Interpolar puntos (Herramientas de Standard Feature Analysis)

Resumen

Predice los valores en nuevas ubicaciones en función de las mediciones de un conjunto de puntos. La herramienta usa los datos de puntos con valores en cada punto como entrada y crea áreas clasificadas por los valores predichos.

Los ejemplos incluyen lo siguiente:

• Un distrito de control de la calidad del aire tiene sensores 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 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).

Ilustración

Uso

• Se utiliza una capa de puntos como entrada. La capa de entrada debe tener un campo numérico que sirva como base de la interpolación. Esta herramienta se ha concebido para funcionar con datos que cambian lenta y gradualmente sobre el paisaje, como la temperatura y los niveles de contaminación. No es adecuada para datos como, por ejemplo, la población o los ingresos medios, que cambian súbitamente en distancias cortas.

• Esta herramienta se puede configurar para optimizar la velocidad, la veracidad o una combinación equilibrada de ambas. Cuanto más exactas sean las predicciones, más lentamente se calcularán los resultados y viceversa.

• Con esta herramienta se puede crear una capa de errores estándar usando la opción de error de predicción de salida. Se puede calcular un intervalo para la capa interpolada con un 95 de fiabilidad tomando el valor de interpolación y agregando dos errores estándar para el límite superior y quitando dos errores estándar del límite inferior.

• Esta herramienta usa el método Empirical Bayesian Kriging de Esri para realizar la interpolación. Los parámetros que se suministran con este método se controlan con el parámetro Opción de interpolación. A continuación se indican los parámetros.

  Parámetro	Velocidad	Predeterminado	Precisión
  Tipo de transformación de datos	NINGUNO	NINGUNO	EMPÍRICO
  Tipo de modelo de semivariograma	POTENCIA	POTENCIA	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
  Vecinos mínimos	8	10	15
  Vecinos máximos	8	10	15

Parámetros

• Dialog
• Python

Etiqueta	Explicación	Tipo de datos
Entidades de entrada	Las entidades de puntos que se interpolarán para generar una capa de superficie continua.	Feature Set
Nombre de salida	El nombre de la capa de salida que se creará en su portal.	String
Campo de interpolación (Opcional)	El campo numérico que contiene los valores que se interpolarán.	Field
Opción de interpolación (Opcional)	Especifica si se utilizará la velocidad, la veracidad o una combinación equilibrada de ambas. Las predicciones más precisas tardan más tiempo en calcularse. Velocidad—Se utilizará la velocidad. Equilibrada.—Se utilizará una combinación equilibrada de velocidad y veracidad. Esta es la opción predeterminada. Precisión—Se utilizará la veracidad.	String
Error de predicción de salida (Opcional)	Especifica si se creará una capa de salida de errores de predicción. Si se activa el parámetro, se creará una capa de polígonos de errores estándar para las predicciones de interpolación. Los errores estándar resultan útiles porque proporcionan información sobre la fiabilidad de los valores predichos. Una regla general sencilla es que 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 con un error estándar de 5. Esto significa que la predicción más aproximada de esta tarea es que el valor verdadero en esa ubicación es 50, aunque podría ser de 40 o 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. Activado—Se creará una capa de salida de errores de predicción. Desactivado—No se creará una capa de salida de errores de predicción. Esta es la opción predeterminada.	Boolean
Tipo de clasificación (Opcional)	Especifica cómo se clasificarán en polígonos los valores predichos. Intervalo equivalente—Los polígonos se crearán de forma que el rango de valores de densidad es igual para cada área. Intervalo geométrico—Los polígonos se crearán en función de los intervalos de clase que tengan una serie geométrica. Con esto se garantiza que cada rango de clase tenga aproximadamente el mismo número de valores en cada clase y que el cambio entre intervalos sea coherente. Esta es la opción predeterminada. Área igual—Los polígonos se crearán de forma que el tamaño de cada área sea igual. Por ejemplo, si el resultado tiene más valores de alta densidad que valores de baja densidad, se crearán más polígonos para las densidades altas. Introducir manualmente los cortes de clase—Se utilizará un rango personalizado de valores para las áreas. Estos valores deben proporcionarse como cortes de clase.	String
Cantidad de clases (Opcional)	El rango de valores predichos que se dividirán en distintas clases. El rango de valores de cada clase viene determinado por el tipo de clasificación. Cada clase define los límites de los polígonos resultantes. El valor predeterminado es 10 y el máximo es 32.	Long
Cortes de clase (Opcional)	Los valores de corte de clase que se utilizarán para una clasificación manual. Estos valores definen el límite superior de cada clase, de modo que el número de clases sea igual al número de valores proporcionados. No se crearán áreas para ninguna ubicación con valores predichos que estén por encima del máximo valor de corte proporcionado. Debe proporcionar al menos 2 y no más de 32 valores.	Double
Polígonos de delimitación (Opcional)	La capa que contiene los polígonos donde se interpolarán los valores. Por ejemplo, si está interpolando densidades de peces en un lago, puede usar el límite del lago en este parámetro, y la salida solo contendrá polígonos dentro del límite del lago.	Feature Set
Capa de predicción en puntos (Opcional)	Una capa opcional que contiene las ubicaciones de puntos que se utilizarán para calcular valores de predicción. Esto te permite realizar predicciones en ubicaciones de interés específicas. Por ejemplo, si la capa de entrada representa mediciones de niveles de contaminación, puede usar este parámetro para predecir los niveles de contaminación de las ubicaciones con grandes poblaciones de riesgo, como colegios u hospitales. A continuación, puedes usar esta información para hacer recomendaciones a las autoridades sanitarias de esas ubicaciones.	Feature Set

Salida derivada

Etiqueta	Explicación	Tipo de datos
Capa de salida	Las entidades poligonales de salida, en las que cada polígono rodea a los valores interpolados en función del tipo de clasificación y el número de clases.	Feature Set
Capa de errores de predicción de salida	Contiene el error predicho para cada punto de la capa de entrada.	Feature Set
Capa de puntos predichos de salida	La capa de puntos que contiene puntos de la capa de puntos predichos con los valores predichos.	Feature Set

Entornos

Extensión

Información de licenciamiento

• Basic: Requiere que su cuenta en ArcGIS Enterprise tenga el privilegio Realizar análisis
• Standard: Requiere que su cuenta en ArcGIS Enterprise tenga el privilegio Realizar análisis
• Avanzado: Requiere que su cuenta en ArcGIS Enterprise tenga el privilegio Realizar análisis

Temas relacionados

• Descripción general del conjunto de herramientas Analizar patrones
• Kriging bayesiano empírico
• Buscar una herramienta de geoprocesamiento