Interpoluj punkty (Map Viewer — analiza rastrowa)

Dostępne na serwerze Image Server

Narzędzie Interpoluj punkty pobiera dane punktowe z wartościami w każdym punkcie i stosuje metodę interpolacji, która uwzględnia błąd w szacowaniu podstawowego semiwariogramu przez wielokrotne symulacje, w celu utworzenia rastrów wartości przewidywanych i przewidywanych wartości błędu.

Danymi wynikowymi są hostowane warstwy zobrazowań.

Dowiedz się, jak działa empiryczny kriging bayesowski

Przykłady

Przykładowe zastosowania tego narzędzia to:

• Na obszarze objętym systemem zarządzania jakością powietrza w określonych lokalizacjach znajdują się czujniki wykonujące pomiary poziomu zanieczyszczenia. Tego narzędzia można użyć do prognozowania wartości poziomu zanieczyszczeń w miejscach, gdzie nie ma czujników, na przykład w lokalizacjach, w których znajduje się populacja szczególnie narażona, takich jak na przykład szkoły czy szpitale.
• Przewidywanie zawartości metali ciężkich w zbożach na podstawie pobranych próbek określonych roślin uprawnych.
• Przewidywanie poziomów substancji odżywczych w glebie (azot, fosfor, potas itp.) oraz innych właściwości (na przykład przewodność elektryczna gleby) w celu oceny ich wpływu na zbiory oraz ustalenia precyzyjnej ilości nawozu, jaką należy zastosować dla każdej lokalizacji pola.
• Aplikacje meteorologiczne oferują możliwość przewidywania wartości temperatur, opadów oraz innych powiązanych zmiennych (na przykład opadów kwaśnych deszczy).

Uwagi dotyczące korzystania

Narzędzie Interpoluj punkty zawiera konfiguracje warstw wejściowych, ustawień interpolacji i warstw wynikowych.

Warstwy wejściowe

Grupa Warstwy wejściowe zawiera następujące parametry:

• Parametr Wejściowe obiekty punktowe określa obiekty, które mają być interpolowane.

• Parametr Interpoluj pole zawiera wartości danych, które mają być interpolowane. Pole musi być typu liczbowego.

Ustawienia interpolacji

Grupa Ustawienia interpolacji zawiera następujące parametry:

• Parametr Optymalizuj dla określa Twoje preferencje między dokładnymi przewidywaniami a szybkością obliczeń.

  To narzędzie używa narzędzia geoprzetwarzania Empiryczny kriging bayesowski do przeprowadzania interpolacji. Parametrami dostarczanymi do narzędzia Empirical Bayesian Kriging steruje parametr Optymalizuj dla. Wykonanie bardziej precyzyjnych prognoz zajmuje więcej czasu. Dostępne są następujące opcje:

  • Szybkość — model interpolacji zostanie zoptymalizowany pod kątem szybkości obliczeń przez użycie jak najmniejszej liczby symulacji i zastosowanie najbardziej wydajnych opcji i konfiguracji.
  • Równowaga — model interpolacji będzie zrównoważony między szybkością i dokładnością dzięki zastosowaniu typowych opcji i konfiguracji. Jest to opcja domyślna.
  • Dokładność — model interpolacji zostanie zoptymalizowany pod kątem dokładnych i precyzyjnych obliczeń przez zastosowanie największej liczby symulacji oraz najbardziej skomplikowanych opcji i konfiguracji.

  Poniższa tabela zawiera wartości parametrów używanych w narzędziu Empiryczny kriging bayesowski dla każdej opcji:

  Parametr	Prędkość	Balans	Dokładność
  Typ transformacji danych	BRAK	BRAK	EMPIRICAL
  Typ modelu semiwariogramu	POWER	POWER	K_BESSEL
  Maksymalna liczba punktów w każdym modelu lokalnym	50	75	200
  Współczynnik nakładania obszaru modelu lokalnego	1	1,5	3
  Liczba symulowanych semiwariogramów	30	100	200
  Sąsiedztwo wyszukiwania (min. liczba sąsiadów)	8	10	15
  Sąsiedztwo wyszukiwania (maks. liczba sąsiadów)	8	10	15

• Wielkość komórki danych wynikowych określa wielkość komórki rastra wynikowego.

  Dostępne jednostki to stopy, mile, metry i kilometry.

• Transformuj dane przekształca dane do rozkładu normalnego przed wykonaniem analizy. Jeśli wartości danych nie wyglądają na mające rozkład normalny (w kształcie dzwonu), zaleca się przeprowadzenie transformacji.

  • Nie zaznaczono — nie będzie stosowana żadna transformacja. Jest to opcja domyślna
  • Zaznaczono — zostanie zastosowana transformacja do rozkładu normalnego.

• Wielkość modeli lokalnych określa liczbę punktów w każdym modelu lokalnym.

