Interpolar Pontos

A ferramenta Interpolar Pontos pega dados de pontos com valores em cada ponto e usa um método de interpolação, que contabiliza o erro na estimativa do semivariograma subjacente através de simulações repetidas, para produzir rasters de valores de erro previstos e de previsão.

As saídas são camadas de imagens hospedadas.

Saiba como funciona a Krigagem Bayesiana Empírica

Exemplos

Exemplos de aplicações desta ferramenta incluem o seguinte:

• Uma área de gerenciamento da qualidade do ar tem sensores em alguns locais que medem níveis de poluição. Esta ferramenta pode ser utilizada para prever níveis de poluição em locais que não têm sensores, como locais com populações de risco—escolas ou hospitais, por exemplo.
• Prever concentrações de metal pesado em colheitas baseado em amostras tiradas de plantas individuais.
• Prever níveis de nutriente do solo (nitrogênio, fósforo, potássio, e assim por diante) e outros indicadores (como condutividade elétrica) para estudar suas relações com rendimento da cultura e prescrever quantidades precisas de fertilizante para cada local no campo.
• Os aplicativos meteorológicos incluem predição de temperaturas, chuva e variáveis associadas (como chuva ácida).

Anotações de uso

Interpolar Pontos inclui configurações para camadas de entrada, configurações de interpolação e camadas de resultado.

Camadas de entrada

O grupo de camadas de entrada inclui os seguintes parâmetros:

• Feições de Ponto de Entrada identificam as feições para interpolar. Para entradas da feição, uma contagem de feições é exibida abaixo do nome da camada. A contagem inclui todas as feições na camada, exceto as feições que foram removidas usando um filtro. As configurações de ambiente, como Extensão de processamento, não são refletidas na contagem de feições.

• Interpolar campo são valores de dados para interpolar. Este campo deve ser numérico.

Configurações de interpolação

O grupo Configurações de interpolação inclui os seguintes parâmetros:

• Otimizar para especifica se a interpolação será otimizada para velocidade, precisão ou uma combinação de ambas.

  Esta ferramenta utiliza a ferramenta de geoprocessamento Krigagem Bayesiana Empírica para executar a interpolação. Os parâmetros que são fornecidos para as ferramentas Krigagem Bayesiana Empírica são controladas pelo parâmetro Otimizar por. Predições mais precisas levarão mais tempo para calcular. As seguintes opções estão disponíveis:

  • Velocidade—O modelo de interpolação será otimizado para cálculos mais rápidos usando o menor número de simulações e empregando as opções e configurações mais eficientes.
  • Equilíbrio—O modelo de interpolação será equilibrado entre velocidade e precisão usando opções e configurações típicas. Este é o padrão.
  • Precisão—O modelo de interpolação será otimizado para cálculos precisos e exatos usando o maior número de simulações e as opções e configurações mais complicadas.

  A seguinte tabela lista os valores dos parâmetros usados na ferramenta Krigagem Bayesiana Empírica para cada opção:

  Parâmetro	Velocidade	Balanço	Precisão
  Tipo de transformação de dados	NENHUM	NENHUM	EMPIRICAL
  Tipo de modelo de semivariograma	POWER	POWER	K_BESSEL
  Número máximo de pontos em cada modelo local	50	75	200
  Fator de sobreposição de área de modelo local	1	1.5	3
  Número de semivariogramas simulados	30	100	200
  Pesquisar vizinhança (Mínimo de vizinhos)	8	10	15
  Pesquisar vizinhança (Máximo de vizinhos)	8	10	15

• Tamanho da Célula de Saída é o tamanho da célula do raster de saída.

  As unidades disponíveis são pés, milhas, metros e quilômetros.

• Transformar Dados especifica se os dados serão transformados em uma distribuição normal antes de realizar a análise. Se os valores dos dados não parecerem distribuídos normalmente (em forma de sino), é recomendado que você execute uma transformação.

  • Desmarcado—Nenhuma transformação será aplicada. Este é o padrão
  • Marcado—Uma transformação para a distribuição normal que será aplicada.

• Tamanho de Modelos Locais é o número de pontos em cada modelo local.

  Um valor maior tornará a interpolação mais global e estável, mas efeitos de pequena escala podem ser perdidos. Valores menores tornarão a interpolação mais local, portanto, efeitos de pequena escala são mais prováveis de serem capturados, mas a interpolação pode ser instável.

