Skip To Content

插值点(Map Viewer - 栅格分析)

适用于 Image Server

插值点工具在每个点处获取具有值的点数据,并使用一种插值方法生成预测值和预测误差值的栅格,所使用的方法通过重复模拟来说明基础半变异函数估算中的误差。

将输出托管影像图层。

了解经验贝叶斯克里金法的工作原理

示例

此工具的应用示例如下:

  • 一处空气质量管理区在一些位置安装有用于测量污染水平的传感器。 此工具可用于预测未安装传感器位置的污染水平,如学校或医院等高危人群聚集的地区。
  • 根据从诸多单株植物中采集到的样本来预测农作物体内的重金属浓度。
  • 预测土壤养分水平(氮、磷、钾等)和其他指标(如导电性),以便研究这些指标与作物产量的关系并规定田间各处的精确化肥用量。
  • 气象应用包括温度、降雨和相关变量(例如酸雨)的预测。

用法说明

插值点包括输入图层、插值设置和结果图层的配置。

输入图层

输入图层组包括以下参数:

  • 输入点要素用于识别要插值的要素。

  • 插值字段包含要进行插值的数据值。 该字段必须为数值型。

插值设置

插值设置组包括以下参数:

  • 优化指定您在准确预测和计算速度之间的偏好。

    此工具使用经验贝叶斯克里金法地理处理工具执行插值。 提供给经验贝叶斯克里金法工具的参数由优化参数控制。 预测结果越精确,所花费的计算时间就越长。 可用选项如下:

    • 速度 - 插值模型将使用最少的模拟次数并采用最高效的选项和配置进行优化,以加快计算速度。
    • 平衡 - 插值模型将使用典型选项和配置在速度和精度之间取得平衡。 这是默认设置。
    • 精度 - 插值模型将使用最大的模拟次数和最复杂的选项和配置进行优化,以实现准确且精确的计算。

    下表列出了在经验贝叶斯克里金法工具中为每个选项使用的参数值:

    参数速度平衡精度

    数据变换类型

    EMPIRICAL

    半变异函数模型类型

    POWER

    POWER

    K_BESSEL

    各局部模型中的最大点数

    50

    75

    200

    局部模型区域重叠系数

    1

    1.5

    3

    模拟半变异函数的数量

    30

    100

    200

    搜索邻域(最小相邻要素数)

    8

    10

    15

    搜索邻域(最大相邻要素数)

    8

    10

    15

  • 输出像元大小指定输出栅格的像元大小。

    可用单位包括英尺、英里、米和千米。

  • 转换数据可在执行分析之前将数据转换为正态分布。 如果数据值似乎未呈正态分布(钟形),则建议您进行转换。

    • 未选中 - 不会应用转换。 这是默认设置
    • 选中 - 应用正态分布转换。
  • 局部模型大小 - 指定每个局部模型中的点数。

    数值越大,插值的全局性和稳定性越好,但是可能会失去小比例的效果。 数值越小,插值的局部性越好,因此更可能获得小比例的效果,但是插值可能不稳定。

  • 相邻要素的数目指定在特定栅格像元处计算预测时将使用的相邻要素数。

结果图层

结果图层组包括以下参数:

  • 输出栅格名称指定创建并添加到地图的输出栅格图层。

    名称必须唯一。 如果组织中已存在具有相同名称的图层,则工具将执行失败并提示您使用其他名称。

  • 输出预测误差指定是否创建插值预测标准误差的栅格。 预测误差可提供有关预测值的可信度的信息,因此非常有用。 设置此参数属于可选操作。

    如果需要插值预测的标准误差栅格,则其名称与输出栅格值相同,但是会追加 Errors 一词。

  • 保存在文件夹中将指定我的内容中将用于保存结果的文件夹的名称。

环境

分析环境设置是影响工具执行结果的附加参数。 可以从环境设置参数组访问工具的分析环境设置。

此工具支持以下分析环境:

输出

此工具包括以下输出:

  • 将使用经验半变异函数分布计算预测的栅格图层,该分布是通过对点邻域内半变异函数分布中的各个半变异函数进行合并而生成的。

  • 插值预测标准误差的栅格图层。

    • 通常的规则是有 95% 的真值会落在两个预测值标准误差之间。 例如,一个新位置的预测值为 50,标准误差为 5。
    • 这意味着该位置处真值的最佳估计值为 50,但不排除真值低至 40 或高达 60 的可能。
    • 为计算合理值的范围,可先用标准误差乘以 2,然后将得出的值加上预测值来获得范围上限,再用预测值减去乘以 2 后得出的值来获得范围下限。

许可要求

该工具需要以下许可和配置:

参考

  • 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.

资源

请通过以下资源了解更多详细信息: