Prévision de la régression EBK (Outils Geostatistical Analyst)

Résumé

La prévision de la régression EBK est une méthode d’interpolation géostatistique qui utilise le krigeage bayésien empirique avec des rasters de variable explicative connus pour affecter la valeur des données que vous interpolez. Cette approche associe le krigeage à l'analyse de régression pour réaliser des prévisions qui sont plus précises que ce qu'il est possible d'obtenir avec chaque méthode de régression ou de krigeage.

En savoir plus sur l’outil Prévision de la régression EBK

Utilisation

Cet outil prend uniquement en charge les cartes de prédiction en sortie. Pour créer des cartes d’erreurs standards, de quantiles ou de probabilités, générez une couche géostatistique et convertissez-la en raster (ou en plusieurs rasters) à l’aide de l’outil Couche GA vers rasters.
Cette méthode de krigeage peut gérer les données en entrée modérément non stationnaires.
Seuls les voisinages de recherche de type Standard Circular (Circulaire standard) et Smooth Circular (Circulaire lissé) sont autorisés pour cette méthode d’interpolation.
Si l’une des valeurs Input explanatory variable rasters (Rasters de variable explicative en entrée) comporte plusieurs cellules NoData, il est possible que Output geostatistical layer (Couche géostatistique en sortie) ne puisse pas être visualisée sur la carte. Cela n’est pas un problème et les calculs ont été effectués correctement. Pour visualiser la sortie, convertissez la couche géostatistique en raster à l’aide de l’outil Couche GA vers rasters ou Couche GA vers grille. Vous pouvez également choisir de générer un raster directement à partir de cet outil à l’aide du paramètre Output prediction raster (Raster de prévision en sortie).
Si les valeurs du paramètre Input dependent variable features (Entités de variable dépendante en entrée) se trouvent dans un système de coordonnées géographiques, toutes les distances sont calculées à l’aide de distances de corde. Pour plus d’informations sur les distances de corde, reportez-vous à la section Calculs de distance pour les données de coordonnées géographiques de la rubrique d’aide Présentation du krigeage bayésien empirique.

