متاحة مع Image Server
تأخذ أداة Interpolate Points بيانات النقاط مع القيم في كل نقطة وتستخدم طريقة الاستيفاء ، التي تأخذ في الاعتبار الخطأ في تقدير مخطط semivariogram الأساسي من خلال عمليات المحاكاة المتكررة ، لإنتاج خطوط نقطية لقيم الخطأ المتوقع والتنبؤ.
المخرجات عبارة عن طبقات صور مستضافة.
التعرف على كيفية عمل استيفاء كريغنغ بايز التجريبي
أمثلة
تشمل الأمثلة على التطبيقات لهذه الأداة ما يلي:
- يوجد في منطقة إدارة جودة الهواء أدوات استشعار في بعض المواقع تقيس مستويات التلوث. يمكن استخدام هذه الأداة لتوقع مستويات التلوث في المواقع التي ليس بها اي أدوات استشعار، مثل مواقع التلوث أو المدارس أو المستشفيات.
- توقع أماكن تمركز المعادن الثقيلة في المحاصيل المستندة إلى العينات التي يتم الحصول عليها من النباتات الفردية.
- توقع مستويات تغذية التربة (النيتروجين والفسفور والبوتاسيوم وما إلى ذلك) والمؤشرات الأخرى (مثل، قابلية التوصيل بالكهرباء) لدراسة العلاقات وذلك لقص الحقول ووصف كميات الأسمدة لكل موقع في الحقل.
- تتضمن تطبيقات الأرصاد توقع لدرجات الحرارة وسقوط الأمطار والمتغيرات المقترنة (مثل الأمطار الحامضية).
ملاحظات الاستخدام
تتضمن أداة استيفاء النقاط تكوينات للطبقات المدخلة وإعدادات الاستيفاء والطبقات الناتجة.
الطبقات المدخلة
تتضمن مجموعة طبقات الإدخال المعلمات التالية:
حدد معالم النقطة المدخلة المعالم المراد استيفاؤها.
يحتوي حقل الاستيفاء على قيم البيانات المراد استيفاؤها. يجب أن يكون الحقل رقمي.
إعدادات الاستيفاء
تتضمن مجموعة إعدادات الاستيفاء المعلمات التالية:
تحسين لـ تحدد تفضيلاتك بين التنبؤات الدقيقة وسرعة الحساب.
تستخدم هذه الأداة أداة المعالجة الجغرافية Empirical Bayesian Kriging (كريغ البايزي التجريبي) لإجراء عملية الاستيفاء. المعلمات التي يتم تزويدها بأداة كريغ البايزي التجريبي يتم التحكم فيها من خلال معلمة تحسين. سيستغرق المزيد من التوقعات الدقيقة وقتًا أطول لحسابها. تتوفر الخيارات التالية:
- السرعة - سيتم تحسين نموذج الاستيفاء لإجراء عمليات حسابية أسرع باستخدام أقل عدد من عمليات المحاكاة واستخدام الخيارات والتكوينات الأكثر كفاءة.
- موازنة - ستتم موازنة نموذج الاستيفاء بين السرعة والدقة باستخدام الخيارات والتكوينات النموذجية. هذا هو الوضع الافتراضي.
- الدقة - سيتم تحسين نموذج الاستيفاء لإجراء حسابات دقيقة ومحددة باستخدام أكبر عدد من عمليات المحاكاة وأكثر الخيارات والتكوينات تعقيدًا.
يسرد الجدول التالي قيم المعلمات المستخدمة في أداة كريغنغ بايز التجريبي لكل خيار:
المعلمة سرعة توازن الدقة نوع نقل البيانات
بلا
بلا
تجريبي
نوع نموذج Semivariogram
قوة
قوة
K_BESSEL
الحد الأقصى لعدد النقاط في كل نموذج محلي
50
75
200
عامل تراكب منطقة النموذج المحلي
1
1.5
3
عدد السيميفيوغرام التي تمت محاكاتها
30
100
200
البحث عن الحي (الحد الأدنى من الجيران)
8
10
15
بحث عن الحي (الحد الأقصى من الجيران)
8
10
15
حجم الخلية الناتجة تحدد حجم خلية البيانات النقطية الناتجة.
الوحدات المتاحة هي القدم والميل والمتر والكيلومتر.
تحويل البيانات تقوم بتحويل البيانات إلى توزيع طبيعي قبل إجراء التحليل. إذا كانت قيم البيانات لا تبدو موزعة بشكل طبيعي (على شكل جرس)، فمن المستحسن أن تقوم بإجراء تحويل.
- تم إلغاء التحديد - لن يتم تطبيق أي تحويل. هذا هو الوضع الافتراضي
- تم التحديد - سيتم تطبيق التحويل على التوزيع الطبيعي.
