经验贝叶斯克里金法 (地统计分析)

需要 Geostatistical Analyst 许可。

描述

经验贝叶斯克里金法是一种插值方法,可通过反复模拟,对基础半变异函数估算中的错误进行说明。

什么是经验贝叶斯克里金法?

使用方法

  • 该克里金法可处理一般程度上不稳定的输入数据。

  • 此插值方法仅允许标准圆形平滑圆形搜索邻域

  • 搜索邻域平滑圆形选项将显著增加执行时间。

  • 每个本地模型中的最大点数值本地模型重叠系数值越大,执行时间就越长。应用数据变换也会显著增加执行时间。

  • 为避免内存用尽,软件可以限制能够用于并行处理的 CPU 核数量。

  • 如果输入数据位于地理坐标系中,将使用弦距离来计算所有距离。有关弦距离的详细信息,请参阅“什么是经验贝叶斯克里金法”帮助主题中的地理坐标中数据的距离计算部分。

语法

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})
参数说明数据类型
in_features

包含要插入的 z 值的输入点要素。

Feature Layer
z_field

表示每个点的高度或量级值的字段。如果输入要素包含 z 值或 m 值,则该字段可以是数值字段或 Shape 字段。

Field
out_ga_layer
(可选)

生成的地统计图层。只有未请求任何输出栅格时才需要输出该图层。

Geostatistical Layer
out_raster
(可选)

输出栅格。只有未请求任何输出地统计图层时才需要输出该栅格。

Raster Dataset
cell_size
(可选)

要创建的输出栅格的像元大小。

可以通过像元大小参数在环境中明确设置该值。

如果未设置,则该值为输入空间参考中输入点要素范围的宽度与高度中的较小值除以 250。

Analysis Cell Size
transformation_type
(可选)

将应用到输入数据的变换类型。

  • NONE不应用任何变换。这是默认设置。
  • EMPIRICAL使用“经验”基本函数进行“乘偏斜”变换。
  • LOGEMPIRICAL使用“对数经验”基本函数进行“乘偏斜”变换。所有数据值必须为正。如果选择此选项,则所有预测均为正。
String
max_local_points
(可选)

输入数据将自动分组,每一组的点数不大于这一数目。

Long
overlap_factor
(可选)

表示本地模型(也称子集)之间重叠程度的系数。每个输入点均可落入多个子集中,重叠系数指定了各点将落入的子集的平均数。重叠系数值越高,输出表面就越平滑,但处理时间也越长。典型值在 0.01 到 5 范围内变化。

Double
number_semivariograms
(可选)

每个本地模型模拟的半变异函数的数量。

Long
search_neighborhood
(可选)

定义用于控制输出的周围点。“标准圆形”为默认选项。

以下是搜索邻域类:SearchNeighborhoodStandardCircularSearchNeighborhoodSmoothCircular

标准圆形

  • radius - 搜索圆的半径长度。
  • angle - 移动窗口的轴(圆)或长半轴(椭圆)的旋转角度。
  • nbrMax - 用于估计未知位置值的最大相邻数。
  • nbrMin - 用于估计未知位置值的最小相邻数。
  • sectorType - 邻域的几何。
    • ONE_SECTOR - 单个椭圆。
    • FOUR_SECTORS - 分为四个扇区的椭圆。
    • FOUR_SECTORS_SHIFTED - 分为四个扇区且偏移 45 度的椭圆。
    • EIGHT_SECTORS - 分为八个扇区的椭圆。

平滑圆形

  • radius - 搜索圆的半径长度。
  • smoothFactor -“平滑插值”选项可在“长半轴”与“平滑系数”相乘所得的距离处创建一个外椭圆和一个内椭圆。使用反曲线函数可对位于最小椭圆外、最大椭圆内的点加权,加权值介于 0 和 1 之间。
Geostatistical Search Neighborhood
output_type
(可选)

用于存储插值结果的表面类型。

有关输出表面类型的详细信息,请参阅插值模型可以生成何种类型的输出表面?

  • PREDICTION可通过内插值生成的预测表面。
  • PREDICTION_STANDARD_ERROR 标准误差表面可通过内插值的标准误差生成。
  • PROBABILITY值超过或未超过某一特定阈值的概率曲面。
  • QUANTILE可对预测分布指定分位数进行预测的分位数表面。
String
quantile_value
(可选)

用于生成输出栅格的分位数。

Double
threshold_type
(可选)

指定是否计算超过或未超过指定阈值的概率。

  • EXCEED概率值超过了阈值。这是默认设置。
  • NOT_EXCEED概率值将不会超过阈值。
String
probability_threshold
(可选)

概率阈值。如果留空,将使用输入数据的中值(第 50 个分位数)。

Double
semivariogram_model_type
(可选)

用于插值的半变异函数模型。

  • POWER幂半变异函数
  • LINEAR线性半变异函数
  • THIN_PLATE_SPLINE薄板样条半变异函数
  • EXPONENTIAL指数半变异函数
  • EXPONENTIAL_DETRENDED应用一阶趋势移除的指数半变异函数
  • WHITTLE消减半变异函数
  • WHITTLE_DETRENDED应用一阶趋势移除的消减半变异函数
  • K_BESSELK-Bessel 半变异函数
  • K_BESSEL_DETRENDED应用一阶趋势移除的 K-Bessel 半变异函数

可用的选择取决于 transformation_type 参数的值。如果将变换类型设置为 NONE,那么只有前三个半变异函数可用。如果类型是 EMPIRICALLOGEMPIRICAL,则最后六个半变异函数可用。

关于为数据选择适当半变异函数的详细信息,请参阅什么是经验贝叶斯克里金法主题。

String

代码示例

EmpiricalBayesianKriging 示例 1(Python 窗口)

将一系列点要素插值成栅格。

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 示例 2(独立脚本)

将一系列点要素插值成栅格。

# 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)

许可信息

  • Basic: 需要 地统计分析
  • Standard: 需要 地统计分析
  • Advanced: 需要 地统计分析

相关主题