Interpolar puntos (Standard Feature Analysis)

Resumen

Predice los valores en nuevas ubicaciones en función de las mediciones de un conjunto de puntos. La herramienta usa los datos de puntos con valores en cada punto como entrada y genera áreas clasificadas por los valores predichos.

Los ejemplos incluyen lo siguiente:

  • Un distrito de control de la calidad del aire tiene sensores que miden los niveles de contaminación. Interpolar puntos se puede usar para predecir los niveles de contaminación en las ubicaciones que no tienen sensores, por ejemplo, en las ubicaciones con poblaciones de riesgo como los colegios u hospitales.
  • Prediga las concentraciones de metales pesados de las cosechas en función de las muestras tomadas de plantas individuales.
  • Prediga los niveles de nutrientes del suelo (nitrógeno, fósforo, potasio, etc.) y otros indicadores (como la conductividad eléctrica) para estudiar su relación con la producción de la cosecha y prescribir cantidades exactas de fertilizante para cada ubicación del campo.
  • Las aplicaciones meteorológicas incluyen la predicción de las temperaturas, las precipitaciones y las variables asociadas (como la lluvia ácida).

Ilustración

Interpolar puntos

Uso

  • Se utiliza una capa de puntos como entrada. La capa de entrada debe tener un campo numérico que sirva como base de la interpolación. La herramienta Interpolar puntos está designada para funcionar con datos que cambian lenta y gradualmente sobre el paisaje, por ejemplo, la temperatura y los niveles de contaminación. No es adecuada para datos como, por ejemplo, la población o los ingresos medios, que cambian súbitamente en distancias cortas.

  • La herramienta Interpolar puntos se puede definir para optimizar la velocidad o exactitud, o un elemento intermedio. Cuanto más exactas sean las predicciones, más lentamente se calcularán los resultados y viceversa.

  • Con esta herramienta se puede crear una capa de errores estándar usando la opción de error de predicción de salida. Se puede calcular un intervalo para la capa interpolada con un 95 de fiabilidad tomando el valor de interpolación y agregando dos errores estándar para el límite superior y quitando dos errores estándar del límite inferior.

  • Esta herramienta usa el método Empirical Bayesian Kriging de Esri para realizar la interpolación. Los parámetros que se suministran con este método se controlan con la opción de interpolación. A continuación, se indican los parámetros.

    ParámetroVelocidadPredeterminadoprecisión

    Tipo de transformación de datos

    NINGUNO

    NINGUNO

    EMPÍRICO

    Tipo de modelo de semivariograma

    POWER

    POWER

    K_BESSEL

    Número máximo de puntos de cada modelo local

    50

    75

    200

    Factor de superposición de área de modelo local

    1

    1.5

    3

    Número de semivariogramas simulados

    30

    100

    200

    Mínimo de vecinos

    8

    10

    15

    Máximo de vecinos

    8

    10

    15

Sintaxis

arcpy.sfa.InterpolatePoints(inputLayer, outputName, {field}, {interpolateOption}, {outputPredictionError}, {classificationType}, {numClasses}, {classBreaks}, {boundingPolygonLayer}, {predictAtPointLayer})
ParámetroExplicaciónTipo de datos
inputLayer

Las entidades de puntos que se interpolarán para generar una capa de superficie continua.

Feature Set
outputName

El nombre de la capa de salida que se debe crear en el portal.

String
field
(Opcional)

El campo numérico que contiene los valores que se van a interpolar.

Field
interpolateOption
(Opcional)

Controla su preferencia para la relación entre velocidad y exactitud, desde la más rápida a la más exacta. Las predicciones más precisas tardan más tiempo en calcularse.

  • 1Velocidad.
  • 5Equilibrada. Esta es la opción predeterminada.
  • 9Exactitud.
String
outputPredictionError
(Opcional)

Si se activa, se creará una capa de polígonos de errores estándar para las predicciones de interpolación.

