Skip To Content

Punkte interpolieren (Map Viewer: Raster-Analyse)

Available with Image Server

Das Werkzeug "Punkte interpolieren" übernimmt die Punktdaten mit den Werten an den jeweiligen Punkten und verwendet eine Interpolationsmethode, die die fehlerhafte Schätzung des zugrundeliegenden Semivariogramms durch wiederholte Simulationen berücksichtigt, um Raster mit den vorhergesagten Werten und den Vorhersagefehlern zu erstellen.

Die Ausgaben sind gehostete Bilddaten-Layer.

Weitere Informationen zur Funktionsweise von Empirical Bayesian Kriging

Beispiele

Dieses Werkzeug umfasst die folgenden Anwendungsgebiete:

  • In einem Luft-Qualitätsmanagement-Bezirk befinden sich an bestimmten Positionen Sensoren zur Messung des Verschmutzungsgrades. Mit diesem Werkzeug kann der Verschmutzungsgrad an Standorten vorhergesagt werden, an denen keine Sensoren vorhanden sind, z. B. an Standorten von Risikogruppen, wie Schulen oder Krankenhäuser.
  • Treffen Sie Vorhersagen zu Schwermetallkonzentrationen in bestimmten Pflanzenarten basierend auf Proben einzelner Pflanzen.
  • Sagen Sie den Nährstoffgehalt in Böden (Stickstoff, Phosphor, Kalium usw.) sowie andere Indikatoren (z. B. elektrische Leitfähigkeit) voraus, um deren Beziehung zum Ernteertrag zu untersuchen und genaue Dosierungen von Düngemitteln für jedes Gebiet vor Ort vorzuschreiben.
  • Meteorologische Anwendungen beinhalten die Vorhersage von Temperaturen, Niederschlag und damit verknüpften Variablen (wie saurer Regen).

Verwendungshinweise

"Punkte interpolieren" enthält Konfigurationen für Eingabe-Layer, Interpolationseinstellungen und Ergebnis-Layer.

Eingabe-Layer

Die Gruppe Eingabe-Layer enthält die folgenden Parameter:

  • Eingabe-Punkt Features identifiziert die Features, die interpoliert werden sollen.

  • Das Feld Interpolieren enthält die Datenwerte, die interpoliert werden sollen. Das Feld muss numerisch sein.

Interpolationseinstellungen

Die Gruppe Interpolationseinstellungen enthält die folgenden Parameter:

  • Optimieren für gibt an, welches Verhältnis zwischen der Genauigkeit der Vorhersagen und der Berechnungsgeschwindigkeit angestrebt werden soll.

    Dieses Werkzeug verwendet das Geoverarbeitungswerkzeug Empirical Bayesian Kriging, um die Interpolation durchzuführen. Die Parameter, die für das Werkzeug Empirical Bayesian Kriging bereitgestellt werden, werden über den Parameter Optimieren für gesteuert. Die Berechnung genauerer Vorhersagen nimmt mehr Zeit in Anspruch. Die folgenden Optionen sind möglich:

    • Geschwindigkeit: Das Interpolationsmodell wird für schnellere Berechnungen optimiert, indem die geringste Anzahl von Simulationen und die effizientesten Optionen und Konfigurationen verwendet werden.
    • Ausgleich: Das Interpolationsmodell bietet ein ausgewogenes Verhältnis zwischen Geschwindigkeit und Genauigkeit, indem typische Optionen und Konfigurationen verwendet werden. Dies ist die Standardeinstellung.
    • Genauigkeit: Das Interpolationsmodell wird für genaue und präzise Berechnungen optimiert, indem die größte Anzahl von Simulationen und die umfangreichsten Optionen und Konfigurationen verwendet werden.

    In der folgenden Tabelle sind die Parameterwerte aufgeführt, die im Werkzeug Empirical Bayesian Kriging für die jeweilige Option verwendet werden:

    ParameterGeschwindigkeitAusgleichGenauigkeit

    Datentransformationstyp

    NONE

    NONE

    EMPIRICAL

    Semivariogramm-Modelltyp

    POWER

    POWER

    K_BESSEL

    Maximale Anzahl Punkte in jedem lokalen Modell

    50

    75

    200

    Faktor der Überlappung von Bereichen

    1

    1,5

    3

    Anzahl simulierter Semivariogramme

    30

    100

    200

    Suchnachbarschaft (Min. Nachbarn)

    8

    10

    15

    Suchnachbarschaft (Max. Nachbarn)

    8

    10

    15

  • Ausgabezellengröße gibt die Zellengröße des Ausgabe-Rasters an.

    Die verfügbaren Einheiten lauten Fuß, Meilen, Meter und Kilometer.

