Проект откроется в ArcGIS Pro.

Карта Madison Temperature содержит базовую карту Светло-серое полотно и два векторных слоя: Temperature_Aug08_8pm и Block_Groups. Слой Temperature_Aug08_8pm содержит 139 точек, распределенных по территории Мэдисона, Висконсин, покрывающих центр города и прилегающие пригородные районы. Каждая точка представляет местоположение сенсора, измеряющего температуру воздуха с интервалом в 15 мин. Точки в слое Temperature_Aug08_8pm представляют измерения температуры по шкале Фаренгейта, измеренные каждым сенсором 8 августа 2016 года в 20.00.

В этом слое местоположения сенсоров отображены оттенками желтого и красного, что соответствует уровню температуры в градусах Фаренгейта. Самый светлый оттенок желтого соответствует температуре 73 градуса Фаренгейта (22.78 по Цельсию), а самый темный оттенок красного соответствует 86 градусам Фаренгейта (30 по Цельсию).

Откроется таблица атрибутов для Temperature_Aug_08_8pm. В таблице содержаться атрибуты каждого из 139 отдельных точек сенсоров. В поле TemperatureF содержаться значений измерений температур.

В поле TemperatureF самое высокое значение температуры – 83.869 градусов Фаренгейта, а самое низкое – 73.429.

Слой Block_Groups представляет кварталы переписи в городе Мэдисон и окружающих пригородных районах. Кварталы переписи отображаются по плотности жителей старше 65 лет, рассчитанной путем деления численности населения старше 65 лет на площадь квартала в квадратных километрах.

Кварталы переписи определяют экстент изучаемой области для упражнения.

В заключительном шаге вы спрогнозируете среднюю температуру для каждого квартала для определения областей в Мэдисоне, которые характеризуются высокими значениями температуры и, при этом, высокой численностью населения старше 65 лет.

Появятся панели Свойства диаграммы и вид диаграммы. Исходно вид диаграммы пустой.

Диаграмма обновится и отобразится гистограмма распределения измерений температуры, а заголовок диаграммы станет Distribution of TemperatureF. Дополнительно, обновится информация в группе Статистика в Свойствах диаграммы, и там будут отображены различные статистические показатели для поля гистограммы TemperatureF.

Голубая вертикальная линия на гистограмме показывает среднее значение температуры (79.4). Значения температуры распределены довольно равномерно между минимумом и максимумом, при этом наибольшее количество точек показывает температуру между 79,5 и 81,3 градусами. Медиана значений температуры показана фиолетовым цветом, а среднеквадратическое отклонение – коричневым.

В панели Свойства диаграммы, в разделе Статистика, в поле Количество 139 точек, а в полях Мин. и Макс. Значения температуры соответственно 73.4 и 83.9 градусов.

Точки, соответствующие минимальным значениям измерений температуры выбраны на карте Madison Temperature. Точки с минимальными значениями расположены, главным образом, в пригородах и сельских районах вокруг городского центра Мэдисона.

На карте Madison Temperature большинство точек с максимальными значениями измерений температуры расположены в центральной части города Мэдисон, и, дополнительно, в прилегающих районах северо-восточнее и юго-восточнее центра.

На карте Madison Temperature большинство точек с максимальными значениями измерений температуры расположены в центральной части города Мэдисон, и, дополнительно, в прилегающих районах северо-восточнее и юго-восточнее центра.

Откроется диалоговое окно Geostatistical Wizard, где будут отображены доступные методы интерполяции (слева) и опции набора данных (справа).

Правая панель Geostatistical Wizard обновиться и покажет доступные опции для Кригинга/кокригинга.

• Для Исходного набора данных выберите Temperature_Aug_08_8pm.
• Для Поле данных выберите TemperatureF.

Указав в качестве исходного набора данных – Temperature_Aug_08_8pm, а в качестве поля данных – TemperatureF, вы определили, что будете выполнять простой кригинг для значений измерений температур. Так как вы не указали второй набор данных, вы будете выполнять кригинг, а не кокригинг. Более подробно о том, что такое кокригинг см. понятие кокригинга.

На второй странице Geostatistical Wizard вы указываете тип кригинга, который вы собираетесь выполнять, и настраиваете опции, соответствующие этому типу кригинга.

Параметр указывает, что вы не будете выполнять никаких преобразований.

Откроется страница Моделирование вариограммы/ковариации.

Выбранный параметр изменит график с ковариации на вариограмму.

На графике слева теперь отображается не ковариация а вариограмма. Вариограмма является математической основой кригинга, и подбор подходящей вариограммы почти всегда является самым сложным и трудоемким шагом в построении модели кригинга.

Панель вариограммы разделена на три секции:

• Вариограмма – график слева вверху, где отображены бины (красные точки), средние значения (синие крестики) и модель вариограммы (голубая кривая).
• Общие свойства – параметры в правой части страницы, которые используются для побора формы модели вариограммы.
• Карта вариограмм – расположена слева внизу, используется для выявления анизотропии. Тема анизотропии не рассматривается на этих уроках.

Настройка вариограммы выполняется по трем параметрам, которые приведены в списке Общие параметры:

• Самородок – значение вариограммы по оси y, представляющее ожидаемый квадрат разницы значений точек, расположенных на нулевом расстоянии друг от друга. Теоретически ожидаемое значение квадрата разницы для этих точек должно быть равно нулю; значение самородка больше нудя свидетельствует о возможных микро-погрешностях и ошибках измерения.
• Большой радиус влияния – расстояние, на котором вариограмма становится плоской. Если две точки расположены на расстоянии, превышающим радиус влияния – значения в этих точках гарантировано не коррелируют.
• Частичный порог – значение, на котором вариограмма достигает радиуса влияния, называется порогом. Частичный порог вычисляется путем вычитания самородка из порога, и представляет ожидаемый квадрат разницы значений между точками, которые пространственно не коррелируют. Значение дает представление о дисперсии базового пространственного процесса.

На странице вариограммы вы должны настроить параметры в Общих свойствах так, чтобы кривая вариограммы (голубого цвета) проходила как можно ближе, а по возможности через бины и средние значения на графике вариограммы.

Голубая кривая вариограммы несколько изменилась после изменения модели.

На странице вариограммы можно настроить множество опций, и, даже для опытных геостатистиков, зачастую очень трудно подобрать подходящие параметры для вариограммы. Для подобных случаев предусмотрена кнопка Оптимизировать модель.

Назначение кнопки Оптимизировать модель – автоматически подобрать самородок, радиус влияния и частичный порог, так, чтобы ошибка перекрестной проверки, вычисляемая по методу наименьших квадратов, была минимальной (перекрестная проверка будет рассмотрена позже в этом уроке). Geostatistical Wizard не применяет оптимизацию по умолчанию только потому, что иногда она может занять значительное время.

После оптимизации вариограмма и ее параметры обновляются. Эти значения вы будете использовать в своей первой модели кригинга.

Мастер обновится, и появится страница Поиск окрестности, на которой отображается предварительный вид карты прогнозируемых значений и параметры для поиска соседей в окрестности.

Каждое значение рассчитывается на основе входных точек в окрестности, и на этой странице вы можете настроить, сколько соседей должно быть использовано, и в каком направлении наблюдается скопление соседних точек. Так как измерения температуры равномерно распределены по карте, окрестность по умолчанию менять не нужно. Если входные точки кластеризованы или расположены неравномерно, это стоит учесть в настройках окрестности поиска.

Центр окрестности поиска переместиться в указанное по координатам x,y местоположение, в центре области высоких температур в городе.

Можете ли вы обозначить центр теплового острова в этой точке? Нет. Тепловые острова в реальности не имеют центра – они, как правило, распространяются по некоторой территории в городе.