Etiqueter	Explication	Type de données
Entités de variable dépendante en entrée	Entités ponctuelles en entrée contenant le champ à interpoler.	Feature Layer
Champ de variable dépendante	Champ des entités en entrée contenant les valeurs de la variable dépendante. Il s’agit du champ qui sera interpolé.	Field
Rasters de variable explicative en entrée	Rasters en entrée représentant les variables explicatives à utiliser pour concevoir le modèle de régression. Ces rasters doivent représenter les variables connues pour influer sur les valeurs de la variable dépendante. Par exemple, lorsque vous interpolez des données de température, un raster d’élévation doit être utilisé comme variable explicative car la température est influencée par l’élévation. Vous pouvez utiliser jusqu’à 62 rasters explicatifs.	Raster Layer; Mosaic Layer
Couche géostatistique en sortie	Couche géostatistique en sortie qui affiche le résultat de l’interpolation.	Geostatistical Layer
Raster de prédiction en sortie (Facultatif)	Raster en sortie qui affiche le résultat de l’interpolation. La taille de cellule par défaut correspond au maximum des tailles de cellule des rasters de variable explicative. Pour utiliser une taille de cellule différente, utilisez le paramètre d’environnement Cell size (Taille de cellule).	Raster Dataset
Classe d’entités de diagnostic en sortie (Facultatif)	Classe d’entités surfaciques en sortie qui affiche les régions de chaque modèle local et contient des champs avec des informations de diagnostic pour les modèles locaux. Pour chaque sous-ensemble, un polygone entourant les points du sous-ensemble est créé afin de faciliter l’identification des points qui ont été utilisés dans chaque sous-ensemble. Par exemple, si 10 modèles locaux sont présents, cette sortie comportera dix polygones. La classe d’entités contiendra les champs suivants : Number of Principal Components (Nombre de composantes principales) (`PrincComps`) : nombre de composantes principales qui ont été utilisées comme variables explicatives. La valeur sera toujours inférieure ou égale au nombre de rasters de variable explicative. Percent of Variance (Pourcentage de la variance) (`PercVar`) : pourcentage de variance capturé par les composantes principales. Cette valeur est supérieure ou égale à la valeur spécifiée dans le paramètre Minimum cumulative percent of variance (Pourcentage cumulé minimal de la variance) ci-dessous. Root Mean Square Error (Erreur quadratique moyenne) (`RMSE`) : racine carrée des erreurs quadratiques moyennes de validation croisée. Plus la valeur est petite, meilleur est l’ajustement du modèle. Percent 90 Interval (Intervalle de 90 pour cent) (`Perc90`) : pourcentage de points de données qui se trouvent dans un intervalle de confiance de validation croisée de 90 %. Idéalement, ce nombre doit être proche de 90. Une valeur beaucoup plus petite que 90 indique que les erreurs standard sont sous-estimées. Une valeur beaucoup plus grande que 90 indique que les erreurs standard sont surestimées. Percent 95 Interval (Intervalle de 95 pour cent) (`Perc95`) : pourcentage de points de données qui se trouvent dans un intervalle de confiance de validation croisée de 95 %. Idéalement, ce nombre doit être proche de 95. Une valeur beaucoup plus petite que 95 indique que les erreurs standard sont sous-estimées. Une valeur beaucoup plus grande que 95 indique que les erreurs standard sont surestimées. Mean Absolute Error (Erreur absolue moyenne) (`MeanAbsErr`) : moyenne des valeurs absolues des erreurs de validation croisée. Cette valeur doit être aussi faible que possible. Elle est similaire à Root Mean Square Error (Erreur quadratique moyenne), tout en étant moins influencée par les valeurs extrêmes. Mean Error (Erreur moyenne) (`MeanError`) : moyenne des erreurs de validation croisée. Cette valeur doit être proche de zéro. Une valeur sensiblement différente de zéro indique que les prédictions ne sont pas fiables. Continuous Ranked Probability Score (Score de probabilité classé continu) (`CRPS`) : le score de probabilité classé continu est un diagnostic qui mesure l’écart entre la fonction de distribution cumulative prévisionnelle et chaque valeur de donnée observée. Cette valeur doit être aussi faible que possible. Ce diagnostic comporte des avantages par rapport aux diagnostics de validation croisée car il compare les données à une distribution complète et non à des prévisions de point unique.	Feature Class
Champ d’erreur de mesure de la variable dépendante (Facultatif)	Champ qui spécifie l’erreur de mesure pour chaque point dans les entités de variable dépendante. Pour chaque point, la valeur de ce champ doit correspondre à un écart type de la valeur mesurée du point. Utilisez ce champ si les valeurs d’erreur de mesure ne sont pas identiques pour chaque point. Des données mesurées à l’aide de différents appareils sont fréquemment à l’origine d’erreurs de mesure non constantes. Un appareil peut être plus précis qu’un autre, ce qui implique qu’il génère des erreurs de mesure plus faibles. Par exemple, un thermomètre arrondit au degré le plus proche tandis qu’un autre arrondit au dixième de degré le plus proche. La variabilité des mesures est généralement fournie par le fabricant de l’appareil de mesure ou déterminée de manière empirique. Laissez ce paramètre vide en l’absence de valeurs d’erreur de mesure ou si ces dernières sont inconnues.	Field
