Интерполировать точки (Map Viewer - анализ растра)

Доступно с ArcGIS Image for ArcGIS Online.

Инструмент Интерполировать точки берет точечные данные со значениями в каждой точке и использует метод интерполяции, в котором учитывается ошибка при оценке базовой вариограммы путем повторной имитации, для создания растров прогнозируемых значений и значений ошибки прогнозирования.

Выходные данные представляют собой размещенные слои изображений.

Более подробно об эмпирическом байесовском кригинге

Примеры

Примерами применения этого инструмента могут быть:

  • В районе управления качеством воздуха есть несколько датчиков, измеряющих уровень загрязнения. Этот инструмент может использоваться для прогнозирования уровней загрязнения в местах, где нет датчиков, например, в местах с людьми, относящимися к группам риска, например, в школах или больницах.
  • Прогнозирование содержания тяжелых металлов в зерновых культурах на основе проб, взятых у отдельных растений.
  • Прогнозирование уровней питательных веществ в почве (азот, фосфор, калий и др.) и другие индикаторы (такие, как электропроводимость) с целью изучения их влияния на урожайность зерновых и расчета точного объема удобрений для отдельных участков поля.
  • В метеорологии геостатистика используется для прогнозирования температур, осадков и связанных явлений (например, кислотных дождей).

Примечания по использованию

Интерполировать точки включает конфигурации для входных слоев, настроек интерполяции и результирующих слоев.

Входные слои

Группа Входные слои включает в себя следующий параметр:

  • Входные точечные объекты определяют объекты для интерполяции.

  • Поле интерполяции содержит значения данных для интерполяции. Поле Y должно быть числовым.

Настройки интерполяции

Группа Настройки интерполяции включает следующие параметры:

  • Оптимизировать для указывает ваши предпочтения между точностью прогнозирования и скоростью вычислений.

    Для выполнения интерполяции этот инструмент использует инструмент геообработки Эмпирический байесовский кригинг. Параметры, которые указываются для инструмента Эмпирический байесовский кригинг, контролируются параметром Оптимизировать для. Для более точных прогнозов требуется больше времени. Доступны следующие опции:

    • Скорость — модель интерполяции будет оптимизирована для более быстрых вычислений за счет использования наименьшего количества симуляций и использования наиболее эффективных опций и конфигураций.
    • Баланс — модель интерполяции будет сбалансирована между скоростью и точностью с использованием типичных опций и конфигураций. Используется по умолчанию.
    • Точность — модель интерполяции будет оптимизирована для точных расчетов с использованием наибольшего количества симуляций и самых сложных опций и конфигураций.

    В следующей таблице перечислены значения параметров, используемых в инструменте Эмпирический байесовский кригинг для каждой опции:

    ПараметрСкоростьБалансТочность

    Тип преобразования данных

    NONE

    NONE

    EMPIRICAL

    Тип модели вариограммы

    POWER

    POWER

    K_BESSEL

    Максимальное число точек в каждой локальной модели

    50

    75

    200

    Коэффициент перекрытия областей локальной модели

    1

    1.5

    3

    Число моделируемых вариограмм

    30

    100

    200

    Окрестность поиска (Мин. соседей)

    8

    10

    15

    Окрестность поиска (Макс. соседей)

    8

    10

    15

  • Размер выходной ячейки определяет размер ячейки выходного растра.

    Доступные единицы измерения это: футы, мили, метры и километры.

  • Преобразование данных преобразует данные в нормальное распределение перед выполнением анализа. Если значения данных не подчиняются нормальному распределению, рекомендуется выполнить преобразование.

    • Не отмечено – преобразование не будет применено. Используется по умолчанию
    • Отмечено – преобразование к нормальному распределению будет применено.
  • Размер локальных моделей определяет количество точек в каждой локальной модели.

    Большие значения делают интерполяцию более глобальной и надежной, но локальные эффекты могут быть потеряны. Меньшие значения сделают результаты интерполяции более локальными, что позволит выявить небольшие эффекты, однако интерполяция может оказаться несколько нестабильной.

  • Количество соседей указывает количество соседей, которые будут использоваться при расчете прогнозируемого значения для конкретной ячейки растра.