حجم النماذج المحلية تحدد عدد النقاط في كل نموذج محلي.
القيمة الأكبر ستجعل الاستيفاء عامًا أكثر وأكثر واستقرارًا، ولكن قد يتم إغفال التأثيرات صغيرة الحجم. القيم الأصغر ستجعل الاستيفاء أكثر محلية، لذلك من المرجح أن يتم التقاط التأثيرات صغيرة الحجم، لكن الاستيفاء قد يكون غير مستقر.
عدد الجيران تحدد عدد الجيران الذي سيتم استخدامه عند حساب التنبؤ في خلية بيانات نقطية معينة.
طبقات النتيجة
تتضمن مجموعة طبقات النتيجة المعلمات التالية:
اسم البيانات النقطية الناتجة تحدد اسم طبقة البيانات النقطية الناتجة التي يتم إنشاؤها وإضافتها إلى الخريطة.
يجب أن يكون الاسم فريدًا. إذا كانت هناك طبقة بنفس الاسم موجودة بالفعل في مؤسستك ، فستفشل الأداة وستتم مطالبتك باستخدام اسم مختلف.
خطأ التوقع الناتج تحدد ما إذا كان سيتم إنشاء بيانات نقطية للأخطاء القياسية للتنبؤات المُستوفاة. أخطاء التنبؤ مفيدة لأنها توفر معلومات حول موثوقية القيم المتوقعة. هذه المعلمة اختيارية.
إذا تم طلب بيانات نقطية للأخطاء القياسية للتنبؤات المُستوفاة، فسيكون لها نفس اسم قيمة البيانات النقطية الناتجة، ولكن مع إلحاق كلمة الأخطاء بها.
- تُحدد أداة حفظ في مجلد اسم المجلد في المحتوى الخاص بي الذي يتم حفظ النتيجة فيه.
بيئات
إعدادات بيئة التحليل هي معلمات إضافية تؤثر على نتائج الأدوات. يمكنك الوصول إلى إعدادات بيئة التحليل الخاصة بالأداة من مجموعة معلمات إعدادات البيئة.
تنفذ هذه الأداة بيئات التحليل التالية:
- النظام الإحداثي الناتج
- معالجة المدى
ملاحظة:
نطاق المعالجة الافتراضي في Map Viewer هو النطاق الكامل. يختلف هذا الإعداد الافتراضي عن Map Viewer Classic والذي يتم فيه تمكين استخدام نطاق الخريطة الحالي افتراضيًا.
- التقاط البيانات النقطية
- حجم الخلية
- إخفاء
- معامل المعالجة المتوازية
المخرجات
تتضمن هذه الأداة المخرجات التالية:
طبقة بيانات نقطية للتنبؤات المحسوبة باستخدام توزيع سيميفاريوغرام تجريبي يتم إنشاؤه عن طريق دمج مخططات سيميفاريوغرام الفردية من توزيعات سيميفاريوغرام في المنطقة المجاورة للنقطة.
طبقة البيانات النقطية للأخطاء المعيارية للتنبؤات المُستوفاة.
- القاعدة الشائعة هي أن القيمة الحقيقية ستقع ضمن خطأين قياسيين للقيمة المتوقعة 95 بالمائة من الوقت. على سبيل المثال، الموقع الجديد له قيمة متوقعة 50 وخطأ قياسي 5.
- وهذا يعني أن أفضل تقدير للقيمة الحقيقية في ذلك الموقع هو 50 ، ولكن يمكن أن يصل إلى 40 أو يصل إلى 60.
- لحساب نطاق القيم المناسبة اضرب الخطأ القياسي في 2 وأضف هذه القيمة إلى القيمة المُتوقعة للحصول على الحد الأعلى من النطاق واطرحه من القيمة المُتوقعة للحصول على النهاية الأقل من النطاق.
متطلبات الاستخدام
تتطلب هذه الأداة الترخيصات والتكوينات التالية:
- نوع المستخدم Creator أو GIS Professional
- دور المسئول، أو الناشر، أو دور مخصص مكافئ
- ArcGIS Image Server تم تكوينه لتحليل البيانات النقطية
مراجع
- Chilès, J-P., and P. Delfiner (1999). Chapter 4 of 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 15th 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.
موارد
استخدم الموارد التالية لمعرفة المزيد:
- ما هو استيفاء كريغنغ بايز التجريبي
- استيفاء النقاط في ArcGIS REST API
- interpolate_points بتنسيق ArcGIS API for Python
- أداة استيفاء كريغنغ بايز التجريبي في ArcGIS Pro مع امتداد Geostatistical Analyst