Доступно с лицензией Geostatistical Analyst.
Следующие термины и понятия используются в геостатистике и в Дополнительный модуль ArcGIS Geostatistical Analyst.
| Термин | Описание |
|---|---|
Перекрестная проверка | Метод, используемый для оценки точности интерполяционной модели. В Geostatistical Analyst при перекрестной проверке одна точка исключается, а остальные используются для прогнозирования значения в этом местоположении. Затем точка возвращается в набор данных, а другая точка удаляется. Это делается для всех образцов в наборе данных и предоставляет пары прогнозируемых и известных значений, которые можно сравнить для оценки эффективности модели. Результаты обычно суммируются в виде Cредней и Среднеквадратичной ошибок. |
Детерминированные методы | В Geostatistical Analyst детерминированные методы создают поверхности из измеренных точек на основе либо степени сходства (например, метод обратно взвешенных расстояний), либо степени сглаживания (например, радиальные базисные функции). Они не дают оценки неопределенности (ошибки) прогнозов. |
Геостатистический слой | Многие инструменты геообработки в наборе инструментов Geostatistical Analyst хранятся в поверхности, называемой геостатистическим слоем. Геостатистические слои можно использовать для создания карт результатов, просмотра и пересмотра значений параметров метода интерполяции, создания других типов геостатистических слоев (например, карт ошибок прогнозирования) и экспорта результатов в растровый или векторный формат (контур, заполненный контур и точки). |
Геостатистические методы | Геостатистические методы Geostatistical Analyst основываются на статистических моделях, включающих анализ автокорреляции (статистических отношений между измеренными точками). Эти методы позволяют создавать поверхности прогнозирования и измерять неопределенность (ошибку), связанную с прогнозами. |
Интерполяция | Процесс, который использует измеренные значения, полученные в известных местах взятия проб, для прогнозирования (оценки) значений для мест, где пробы не брались. Geostatistical Analyst содержит несколько методов интерполяции, которые различаются в зависимости от их основных предположений, требований к данным и возможностей генерировать различные типы выходных данных (например, прогнозируемые значения, а также ошибки [неопределенности], связанные с ними). |
Ядро | Весовая функция, которая используется в нескольких методах интерполяции в Geostatistical Analyst. Обычно более высокие веса присваиваются значениям выборки, которые находятся близко к местоположению, для которого делается прогноз, а меньшие веса - значениям выборки, которые находятся дальше. |
Кригинг | Набор методов интерполяции, которые опираются на модели вариограмм пространственной автокорреляции для генерации прогнозируемых значений, ошибок, связанных с прогнозами, и другой информации о распределении возможных значений для каждого местоположения в исследуемой области (с помощью квантильных и вероятностных карт или геостатистического моделирования, которое позволяет получить набор возможных значений для каждого местоположения). |
Окрестность поиска | Большинство методов интерполяции используют локальное подмножество данных для создания прогнозов. Представьте себе движущееся окно — для составления прогноза в центре окна используются только данные внутри него. Это делается в связи с наличием избыточной информации в образцах, которые находятся далеко от местоположения, в котором необходимо сделать прогноз, а также для ускорения времени вычислений, необходимого для получения прогнозируемого значения для всей исследуемой области. Выбор окрестности поиска (количество близлежащих образцов и их пространственная конфигурация в окне) повлияет на поверхность прогнозирования и должен выполняться с осторожностью. |
Вариограмма | Функция, описывающая различия (дисперсию) между выборками, разделенными различными расстояниями. Как правило, вариограмма показывает низкую дисперсию для небольших различий и большую дисперсию при больших расстояниях разделения, что указывает на то, что данные пространственно автокоррелированы. Вариограммы, рассчитанные на основе данных выборки, являются эмпирическими вариограммами. Они представлены в виде набора точек на графе. Функция подбирается к этим точкам и называется моделью вариограммы. Модель вариограммы является ключевым компонентом кригинга (метода интерполяции, который может использовать прогнозируемые значения, ошибки, связанные с прогнозами, и информацию о распределении возможных значений для каждого местоположения в исследуемой области). |
Имитация | В геостатистике моделированием называют метод, который расширяет кригинг, создавая множество возможных версий прогнозируемой поверхности (в отличие от кригинга, который создает одну поверхность). Набор прогнозируемых поверхностей предоставляет информацию, которую можно использовать для описания неопределенности прогнозируемого значения для конкретного местоположения, неопределенности набора прогнозируемых значений в интересующей области или набора прогнозируемых значений, которые можно использовать в качестве входных данных для второй модели (физической, экономической и т.д.) для оценки риска и принятия более обоснованных решений. |
Пространственная автокорреляция | Природные явления часто демонстрируют пространственную автокорреляцию — значения образцов, находящихся рядом друг с другом, более схожи, чем образцы, располагающиеся далеко друг от друга. Некоторые методы интерполяции требуют явной модели пространственной автокорреляции (например, кригинг); другие полагаются на предполагаемые степени пространственной автокорреляции, не предоставляя средств для ее измерения (например, метод обратного взвешивания расстояний); в то время как третьи не требуют никакого представления о пространственной автокорреляции в наборе данных. При наличии пространственной автокорреляции традиционные статистические методы (основанные на независимости наблюдений) не могут считаться надежными. |
Преобразование | Преобразование данных выполняется, когда к данным применяется функция (log, Box-Cox, arcsin, нормальных меток) для изменения формы их распределения или стабилизации дисперсии (например, уменьшения взаимосвязи между средним значением и дисперсией, например, того, что изменчивость данных увеличивается с увеличением среднего значения). |
Проверка | Похожа на перекрестную проверку, но вместо использования одного и того же набора данных для построения и оценки модели используются два набора: один для построения модели, а другой — для независимого теста производительности. Если доступен только один набор данных, можно использовать инструмент Поднабор пространственных объектов, чтобы случайным образом разделить его на обучающие и тестовые подмножества. |