Anpassungsergebnisse in den folgenden Adjustment-Feature-Classes gespeichert:
- AdjustmentLines: In dieser Feature-Class werden angepasste und statistische Daten für Flurstückslinien, geodätische Breiten und geodätische Längen gespeichert und angezeigt.
- AdjustmentPoints: In dieser Feature-Class werden angepasste und statistische Daten für Parcel-Fabric-Punkte gespeichert und angezeigt.
- AdjustmentVectors: In dieser Feature-Class werden die Verschiebungen zwischen den Parcel-Fabric-Punkten und ihren angepassten Punkten gespeichert und angezeigt.
Nach der Ausführung des Werkzeugs Flurstücke mit Anpassungsmethode der kleinsten Quadrate analysieren werden der Karte Adjustment-Feature-Classes hinzugefügt.
Analysieren von Anpassungslinien
Der Layer "Anpassungslinien" zeigt die folgenden angepassten Messwert-Subtypes an:
- Entfernung: Speichert Informationen zu den angepassten Entfernungen der Eingabe-Flurstückslinien.
- Festgelegte Richtung: Speichert Informationen zu den angepassten festgelegten Richtungen der Eingabe-Flurstückslinien. Die Voraussichtslinie in der festgelegten Richtung ist die angepasste Richtung für die Linie.
- Geodätische Breite: Der Koordinatenwert im Feld X eines gewichteten Punkts, der in eine geodätische Breite konvertiert wurde.
- Geodätische Länge: Der Koordinatenwert im Feld Y eines gewichteten Punkts, der in eine geodätische Länge konvertiert wurde.
Prüfen auf Ausreißer in Bemaßungen
Prüfen Sie den Layer "Anpassungslinien" auf Ausreißer in Richtungen und Strecken. Ausreißer sind Linien, deren Bemaßungen nicht mit dem Messpunktnetzwerk konsistent sind. Sie weisen auf potenzielle Fehler hin.
Im Layer "Anpassungslinien" sind Linien mit Ausreißerbemaßungen für Ausreißerentfernungen rosa und für Ausreißerbemaßungen gelb hervorgehoben. Je größer der Wert des Attributs Standardized Student's t Statistic für die Bemaßung, desto dicker ist die Liniensymbolisierung. Bemaßungen mit größeren Werten für das Attribut Standardized Student's t Statistic weichen stärker als erwartet von der optimalen Lösung ab, die von der Anpassungsmethode der kleinsten Quadrate berechnet wurde.
Eine Bemaßung wird als Ausreißer gekennzeichnet, wenn die Messkorrektur zwischen der ursprünglichen Bemaßung und der angepassten Bemaßung der Linie den statistischen Test hinsichtlich der Normalverteilung mit einem Konfidenzniveau von 95 Prozent nicht besteht. Ein Konfidenzniveau von 95 Prozent bedeutet, dass 95 Prozent aller Messkorrekturen für das angepasste Netzwerk innerhalb von 1,96 Abweichungen vom Mittelwert (Durchschnittswert) liegen müssen. Weiter unten finden Sie eine Beschreibung der Normalverteilung.
Bemaßungen mit Attributen vom Typ Standardized Normal Statistic, die +-1,96 überschreiten, werden als Ausreißer gekennzeichnet (das Feld Outlier ist auf "Ja" festgelegt).
Ausreißerbemaßungen sollten korrigiert werden, bevor weitere Analysen durchgeführt werden.
Prüfen auf Ausreißer in geodätischer Breite und geodätischer Länge
In einer gewichteten Anpassung der kleinsten Quadrate werden die Koordinatenwerte von gewichteten Punkten, die in den Feldern X und Y gespeichert werden, in geodätische Breiten- und geodätische Längenmesswerte konvertiert und als solche in die DynAdjust-Engine für die kleinsten Quadrate eingegeben.
Die geodätische Breiten und Längen weisen verknüpfte Standardabweichungen auf, die aus dem Feld XY Accuracy der Points-Feature-Class der Parcel-Fabric abgerufen werden.
Wenn Sie die Ergebnisse der Anpassung der kleinsten Quadrate auf die Parcel-Fabric anwenden, werden die Werte der geodätischen Breite und Länge basierend auf ihren vorliegenden Standardabweichungen (Genauigkeiten) und auf dem Einfluss der Linienbemaßungen, die mit dem Punkt verbunden sind, angepasst. Gewichtete Punkte mit höheren Genauigkeiten zeigen eine geringere Anpassung (weniger Bewegung) als gewichtete Punkte mit geringeren Genauigkeiten.
