lo strumento. Per maggiori informazioni, vedere Comprendere i crediti per l'analisi spaziale.
Output
Questo strumento include i seguenti output:
Un layer raster di predizioni calcolate utilizzando una distribuzione di semivariogramma empirico generata tramite l'unione dei semivariogrammi singoli dalla distribuzione dei semivariogrammi nelle vicinanze del punto.
Un layer raster di errori standard delle predizioni interpolate.
- Come regola comune, il valore vero ricadrà in due errori standard del valore predetto il 95% delle volte. Ad esempio, una nuova posizione ha un valore predetto pari a 50 e un errore standard pari a 5.
- Ciò implica che la stima migliore del valore vero in tale posizione è 50, ma ragionevolmente potrebbe essere anche 40 o 60.
- Per calcolare questo intervallo di valori ipotizzabili, moltiplicare per due il valore dell'errore standard, quindi sommarlo o sottrarlo dal valore previsto in modo da ottenere rispettivamente il valore massimo o il valore minimo dell'intervallo.
Requisiti per l'utilizzo
Questo strumento richiede le seguenti configurazioni e licenze:
- Tipo di utente Creator o GIS Professional
- Ruolo Publisher, Facilitator o Amministratore, o un ruolo personalizzato equivalente
- ArcGIS Image for ArcGIS Online
Riferimenti
- Chilès J-P. e P. Delfiner (1999). Capitolo 4 di Geostatistics: Modeling Spatial Uncertainty. New York: John Wiley & Sons, Inc.
- Krivoruchko K. (2012). "Empirical Bayesian Kriging", ArcUser autunno 2012.
- Krivoruchko K. (2012). "Modeling Contamination Using Empirical Bayesian Kriging", ArcUser autunno 2012.
- Krivoruchko K. e A. Gribov (2014). "Pragmatic Bayesian kriging for non-stationary and moderately non-Gaussian data", Mathematics of Planet Earth. Proceedings of the 15th Annual Conference of the International Association for Mathematical Geosciences, Springer 2014, pp. 61-64.
- Krivoruchko K. e A. Gribov (2019). "Evaluation of empirical Bayesian kriging," Spatial Statistics Volume 32. https://doi.org/10.1016/j.spasta.2019.100368.
- Pilz J. e G. Spöck (2007). "Why Do We Need and How Should We Implement Bayesian Kriging Methods", Stochastic Environmental Research and Risk Assessment 22 (5):621-632.
Risorse
Usare le seguenti risorse per saperne di più:
- Definizione di kringing baynesiano empirico
- Interpolazione punti in ArcGIS REST API
- interpolate_points in ArcGIS API for Python
- Kriging bayesiamo empirico in ArcGIS Pro con l'estensione Geostatistical Analyst