• Número de Vizinhos é o número de vizinhos que serão usados ao calcular a previsão em uma célula raster específica.

Camadas resultantes

O grupo de Camadas de resultado inclui os seguintes parâmetros:

• Nome do raster de saída é o nome da camada raster de saída que será criada e adicionada ao mapa ou cena.

  O nome deve ser único. Se já existir uma camada com o mesmo nome em sua organização, a ferramenta falhará e você será solicitado a usar um nome diferente.

• Erro de previsão de saída especifica se um raster dos erros padrão das previsões interpoladas será criado. Os erros de previsão são úteis porque fornecem informações sobre a confiabilidade dos valores previstos. Este parâmetro é opcional.

  Se um raster de erros padrão para as previsões interpoladas for solicitado, ele terá o mesmo nome que o valor do Raster de saída, mas com a palavra Erros anexada a ele.

• Tipo de camada de saída especifica o tipo de saída raster a ser criado. A saída pode ser uma camada de imagem mosaicada ou uma camada de imagem dinâmica.
• Salvar na pasta especifica o nome de uma pasta em Meu conteúdo onde o resultado será salvo.

Ambientes

As configurações do ambiente de análise são parâmetros adicionais que afetam os resultados de uma ferramenta. Você pode acessar as configurações do ambiente de análise da ferramenta no grupo de parâmetros Configurações do ambiente.

Esta ferramenta respeita os seguintes ambientes de análise:

• Sistema de Coordenadas de Saída
• Transformações geográficas
• Extensão de processamento

  Anotação:

  A extensão de processamento padrão é Extensão total. Este padrão é diferente de Map Viewer Classic no qual Usar a extensão do mapa atual é habilitado por padrão.

• Ajustar raster
• Tamanho da célula
• Máscara

Créditos

Esta ferramenta consome créditos.

Use Estimar créditos para calcular o número de créditos que serão necessários para executar a ferramenta. Para obter mais informações, consulte Compreender os créditos para análise espacial.

Saídas

Esta ferramenta inclui as seguintes saídas:

• Uma camada raster de previsões calculada usando uma distribuição empírica de semivariogramas que é gerada pela mesclagem dos semivariogramas individuais das distribuições de semivariogramas na vizinhança de ponto.

• Uma camada raster de erros padrão das previsões interpoladas

  • Uma regra comum é que o valor verdadeiro cairá dentro de dois erros padrão do valor previsto em 95% das vezes. Por exemplo, um novo local tem um valor previsto de 50 e um erro padrão de 5.
  • Isso significa que a melhor estimativa do valor real naquele local é 50, mas razoavelmente pode ser tão baixo quanto 40 ou tão alto quanto 60.
  • Para calcular este intervalo de valores razoável, multiplique o erro padrão por 2, adicione este valor ao valor previsto para obter o maior valor final do intervalo e subtraia do valor previsto para obter o menor valor final do intervalo.

Requisitos de uso

Esta ferramenta requer o seguinte tipo de usuário e configurações:

• Professional ou tipo de usuário Professional Plus
• Papel de Publisher, Facilitador ou Administrator, ou um papel personalizado equivalente com o privilégio Análise de imagens​

Referências

• Chilès, J-P. and P. Delfiner (1999). Capítulo 4 de Geostatistics: Modeling Spatial Uncertainty. New York: John Wiley & Sons, Inc.
• Krivoruchko, K. (2012). "Empirical Bayesian Kriging," ArcUser Fall 2012.
• Krivoruchko, K. (2012). "Modeling Contamination Using Empirical Bayesian Kriging," ArcUser Fall 2012.
• Krivoruchko, K., and A. Gribov (2014). "Pragmatic Bayesian kriging for non-stationary and moderately non-Gaussian data," Mathematics of Planet Earth. Proceedings of the 15^th Annual Conference of the International Association for Mathematical Geosciences, Springer 2014, pp. 61-64.
• Krivoruchko, K., and A. Gribov (2019). "Evaluation of empirical Bayesian kriging," Spatial Statistics Volume 32. https://doi.org/10.1016/j.spasta.2019.100368.
• Pilz, J., and 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.

Recursos

Utilize os seguintes recursos para saber mais:

• O que é Krigagem Bayesiana Empírica?
• Interpolar Pontos no ArcGIS REST API
• interpolate_points no ArcGIS API for Python
• Krigagem Bayesiana Empírica no ArcGIS Pro com a extensão Geostatistical Analyst