  • Daten transformieren transformiert die Daten in eine Normalverteilung, bevor die Analyse durchgeführt wird. Falls die Datenwerte augenscheinlich nicht in Normalverteilung (glockenförmig) vorliegen, wird empfohlen, eine Transformation durchzuführen.

    • Deaktiviert: Es wird keine Transformation angewendet. Hierbei handelt es sich um die Standardeinstellung.
    • Aktiviert: Es wird eine Transformation zur Normalverteilung durchgeführt.
  • Größe lokaler Modelle gibt die Anzahl der Punkte in jedem lokalen Modell an.

    Durch größere Werte wird die Interpolation globaler und stabiler, allerdings werden Effekte mit kleinem Maßstab möglicherweise übersehen. Je kleiner die Werte, umso lokaler die Interpolation. Die Wahrscheinlichkeit, dass Effekte mit kleinem Maßstab erfasst werden, es dadurch höher, die Interpolation kann jedoch instabil sein.

  • Anzahl der Nachbarn gibt die Anzahl der Nachbarn an, die bei der Berechnung der Vorhersage für eine bestimmte Raster-Zelle verwendet wird.

Ergebnis-Layer

Die Gruppe Ergebnis-Layer enthält die folgenden Parameter:

  • Ausgabe-Raster-Name gibt den Namen des Ausgabe-Raster-Layers an, der erstellt und der Karte hinzugefügt wird.

    Der Name muss eindeutig sein. Wenn in der Organisation bereits ein Layer mit dem gleichen Namen vorhanden ist, tritt ein Fehler auf, und Sie werden aufgefordert, einen anderen Namen zu verwenden.

  • Fehler in der Prognose gibt an, ob ein Raster mit den Standardfehlern der interpolierten Vorhersagen erstellt werden soll. Vorhersagefehler sind hilfreich, da sie Informationen zur Zuverlässigkeit der vorhergesagten Werte liefern. Dieser Parameter ist optional.

    Wenn ein Raster mit Standardfehlern für die interpolierten Vorhersagen angefordert wird, entspricht der Name dem Wert des Ausgabe-Rasters, jedoch mit dem Zusatz "Fehler".

  • In Ordner speichern gibt den Namen eines Ordners in Eigene Inhalte an, in dem das Ergebnis gespeichert wird.

Umgebungen

Umgebungseinstellungen für die Analyse sind zusätzliche Parameter, mit denen die Ergebnisse eines Werkzeugs beeinflusst werden können. Sie können über die Parametergruppe Umgebungseinstellungen auf die Umgebungseinstellungen des Werkzeugs für die Analyse zugreifen.

Dieses Werkzeug berücksichtigt die folgenden Analyseumgebungen:

Ausgaben

Das Werkzeug umfasst die folgenden Ausgaben:

  • Ein Raster-Layer aus Vorhersagen, die mit Hilfe einer empirischen Semivariogrammverteilung berechnet werden, welche wiederum durch Zusammenführen der einzelnen Semivariogramme aus den Semivariogrammverteilungen in der Nachbarschaft des Punktes generiert wird.

  • Ein Raster-Layer aus Standardfehlern der interpolierten Vorhersagen.

    • Eine allgemeingültige Regel besagt, dass der tatsächliche Wert in 95 Prozent der Fälle innerhalb von zwei Standardfehlern um den vorhergesagten Wert liegt. Beispiel: Eine neue Position hat einen vorhergesagten Wert von 50 und einen Standardfehler von 5.
    • Dies bedeutet, dass die beste Schätzung für den tatsächlichen Wert an dieser Position 50 lautet, er aber durchaus Werte zwischen 40 und 60 aufweisen könnte.
    • Um diesen Bereich sinnvoller Werte zu berechnen, multiplizieren Sie den Standardfehler mit 2, addieren Sie diesen Wert mit dem vorhergesagten Wert, um den oberen Grenzwert des Bereichs zu erhalten, und subtrahieren Sie ihn vom vorhergesagten Wert, um den unteren Grenzwert zu berechnen.

Lizenzanforderungen

Für dieses Werkzeug werden folgende Lizenzen und Konfigurationen benötigt:

Referenzen

  • Chilès, J-P. und P. Delfiner (1999). Kapitel 4 von 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. und 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, S. 61-64.
  • Krivoruchko, K. und A. Gribov (2019). "Evaluation of empirical Bayesian kriging," Spatial Statistics Volume 32. https://doi.org/10.1016/j.spasta.2019.100368.
  • Pilz, J. und 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.

Ressourcen

Weitere Informationen finden Sie in den folgenden Quellen: