Predecir con ráster de tendencia (Herramientas de Image Analyst)
Resumen
Calcula un ráster multidimensional previsto utilizando el ráster de tendencia de salida de la herramienta Generar ráster de tendencia.
Uso
Esta herramienta utiliza la salida de la herramienta Generar ráster de tendencia como ráster de tendencia multidimensional de entrada.
Esta herramienta produce un dataset ráster multidimensional en formato de ráster de nube (CRF). En este momento, no se admite ningún otro formato de salida.
De forma predeterminada, la salida del ráster multidimensional se comprimirá con el tipo de compresión LZ77. Sin embargo, se recomienda que cambie el tipo de compresión a LERC y ajuste el valor de error máximo en función de los datos. Por ejemplo, si espera que los resultados del análisis sean precisos hasta tres decimales, use 0,001 como valor de error máximo. Evite requisitos de precisión innecesarios, puesto que aumentarán el tiempo de procesamiento y el tamaño de almacenamiento.
Variables [Información de dimensión] (Descripción)
(Opcional)
Las variables que se van a predecir en el análisis. Si no se especifica ninguna variable, se utilizarán todas las variables.
String
Definición de dimensión
(Opcional)
Especifica el método utilizado para ofrecer valores de dimensión de predicción.
Por valor—La predicción se calculará para un solo valor de dimensión o una lista de valores de dimensión definidos por el parámetro Valores (dimension_values en Python). Este es el valor predeterminado. Por ejemplo, desea predecir la precipitación anual de los años 2050, 2100 y 2150.
Por intervalo—La predicción se calculará para un intervalo de la dimensión definida por un valor inicial y final. Por ejemplo, desea predecir la precipitación anual de cada año entre el 2050 y el 2150.
String
Valores
(Opcional)
El valor o los valores de dimensión que se utilizarán en la predicción.
El formato de los valores de tiempo, profundidad y altura debe coincidir con el formato de los valores de dimensión utilizados para generar el ráster de tendencia. Si el ráster de tendencia se generó para la dimensión StdTime, el formato debería ser AAAA-MM-DDTHH:MM:SS, por ejemplo, 2050-01-01T00:00:00. Varios valores se separan mediante punto y coma.
Este parámetro es necesario si el parámetro Definición de dimensión tiene el valor Por valor.
String
Iniciar
(Opcional)
La fecha, la altura o la profundidad de inicio del intervalo de dimensiones que se utilizarán en la predicción.
String
Fin
(Opcional)
La fecha, la altura o la profundidad finales del intervalo de dimensiones que se utilizarán en la predicción.
String
Intervalo de valor
(Opcional)
El número de pasos entre dos valores de dimensión que se incluirán en la predicción. El valor predeterminado es 1.
Por ejemplo, para predecir valores de temperatura cada cinco años, utilice un valor de 5.
Double
Unidad
(Opcional)
Especifica la unidad que se usará para el valor del intervalo. Este parámetro solo se aplica cuando la dimensión del análisis es una dimensión de tiempo.
Horas—La predicción se calculará para cada hora del rango de tiempo descrito por los parámetros Inicio, Fin e Intervalo de valor.
Días—La predicción se calculará para cada día del rango de tiempo descrito por los parámetros Inicio, Fin e Intervalo de valor.
Semanas—La predicción se calculará para cada semana del rango de tiempo descrito por los parámetros Inicio, Fin e Intervalo de valor.
Meses—La predicción se calculará para cada mes del rango de tiempo descrito por los parámetros Inicio, Fin e Intervalo de valor.
Años—La predicción se calculará para cada año del rango de tiempo descrito por los parámetros Inicio, Fin e Intervalo de valor.
String
Valor de retorno
Etiqueta
Explicación
Tipo de datos
Ráster multidimensional de salida
El dataset ráster multidimensional de formato de ráster de nube (CRF) de salida.
Las variables que se van a predecir en el análisis. Si no se especifica ninguna variable, se utilizarán todas las variables.
String
dimension_def
(Opcional)
Especifica el método utilizado para ofrecer valores de dimensión de predicción.
BY_VALUE—La predicción se calculará para un solo valor de dimensión o una lista de valores de dimensión definidos por el parámetro Valores (dimension_values en Python). Este es el valor predeterminado. Por ejemplo, desea predecir la precipitación anual de los años 2050, 2100 y 2150.
BY_INTERVAL—La predicción se calculará para un intervalo de la dimensión definida por un valor inicial y final. Por ejemplo, desea predecir la precipitación anual de cada año entre el 2050 y el 2150.
String
dimension_values[dimension_values,...]
(Opcional)
El valor o los valores de dimensión que se utilizarán en la predicción.
El formato de los valores de tiempo, profundidad y altura debe coincidir con el formato de los valores de dimensión utilizados para generar el ráster de tendencia. Si el ráster de tendencia se generó para la dimensión StdTime, el formato debería ser AAAA-MM-DDTHH:MM:SS, por ejemplo, 2050-01-01T00:00:00. Varios valores se separan mediante punto y coma.
Este parámetro es obligatorio si el parámetro dimension_def se define como BY_VALUE.
String
start
(Opcional)
La fecha, la altura o la profundidad de inicio del intervalo de dimensiones que se utilizarán en la predicción.
String
end
(Opcional)
La fecha, la altura o la profundidad finales del intervalo de dimensiones que se utilizarán en la predicción.
String
interval_value
(Opcional)
El número de pasos entre dos valores de dimensión que se incluirán en la predicción. El valor predeterminado es 1.
Por ejemplo, para predecir valores de temperatura cada cinco años, utilice un valor de 5.
Double
interval_unit
(Opcional)
Especifica la unidad que se usará para el valor del intervalo. Este parámetro solo se aplica cuando la dimensión del análisis es una dimensión de tiempo.
HOURS—La predicción se calculará para cada hora del rango de tiempo descrito por los parámetros start, end e interval_value.
DAYS—La predicción se calculará para cada día del rango de tiempo descrito por los parámetros start, end e interval_value.
WEEKS—La predicción se calculará para cada semana del rango de tiempo descrito por los parámetros start, end e interval_value.
MONTHS—La predicción se calculará para cada mes del rango de tiempo descrito por los parámetros start, end e interval_value.
YEARS—La predicción se calculará para cada año del rango de tiempo descrito por los parámetros start, end e interval_value.
String
Valor de retorno
Nombre
Explicación
Tipo de datos
out_multidimensional_raster
El dataset ráster multidimensional de formato de ráster de nube (CRF) de salida.
Raster
Muestra de código
Ejemplo 1 de PredictUsingTrendRaster (ventana de Python)
En este ejemplo se generan las precipitaciones y la temperatura previstas para el 1 de enero de 2050 y el 1 de enero de 2100.
# Import system modules
import arcpy
from arcpy.ia import *
# Run
predictOutput = PredictUsingTrendRaster("C:/Data/LinearTrendCoefficients.crf",
"temp;precip", "BY_VALUE", "2050-01-01T00:00:00;2100-01-01T00:00:00")
# Save output
predictOutput.save("C:/Data/Predicted_Temp_Precip.crf")
Ejemplo 2 de PredictUsingTrendRaster (script independiente)
En este ejemplo se generan los valores de NDVI previstos para cada mes del año 2025.
# Import system modules
import arcpy
from arcpy.ia import *
# Define input parameters
inFile = "C:/Data/HarmonicTrendCoefficients.crf"
variables = "NDVI"
dimension_definition = "BY_INTERVAL"
start = "2025-01-01T00:00:00"
end = "2025-12-31T00:00:00"
interval_value = 1
interval_unit = "MONTHS"
# Run - predict the monthly NDVI in 2025
predictOutput = PredictUsingTrendRaster(inFile, variables,
dimension_definition, '', start, end, interval_value, interval_unit)
# Save output
predictOutput.save("C:/data/predicted_ndvi.crf")