Pourcentage cumulé minimal de la variance (Facultatif)	Définit le pourcentage cumulé minimal de la variance à partir des composantes principales des rasters de variable explicative. Avant de créer le modèle de régression, les composantes principales des variables explicatives sont calculées et ces composantes principales sont utilisées comme variables explicatives dans la régression. Chaque composante principale capture un certain pourcentage de la variance des variables explicatives et ce paramètre contrôle le pourcentage minimal de la variance à capturer par les composantes principales de chaque modèle local. Par exemple, si la valeur 75 est fournie, le logiciel utilise le nombre minimal de composantes principales qui sont nécessaires pour capturer au moins 75 pour cent de la variance des variables explicatives. Les composantes principales n’étant pas mutuellement corrélées les unes aux autres, leur utilisation résout le problème de multicolinéarité (variables explicatives corrélées les unes aux autres). La plupart des informations contenues dans toutes les variables explicatives peuvent fréquemment être capturées dans seulement quelques composantes principales. Si vous ignorez les composantes principales les moins utiles, le calcul du modèle devient plus stable et efficace sans perte de précision significative. Pour calculer les composantes principales, les variables explicatives doivent présenter une variabilité. Ainsi, si l’un des rasters de variable explicative contient des valeurs constantes dans un sous-ensemble, ces rasters constants ne sont pas utilisés pour calculer les composantes principales de ce sous-ensemble. Si tous les rasters de variable explicative dans un sous-ensemble contiennent des valeurs constantes, la classe d’entités de diagnostic en sortie signale qu’aucune des composantes principales n’a été utilisée et qu’elles ont capturé zéro pour cent de la variabilité.	Double
Sous-ensemble d’entités surfaciques (Facultatif)	Entités surfaciques définissant où les modèles locaux seront calculés. Les points à l’intérieur de chaque polygone seront utilisés pour les modèles locaux. Ce paramètre est utile si vous savez que la valeur de la variable dépendante change en fonction de régions connues. Par exemple, ces polygones peuvent représenter des régions administratives en matière de santé, où la politique sanitaire change pour chacune. Vous pouvez également utiliser l’outil Générer des sous-ensembles de polygones pour créer des sous-ensembles de polygones. Les polygones créés par cet outil ne se superposent pas et sont compacts.	Feature Layer
Type de transformation de la variable dépendante (Facultatif)	Type de transformation à appliquer aux données en entrée. Aucun—N’appliquer aucune transformation. Il s’agit de l’option par défaut. Empirique—Transformation par coefficient multiplicatif correctif avec fonction de base Empirique. Logarithme empirique—Transformation par coefficient multiplicatif correctif avec fonction de base Logarithmique empirique. Toutes les valeurs de données doivent être positives. Si cette option est sélectionnée, toutes les prévisions seront positives.	String
Type de modèle de semi-variogramme (Facultatif)	Modèle de semi-variogramme qui sera utilisé pour l’interpolation. Exponentiel—Semi-variogramme de type exponentiel Pépite—Semi-variogramme de type pépite Whittle—Semi-variogramme de type Whittle K de Bessel—Semi-variogramme de type K de Bessel	String
Maximum number of points in each local model (Facultatif)	Les données en entrée seront automatiquement divisées en sous-ensembles ne contenant pas plus que ce nombre de points. Si le sous-ensemble d’entités surfaciques est fourni, la valeur de ce paramètre est ignorée.	Long
Local model area overlap factor (Facultatif)	Facteur représentant le degré de superposition entre les modèles locaux (également appelés sous-ensembles). Chaque point en entrée peut être compris dans plusieurs sous-ensembles. Le facteur de superposition indique le nombre moyen des sous-ensembles dans lesquels chaque point sera compris. Une valeur élevée du facteur de superposition rend la surface en sortie plus lisse, mais augmente également le temps de traitement. Les valeurs doivent être comprises entre 1 et 5. Si le sous-ensemble d’entités surfaciques est fourni, la valeur de ce paramètre est ignorée.	Double
Nombre de simulations (Facultatif)	Nombre de semi-variogrammes simulés de chaque modèle local. En augmentant le nombre de simulations, les calculs du modèle seront plus stables, mais le temps de calcul sera plus long.	Long
Search neighborhood (Facultatif)	Définit les points de voisinage qui seront utilisés pour contrôler la sortie. Standard est la valeur par défaut. Circulaire standard Max neighbors (Nbre max. de voisins) : nombre maximal de voisins qui sont utilisés pour estimer la valeur à la localisation inconnue. Min neighbors (Nbre min. de voisins) : nombre minimal de voisins qui sont utilisés pour estimer la valeur à la localisation inconnue. Sector Type (Type de secteur) : géométrie du voisinage. One sector (Un secteur) : ellipse unique. Four sectors (Quatre secteurs) : ellipse divisée en quatre secteurs. Four sectors shifted (Quatre secteurs orientés) : ellipse divisée en quatre secteurs et orientée à 45 degrés Eight sectors (Huit secteurs) : ellipse divisée en huit secteurs. Angle : angle de rotation de l’axe (cercle) ou du demi-grand axe (ellipse) de la fenêtre mobile. Radius (Rayon) : longueur du rayon du cercle de recherche. Circulaire lissé Smoothing factor (Facteur de lissage) : l’option Smooth Interpolation (Interpolation lisse) crée une ellipse extérieure et une ellipse intérieure à une distance égale au semi-grand axe multiplié par le facteur de lissage. Les points se trouvant à l’extérieur de la plus petite ellipse, mais à l’intérieur de la plus grande ellipse sont pondérés à l’aide d’une fonction sigmoïde avec une valeur comprise entre zéro et un. Radius (Rayon) : longueur du rayon du cercle de recherche.	Geostatistical Search Neighborhood

