Mit der Geostatistical Analyst-Lizenz verfügbar.
Geostatistische Layer können mit den Geoverarbeitungswerkzeugen GA-Layer in Gitternetz und GA-Layer in Raster in der Toolbox "Geostatistical Analyst" in das Rasterformat konvertiert werden (siehe Überblick über das Toolset "Arbeiten mit geostatistischen Layern").
Die Blockinterpolation wird zum Erstellen eines Rasters aus einem geostatistischen Layer verwendet. Die Blockinterpolation ist eine Interpolationsmethode, die den Durchschnittswert eines Phänomens innerhalb eines bestimmten Gebiets vorhersagt. Für die Methode "Empirical Bayesian Kriging" und alle anderen Nicht-Kriging-Methoden werden bei der Blockinterpolation Vorhersagen für mehrere vorgegebene Positionen in einem Gebiet berechnet. Anschließend werden die Werte gemittelt, und der Mittelwert wird als Vorhersage für das gesamte Gebiet zugewiesen. Wenn Sie beispielsweise 10 Positionen für die Vorhersage in einem Gebiet angeben, werden unter Verwendung eines identifizierten Interpolationsmodells und der ursprünglichen Stichprobenpunkte, die für das Phänomen erfasst wurden, Vorhersagen für jede der 10 Positionen getroffen.
Für Kriging-Methoden (mit Ausnahme der Methode "Empirical Bayesian Kriging") wird der Wert der Rasterzelle mit den Standardgleichungen für das Block-Kriging berechnet (siehe Referenz am Ende dieses Themas). Bei der Verwendung einer Transformation werden die Standardgleichungen für das Block-Kriging auf die transformierten Daten angewendet, und bei der Rücktransformation wird eine Korrektur vorgenommen. Da die Blockvorhersagen nach der Rücktransformation jedoch verzerrt sein können, empfiehlt es sich in diesem Fall, Simulationen mit dem Geoverarbeitungswerkzeug Geostatistische Gauß-Simulationen zu verwenden.
Beim Konvertieren eines geostatistischen Layers in ein Raster befinden sich die Formen der Blöcke, die die Mittelwertberechnung durchführen, innerhalb einzelner Rasterzellen. Das folgende Diagramm zeigt Stichprobenpunkte mit der Blockkonfiguration (Raster), die bei der Blockinterpolation verwendet wird.
Bei der Konvertierung geben Sie an, wie viele vorhergesagte Punktpositionen in jeder Zelle bei der Mittelwertberechnung berücksichtigt werden sollen. Sie können beispielsweise Vorhersagen für zwei Punkte in X-Richtung und drei Punkte in Y-Richtung für jede Zelle angeben. Die vorhergesagten Punkte werden in jeder Zelle so verteilt, dass sie dieselbe Fläche darstellen (oder beeinflussen). Folglich wird keine Gewichtung für die vorhergesagten Punkte vorgenommen. Die vorhergesagten Punkte befinden sich in der Mitte jeder Untereinheit – in diesem Fall in der Mitte von jedem der sechs Blöcke.
Im folgenden Diagramm wird durch die hervorgehobene Zelle die Blockinterpolation für eine einzelne Zelle (oder einen einzelnen Block) im Raster demonstriert. Dieses Verfahren wird auf jede Zelle im Ausgabe-Raster angewendet.
Das folgende Diagramm zeigt eine Detailansicht des im vorherigen Diagramm hervorgehobenen Blocks. Für jeden der sechs Punkte in der Zelle wird mithilfe des im geostatistischen Layer identifizierten Interpolationsmodells und der ursprünglichen Stichprobenpunkte eine Vorhersage getroffen. Anschließend werden die sechs Vorhersagen gemittelt und der Zelle zugewiesen.
Wenn Sie nur einen Punkt in X-Richtung und einen Punkt in Y-Richtung angeben, treffen Sie die Vorhersage für den Mittelpunkt jeder Ausgabezelle. Je größer die Anzahl der vorhergesagten Punkte, desto länger dauert die Verarbeitung.
Der Grund für mehr vorhergesagte Punkte in X- oder Y-Richtung ist die Berücksichtigung von Richtungstrends. Im obigen Beispiel mit den 2 und 3 Punkten ist der Abstand der vorhergesagten Punkte in Nord-Süd-Richtung kleiner als in Ost-West-Richtung. Je größer die Anzahl der vorhersagten Punkte in Nord-Süd-Richtung, desto mehr Stichproben werden in der Richtung erfasst, um die höhere Variabilität zu berücksichtigen. Das bedeutet, dass sich die Werte des Phänomens in Nord-Süd-Richtung schneller ändern als in Ost-West-Richtung. Um dies zu erfassen, benötigen Sie in dieser Richtung mehr Stichprobenpunkte.
Referenzen
- Chiles, J.P. and Delfiner, P., Geostatistics: Modeling Spatial Uncertainty, John Wiley & Sons, New York (1999), Section 3.5 (pp. 203-211)