Image Server에서 이용 가능
포인트 보간 도구는 각 포인트에 값이 있는 포인트 데이터를 가져오고 반복 시뮬레이션을 통해 기본 반베리오그램을 추정하는 오류를 설명하는 보간 방법을 사용하여 예측된 오류 값 및 예측 오류 값의 래스터를 생성합니다.
결과는 호스팅 영상 레이어입니다.
예시
이 도구의 응용 예시는 다음과 같습니다.
- 공기 질 관리 구역에는 오염 수준을 측정하는 센서가 일부 위치에 있습니다. 이 도구는 센서가 없는 위치(예시: 학교나 병원과 같이 오염 위험도가 높은 위치)에서 오염 수준을 예측하는 데 사용할 수 있습니다.
- 개별 식물에서 채취한 샘플을 기반으로 작물의 중금속 농도를 예측합니다.
- 토양 영양분 수준(질소, 인, 칼륨 등) 및 기타 지표(예: 전기 전도도)를 예측하여 작물 수확량과의 관계를 연구하고 현장의 각 위치에 대해 정확한 양의 비료를 처방합니다.
- 기상 응용프로그램에는 온도, 강우량 및 관련 변수(예: 산성비)가 포함됩니다.
사용 참고 사항
포인트 보간에는 입력 레이어, 보간 설정, 결과 레이어에 대한 구성이 포함됩니다.
입력 레이어
입력 레이어 그룹에는 다음 매개변수가 포함됩니다.
입력 포인트 피처는 보간할 피처를 식별합니다.
보간 필드에는 보간할 데이터 값이 포함되어 있습니다. 필드는 반드시 숫자이어야 합니다
보간 설정
보간 설정 그룹에는 다음 매개변수가 포함됩니다.
최적화는 정확한 예측 및 계산 속도 간의 선호도를 지정합니다.
이 도구는 경험적 베이지안 크리깅 지오프로세싱 도구를 사용하여 보간을 수행합니다. 경험적 베이즈 크리깅 도구에 제공되는 매개변수는 최적화 매개변수를 통해 제어됩니다. 더 정확하게 예측할수록 계산하는 데 오랜 시간이 걸립니다. 다음과 같은 옵션이 제공됩니다.
- 속도 - 보간 모델은 가장 적은 수의 시뮬레이션을 사용하고 가장 효율적인 옵션 및 구성을 통해 더 빠른 계산에 최적화됩니다.
- 밸런스 - 보간 모델은 일반적인 옵션 및 구성을 사용하여 속도와 정확도 간에 균형을 이룹니다. 이 옵션이 기본 설정입니다.
- 정확도 - 보간 모델은 가장 많은 수의 시뮬레이션과 가장 복잡한 옵션 및 구성을 사용하여 정확한 계산에 최적화됩니다.
다음 테이블에는 각 옵션에 대해 경험적 베이지안 크리깅 도구에 사용된 매개변수 값이 나열되어 있습니다.
매개변수 속도 밸런스 정확도 데이터 변환 형식
NONE
NONE
EMPIRICAL
반배리오그램 모델 유형
POWER
POWER
K_BESSEL
각 지역 모델의 최대 포인트 수
50
75
200
지역 모델 영역 중첩 요소
1
1.5
3
가상 반배리오그램의 수
30
100
200
검색 인접 영역(최소 인접 피처)
8
10
15
검색 인접 영역(최대 인접 피처)
8
10
15
결과 셀 크기는 결과 래스터의 셀 크기를 지정합니다.
피트, 마일, 미터, 킬로미터 단위를 사용할 수 있습니다.
데이터 변환은 분석을 수행하기 전에 데이터를 정규 분포로 변환합니다. 데이터 값이 정규 분포(종 모양)로 표시되지 않는 경우 변환을 수행하는 것을 권장합니다.
- 선택 취소됨 - 변환이 적용되지 않습니다. 이 옵션이 기본 설정입니다.
- 선택됨 - 정규 분포에 대한 변환이 적용됩니다.
로컬 모델의 크기는 각 로컬 모델의 포인트 수를 지정합니다.
더 큰 값은 보다 전역적이고 안정적인 보간을 만들지만 작은 배율의 효과가 누락될 수 있습니다. 더 작은 값은 보다 로컬인 보간을 만들므로 작은 배율의 효과를 취득할 수 있지만 보간은 불안정할 수 있습니다.
