Интерполировать точки (Стандартный анализ объектов)

Краткая информация

Прогнозирует значения в новых местоположениях на базе измерений по группе точек. Этот инструмент использует значения точечных данных в каждой точке и создает площади, отсортированные по прогнозным значениям.

Примеры:

В районе управления качеством воздуха имеются датчики, измеряющие уровни загрязнений. Этот инструмент может использоваться для прогнозирования уровней загрязнения в местах, не имеющих приборов измерения, но в которых находятся люди, относящиеся к группе риска, например, в школах или больницах.

Прогнозирование содержания тяжелых металлов в зерновых культурах на основе проб, взятых у отдельных растений.

Прогнозирование уровней питательных веществ в почве (азот, фосфор, калий и др.) и другие индикаторы (такие, как электропроводимость) с целью изучения их влияния на урожайность зерновых и расчета точного объема удобрений для отдельных участков поля.

В метеорологии инструмент используется для прогнозирования температур, осадков и связанных с ними переменных (например, кислотных дождей).

Иллюстрация

Использование

• В качестве входных данных используется слой точек. Входной слой должен иметь числовое поле, которое будет служить основой интерполирования. Этот инструмент предназначен для работы с постепенно и плавно изменяющимися данными над ландшафтом, например – температура и уровень загрязнения окружающей среды. Он не подходит для таких данных, как численность населения или средний доход, которые резко меняются за короткий отрезок времени.

• Этот инструмент можно настроить для оптимизации для оптимизации скорости, точности или сбалансированной комбинации этих двух показателей. Более точные прогнозы требуют больше времени и наоборот.

• Этот инструмент может создать слой стандартных ошибок с помощью опции выходной ошибки прогнозирования. Рассчитать 95-процентный доверительный интервал для интерполированного слоя можно путем добавления к значению интерполяции двух стандартных ошибок для верхнего предела и вычитания двух стандартных ошибок от нижнего предела.

• Для выполнения интерполяции инструмент использует метод Эмпирический байесовский кригинг Esri. Параметры этого метода управляются параметром Опция интерполяции. Эти параметры приведены ниже.

  Параметр	Speed	По умолчанию	Accuracy
  Тип преобразования данных	NONE	NONE	EMPIRICAL
  Тип модели вариограммы	POWER	POWER	K_BESSEL
  Максимальное число точек в каждой локальной модели	50	75	200
  Коэффициент перекрытия областей локальной модели	1	1.5	3
  Число моделируемых вариограмм	30	100	200
  Минимальное число соседей	8	10	15
  Максимальное число соседей	8	10	15

Параметры

• Dialog
• Python

Подпись	Объяснение	Тип данных
Входные объекты	Точечные объекты, которые будут интерполированы в слой непрерывной поверхности.	Feature Set
Выходное имя	Имя выходного слоя, который будет создано на вашем портале.	String
Поле интерполяции (Дополнительный)	Числовое поле, содержащее значения для интерполяции.	Field
Опция интерполяции (Дополнительный)	Задает, будет ли использоваться скорость, точность или сбалансированная комбинация этих двух показателей. Для более точных прогнозов требуется больше времени. Speed–Будет использоваться скорость. Баланс–Будет использоваться сбалансированная комбинация скорости и точности. Используется по умолчанию. Accuracy–Будет использоваться точность.	String
Ошибка выходных прогнозов (Дополнительный)	Задает, будет ли создан выходной слой ошибок интерполяции. Если опция включена, будет создан выходной полигональный слой стандартных ошибок для прогнозов, основанных на интерполяции. Польза стандартных ошибок состоит в том, что они дают информацию о надежности значений прогноза. Существует простое правило, гласящее, что истинное значение в 95 процентах случаев будет находиться между двух стандартных ошибок прогнозного значения интерполяции. Например, новое местоположение имеет прогнозируемое значение 50 со стандартной ошибкой 5. Это значит, что расчетное значение задачи в этом месте – 50, но оно вполне может колебаться в диапазоне от 40 до 60. Чтобы вычислить этот диапазон приемлемых значений, нужно умножить стандартную ошибку на два, эта величина и определяет значения верхней и нижней границы диапазона по отношению к предсказанному значению. Отмечено–Выходной слой ошибок интерполяции будет создан. Не отмечено–Выходной слой ошибок интерполяции создан не будет. Используется по умолчанию.	Boolean
Тип классификации (Дополнительный)	Задает способ классификации прогнозируемых значений по полигонам. Равные интервалы–Полигоны будут созданы таким образом, что диапазон значений плотности будет одинаковым для каждой области. Геометрический интервал–Полигоны будут созданы с учетом интервалов классов, имеющих геометрическую прогрессию. Это позволяет добиться того, чтобы в каждом диапазоне классов было примерно равное количество значений, и чтобы изменения между интервалами были последовательными. Используется по умолчанию. Равная площадь–Полигоны будут созданы таким образом, чтобы размер каждой области был одинаковым. Например, если в слое результатов высокие значения плотности преобладают над низкими, то и полигонов с высокими плотностями будет создано больше. Ввод границ классов вручную–Будет использоваться пользовательский диапазон значений для областей. Эти значения должны задаваться как границы классов.	String
Число классов (Дополнительный)	Диапазон интерполированных значений будет разделен на отдельные классы. Диапазон значений в каждом классе определяется типом классификации. Каждый класс определяет границы итоговых полигонов. Значение по умолчанию – 10, максимум – 32.	Long
Границы классов (Дополнительный)	Значения границ классов, которые будут использованы для классификации вручную. Эти значения определяют верхнюю границу значения для каждого класса, то есть количество классов должно соответствовать количеству введенных значений. Для местоположений, значения в которых будут превышать самое верхнее граничное значение, области созданы не будут. Необходимо задать минимум 2 значения, но не более 32.	Double
Ограничивающие полигоны (Дополнительный)	Слой содержит полигоны, где будут интерполироваться значения. Например, при интерполяции плотностей популяции рыбы в озере можно указать контур озера, и тогда результат будет содержать только полигоны в границах этого озера.	Feature Set
Прогноз по точечному слою (Дополнительный)	Дополнительный слой с точечными местоположениями, которые будут использоваться для расчета прогнозируемых значений. Это позволяет делать прогнозы в определенных местах, представляющих интерес. Например, если входной слой отображает показатели уровней загрязнения, то вы можете использовать этот параметр для прогнозирования уровней загрязнения в местах с людьми, относящимися к группам риска, например, в школах или больницах. Затем вы можете использовать эту информацию для выработки рекомендаций для местных органов здравоохранения.	Feature Set

Производные выходные данные

Подпись	Объяснение	Тип данных
Выходной слой	Выходные полигональные объекты, где каждый полигон окружает интерполированные значения в зависимости от типа классификации и числа классов.	Feature Set
Выходной слой ошибки прогнозирования	Содержит ошибку прогнозирования для каждой точки входного слоя.	Feature Set
Выходной слой интерполированных точек	Точечный слой, содержащий точки из точечного слоя прогнозирования с интерполированными значениями.	Feature Set

Параметры среды

Экстент

Информация о лицензировании

• Basic: У вашей учетной записи ArcGIS Enterprise должны быть права доступа на Выполнение анализа
• Standard: У вашей учетной записи ArcGIS Enterprise должны быть права доступа на Выполнение анализа
• Advanced: У вашей учетной записи ArcGIS Enterprise должны быть права доступа на Выполнение анализа

Связанные разделы

• Обзор набора инструментов Анализ структурных закономерностей
• Эмпирический байесовский кригинг
• Поиск инструмента геообработки