arcpy.ga.EBKRegressionPrediction(in_features, dependent_field, in_explanatory_rasters, out_ga_layer, {out_raster}, {out_diagnostic_feature_class}, {measurement_error_field}, {min_cumulative_variance}, {in_subset_features}, {transformation_type}, {semivariogram_model_type}, {max_local_points}, {overlap_factor}, {number_simulations}, {search_neighborhood})

Nom	Explication	Type de données
in_features	Entités ponctuelles en entrée contenant le champ à interpoler.	Feature Layer
dependent_field	Champ des entités en entrée contenant les valeurs de la variable dépendante. Il s’agit du champ qui sera interpolé.	Field
in_explanatory_rasters [[in_explanatory_raster,…],...]	Rasters en entrée représentant les variables explicatives à utiliser pour concevoir le modèle de régression. Ces rasters doivent représenter les variables connues pour influer sur les valeurs de la variable dépendante. Par exemple, lorsque vous interpolez des données de température, un raster d’élévation doit être utilisé comme variable explicative car la température est influencée par l’élévation. Vous pouvez utiliser jusqu’à 62 rasters explicatifs.	Raster Layer; Mosaic Layer
out_ga_layer	Couche géostatistique en sortie qui affiche le résultat de l’interpolation.	Geostatistical Layer
out_raster (Facultatif)	Raster en sortie qui affiche le résultat de l’interpolation. La taille de cellule par défaut correspond au maximum des tailles de cellule des rasters de variable explicative. Pour utiliser une taille de cellule différente, utilisez le paramètre d’environnement Cell size (Taille de cellule).	Raster Dataset
out_diagnostic_feature_class (Facultatif)	Classe d’entités surfaciques en sortie qui affiche les régions de chaque modèle local et contient des champs avec des informations de diagnostic pour les modèles locaux. Pour chaque sous-ensemble, un polygone entourant les points du sous-ensemble est créé afin de faciliter l’identification des points qui ont été utilisés dans chaque sous-ensemble. Par exemple, si 10 modèles locaux sont présents, cette sortie comportera dix polygones. La classe d’entités contiendra les champs suivants : Number of Principal Components (Nombre de composantes principales) (`PrincComps`) : nombre de composantes principales qui ont été utilisées comme variables explicatives. La valeur sera toujours inférieure ou égale au nombre de rasters de variable explicative. Percent of Variance (Pourcentage de la variance) (`PercVar`) : pourcentage de variance capturé par les composantes principales. Cette valeur est supérieure ou égale à la valeur spécifiée dans le paramètre Minimum cumulative percent of variance (Pourcentage cumulé minimal de la variance) ci-dessous. Root Mean Square Error (Erreur quadratique moyenne) (`RMSE`) : racine carrée des erreurs quadratiques moyennes de validation croisée. Plus la valeur est petite, meilleur est l’ajustement du modèle. Percent 90 Interval (Intervalle de 90 pour cent) (`Perc90`) : pourcentage de points de données qui se trouvent dans un intervalle de confiance de validation croisée de 90 %. Idéalement, ce nombre doit être proche de 90. Une valeur beaucoup plus petite que 90 indique que les erreurs standard sont sous-estimées. Une valeur beaucoup plus grande que 90 indique que les erreurs standard sont surestimées. Percent 95 Interval (Intervalle de 95 pour cent) (`Perc95`) : pourcentage de points de données qui se trouvent dans un intervalle de confiance de validation croisée de 95 %. Idéalement, ce nombre doit être proche de 95. Une valeur beaucoup plus petite que 95 indique que les erreurs standard sont sous-estimées. Une valeur beaucoup plus grande que 95 indique que les erreurs standard sont surestimées. Mean Absolute Error (Erreur absolue moyenne) (`MeanAbsErr`) : moyenne des valeurs absolues des erreurs de validation croisée. Cette valeur doit être aussi faible que possible. Elle est similaire à Root Mean Square Error (Erreur quadratique moyenne), tout en étant moins influencée par les valeurs extrêmes. Mean Error (Erreur moyenne) (`MeanError`) : moyenne des erreurs de validation croisée. Cette valeur doit être proche de zéro. Une valeur sensiblement différente de zéro indique que les prédictions ne sont pas fiables. Continuous Ranked Probability Score (Score de probabilité classé continu) (`CRPS`) : le score de probabilité classé continu est un diagnostic qui mesure l’écart entre la fonction de distribution cumulative prévisionnelle et chaque valeur de donnée observée. Cette valeur doit être aussi faible que possible. Ce diagnostic comporte des avantages par rapport aux diagnostics de validation croisée car il compare les données à une distribution complète et non à des prévisions de point unique.	Feature Class
measurement_error_field (Facultatif)	Champ qui spécifie l’erreur de mesure pour chaque point dans les entités de variable dépendante. Pour chaque point, la valeur de ce champ doit correspondre à un écart type de la valeur mesurée du point. Utilisez ce champ si les valeurs d’erreur de mesure ne sont pas identiques pour chaque point. Des données mesurées à l’aide de différents appareils sont fréquemment à l’origine d’erreurs de mesure non constantes. Un appareil peut être plus précis qu’un autre, ce qui implique qu’il génère des erreurs de mesure plus faibles. Par exemple, un thermomètre arrondit au degré le plus proche tandis qu’un autre arrondit au dixième de degré le plus proche. La variabilité des mesures est généralement fournie par le fabricant de l’appareil de mesure ou déterminée de manière empirique. Laissez ce paramètre vide en l’absence de valeurs d’erreur de mesure ou si ces dernières sont inconnues.	Field
