| Подпись | Описание | Тип данных |
Входной файл модели | Файл модели пространственной статистики, который будет использоваться для выполнения новых прогнозов. | File |
Тип прогнозирования | Задает используемый режим выполнения инструмента. Этот инструмент может прогнозировать новые объекты или создавать растровую поверхность прогноза.
| String |
Входные объекты прогнозирования (Дополнительный) | Класс объектов, представляющих местоположения, где будет выполняться прогнозирование. Этот векторный слой также должен содержать любые независимые переменные, представленные в виде полей, которые соответствуют используемым для тренировки входной модели. | Feature Layer |
Выходные объекты прогнозирования (Дополнительный) | Выходной класс объектов, содержащий результаты прогнозирования. | Feature Class |
Выходной растр прогнозирования (Дополнительный) | Выходной растр, содержащий результаты прогнозирования. Размером ячейки по умолчанию будет максимальный размер ячейки входных растров. | Raster Dataset |
Сопоставление независимых переменных (Дополнительный) | Список независимых переменных входной модели и соответствующих полей входных объектов прогнозирования. Для каждой независимой переменной в столбце Training укажите соответствующее поле прогноза в столбце Prediction. Столбец Categorical определяет, является ли переменная категориальной или непрерывной. | Value Table |
Сопоставление объектов расстояния (Дополнительный) | Список независимых объектов расстояния входной модели и соответствующих прогнозируемых объектов расстояния. Для каждого независимого переменной объекта расстояния в столбце Training укажите соответствующий прогнозируемый объект расстояния в столбце Prediction. | Value Table |
Сопоставление независимых растров (Дополнительный) | Список независимых растров входной модели и соответствующих растров прогнозирования. Для каждого независимого растра в столбце Training укажите соответствующий растр прогнозирования в столбце Prediction. Столбец Categorical определяет, является ли растр категориальным или непрерывным. | Value Table |
Краткая информация
Прогнозирует постоянные или категорийные данные с использованием обученной модели пространственной статистики (файл .ssm).
Использование
Ниже приведены возможные варианты использования этого инструмента:
- Для классификации с обучением на основе леса и регрессионной модели, обученной для обнаружения морских водорослей с использованием ряда независимых экологических переменных, представленных и как атрибуты, и как растры, в дополнение к расстояниям до заводов вверх по течению и крупных портов. Появление морских водорослей в будущем может быть предсказано на основе будущих прогнозов для тех же экологических независимых переменных.
- Моделью, обученной экспертом, можно поделиться с другими, чтобы делать прогнозы без обмена конфиденциальными данными. Например, есть модель уровня свинца в крови детей и ID налогового участка их домов в сочетании с атрибутами уровня участка, такими как возраст дома, атрибутами уровня переписи населения, такими как доход и уровень образования, и национальный набор данных, отражающий выброс токсичных веществ свинца и его соединений. Можно спрогнозировать риск воздействия свинца для участков без данных об уровне свинца в крови. Эти прогнозы риска могут стимулировать политику и образовательные программы в области.
- Исследователь дикой природы собрал полевые данные о присутствии некоторых вымирающих видов в наблюдаемых местоположениях. Им необходимо оценить присутствие вида в более широкой области исследования и поделиться своей работой с другими исследователями. Используя известные места присутствия и предоставив базовые факторы в виде растров, эколог может смоделировать наличие вида, используя прогнозирование только наличия, и поделиться обученной моделью, не делясь конфиденциальной информацией о встречаемости вида. Модель может использоваться для создания карты прогнозируемых мест, где вид с наибольшей вероятностью будет найден.
Значение параметра Входной файл модели представляет собой файл .ssm, созданный различными инструментами в группе инструментов Моделирование пространственных отношений набора Пространственная статистика. Вы можете создать файл модели с помощью инструментов Обобщенная линейная регрессия, Классификация на основе леса и регрессия, регрессия с бустингом и Прогнозирование только присутствия (MaxEnt), указав значение параметра Выходной файл обученной модели в каждом инструменте.