В указанной точке x,y Результат идентификации прогнозирует температуру 83.26 градусов, со стандартной ошибкой 0.51 градус. Стандартные ошибки количественно определяют погрешности в прогнозируемых значениях. Чем больше ошибка – тем больше возможна погрешность в прогнозируемом значении.

• В этом местоположении, например, нижняя граница 95-процентного доверительного интервала будет (83.26 – 2 * 0.51) = 82.24.
• Верхняя граница, соответственно – (83.26 + 2 * 0.51) = 84.28.

Таким образом, мы можем предположить, что в этом местоположении температура будет 83.26 градусов по Фаренгейту, и с 95-процентной вероятностью, истинная температура в этом месте будет в диапазоне между 82.24 и 84.28 градусами по Фаренгейту.

Местоположение для расчета прогнозируемого значения переместиться в верхнюю часть области изучения, там, где значения температуры наиболее низкие. Прогнозируемое значение в этом месте – 75.22 градусов, со стандартной ошибкой – 1.76. В этом месте стандартная ошибка значительно больше. Это потому, что в этой области (в верхней части карты) измерений температуры несколько меньше, чем в центре города. Результаты прогноза в областях с меньшим числом измерений температур могут быть с большей погрешностью.

Далее вы изучите страницу перекрестной проверки. Страница перекрестной проверки показывает различные числовые и графические диагностики, которые позволяют оценить, насколько хорошо модель интерполяции соответствует вашим данным. Перекрестная проверка – это метод проверки «убрать одну точку», который последовательно убирает каждую входную точку и использует остальные точки для расчета прогнозируемого значения в местоположении убранной точки. Вычисленное прогнозируемое значение для убранной точки в рамках перекрестной проверки сравнивается с измеренным значением в этой точке; разница между двумя значениями называется – ошибка перекрестной проверки.

По краткой информации можно быстро оценить общую точность и надежность модели. Каждый показатель суммарной статистики дает определенную информацию по модели.

В совокупности эти статистические показатели позволяют оценить точность вашего кригинга.

• Показатель Среднее показывает, что в среднем прогнозируемые значения температуры превышены на 0.14 градусов, что указывает на незначительное смещение и не должно сильно искажать картину.
• Показатель Среднеквадратичная погрешность показывает, что среднее значение прогнозируемых значений отличается от измеренных менее, чем на 2 градуса.
• Так как Среднеквадратичная нормированная погрешность больше 1, это указывает на то, что стандартные ошибки немного не точны.

График Проинтерполированных значений показан в виде диаграммы рассеивания, на которой рассчитанные при перекрестной проверке значения (x) сопоставляются с измеренными (y) для каждой входной точки. Дополнительно голубая линия регрессии подгоняется к данным, а серая базисная линия используется для сравнения голубой линии регрессии с идеальной ситуацией. Если ваша модель интерполяции корректна, прогнозируемые значения должны быть практически равны измеренным, и линия регрессии будет проходить под углом 45 градусов.

На вашем графике голубая линия регрессии практически совпадает с серой базисной линией, что дает вам основания считать вашу модель точной.

Обратите внимание, что на графике Ошибка голубая линия регрессии идет вниз. Это указывает на то, что модель интерполяции сглаживает данные, то есть высокие значения прогнозируются несколько заниженными, а низкие - наоборот завышены. Некоторое сглаживание присутствует практически в каждой геостатистической модели, и для текущих результатов не критично.

В Нормальном графике КК, если красные точки располагаются близко к базисной линии серого цвета – значит прогнозируемые значения соответствуют нормальному распределению. В вашем графике красные точки, в большинстве случаев, совпадают с базисной линией, но есть и некоторые отклонения, главным образом, в верхней правой части графика. Хотя такая интерпретация графика КК не совсем научна, этот график позволяет утверждать, что прогнозируемые значения соответствуют нормальному распределению.