  Większa wartość sprawi, że interpolacja będzie bardziej globalna i stabilna, ale efekty w małej skali mogą zostać pominięte. Mniejsze wartości powodują, że interpolacja jest bardziej lokalna, a więc istnieje większe prawdopodobieństwo uchwycenia efektów w małej skali, ale interpolacja może być niestabilna.

• Liczba sąsiadów określa liczbę sąsiednich, które będą używane podczas obliczania prognoz dla danej komórki rastra.

Warstwy wynikowe

Grupa Warstwy wynikowe zawiera następujące parametry:

• Nazwa rastra wynikowego określa nazwę wynikowej warstwy rastrowej, która jest tworzona i dodawana do mapy.

  Nazwa musi być unikalna. Jeśli w instytucji istnieje już warstwa o tej samej nazwie, działanie narzędzia zakończy się niepowodzeniem i wyświetlona zostanie prośba o wybór innej nazwy.

• Błąd prognozy wynikowej określa, czy zostanie utworzony raster błędów standardowych interpolowanych prognoz. Wyszukanie błędów prognozy jest przydatne, ponieważ dostarcza informacji na temat wiarygodności przewidywanych wartości. Ten parametr jest opcjonalny.

  Jeśli zostanie zażądany raster błędów standardowych dla interpolowanych prognoz, będzie miał taką samą nazwę jak wartość w polu Raster wynikowy, ale z dodanym słowem Errors (Błędy).

• Opcja Zapisz w folderze określa nazwę folderu na stronie Moje zasoby, w którym zostaną zapisane dane wynikowe.

Środowiska

Ustawienia środowiskowe dotyczące analiz to dodatkowe parametry wpływające na wyniki działania narzędzia. Dostęp do ustawień środowiskowych narzędzia dotyczących analiz można uzyskać z poziomu grupy parametrów Ustawienia środowiskowe.

Narzędzie to obsługuje następujące środowiska analiz:

• Wynikowy układ współrzędnych
• Zasięg przetwarzania

  Notatka:

  Domyślny zasięg przetwarzania w przeglądarce map Map Viewer to Pełny zasięg. To ustawienie domyślne jest inne niż w przeglądarce map Map Viewer Classic, w której domyślnie włączona jest opcja Użyj zasięgu bieżącej mapy.

• Raster dociągania
• Rozmiar komórki
• Maska
• Czynnik przetwarzania równoległego

Dane wynikowe

To narzędzie udostępnia następujące dane wynikowe:

• Warstwa rastrowa prognoz obliczonych przy użyciu empirycznego rozkładu semiwariogramów, który jest generowany przez połączenie poszczególnych semiwariogramów z rozkładów semiwariogramów w sąsiedztwie punktu.

• Warstwa rastrowa błędów standardowych interpolowanych prognoz.

  • Powszechnie stosowana jest zasada, że prawidłowa wartość będzie mieścić się w zakresie dwóch błędów standardowych o przewidywanej wartości w 95% przypadków. Na przykład przewidywana wartość dla nowej lokalizacji to 50, a błąd standardowy wynosi 5.
  • Oznacza to, że najlepszym oszacowaniem prawidłowej wartości dla tej lokalizacji jest 50, jednak równie prawdopodobnie może wynosić minimalnie 40, a maksymalnie 60.
  • Aby obliczyć zakres prawdopodobnych wartości, należy pomnożyć wartość błędu standardowego przez 2, a następnie dodać tę wartość do przewidywanej wartości, aby uzyskać górną granicę zakresu, i odjąć tę wartość od przewidywanej wartości w celu otrzymania dolnej granicy zakresu.

Wymagania dotyczące licencjonowania

To narzędzie wymaga następujących licencji i konfiguracji:

• Typ użytkownika Creator lub GIS Professional
• Rola Publikujący lub Administrator albo rola niestandardowa odpowiadająca tym rolom
• Serwer ArcGIS Image Server skonfigurowany pod kątem analizy rastrowej

Odniesienia

• Chilès J-P. i Delfiner P. (1999): Rozdział 4 publikacji Geostatistics: Modeling Spatial Uncertainty. Nowy Jork: 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. i Gribov A. (2014). „Pragmatic Bayesian kriging for non-stationary and moderately non-Gaussian data”. Mathematics of Planet Earth. Proceedings of the 15^th Annual Conference of the International Association for Mathematical Geosciences. Springer 2014, s. 61–64.
• Krivoruchko K. i Gribov A. (2019). „Evaluation of empirical Bayesian kriging”, Spatial Statistics Tom 32. https://doi.org/10.1016/j.spasta.2019.100368.
• Pilz J. i 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.

Zasoby

Aby dowiedzieć się więcej, skorzystaj z następujących zasobów:

• Czym jest empiryczny kriging bayesowski?
• Interpoluj punkty w interfejsie ArcGIS REST API
• interpolate_points w interfejsie ArcGIS API for Python
• Empiryczny kriging bayesowski w aplikacji ArcGIS Pro z rozszerzeniem Geostatistical Analyst