Изучите разделы Как работает инструмент Обобщенная линейная регрессия, Как работает инструмент Классификация на основе леса и регрессия, регрессия с бустингом и Как работает инструмент Прогнозирование только присутствия, чтобы узнать, как каждая модель делает прогнозы для каждого типа модели.
При использовании опции Прогнозировать в объекты параметра Тип прогнозирования используйте параметр Выходные объекты прогнозирования, чтобы создать класс объектов с прогнозами. При использовании опции Прогнозировать в растр используйте параметр Выходная поверхность прогноза, чтобы создать растр прогнозируемых значений.
Для прогнозирования в растр файл .ssm должен быть обучен с использованием только растров.
Для использования файла ArcGIS Spatial Analyst extension, обученного с помощью растров, необходима лицензия .ssm.
Примечание:
Перед запуском этого инструмента рекомендуется запустить инструмент Описать файл модели пространственной статистики, чтобы узнать об именах переменных, типах, описаниях и единицах измерения для соответствующей подготовки данных. Вы можете, кроме того, использовать модель диагностики для оценки качества входного файла модели.
Независимые переменные могут быть получены из полей, быть вычислены по объектам расстояния или извлечены из растров. Комбинация независимых переменных должна соответствовать входному файлу модели.
Если независимая переменная или растр отмечены как категориальные при создании файла модели, параметр Категориальный будет отмечен и будет считать совпадающую переменную категориальной. Вы можете использовать инструмент Описать файл модели пространственной статистики перед запуском этого инструмента, чтобы определить, какие переменные являются категориальными в файле модели.
Переменные обучения и прогнозирования должен быть одного и того же типа. Например, числовые поля всех типов могут быть сопоставлены с числовыми полями всех остальных типов, но если обучающее поле является текстовым, соответствующая переменная прогнозирования также должна быть текстовой.
Примечание:
Рекомендуется задать единицы измерения переменной до сопоставления переменных обучения и прогнозирования. Если файл обученной модели и единицы измерения прогнозируемой переменной различаются, результаты могут быть неверными. Например, если вы обучаете модель, используя переменную дохода, выраженную в долларах США, но сопоставляете эту переменную с доходом в индийских рупиях при прогнозировании, диапазон переменных между обученными и прогнозируемыми переменными может быть неподходящим, что приведет к неточным прогнозируемым переменным.
Этот инструмент также создает сообщения и диаграммы, описывающие производительность модели. Чтобы получить доступ к сообщениям, поместите курсор на индикатор выполнения и щелкните всплывающую кнопку или разверните раздел сообщений на панели Геообработка. Вы можете получить доступ к сообщениям для выполненного ранее инструмента через Историю геообработки. В сообщения входит диагностика модели и другая информация о ней.
В сообщениях геообработки таблица Параметры модели описывает переменную и тип поля для прогнозирования, а также независимые переменные, используемые для создания модели. Таблица также содержит единицы измерения (если они заданы инструментом Задать свойства файла модели пространственной статистики) для каждой переменной, обеспечивающие их соответствие переменным прогноза при использовании модели для прогнозирования.
Внимание:
Чтобы можно было доверять результатам прогноза, рекомендуется оценить диагностику модели. Если модель была обучена без удержания каких-либо данных проверки, точность прогнозов не может быть оценена.
Внимание:
При запуске инструмента с помощью ArcPy важны порядок и регистр переменных, содержащихся в таблицах значений параметров Сопоставление независимых переменных, Сопоставление объектов расстояния и Сопоставить независимые растры. Например, если у вас есть две независимые переменные, содержащие значения температуры и влажности, и значение температуры должно стоять перед значением влажности, вы должны указать переменные именно в этом порядке. Используйте производные выходные данные инструмента Описать файл модели пространственной статистики, чтобы получить правильный порядок переменных, хранящихся во входном файле модели.
