Эмпирический байесовский кригинг (Geostatistical Analyst)
Резюме
Эмпирический байесовский кригинг – метод интерполяции, в котором учитывается ошибка при оценке базовой вариограммы путем повторной имитации.
Использование
-
Этот метод кригинга пригоден для обработки умеренно нестационарных входных данных.
С этим методом интерполяции могут использоваться только Стандартная круговая и Сглаженная круговая (Standard Circular) (Smooth Circular) окрестностей поиска.
При использовании Сглаженной круговой (Smooth Circular) окрестности поиска существенно увеличивается время выполнения.
Чем больше значение Максимальное количество точек в каждой модели (Maximum number of points in each model) и Коэффициент перекрытия областей локальной модели (Local model overlap factor), тем дольше выполняется задание. При применении Преобразования данных (Data transformation) время выполнения также существенно увеличится.
Синтаксис
| Параметр | Объяснение | Тип 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 (дополнительно) |
Создаваемый геостатический слой. Этот слой является обязательными выходными данными, только если не запрошен выходной растр. | Geostatistical Layer |
out_raster (дополнительно) |
Выходной растр. Этот растр является обязательными выходными данными, только если не запрошен выходной геостатистический слой. | Raster Dataset |
cell_size (дополнительно) |
Размер ячейки, который будет использован при создании выходного растра. Это значение можно явно задать на вкладке Анализ растра (Raster Analysis) окна Настройки параметров среды (Environment Settings). 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 (дополнительно) |
Тип преобразования, применяемый к входным данным.
| String |
max_local_points (дополнительно) |
Входные данные будут автоматически разделены на группы, не содержащие больше заданного количества точек. | Long |
overlap_factor (дополнительно) |
Коэффициент, который представляет уровень наложения 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 (дополнительно) |
Число моделируемых вариограмм. | Long |
search_neighborhood (дополнительно) |
Определяет, какие точки, находящиеся в окрестности, будут использованы для вычисления результата. По умолчанию – стандартные. Это функции класса Поиска соседних точек (Search Neighborhood) SearchNeighborhoodStandardCircular и SearchNeighborhoodSmoothCircular. Стандартная окружность (StandardCircular)
Круговое сглаживание (SmoothCircular)
| Geostatistical Search Neighborhood |
output_type (дополнительно) |
Тип поверхности для хранения результатов интерполяции.
| String |
quantile_value (дополнительно) |
Значение квантили, для которого будет создан выходной растр. | Double |
threshold_type (дополнительно) |
Определяет, превышают ли значения вероятности пороговое значение.
| String |
probability_threshold (дополнительно) |
Пороговое значение вероятности. Если оставить это поле пустым, будет использована медиана входных данных. | Double |
Пример кода
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", "", "", "")
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 = "NONE"
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 = ""
# Check out the ArcGIS Geostatistical Analyst extension license
arcpy.CheckOutExtension("GeoStats")
# Execute EmpiricalBayesianKriging
arcpy.EmpiricalBayesianKriging_ga(inPointFeatures, zField, outLayer, outRaster,
cellSize, transformation, maxLocalPoints, overlapFactor, numberSemivariograms,
searchNeighbourhood, outputType, quantileValue, thresholdType, probabilityThreshold)