min_cumulative_variance (Facultatif)	Définit le pourcentage cumulé minimal de la variance à partir des composantes principales des rasters de variable explicative. Avant de créer le modèle de régression, les composantes principales des variables explicatives sont calculées et ces composantes principales sont utilisées comme variables explicatives dans la régression. Chaque composante principale capture un certain pourcentage de la variance des variables explicatives et ce paramètre contrôle le pourcentage minimal de la variance à capturer par les composantes principales de chaque modèle local. Par exemple, si la valeur 75 est fournie, le logiciel utilise le nombre minimal de composantes principales qui sont nécessaires pour capturer au moins 75 pour cent de la variance des variables explicatives. Les composantes principales n’étant pas mutuellement corrélées les unes aux autres, leur utilisation résout le problème de multicolinéarité (variables explicatives corrélées les unes aux autres). La plupart des informations contenues dans toutes les variables explicatives peuvent fréquemment être capturées dans seulement quelques composantes principales. Si vous ignorez les composantes principales les moins utiles, le calcul du modèle devient plus stable et efficace sans perte de précision significative. Pour calculer les composantes principales, les variables explicatives doivent présenter une variabilité. Ainsi, si l’un des rasters de variable explicative contient des valeurs constantes dans un sous-ensemble, ces rasters constants ne sont pas utilisés pour calculer les composantes principales de ce sous-ensemble. Si tous les rasters de variable explicative dans un sous-ensemble contiennent des valeurs constantes, la classe d’entités de diagnostic en sortie signale qu’aucune des composantes principales n’a été utilisée et qu’elles ont capturé zéro pour cent de la variabilité.	Double
in_subset_features (Facultatif)	Entités surfaciques définissant où les modèles locaux seront calculés. Les points à l’intérieur de chaque polygone seront utilisés pour les modèles locaux. Ce paramètre est utile si vous savez que la valeur de la variable dépendante change en fonction de régions connues. Par exemple, ces polygones peuvent représenter des régions administratives en matière de santé, où la politique sanitaire change pour chacune. Vous pouvez également utiliser l’outil Générer des sous-ensembles de polygones pour créer des sous-ensembles de polygones. Les polygones créés par cet outil ne se superposent pas et sont compacts.	Feature Layer
transformation_type (Facultatif)	Type de transformation à appliquer aux données en entrée. `NONE`—N’appliquer aucune transformation. Il s’agit de l’option par défaut. `EMPIRICAL`—Transformation par coefficient multiplicatif correctif avec fonction de base Empirique. `LOGEMPIRICAL`—Transformation par coefficient multiplicatif correctif avec fonction de base Logarithmique empirique. Toutes les valeurs de données doivent être positives. Si cette option est sélectionnée, toutes les prévisions seront positives.	String
semivariogram_model_type (Facultatif)	Modèle de semi-variogramme qui sera utilisé pour l’interpolation. En savoir plus sur les modèles de semi-variogramme dans l’outil Prévision de la régression EBK `EXPONENTIAL`—Semi-variogramme de type exponentiel `NUGGET`—Semi-variogramme de type pépite `WHITTLE`—Semi-variogramme de type Whittle `K_BESSEL`—Semi-variogramme de type K de Bessel	String
max_local_points (Facultatif)	Les données en entrée seront automatiquement divisées en sous-ensembles ne contenant pas plus que ce nombre de points. Si le sous-ensemble d’entités surfaciques est fourni, la valeur de ce paramètre est ignorée.	Long
overlap_factor (Facultatif)	Facteur représentant le degré de superposition entre les modèles locaux (également appelés sous-ensembles). Chaque point en entrée peut être compris dans plusieurs sous-ensembles. Le facteur de superposition indique le nombre moyen des sous-ensembles dans lesquels chaque point sera compris. Une valeur élevée du facteur de superposition rend la surface en sortie plus lisse, mais augmente également le temps de traitement. Les valeurs doivent être comprises entre 1 et 5. Si le sous-ensemble d’entités surfaciques est fourni, la valeur de ce paramètre est ignorée.	Double
number_simulations (Facultatif)	Nombre de semi-variogrammes simulés de chaque modèle local. En augmentant le nombre de simulations, les calculs du modèle seront plus stables, mais le temps de calcul sera plus long.	Long
search_neighborhood (Facultatif)	Définit les points de voisinage qui seront utilisés pour contrôler la sortie. Standard est la valeur par défaut. Les classes de voisinage de recherche sont les suivantes : SearchNeighborhoodStandardCircular et SearchNeighborhoodSmoothCircular. Circulaire standard `radius`—Longueur du rayon du cercle de recherche. `angle`—Angle de rotation de l’axe (cercle) ou du demi-grand axe (ellipse) de la fenêtre mobile. `nbrMax`—Nombre maximal de voisins qui sont utilisés pour estimer la valeur à la localisation inconnue. `nbrMin`—Nombre minimal de voisins qui sont utilisés pour estimer la valeur à la localisation inconnue. `sectorType`—Géométrie du voisinage. `ONE_SECTOR`—Ellipse unique. `FOUR_SECTORS`—Ellipse divisée en quatre secteurs. `FOUR_SECTORS_SHIFTED`—Ellipse divisée en quatre secteurs et orientée à 45 degrés. `EIGHT_SECTORS`—Ellipse divisée en huit secteurs. Circulaire lissé `radius`—Longueur du rayon du cercle de recherche. `smoothFactor`—L’option Smooth Interpolation (Interpolation lisse) crée une ellipse extérieure et une ellipse intérieure à une distance égale au semi-grand axe multiplié par le facteur de lissage. Les points se trouvant à l’extérieur de la plus petite ellipse, mais à l’intérieur de la plus grande ellipse sont pondérés à l’aide d’une fonction sigmoïde avec une valeur comprise entre zéro et un.	Geostatistical Search Neighborhood

