Disponible con Image Server
La herramienta Interpolar puntos toma los datos de puntos con valores en cada punto y utiliza un método de interpolación que tiene en cuenta el error al estimar el semivariograma subyacente mediante simulaciones repetidas para producir rásteres de valores de errores predichos y de predicción.
Las salidas son capas de imágenes alojadas.
Más información sobre cómo funciona el kriging bayesiano empírico
Ejemplos
Estas son algunas aplicaciones de ejemplo de esta herramienta:
- Un distrito de gestión de la calidad del aire tiene sensores en algunos lugares que miden los niveles de contaminación. Esta herramienta se puede usar para predecir los niveles de contaminación en los puntos que no tienen sensores como, por ejemplo, las ubicaciones con poblaciones de riesgo, por ejemplo, colegios u hospitales.
- Prediga las concentraciones de metales pesados de las cosechas en función de las muestras tomadas de plantas individuales.
- Prediga los niveles de nutrientes del suelo (nitrógeno, fósforo, potasio, etc.) y otros indicadores (como la conductividad eléctrica) para estudiar su relación con la productividad de los cultivos y prescribir cantidades precisas de fertilizante para cada ubicación del campo.
- Las aplicaciones meteorológicas incluyen la predicción de las temperaturas, las precipitaciones y las variables asociadas (como la lluvia ácida).
Notas de uso
Interpolar puntos incluye configuraciones para capas de entrada, ajustes de interpolación y capas de resultados.
Capas de entrada
El grupo Capas de entrada incluye los siguientes parámetros:
Entidades de puntos de entrada identifica las entidades que se van a interpolar.
Interpolar campo contiene los valores de datos que se van a interpolar. El campo debe ser numérico.
Configuración de interpolación
El grupo Ajustes de interpolación incluye los siguientes parámetros:
Optimizar para especifica su preferencia entre predicciones precisas y velocidad de cálculo.
Esta herramienta utiliza la herramienta de geoprocesamiento Kriging bayesiano empírico para realizar la interpolación. Los parámetros que se proporcionan para la herramienta Empirical Bayesian Kriging se controlan mediante el parámetro Optimizar para. Las predicciones más exactas tardarán más tiempo en calcularse. Las siguientes opciones están disponibles:
- Velocidad: el modelo de interpolación se optimizará para obtener cálculos más rápidos utilizando el menor número de simulaciones y empleando las opciones y configuraciones más eficientes.
- Balance: el modelo de interpolación se equilibrará entre velocidad y precisión utilizando opciones y configuraciones típicas. Esta es la opción predeterminada.
- Precisión: el modelo de interpolación se optimizará para cálculos precisos y precisos utilizando el mayor número de simulaciones y las opciones y configuraciones más complicadas.
La siguiente tabla muestra los valores de los parámetros utilizados en la herramienta Kriging bayesiano empírico para cada opción:
Parámetro Velocidad Balance Precisión Tipo de transformación de datos
NINGUNO
NINGUNO
EMPÍRICO
Tipo de modelo de semivariograma
POWER
POWER
K_BESSEL
Número máximo de puntos en cada modelo local
50
75
200
Factor de superposición del área del modelo local
1
1,5
3
Número de semivariogramas simulados
30
100
200
Buscar vecindario (vecinos mín.)
8
10
15
Buscar vecindario (vecinos máx.)
8
10
15
Tamaño de celda de salida especifica el tamaño de celda del ráster de salida.
Las unidades disponibles son pies, millas, metros y kilómetros.
Transformar datos transforma los datos en una distribución normal antes de realizar el análisis. Si los valores de datos no parecen tener una distribución normal (en forma de campana), es recomendable realizar una transformación.
- Desactivado: no se aplicará transformación. Esta es la configuración predeterminada
- Activado: se aplica una transformación a la distribución normal.
Tamaño de los modelos locales especifica el número de puntos de cada modelo local.