На последней странице мастера – Отчет метода перечислены все параметры и настройки, используемые для интерполяции.

Geostatistical Wizard закроется и новый слой с именем Кригинг, показывающий прогнозируемые значения температур, добавляется в панель Содержание вашей карты.

Достаточно взглянуть на карту, чтобы увидеть эффект городского теплового острова. Наивысшие значения температуры отмечаются в городском центре Мэдисона, где прогнозируются температуры в диапазоне от 80 до 84 градусов. Самые низкие значения температуры отмечаются в пригородах и сельских районах, где колеблются в диапазоне от 73 до 78 градусов.

Как вы и предполагали, высокие температуры прогнозируются в центральной части города, причем погрешность прогнозирования невелика. Можно с уверенностью предположить, что прогнозируемые значения температуры выше из-за эффекта городского теплового острова, а стандартные ошибки ниже, так как в центре было выполнено больше измерений.

На панели слева отображается интерполированная поверхность с окружностью поиска, центрированной в центре экстента данных.

Справа внизу отображается Результат идентификации.

Общие свойства показывают параметры вариограмм и окрестностей поиска.

Параметры в Общих свойствах позволяют определять поднаборы и имитации в ЭБК:

• Размер поднабора – число точек в каждом поднаборе.
• Коэффициент перекрытия дает возможность контролировать степень перекрытия поднаборов.
• Число моделирований – число вариограмм, которые будут имитированы для каждого поднабора.

Имитированные вариограммы (голубые линии) и Эмпирическая вариограмма (голубые крестики) отображаются слева внизу. Медианная вариограмма показана сплошной линией красного цвета, а первый и третий квартили отображаются красным пунктиром.

Поверхность изменится, отражая новое значение размера поднабоора. Для 139 входных точек, при размере поднабора в 50 объектов, будет создано 3 поднабора. Это гарантирует, что вариограммы будут корректно подобраны на локальном уровне, сохраняя при этом достаточное количество точек в каждом поднаборе для правильного подбора параметров вариограммы.

Прогнозируемое значение в этом месте – 83.39 градусов, со стандартной ошибкой – 0.63. В предыдущем уроке простой кригинг прогнозировал в этом местоположении температуру 83.26 градусов со стандартной ошибкой 0.51.

В этом местоположении (571000, 290000), вариограмма практически проходит через средние значения (синие крестики), особенно на небольших расстояниях. Средние значения на максимальных расстояниях, как правило, находятся на нижнем конце спектра, более важно правильно смоделировать вариограмму именно на небольших расстояниях, так как именно эти расстояния играют значительную роль в расчете прогнозируемых значений.

Местоположение для расчета прогнозируемого значения переместиться в верхнюю часть области изучения, там, где значения температуры наиболее низкие. Прогнозируемое значение в этом месте (572000, 307000) – 74.14 градусов, со стандартной ошибкой – 2.28. Прогнозируемое значение в простом кригинге было 75.22 и стандартная ошибка 1.76. На этот раз два прогнозируемых значения отличаются на целый градус, но, вероятнее всего, это связано с большей неточностью прогнозируемых значений в этом местоположении. Эта неточность выражается в большей стандартной ошибке, в отличие от предыдущего местоположения x,y.

Как и для простого кригинга, страница перекрестной проверки показывает суммарную статистику справа и графики диагностики слева. В суммарной статистике ЭБК добавлены три дополнительных показателя, которые не используются в простом кригинге:

• Средний CRPS – Эта статистика одновременно оценивает и точность и стабильность модели, и значение показателя должно быть как можно меньше. К сожалению, напрямую этот показатель интерпретировать нельзя, он используется для сравнения разных моделей интерполяции.
• В пределах интервала 90 процентов – процент точек перекрестной проверки, входящих в 90% интервал прогнозирования. Это значение должно быть близко к 90. Значение 89.928 можно считать практически идеальным.
• В пределах интервала 95 процентов – процент точек перекрестной проверки, входящих в 95% интервал прогнозирования. Это значение должно быть близко к 95. Ваше значение 96.403 приближается к идеальному значению 95.

