Использование декластеризации

Если вы используете преобразование по методу нормальных меток, и ваши данные были изначально отобраны с различной густотой для различных участков территории, попробуйте выполнить декластериза-цию данные. См. Главу 7, Использование аналитических инструментов при построении поверхностей.

См. также

Для дополнительной информации о преобразованиях и определении параметров в диалогах Моделирование вариограммы/ ковариации и Поиск соседства, а также для изучения диалога Перекрестная проверка, обратитесь к Главе 7, Использование аналитических инструментов при построении поверхностей.

Создание карты проинтерполированных значений с применением преобразований с декластеризацией

1. В таблице содержания ArcMap выберите точечный слой, для которого вы хотите выполнить интерполяцию по методу простого кригинга.

2. Запустите модуль Geostatistical Analyst.

3. Выберите атрибут, для которого вы хотите выполнить интерполяцию по методу простого кригинга.

4. Из списка методов выберите Кригинг.

5. Нажмите Далее.

6. Откройте список для строки Простой кригинг и выберите опцию Карта проинтерполированных значений.

7. В окне Преобразование выберите опцию По методу нормальных меток.

8. Отметьте галочкой опцию Декла-стеризация перед преобразованием.

9. Нажмите Далее.

10. В диалоге Декластеризация задайте требуемые параметры и нажмите Далее.

11. Задайте требуемые параметры в диалоге Преобразование по методу нормальных меток и нажмите Далее.

12. Повторите шаги с 9 по 12 упражнения Создание карты проин-терполированных значений, приведенного ранее в этой главе.

Двумерное распределение

Проверяйте свои данные на двумерную нормальность. См. Главу 7, Использование аналитических инструментов при построении поверхностей.

См. также

Для дополнительной информации об определении параметров в диалогах Вычитание тренда, Моделирование вариограммы/ ковариации и Поиск соседства, а также для изучения диалога Перекрестная проверка, обратитесь к Главе 7, Использование аналитических инструментов при построении поверхностей.

Изучение двумерного распределения при создании карты проинтерполированных значений

5. 6.

9. 10.

В таблице содержания ArcMap выберите точечный слой, для которого вы хотите выполнить интерполяцию по методу простого кригинга.

Запустите модуль Geostatistical Analyst.

Выберите атрибут, для которого вы хотите выполнить интерполяцию по методу простого кригинга. Из списка методов выберите Кри-гинг.

Нажмите Далее.

Откройте список для строки Простой кригинг и выберите опцию Карта проинтерполированных значений.

Отметьте галочкой опцию Исследовать двумерное распределение. Задайте Среднее значение и количество проверяемых квантилей. Нажмите Далее.

Задайте необходимые параметры в диалоге Моделирование варио-граммы/ковариации и нажмите Далее.

Изучите диалог Исследовать двумерное распределение и нажмите Далее.

Повторите шаги с 10 по 12 упражнения Создание карты проинтер-полированных значений, приведенного ранее в этой главе.

Универсальный кригинг предполагает модель,

Z(s) = m(s) + e(s),

где m( s) - некая детерминистская функция. Например, на следующем рисунке, данные для которого совпадают с использованными в примере для ординарного кригинга, опорные точки даны чернхми кружочками.

н1й нами при рассмотрении ординарного кригинга: нет способа принять решение о правильном разделении значения на составляющие, основываясь только на одних данных.

Универсальный кригинг может использовать либо вариограм-мы, либо ковариационные функции (являющиеся математическим способом определения автокорреляции), он может использовать преобразования для данных, из которых должны быть вычтены тренды, и он может также допустить наличие ошибок в измерениях. См. Главу 7, Использование аналитических инструментов при построении поверхностей, для более подробной информации.

Тренд представлен полиномом второго порядка (длинная пунктирная линия) - и равен m (s). Если вы вычтете полином второго порядка из ваших данных, вы получите ошибки, e ( s), которые считаются случайными. Среднее значение всех e (s) равно 0. Автокорреляция моделируется из случайнгх ошибок e (s). Рисунок вверху выглядит как пример полиномиальной регрессии из любого базового курса статистики. В действительности, он показывает, что представляет собой универсальнхй кригинг. Вы выполняете регрессию для пространственных координат, как для объяснительнгх переменнгх. Однако, вместо того, чтобы рассматривать ошибки e ( s) как независимые величины, вы моделируете их как автокоррелирующие. Повторим совет, дан-