Im Layer "Anpassungslinien" werden die Breiten- und Längengradkorrekturen in den Sublayern "Geodätische Breite" und "Geodätische Länge" mithilfe von Rechtecken dargestellt, die um die gewichteten Punkte herum gezeichnet werden. Ausreißerkorrekturen werden rot dargestellt. Je größer der Wert des Attributs Standardized Student's t Statistic für die Korrektur, desto dicker ist die Liniensymbolisierung.
Tipp:
Sie können die Rechtecke auswählen, um die Messwerte und statistischen Informationen der Koordinatenverschiebung anzuzeigen.Eine Breiten- oder Längengradkorrektur wird als Ausreißer gekennzeichnet, wenn sie den statistischen Test hinsichtlich der Normalverteilung mit einem Konfidenzniveau von 95 Prozent nicht besteht. Ein Konfidenzniveau von 95 Prozent bedeutet, dass 95 Prozent aller Messkorrekturen für das angepasste Netzwerk innerhalb von 1,96 Abweichungen vom Mittelwert (Durchschnittswert) liegen müssen. Weiter unten finden Sie eine Beschreibung der Normalverteilung.
Breiten- oder Längengradkorrekturen mit Attributen vom Typ Standardized Normal Statistic, die +-1,96 überschreiten, werden als Ausreißer gekennzeichnet (das Feld Outlier ist auf "Ja" festgelegt).
Korrigieren von Ausreißern
Berücksichtigen Sie die folgenden Vorschläge, um Ausreißer zu korrigieren und zu reduzieren:
- Korrigieren Sie zuerst die größte Ausreißerbemaßung, und führen Sie dann erneut eine Anpassung der kleinsten Quadrate aus. Dies ist die Linie mit der dicksten hervorgehobenen Liniensymbolisierung und der größten Messkorrektur im Feld Measurement Correction. Durch die Korrektur des größten Ausreißers werden häufig alle weiteren Ausreißerlinien korrigiert, die mit ihm verbunden sind.
- Um eine Ausreißerbemaßung zu korrigieren, vergleichen Sie die Ausreißerbemaßung mit den Linienbemaßungen im Datensatz. Wenn die Bemaßungen nicht übereinstimmen, wählen Sie die Flurstückslinie aus, öffnen Sie den Bereich Attribute, und bearbeiten Sie die Bemaßungen so, dass sie mit den aufgezeichneten Bemaßungen übereinstimmen.
- Ist kein Datensatz zur Prüfung der Ausreißerbemaßungen verfügbar, schließen Sie die Linie aus, und führen Sie erneut eine Anpassung der kleinsten Quadrate aus (verwenden Sie eine Linienauswahl als Eingabe und lassen Sie die Linie unselektiert). Wenn die Anpassung ohne Ausreißer erfolgreich durchgeführt wird, ist höchstwahrscheinlich die ausgeschlossene Linie fehlerhaft. Sie sollte daher ausgeschlossen bleiben oder korrigiert werden.
- Wenn die Bemaßungen mit dem Datensatz übereinstimmen, schließen Sie die Ausreißerlinie aus, und führen Sie erneut eine Anpassung der kleinsten Quadrate aus. In einigen Fällen können zuverlässige Bemaßungen mit einem Punkt verbunden werden, der mit einer anderen Linie verbunden ist, die die fehlerhafte Messung enthält.
- Wenn ein gewichteter Punkt als Ausreißer gekennzeichnet ist und keine weiteren Bemaßungsausreißer im Netzwerk vorhanden sind, prüfen Sie die Koordinaten des Punktes, da diese falsch sein können.
Auswerten unzuverlässiger Bemaßungen
Messkorrekturen werden auch hinsichtlich der standardisierten Studentschen t-Verteilung mit einem Konfidenzniveau von 95 Prozent geprüft. Je größer der Wert des Attributs Standardized Student's t Statistic für die Bemaßung, desto dicker ist die Symbolisierung der grauen Standardlinie im Layer "Anpassungslinien".