Los errores estándar resultan útiles porque proporcionan información sobre la fiabilidad de los valores predichos. Una regla general sencilla es que el verdadero valor estará comprendido entre dos errores estándar del valor predicho el 95% del tiempo. Por ejemplo, supón que una nueva ubicación obtiene un valor predicho de 50 con un error estándar de 5. Esto significa que la estimación más aproximada de esta tarea es que el valor verdadero en esa ubicación es 50, aunque podría ser de 40 o 60. Para calcular este rango de valores razonables, multiplique el error estándar por 2, sume este valor al valor predicho para obtener el límite superior del rango y réstelo del valor predicho para obtener el límite inferior del rango.

  • NO_ERRORNo se crea una capa de salida de errores de predicción. Esta es la opción predeterminada.
  • OUTPUT_ERRORSe crea una capa de salida de errores de predicción.
Boolean
classificationType
(Opcional)

Determina cómo se clasificarán en polígonos los valores predichos.

  • EQUALINTERVAL Los polígonos se crean de forma que el rango de valores de densidad es igual para cada área.
  • GEOMETRICINTERVAL Los polígonos se basan en intervalos de clase que tienen una serie geométrica. Este método garantiza que cada rango de clase tiene aproximadamente el mismo número de valores en cada clase y que el cambio entre intervalos es coherente. Esta es la opción predeterminada.
  • EQUALAREA Los polígonos se crean de forma que el tamaño de cada área sea igual. Por ejemplo, si el resultado tiene más valores de alta densidad que valores de baja densidad, se crearán más polígonos para las densidades altas.
  • MANUALDefina su propio rango de valores para las áreas. Estos valores se introducirán como cortes de clase.
String
numClasses
(Opcional)

Este valor se usa para dividir el rango de valores predichos en distintas clases. El rango de valores de cada clase viene determinado por el tipo de clasificación. Cada clase define los límites de los polígonos resultantes.

El valor predeterminado es 10 y el máximo es 32.

Long
classBreaks
[classBreaks,...]
(Opcional)

Para hacer una clasificación manual, proporcione los valores de corte de clase que desee. Estos valores definen el límite superior de cada clase, de modo que el número de clases sea igual al número de los valores introducidos. No se crearán áreas para ninguna ubicación con valores predichos que estén por encima del máximo valor de corte introducido. Debe introducir al menos dos valores y no más de 32.

Double
boundingPolygonLayer
(Opcional)

Una capa que especifica los polígonos en los que se desea que se interpolen los valores. Por ejemplo, si está interpolando densidades de peces en un lago, puede usar el límite del lago en este parámetro, y la salida solo contendrá polígonos dentro del límite del lago.

Feature Set
predictAtPointLayer
(Opcional)

Una capa opcional que especifica ubicaciones de puntos para calcular valores de predicción. Esto te permite realizar predicciones en ubicaciones de interés específicas. Por ejemplo, si la capa de entrada representa mediciones de niveles de contaminación, puede usar este parámetro para predecir los niveles de contaminación de las ubicaciones con grandes poblaciones de riesgo, como colegios u hospitales. A continuación, puedes usar esta información para hacer recomendaciones a las autoridades sanitarias de esas ubicaciones.

Feature Set

Salida derivada

NombreExplicaciónTipo de datos
outputLayer

Las entidades poligonales de salida, en las que cada polígono rodea a los valores interpolados en función del tipo de clasificación y el número de clases.

Conjunto de entidades
outputPredictionErrorLayer

Contiene el error predicho para cada punto de la capa de entrada.

Conjunto de entidades
outputPredictedPointsLayer

La capa de puntos que contiene puntos de la capa de puntos predichos con los valores predichos.

Conjunto de entidades

Entornos

Información de licenciamiento

  • Basic: Requiere su cuenta de ArcGIS Enterprise que tendrá el privilegio Realizar análisis
  • Standard: Requiere su cuenta de ArcGIS Enterprise que tendrá el privilegio Realizar análisis
  • Advanced: Requiere su cuenta de ArcGIS Enterprise que tendrá el privilegio Realizar análisis

Temas relacionados