SearchNeighborhoodSmoothCircular

Краткая информация

Класс SearchNeighborhoodSmoothCircular может использоваться для задания окрестности поиска в Эмпирическом байесовском кригинге, ОВР, Интерполяции по методу локальных полиномов и в Радиальных базисных функциях (только при использовании ключевого слова INVERSE_MULTIQUADRIC_FUNCTION). Класс использует входные данные, задающие радиус окружности поиска и коэффициент сглаживания.

Более подробно о сглаженной интерполяции

Синтаксис

SearchNeighborhoodSmoothCircular({radius}, {smoothFactor})

Имя	Объяснение	Тип данных
radius (Дополнительный)	Расстояние, у единицах карты, задающее длину радиуса окружности поиска.	Double
smoothFactor (Дополнительный)	Определяет степень применяемого сглаживания. 0 – без сглаживания, 1 – максимальное сглаживание.	Double

Свойства

Имя	Объяснение	Тип данных
radius (Чтение / Запись)	Расстояние, в единицах карты, задающее длину радиуса окружности поиска.	Double
smoothFactor (Чтение / Запись)	Определяет степень сглаживания: 0 – без сглаживания, 1 – максимальное сглаживание.	Double
nbrType (Только для чтения)	Тип окрестности: Smooth (сглаженный) или Standard (стандартный).	String

Пример кода

SearchNeighborhoodSmoothCircular (окно Python)

Пример использования SearchNeighborhoodSmoothCircular с Эмпирическим байесовским кригингом для создания выходного растра.

import arcpy
arcpy.ga.EmpiricalBayesianKriging("ca_ozone_pts", "OZONE", "outEBK", "C:/gapyexamples/output/ebkout",
                                  100000, "NONE", 50, 0.5, 100,
                                  arcpy.SearchNeighborhoodSmoothCircular(300000, 0.5),
                                  "PREDICTION", "", "", "")

SearchNeighborhoodSmoothCircular (автономный скрипт)

Пример использования SearchNeighborhoodSmoothCircular с Эмпирическим байесовским кригингом для создания выходного растра.

# Name: EmpiricalBayesianKriging_Example_02.py
# Description: Bayesian kriging approach whereby many models created around the
#   semivariogram model estimated by the restricted maximum likelihood algorithm is used.
# Requirements: Geostatistical Analyst extension

# Import system modules
import arcpy

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

# Set local variables
inPointFeatures = "ca_ozone_pts.shp"
zField = "ozone"
outLayer = "outEBK"
outRaster = "C:/gapyexamples/output/ebkout"
cellSize = 10000.0
transformation = "NONE"
maxLocalPoints = 50
overlapFactor = 0.5
numberSemivariograms = 100
# Set variables for search neighborhood
radius = 300000
smooth = 0.6
searchNeighbourhood = arcpy.SearchNeighborhoodSmoothCircular(radius, smooth)
outputType = "PREDICTION"
quantileValue = ""
thresholdType = ""
probabilityThreshold = ""

# Run EmpiricalBayesianKriging
arcpy.ga.EmpiricalBayesianKriging(inPointFeatures, zField, outLayer, outRaster,
                                  cellSize, transformation, maxLocalPoints, overlapFactor, numberSemivariograms,
                                  searchNeighbourhood, outputType, quantileValue, thresholdType, probabilityThreshold)