Bemaßungen mit größeren Werten für das Attribut Standardized Student's t Statistic weichen stärker als erwartet von der optimalen Lösung ab, die von der Anpassungsmethode der kleinsten Quadrate berechnet wurde. Bemaßungen, die nicht als Ausreißer gekennzeichnet sind (Standardized Normal Statistic überschreitet nicht +-1,96), aber größere Werte für das Attribut Standardized Student's t Statistic aufweisen, sind möglicherweise unzuverlässig und sollten weiter untersucht werden.
Weitere Informationen zur Studentschen t-Verteilung finden Sie im Abschnitt unten.
Empfehlungen für das Ermitteln und Reduzieren des Vorkommens von Ausreißern
Verwenden Sie das Werkzeug Flurstücke mit Anpassungsmethode der kleinsten Quadrate analysieren, um eine Anpassung mit der Methode der kleinsten Quadrate für die Flurstücke desselben Datensatzes auszuführen Diese Flurstücksmessungen haben dann die Merkmale, die sich am wahrscheinlichsten mit demselben Messgerät ergeben hätten. Analysieren Sie jeweils nur einen Datensatz. Wenn ein Datensatz ohne Ausreißer angepasst wurde, kann eine umfangreichere Anpassung mehrerer benachbarter Datensätze durchgeführt werden. Wenn Sie die Datensätze getrennt voneinander anpassen, können die Ausreißer in einem Datensatz die Messungen in einem anderen Datensatz nicht verzerren oder anderweitig beeinflussen, wodurch die echten Ausreißer schwerer zu finden sind.
Wenn die Ergebnisse aus der Anpassung mehrerer benachbarter Datensätze akzeptabel sind, verwenden Sie das Werkzeug Anpassungsmethode der kleinsten Quadrate auf Flurstücke anwenden, um die Ergebnisse anzuwenden und die Parcel-Fabric-Features zu aktualisieren.
Analysieren von Anpassungspunkten
Der Layer "Anpassungspunkte" zeigt die angepassten Positionen der Parcel-Fabric-Punkte an. Wenn die Ergebnisse einer gewichteten Anpassung der kleinsten Quadrate auf die Parcel-Fabric angewendet werden, werden die Flurstückspunkte an die angepassten Positionen verschoben. Beim Analysieren der Zuverlässigkeit der angepassten Punktkoordinaten sollten die Fehlerellipsen und die Positionsunsicherheit der Punkte ausgewertet werden.
Fehlerellipsen
Anpassungspunkt-Features werden anhand der Werte in den Feldern Error Ellipse Semi Major und Error Ellipse Semi Minor eindeutig mit Fehlerellipsen symbolisiert.
Fehlerellipsen werden verwendet, um die Positionsunsicherheit der angepassten XY-Koordinaten des Punktes darzustellen. Eine einen Punkt umgebende Fehlerellipse gibt die möglichen Varianzen der angepassten X- und Y-Koordinaten bei einem Konfidenzniveau von 95 Prozent an. Ein Konfidenzniveau von 95 Prozent bedeutet, dass 95 Prozent der geschätzten X- und Y-Werte des Punktes innerhalb der von der Fehlerellipse definierten kreisförmigen Region liegen müssen, wenn Koordinatenabweichungen hinsichtlich der Normalverteilung und der Studentschen t-Verteilung getestet werden. Die wahrscheinlichsten Werte der X- und Y-Koordinaten sind lagegleich mit dem Mittelpunkt der Ellipse.
Weitere Informationen zur Normalverteilung und Studentschen t-Verteilung finden Sie in den Abschnitten unten.
Je kleiner und runder die Fehlerellipse, desto geringer ist die Varianz bei der Schätzung der X- und Y-Koordinaten und desto zuverlässiger sind die angepassten Koordinaten für den Punkt. In der Abbildung unten ist zum Beispiel eine kleine Fehlerellipse dargestellt, was darauf hindeutet, dass es wenig Varianz (Unsicherheit) bei den XY-Koordinaten gibt. Die Form der Ellipse weist auch darauf hin, dass es im Vergleich zueinander bei der X- und der Y-Koordinate wenig Abweichung gibt.
Je größer die Fehlerellipse, desto mehr Varianz und Unsicherheit besteht bei den geschätzten XY-Koordinaten. In der Abbildung unten besteht zum Beispiel eine große Varianz und ein hohes Maß an Unsicherheit beim Y-Koordinatenwert. Die Unsicherheit bei der Schätzung der X-Koordinate des Punktes ist geringer.