Exemple de code

Exemple 1 d’utilisation de la fonction EBKRegressionPrediction (fenêtre Python)

Interpole une classe d’entités ponctuelles à l’aide de rasters de variable explicative.

import arcpy
arcpy.ga.EBKRegressionPrediction("HousingSales_Points", "SalePrice",
                ["AREASQFEET", "NUMBATHROOMS", "NUMBEDROOMS","TOTALROOMS"],
                "out_ga_layer", None, None, None, 95, None, "LOGEMPIRICAL",
                "EXPONENTIAL", 100, 1, 100, None)

Exemple 2 d’utilisation de la fonction EBKRegressionPrediction (script autonome)

Interpole une classe d’entités ponctuelles à l’aide de rasters de variable explicative.

# Name: EBKRegressionPrediction_Example_02.py
# Description: Interpolates housing prices using EBK Regression Prediction
# Requirements: Geostatistical Analyst extension

# Import system modules
import arcpy

# Set environment settings
arcpy.env.workspace = "C:/gaexamples/data.gdb"

# Set local variables
inDepFeatures = "HousingSales_Points"
inDepField = "SalePrice"
inExplanRasters = ["AREASQFEET", "NUMBATHROOMS", "NUMBEDROOMS","TOTALROOMS"]
outLayer = "outEBKRP_layer"
outRaster = "outEBKRP_raster"
outDiagFeatures = "outEBKRP_features"
inDepMeField = ""
minCumVariance = 97.5
outSubsetFeatures = ""
depTransform = ""
semiVariogram= "K_BESSEL"
maxLocalPoints = 50
overlapFactor = 1
numberSinulations = 200
radius = 100000
searchNeighbourhood = arcpy.SearchNeighborhoodStandardCircular(radius)

# Run EBKRegressionPrediction
arcpy.ga.EBKRegressionPrediction(inDepFeatures, inDepField, inExplanRasters,
                outLayer, outRaster, outDiagFeatures, inDepMeField, minCumVariance,
                outSubsetFeatures, depTransform, semiVariogram, maxLocalPoints,
                overlapFactor, numberSinulations, searchNeighbourhood)

Environnements

Taille de cellule, Points coïncidents, Espace de travail courant, Etendue, Transformations géographiques, Masque, Système de coordonnées en sortie, Facteur de traitement parallèle, Espace de travail temporaire, Raster de capture

Informations de licence