Un valor mayor hará que la interpolación sea más global y estable, pero podrían perderse algunos efectos de pequeña escala. Con valores más pequeños, la interpolación será más local, de modo que será más probable que se capten los efectos de pequeña escala, pero la interpolación podría ser inestable.
Número de vecinos especifica la cantidad de vecinos que se utilizarán al calcular la predicción en una celda ráster determinada.
Capas de resultados
El grupo Capas de resultados incluye los siguientes parámetros:
Nombre del ráster de salida especifica el nombre de la capa ráster de salida que se crea y se agrega al mapa.
El nombre debe ser único. Si ya existe una capa con el mismo nombre en su organización, la herramienta fallará y se le pedirá que utilice otro nombre.
Error de predicción de salida especifica si se creará un ráster de los errores estándar de las predicciones interpoladas. Los errores de predicción resultan útiles porque proporcionan información sobre la fiabilidad de los valores predichos. Este parámetro es opcional.
Si se solicita un ráster de errores estándar para las predicciones interpoladas, tendrá el mismo nombre que el valor Ráster de salida, pero con la palabra Errores adjunta.
- Guardar en carpeta especifica el nombre de una carpeta de Mi contenido en la que se guardará el resultado.
Entornos
La configuración del entorno de análisis cuenta con parámetros adicionales que afectan a los resultados de una herramienta. Puede acceder a la configuración del entorno de análisis de la herramienta desde el grupo de parámetros Configuración del entorno.
Esta herramienta respeta estos entornos de análisis:
- Sistema de coordenadas de salida
- Extensión de procesamiento
Nota:
La extensión de procesamiento predeterminada en Visor de mapas es la extensión completa. Este valor predeterminado es diferente de Map Viewer Classic, en donde Usar extensión de mapa actual está habilitado de forma predeterminada.
- Alinear ráster
- Tamaño de celda
- Máscara
- Factor de procesamiento en paralelo
Salidas
Esta herramienta incluye los siguientes campos:
Una capa ráster de predicciones usando una nueva distribución de semivariograma empírico que se genera fusionando los semivariogramas individuales a partir de las distribuciones del semivariograma en la vecindad del punto.
Una capa ráster de errores estándar de las predicciones interpoladas.
- Como norma general, el verdadero valor estará comprendido entre dos errores estándar del valor predicho el 95 % del tiempo. Por ejemplo, una nueva ubicación tiene un valor previsto de 50 y un error estándar de 5.
- Esto significa que la estimación más aproximada del valor real en esa ubicación es 50, pero razonablemente podría ser tan bajo como 40 o tan alto como 60.
- Para calcular este rango de valores razonables, multiplique el error estándar por 2, sume este valor al valor predicho para obtener el límite superior del rango y réstelo del valor predicho para obtener el límite inferior del rango.
Requisitos de licencia
Esta herramienta requiere las siguientes licencias y configuraciones:
- Tipo de usuario Creator o GIS Professional
- Rol de publicador o administrador, o rol personalizado equivalente
- ArcGIS Image Server configurado para el análisis de ráster
Referencias
- Chilès, J-P. y P. Delfiner (1999). Capítulo 4 de Geostatistics: Modeling Spatial Uncertainty. Nueva York: John Wiley & Sons, Inc.
- Krivoruchko K. (2012). "Empirical Bayesian Kriging," ArcUser otoño de 2012.
- Krivoruchko K. (2012). "Modeling Contamination Using Empirical Bayesian Kriging," ArcUser otoño de 2012.
- Krivoruchko, K. y 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. y A. Gribov (2019). "Evaluation of empirical Bayesian kriging," Spatial Statistics Volume 32. https://doi.org/10.1016/j.spasta.2019.100368.
- Pilz, J. y 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
Utilice los recursos siguientes para más información:
- ¿Qué es el kriging bayesiano empírico?
- Interpolar puntos en API REST de ArcGIS
- interpolate_points en ArcGIS API for Python
- Kriging bayesiano empírico en ArcGIS Pro con la extensión Geostatistical Analyst