Große Fehlerellipsen um angepasste Punkte können auf folgende Faktoren zurückzuführen sein:
- Ausreißer oder unzuverlässige Bemaßungen im Flurstücksliniennetzwerk verursachen Verzerrungen und ein hohes Maß an Unsicherheit bei den angepassten Koordinaten. Korrigieren Sie Ausreißer wie oben beschrieben, und führen Sie die Analyse erneut aus.
- Im angepassten Netzwerk sind nicht genügend eingeschränkte oder gewichtete Passpunkte vorhanden. Spärlich verteilte gewichtete oder eingeschränkte Punkte können zu einem hohen Maß an Unsicherheit bei den angepassten Koordinaten führen. Gewichtete oder eingeschränkte Punkte sollten in dem anzupassenden Netzwerk gleichmäßig verteilt sein, um die beste Koordinatenschätzung zu erhalten.
- Das Netzwerk ist in dem Bereich, der den Punkt umgibt, schlecht verbunden. Dies kann vorkommen, wenn Flurstücksblöcke nicht über Wegerechte hinweg verbunden sind. Fügen Sie Verbindungslinien hinzu, um die Netzwerkredundanz in diesem Bereich des Flurstücknetzwerks zu erhöhen.
Positionsunsicherheit
Die geschätzte Positionsunsicherheit für jeden angepassten Punkt wird im Feld XY Uncertainty der Feature-Class "AdjustmentPoints" gespeichert. Der Wert für die Positionsunsicherheit wird von der großen und der kleinen Halbachse der Fehlerellipse abgeleitet und mit einem Konfidenzniveau von 95 Prozent berechnet. Punkte, deren Positionsunsicherheit +-1,96 überschreitet, sollten weiter untersucht werden.
Weitere Informationen zur Normalverteilung finden Sie in der unten stehenden Beschreibung.
Um den Wert der Positionsunsicherheit oder die Genauigkeit eines angepassten Punktes zu verbessern, sind möglicherweise weitere eingeschränkte Punkte, gewichtete Punkte oder Messinformationen in diesem Bereich des Netzwerks erforderlich. Ausreißer und unzuverlässige Bemaßungen können ebenfalls zu hohen Positionsunsicherheitswerten für einen Punkt beitragen.
Normalverteilung
Die Normalverteilung, auch als Glockenkurve bezeichnet, modelliert, wie die Messwerte einer Größe verteilt sind. Bei der Normalverteilung wird davon ausgegangen, dass sich die meisten Messwerte im Bereich des Mittelwertes befinden, der die zentrale Spitze der Kurve bildet. Die Wahrscheinlichkeit, dass Messwerte vom Mittelwert abweichen, verringert sich symmetrisch auf beiden Seiten der Kurve. Je größer die Abweichung, desto kleiner ist die erwartete Wahrscheinlichkeit.
Bei einer Normalverteilung befinden sich 95 Prozent der Fläche unter der Kurve innerhalb von ca. 1,96 Standardabweichungen vom Mittelwert.
Studentsche t-Verteilung
Bei der Anpassung von Messpunktnetzwerken mit einer begrenzten Anzahl an Messungen (kleine Netzwerke) können mittels der Studentschen t-Verteilung zuverlässigere statistische Tests durchgeführt werden. Das Testen auf Basis der Studentschen t-Verteilung eignet sich außerdem besser für Messpunktnetzwerke mit einer geringen Konfidenz in den A-Priori-Schätzungen (den angenommenen Standardabweichungen der Messwerte).
Die Studentsche t-Verteilung modelliert eine optimale Schätzung, wie die Messwerte einer Größe verteilt sind, wenn die Standardabweichungen nicht bekannt sind. Die Form der Kurve ist symmetrisch und glockenförmig wie bei der Normalverteilung. Allerdings kann die Kurve eine kürzere, engere Spitze und eine breitere Verjüngung der Ausläufer aufweisen, was darauf hindeutet, dass mehr Werte zu erwarten sind, die deutlich vom Mittelwert abweichen. Die Studentsche t-Verteilung hat eine geringere Tendenz, Abweichungen bei den Messwerten als Ausreißer zu kennzeichnen.