Слои результатов

Группа Слои результата включает в себя следующие параметры:

  • Имя выходного растра указывает имя выходного растрового слоя, который создается и добавляется на карту.

    Имя должно быть уникальным. Если слой с таким же именем уже существует в вашей организации, инструмент завершится ошибкой, и вам будет предложено указать другое имя.

  • Выходная ошибка прогнозирования указывает, будет ли создан растр стандартных ошибок интерполированных прогнозированных значений. Польза ошибок прогнозирования в том, что они дают информацию о надежности прогнозируемых значений. Это дополнительный параметр.

    Если запрошен растр стандартных ошибок для интерполированных прогнозов, он будет иметь то же имя, что и значение Выходного растра, но с добавленным к нему словом Ошибки.

  • Тип выходного слоя — определяет тип создаваемого выходного растра. Результатом может быть либо слой листов изображений, либо динамический слой изображений.
  • Сохранить в папке — указывает имя папки в Моих ресурсах, в которой будет сохранен результат.

Параметры среды

Настройки среды анализа — это дополнительные параметры, которые влияют на результаты работы инструмента. Вы можете получить доступ к настройкам среды анализа инструмента из группы параметров Настройки среды.

Этот инструмент поддерживает следующие параметры среды анализа:

Кредиты

Этот инструмент расходует кредиты.

Используйте Оценку кредитов, чтобы рассчитать количество кредитов, которое потребуется для запуска инструмента. Дополнительные сведения см. в разделе Понятие кредитов для пространственного анализа.

Выходные данные

Этот инструмент содержит следующие выходные данные:

  • Растровый слой прогнозов, рассчитанный с использованием эмпирической вариограммы распределения, которая сгенерирована путем объединения отдельных вариограмм из распределений вариограммы в окрестности точки.

  • Растровый слой стандартных ошибок интерполированных прогнозов.

    • Общее правило состоит в том, что в 95 процентах случаев истинное значение будет находиться между двух стандартных ошибок прогнозного значения интерполяции. Например, новое местоположение имеет прогнозируемое значение 50 и стандартную ошибку 5.
    • Это означает, что наилучшая оценка истинного значения в этом месте составляет 50, но оно может колебаться в диапазоне от 40 до 60.
    • Чтобы вычислить этот диапазон приемлемых значений, нужно умножить стандартную ошибку на два, эта величина и определяет значения верхней и нижней границы диапазона по отношению к предсказанному значению.

Требования к использованию

Для этого инструмента требуются следующие лицензии и конфигурации:

  • Тип пользователя Creator или GIS Professional
  • Роль Издатель, Посредник или Администратор, или эквивалентная пользовательская роль
  • ArcGIS Image for ArcGIS Online

Справочная информация

  • Дж-П Чилес и П. Дельфинер (1999). Глава 4 книги Геостатистика: Моделирование пространственной неопределенности. Нью-Йорк: John Wiley & Sons, Inc.
  • К. Криворучко А. (2012). "Empirical Bayesian Kriging," (Эмпирический байесовский кригинг) ArcUser Fall 2012.
  • К. Криворучко А. (2012). "Modeling Contamination Using Empirical Bayesian Kriging," (Моделирование загрязнения с использованием эмпирического байесовского кригинга) ArcUser Fall 2012.
  • К. Криворучко и А. Грибов (2014). "Pragmatic Bayesian kriging for non-stationary and moderately non-Gaussian data," (Прагматический байесовский кригинг для нестационарных и умеренно не гауссовых данных) Mathematics of Planet Earth. Материалы 15ой Ежегодной Конференции Международной Ассоциации Математических Наук о Земле, Springer 2014, стр. 61-64.
  • К. Криворучко и А. Грибов (2019). "Evaluation of empirical Bayesian kriging," (Оценка эмпирического байесовского кригинга) Spatial Statistics Том 32. https://doi.org/10.1016/j.spasta.2019.100368.
  • Дж. Пильц и Г. Спёк (2007). "Why Do We Need and How Should We Implement Bayesian Kriging Methods," (Зачем необходимы и как применять методы байесовского кригинга) Stochastic Environmental Research and Risk Assessment 22 (5):621–632.

Ресурсы

Для дополнительной информации см. следующие ссылки: