Эмпирический байесовский кригинг (Geostatistical Analyst)

Доступно с лицензией Geostatistical Analyst.

Сводка

Эмпирический байесовский кригинг - это метод интерполяции, в котором учитывается ошибка при оценке базовой вариограммы путем повторной имитации.

Что такое Эмпирический байесовский кригинг?

Использование

  • Этот метод кригинга пригоден для обработки умеренно нестационарных входных данных.

  • С этим методом интерполяции могут использоваться только Стандартная круговая и Сглаженная круговая окрестностей поиска.

  • При использовании опции Сглаженная окружность (Smooth Circular) для параметра Окрестность поиска (Search neighborhood) время выполнения существенно увеличивается.

  • Чем больше значение Максимальное количество точек в каждой модели и Коэффициент перекрытия областей локальной модели, тем дольше выполняется задание. При применении Преобразования данных время выполнения также существенно увеличится.

  • Для того, чтобы избежать недостатка памяти, программное обеспечение может ограничить количество ядер ЦПУ, которые могут использоваться при параллельной обработке.

  • Если входные данные в географической системе координат, все расстояния будут вычисляться с использованием хордовых расстояний. Для получения более подробных сведений о хордовых расстояниях, см. раздел Вычисление расстояний для данных в географических системах координат в главе справки Что такое эмпирический байесовский кригинг.

Синтаксис

arcpy.ga.EmpiricalBayesianKriging(in_features, z_field, {out_ga_layer}, {out_raster}, {cell_size}, {transformation_type}, {max_local_points}, {overlap_factor}, {number_semivariograms}, {search_neighborhood}, {output_type}, {quantile_value}, {threshold_type}, {probability_threshold}, {semivariogram_model_type})
ParameterОбъяснениеТип данных
in_features

Входные точечные объекты, содержащие z-значения для интерполяции.

Feature Layer
z_field

Поле, в котором хранится значение высоты или величины для каждой точки. Это может быть числовое поле или поле Shape, если входные объекты содержат z-значения или m-значения.

Field
out_ga_layer
(Дополнительный)

Создаваемый геостатический слой. Этот слой является обязательными выходными данными, только если не запрошен выходной растр.

Geostatistical Layer
out_raster
(Дополнительный)

Выходной растр. Этот растр является обязательными выходными данными, только если не запрошен выходной геостатистический слой.

Raster Dataset
cell_size
(Дополнительный)

Размер ячейки, который будет использован при создании выходного растра.

Это значение можно явно задать в Параметрах среды через Размер ячейки.

Если не задано иное, используется наименьшее значение из ширины и высоты экстента входных точечных объектов во входной пространственной привязке, деленное на 250.

Analysis Cell Size
transformation_type
(Дополнительный)

Тип преобразования, применяемый к входным данным.

  • NONEНе применять преобразования. Используется по умолчанию.
  • EMPIRICALПреобразование по методу Мультипликативной асимметрии с Эмпирической базовой функцией.
  • LOGEMPIRICALПреобразование по методу Мультипликативной асимметрии с Логэмпирической базовой функцией. Все значения данных должны быть положительными. Если эта опция отмечена, все прогнозы будут положительны.
String
max_local_points
(Дополнительный)

Входные данные будут автоматически разделены на группы, не содержащие больше заданного количества точек.

Long
overlap_factor
(Дополнительный)

Коэффициент, который представляет уровень перекрытия между локальными моделями (также называемыми поднаборами). Каждая входная точка может попадать в несколько поднаборов, и коэффициент перекрытия определяет среднее число поднаборов, в которые попадает каждая точка. Высокое значение коэффициента перекрытия позволяет сгладить выходную поверхность, но при этом увеличивает время обработки. Типичные значения изменяются в пределах 0,01 и 5.

Double
number_semivariograms
(Дополнительный)

Число моделируемых вариограмм для каждой локальной модели.

Long
search_neighborhood
(Дополнительный)

Определяет, какие точки, находящиеся в окрестности, будут использованы для вычисления результата. По умолчанию используется Обычная окружность.

Имеются следующие классы функции Окрестность поиска: SearchNeighborhoodStandardCircular и SearchNeighborhoodSmoothCircular.

Стандартная окружность

  • radius – длина радиуса окружности поиска.
  • angle – угол поворота для оси (окружности) или большой полуоси (эллипса) движущегося окна.
  • nbrMax – максимальное количество соседей, которое используется для оценки значения в неизвестном местоположении.
  • nbrMin – минимальное количество соседей, которое используется для оценки значения в неизвестном местоположении.
  • sectorType – геометрия окрестности.
    • ONE_SECTOR – эллипс целиком.
    • FOUR_SECTORS – эллипс, разделенный на четыре сектора.
    • FOUR_SECTORS_SHIFTED – эллипс, разделенный на четыре сектора и сдвинутый на 45 градусов.
    • EIGHT_SECTORS– эллипс, разделенный на восемь секторов.

Сглаженная окружность

  • radius – длина радиуса окружности поиска.
  • smoothFactor – опция Сглаженная интерполяция создает внешний эллипс и внутренний эллипс на расстоянии, равном Большой полуоси, умноженном на фактор сглаживания. Точки, располагающиеся за пределами наименьшего эллипса, но в пределах наибольшего эллипса, взвешиваются с помощью сигмоидальной функции со значением между нулем и единицей.
Geostatistical Search Neighborhood
output_type
(Дополнительный)

Тип поверхности для хранения результатов интерполяции.

Дополнительные сведения о типах выходной поверхности см. в Какие типы выходных поверхностей могут генерировать модели интерполяции?

  • PREDICTIONПоверхности интерполяции создаются из проинтерполированных значений.
  • PREDICTION_STANDARD_ERROR Поверхности типа Стандартная ошибка создаются из стандартных ошибок проинтерполированных значений.
  • PROBABILITYПоверхность вероятности значений, превышающих или не превышающих определенный порог.
  • QUANTILEПоверхность квантиля, показывающая распределение квантиля вероятности.
String
quantile_value
(Дополнительный)

Значение квантили, для которого будет создан выходной растр.

Double
threshold_type
(Дополнительный)

Указывает, следует ли вычислять вероятность превышения или не превышения указанного порогового значения.

  • EXCEEDЗначения вероятности превышают порог. Используется по умолчанию.
  • NOT_EXCEEDЗначения вероятности не превышают порог.
String
probability_threshold
(Дополнительный)

Пороговое значение вероятности. Если оставить это поле пустым, будет использована медиана (50 квантиль) входных данных.

Double
semivariogram_model_type
(Дополнительный)

Модель вариограммы, которая будет использована для интерполяции.

  • POWERВариограмма Усиленный сплайн
  • LINEARЛинейная вариограмма
  • THIN_PLATE_SPLINEВариограмма Плоский сплайн
  • EXPONENTIALЭкспоненциальная вариограмма
  • EXPONENTIAL_DETRENDEDЭкспоненциальная вариограмма с удалением тренда первого порядка
  • WHITTLEВариограмма Уиттла
  • WHITTLE_DETRENDEDВариограмма Уиттла с удалением тренда первого порядка
  • K_BESSELВариограмма K-Бесселя
  • K_BESSEL_DETRENDEDВариограмма K-Бесселя с удалением тренда первого порядка

Доступные варианты зависят от значения параметра transformation_type. Если тип преобразования данных установлен на NONE, доступны только первые три вариограммы. Если выбран тип EMPIRICAL или LOGEMPIRICAL, доступны последние шесть вариограмм.

Для получения подробной информации о выборе подходящей вариограммы для ваших данных, см. раздел Что такое Эмпирический байесовский кригинг.

String

Пример кода

EmpiricalBayesianKriging, пример 1 (окно Python)

Интерполировать последовательность точечных объектов в растр.

import arcpy
arcpy.EmpiricalBayesianKriging_ga("ca_ozone_pts", "OZONE", "outEBK", "C:/gapyexamples/output/ebkout",
                                  10000, "NONE", 50, 0.5, 100,
                                  arcpy.SearchNeighborhoodStandardCircular(300000, 0, 15, 10, "ONE_SECTOR"),
                                  "PREDICTION", "", "", "", "LINEAR")
EmpiricalBayesianKriging, пример 2 (автономный скрипт)

Интерполировать последовательность точечных объектов в растр.

# Name: EmpiricalBayesianKriging_Example_02.py
# Description: Bayesian kriging approach whereby many models created around the
#   semivariogram model estimated by the restricted maximum likelihood algorithm is used.
# Requirements: Geostatistical Analyst Extension
# Author: Esri

# Import system modules
import arcpy

# Set environment settings
arcpy.env.workspace = "C:/gapyexamples/data"

# Set local variables
inPointFeatures = "ca_ozone_pts.shp"
zField = "ozone"
outLayer = "outEBK"
outRaster = "C:/gapyexamples/output/ebkout"
cellSize = 10000.0
transformation = "EMPIRICAL"
maxLocalPoints = 50
overlapFactor = 0.5
numberSemivariograms = 100
# Set variables for search neighborhood
radius = 300000
smooth = 0.6
searchNeighbourhood = arcpy.SearchNeighborhoodSmoothCircular(radius, smooth)
outputType = "PREDICTION"
quantileValue = ""
thresholdType = ""
probabilityThreshold = ""
semivariogram = "K_BESSEL"

# Execute EmpiricalBayesianKriging
arcpy.EmpiricalBayesianKriging_ga(inPointFeatures, zField, outLayer, outRaster,
                                  cellSize, transformation, maxLocalPoints, overlapFactor, numberSemivariograms,
                                  searchNeighbourhood, outputType, quantileValue, thresholdType, probabilityThreshold,
                                  semivariogram)

Информация о лицензиях

  • Basic: Требуется Geostatistical Analyst
  • Standard: Требуется Geostatistical Analyst
  • Advanced: Требуется Geostatistical Analyst

Связанные разделы