Параметры
arcpy.stats.PredictUsingSSMFile(input_model, prediction_type, {features_to_predict}, {output_features}, {output_raster}, {explanatory_variable_matching}, {explanatory_distance_matching}, {explanatory_rasters_matching})| Имя | Описание | Тип данных |
input_model | Файл модели пространственной статистики, который будет использоваться для выполнения новых прогнозов. | File |
prediction_type | Задает используемый режим выполнения инструмента. Этот инструмент может прогнозировать новые объекты или создавать растровую поверхность прогноза.
| String |
features_to_predict (Дополнительный) | Класс объектов, представляющих местоположения, где будет выполняться прогнозирование. Этот векторный слой также должен содержать любые независимые переменные, представленные в виде полей, которые соответствуют используемым для тренировки входной модели. | Feature Layer |
output_features (Дополнительный) | Выходной класс объектов, содержащий результаты прогнозирования. | Feature Class |
output_raster (Дополнительный) | Выходной растр, содержащий результаты прогнозирования. Размером ячейки по умолчанию будет максимальный размер ячейки входных растров. | Raster Dataset |
explanatory_variable_matching [[pred1, train1, cat1], [pred2, train2, cat2],...] (Дополнительный) | Список независимых переменных входной модели и соответствующих полей входных объектов прогнозирования. Для каждой независимой переменной в столбце Training укажите соответствующее поле прогноза в столбце Prediction. Столбец Categorical определяет, является ли переменная категориальной или непрерывной. | Value Table |
explanatory_distance_matching [[pred1, cat1], [pred2, cat2],...] (Дополнительный) | Список независимых объектов расстояния входной модели и соответствующих прогнозируемых объектов расстояния. Для каждого независимого переменной объекта расстояния в столбце Training укажите соответствующий прогнозируемый объект расстояния в столбце Prediction. | Value Table |
explanatory_rasters_matching [[pred1, train1, cat1], [pred2, train2, cat2],...] (Дополнительный) | Список независимых растров входной модели и соответствующих растров прогнозирования. Для каждого независимого растра в столбце Training укажите соответствующий растр прогнозирования в столбце Prediction. Столбец Categorical определяет, является ли растр категориальным или непрерывным. | Value Table |
Пример кода
Скрипт окна Python, демонстрирующий использование функции PredictUsingSSMFile.
arcpy.stats.PredictUsingSSMFile(
"PredictAsthma_Forest.ssm", "PREDICT_FEATURES",
"MedicareSpendingData", "Predicted_features", None,
"AVERAGE_HCC_SCORE_2010_CAT AVERAGE_HCC_SCORE_2010_CAT true;
HOSPBEDSD_INT HOSPBEDSD_INT false;
PERCENT_ASTHMA_2010_DBL PERCENT_ASTHMA_2010_DBL false",
"Distance_Hospital DF_POLY", "EVANDMAND_RASTER EVANDMAND #")В следующем автономном скрипте Python показано использование функции PredictUsingSSMFile.
# Predict to Raster using the Predict using spatial statistics model file tool
# Import system modules.
import arcpy
import os
# Set workspace.
arcpy.env.workspace = r"C:\Analysis"
arcpy.env.overwriteOutput = True
# Read the explanatory raster order and variable names using Describe Spatial
# Statistics Model File tool.
in_model = "Suitability.ssm"
desc_result = arcpy.stats.DescribeSSMFile(in_model)
# Print the list of explanatory rasters.
print(desc_result[2])
# Split the explanatory raster strings into a list of variable names.
exp_ras = desc_result[2].split(";")
# Set Parameters for prediction.
prediction_type="PREDICT_RASTER"
out_raster= "suitability_predicted_raster.tif"
match_exp_ras0 = "Climate_Bio2050.tif"
match_exp_ras1 = "Climate_Temp2050.tif"
match_exp_ras2 = "Climate_Solar2050.tif"
match_rasters = [[match_exp_ras0, exp_ras[0], None],
[match_exp_ras1, exp_ras[1], None],
[match_exp_ras2, exp_ras[2], None]]
# Run tool.
arcpy.stats.PredictUsingSSMFile(in_model, prediction_type, "", "", out_raster,
"", "", match_rasters)Параметры среды
Особые случаи
- Генератор случайных чисел
В качестве генератора случайных чисел всегда используется Mersenne Twister.