인접 피처 수는 특정 래스터 셀에서 예측을 계산할 때 사용될 인접 피처 수를 지정합니다.
결과 레이어
결과 레이어 그룹에는 다음 매개변수가 포함됩니다.
결과 래스터 이름은 맵에 생성되어 추가되는 결과 래스터 레이어의 이름을 지정합니다.
이름은 고유해야 합니다. 기관에 동일한 이름의 레이어가 이미 있는 경우 도구를 사용할 수 없으며 다른 이름을 사용하라는 메시지가 표시됩니다.
결과 예측 오류는 보간된 예측의 표준 오류 래스터를 생성할지 여부를 지정합니다. 예측 오류는 예측 값의 신뢰도에 관한 정보를 제공하므로 유용합니다. 매개변수는 선택 사항입니다.
보간된 예측에 대한 표준 오류 래스터가 요청되면 결과 래스터 값과 이름이 동일하지만 오류라는 단어가 추가됩니다.
- 폴더에 저장은 결과가 저장되는 내 콘텐츠의 폴더 이름을 지정합니다.
환경
분석 환경 설정은 도구의 결과에 영향을 주는 추가 매개변수입니다. 환경 설정 매개변수 그룹에서 도구의 분석 환경 설정에 접근할 수 있습니다.
이 도구는 다음과 같은 분석 환경을 적용합니다.
결과
해당 도구에는 다음 결과가 포함됩니다.
포인트의 인접 영역에 있는 반베리오그램 분포에서 개별 반베리오그램을 병합하여 생성된 경험적 반베리오그램 분포를 사용하여 계산된 예측의 래스터 레이어
보간된 예측의 표준 오류 래스터 레이어.
- 일반적인 규칙으로 실제 값은 95%의 확률로 예측 값의 2가지 표준 오류 이내에 속하게 됩니다. 예를 들어 새 위치에서 5의 표준 오류와 예측 값 50이 있습니다.
- 즉, 해당 위치의 실제 값이 50이지만 40으로 내려가거나 60으로 올라갈 수도 있다고 추측합니다.
- 이 범위의 합리적인 값을 계산하려면 표준 오류에 2를 곱하고, 이 값을 예측 값에 더하여 범위의 상한값을 구하고, 예측 값에서 이 값을 빼서 범위의 하한값을 구합니다.
라이선싱 요구 사항
이 도구에는 다음과 같은 라이선싱 및 구성이 필요합니다.
- Creator 또는 GIS Professional 사용자 유형
- Publisher, Administrator 역할 또는 동급의 사용자 설정 역할
- 래스터 분석을 위해 구성된 ArcGIS Image Server
참조
- Chilès, J-P., P. Delfiner(1999). 지리 통계: 공간 불확실성 모델링 4장 New York: John Wiley & Sons, Inc.
- Krivoruchko, K.(2012). "경험적 베이지안 크리깅", ArcUser Fall 2012.
- Krivoruchko, K.(2012). "경험적 베이지안 크리깅을 사용한 오염 모델링", ArcUser Fall 2012.
- Krivoruchko, K., A. Gribov(2014). "비정상 및 적정의 비가우시안 데이터를 위한 실용적인 베이지안 크리깅," Mathematics of Planet Earth. International Association for Mathematical Geosciences의 제15차 연례 컨퍼런스 회의록, Springer 2014, pp. 61-64.
- Krivoruchko, K., A. Gribov(2019). "Evaluation of empirical Bayesian kriging," Spatial Statistics Volume 32. https://doi.org/10.1016/j.spasta.2019.100368.
- Pilz, J., G. Spöck(2007). "베이지안 크리깅 방법이 필요한 이유 및 구현 방법," Stochastic Environmental Research and Risk Assessment 22 (5):621–632.
리소스
다음과 같은 리소스를 사용하여 자세히 알아보세요.
- 경험적 베이지안 크리깅의 개념
- ArcGIS REST API에서 포인트 보간
- ArcGIS API for Python의 interpolate_points
- Geostatistical Analyst 익스텐션이 포함된 ArcGIS Pro의 경험적 베이지안 크리깅