经验贝叶斯克里金法 (地统计分析)
用法
-
该克里金法可处理一般程度上不稳定的输入数据。
平滑圆搜索领域将显著增加执行时间。
每个本地模型中的最大点数值和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。可用的最大核数量将根据子集大小、半变异函数模型类型、计算机操作系统以及工具使用 32 位还是 64 位处理运行来确定。通过安装 Background Geoprocessing（64 位） 产品以及启用后台地理处理，即可能成功运行该工具。
语法
| 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。 可在“环境设置”的“栅格分析”下显式设置此值。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。
| 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。每个输入点均可归为多个子集中，重叠系数指定了各点将归入的子集数的平均数。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) |
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”为默认选项。 这是搜索邻域类（SearchNeighborhoodStandardCircular 和 SearchNeighborhoodSmoothCircular）。 标准圆形
SmoothCircular
| Geostatistical Search Neighborhood |
output_type (可选) |
用于存储插值结果的表面类型。
| String |
quantile_value (可选) |
要生成的输出栅格的分位数。 | Double |
threshold_type (可选) |
确定概率值是否超过了阈值。
| String |
probability_threshold (可选) |
概率阈值。如果留空，将使用输入数据的中值。 | Double |
semivariogram_model_type (可选) |
用于插值的半变异函数模型。可用的选择取决于变换类型参数的值。 如果变换类型设置为 NONE，则可以使用以下半变异函数：
如果设置为 EMPIRICAL 或 LOGEMPIRICAL，则可以使用以下半变异函数：
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 |
代码实例
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")
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"
# 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,
semivariogram)