Интерполировать точки (Стандартный анализ объектов)

Сводка

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

Примеры:

  • В районе управления качеством воздуха имеются сенсоры, измеряющие уровни загрязнений. Инструмент Интерполировать точки 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

Интерполировать точки

Использование

  • В качестве входных данных используется слой точек. Входной слой должен иметь числовое поле, которое будет служить основой интерполирования. Интерполировать точки 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 меняются очень резко за короткий отрезок времени.

  • Инструмент Интерполировать точки можно настроить для оптимизации скорости или точности, или средней позиции. 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.

  • Этот инструмент использует метод Эмпирический байесовский кригинг Esri для выполнения интерполяции. Параметры этого метода управляются опцией интерполяции. Эти параметры приведены ниже.

    ПараметрСкоростьПо умолчаниюТочность

    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

Синтаксис

arcpy.sfa.InterpolatePoints(inputLayer, outputName, {field}, {interpolateOption}, {outputPredictionError}, {classificationType}, {numClasses}, {classBreaks}, {boundingPolygonLayer}, {predictAtPointLayer})
ParameterОбъяснениеТип данных
inputLayer

Точечные объекты, которые будут интерполированы в слой непрерывной поверхности.

Feature Set
outputName

Имя выходного слоя, который будет создан на вашем портале.

String
field
(Дополнительный)

Числовое поле, содержащее значения для интерполяции.

Field
interpolateOption
(Дополнительный)

Позволяет выбирать между скоростью и точностью, от самого быстрого, до наиболее точного метода. Для более точных прогнозов требуется больше времени.

  • 1Скорость.
  • 5Баланс. Используется по умолчанию.
  • 9Точность.
String
outputPredictionError
(Дополнительный)

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, предположим, что новое место получает прогнозируемое значение 50 при стандартной ошибке 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.

  • NO_ERRORНе создавать выходной слой ошибок интерполяции. Используется по умолчанию.
  • OUTPUT_ERRORСоздавать выходной слой ошибок интерполяции.
Boolean
classificationType
(Дополнительный)

Определяет способ классификации прогнозируемых значений по полигонам.

  • EQUALINTERVAL Полигоны создаются таким образом, что диапазон значений плотности будет одинаковым для каждой области.
  • GEOMETRICINTERVAL Полигоны создаются с учетом интервалов классов, имеющих геометрическую прогрессию. Это позволяет добиться того, что в каждом диапазоне классов будет находиться примерно равное количество значений, и величина изменений по интервалам будет постоянной. Используется по умолчанию.
  • EQUALAREA Полигоны создаются 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.
  • MANUALПозволяет задавать собственный диапазон значений для областей. Эти значения вводятся как границы классов.
String
numClasses
(Дополнительный)

Это значение используется для деления диапазона интерполированных значений на отдельные классы. Диапазон значений в каждом классе определяется типом классификации. Каждый класс определяет границы итоговых полигонов.

Значение по умолчанию – 10, максимум – 32.

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

Для классификации вручную введите желательные значения границ классов. Эти значения определяют верхнюю границу значения для каждого класса, то есть количество введенных значений должно соответствовать количеству классов. Для местоположений, значения в которых будут превышать самое верхнее граничное значение, области созданы не будут. Необходимо ввести минимум 2 значения, но не более 32.

Double
boundingPolygonLayer
(Дополнительный)

Слой с полигонами, где находятся значения для интерполяции. 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
predictAtPointLayer
(Дополнительный)

Дополнительный слой с точечными местоположениями, для которых необходимо вычислить прогнозируемые значения. 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

NameОбъяснениеТип данных
outputLayer

Выходные полигональные объекты, где каждый полигон окружает интерполированные значения в зависимости от типа классификации и числа классов.

Набор объектов
outputPredictionErrorLayer

Содержит ошибку прогнозирования для каждой точки входного слоя.

Набор объектов
outputPredictedPointsLayer

Точечный слой, содержащий точки из точечного слоя прогнозирования с интерполированными значениями.

Набор объектов

Environments

Информация о лицензиях

  • Basic: Требуется Права доступа Ваша учетная запись в ArcGIS Enterprise содержит права доступа на Выполнение анализа
  • Standard: Требуется Права доступа Ваша учетная запись в ArcGIS Enterprise содержит права доступа на Выполнение анализа
  • Advanced: Требуется Права доступа Ваша учетная запись в ArcGIS Enterprise содержит права доступа на Выполнение анализа

Связанные разделы