В следующей таблице сравниваются показатели суммарной статистики между ЭБК и простым кригингом:

• Большие значения статистик Средняя и Средняя нормированная в ЭБК указывают на несколько большее смещение, чем в простом кригинге, но в целом для обеих моделей величина смещения незначительна.
• Более низкое значение показателя Среднеквадратичная указывает, что в среднем ЭБК прогнозирует значения температуры несколько точнее.

Большая разница между двумя моделями объясняется тем, что стандартные ошибки в ЭБК рассчитываются значительно точнее.

• Более высокое значение показателя Средняя стандартная ошибка в ЭБК показывают, что в среднем, в ЭБК стандартные ошибки выше, чем в простом кригинге.
• Практически идеальное значение показателя Среднеквадратичная нормированная в ЭБК (вспомним, что в идеале должна быть единица) указывает, что эти стандартные ошибки рассчитываются более корректно.
• Средняя стандартная ошибка в ЭБК также ближе к Среднеквадратичной погрешности, чем в простом кригинге.

Все это вместе убедительно доказывает, что модель ЭБК значительно более надежна, чем модель простого кригинга.

На графике приведены прогнозируемые значения, рассчитываемые при перекрестной проверке, и соответствующие измеренные значения. Голубая линия регрессии настолько близка к серой базисной линии, что базисную линию очень трудно разглядеть. В простом кригинге линия регрессии совсем не так идеально совпадает с базисной. Это дает вам дополнительное доказательство большей надежности модели ЭБК.

Как и модели простого кригинга, голубая линия регрессии идет на снижение, что указывает сглаживание данных в модели, но это сглаживание не является критичным.

Красные точки практически совпадают с серой базисной линией. В области высоких значений наблюдаются некоторые отклонения от базисной линии, но эти отклонения значительно меньше, чем в простом кригинге. На основе этого графика можно с уверенностью предположить, что прогнозируемые значения подчиняются нормальному распределению.

Geostatistical Wizard закроется и геостатистический слой Эмпирический Байесовский кригинг добавится в панель Содержание. Символы слоя такие же, как и у слоя Кригинг, поэтому их легко визуально сравнить.

Слой USA NLCD Impervious Surface Time Series покрывает всю континентальную часть Соединенных Штатов, но ваша область изучения ограничена территорией Мэдисона, штат Висконсин. Исходя из этого вам следует получить поднабор из исходных данных, вырезав нужную фрагмент по экстенту области изучения, с помощью инструмента геообработки Извлечь по маске .

Откроется панель Геообработка.

• Для Входного растра выберите USA NLCD Impervious Surface Time Series.
• Для Входные векторные или растровые данные маски выберите Block_Groups..
• Для Выходного растра введите Impervious_Surfaces.

Выходной растр будет сохранен в базу геоданных проекта по умолчанию.

В дополнение к извлечению значений ячеек Impervious_Surface в изучаемой области, вы также хотите обновить систему координат до той же проекции, что и остальные данные, и дополнительно пересчитать исходные данные до более подходящего размера ячейки 100 метров. Эти обновления позволят ускорить вычисления далее в этом уроке.

• Для Выходной системы координат выберите Block_Groups..
• Для Размера выходной ячейки укажите 100.
• Для Экстента выберите Block_Groups.

Выходная система координат для результирующего слоя теперь соответствует слою Block_Groups то есть NAD_1983_2011_Wisconsin_TM и размер выходной ячейки будет пересчитан на 100 метров.

В строке появится надпись Как указано ниже и максимальные и минимальные значения выходного экстента обновятся и будут соответствовать максимальным и минимальным значениям слоя Block Group.

Слой Impervious_Surfaces добавлен на карту и на панель Содержание. Вы настроите символы.

Ваш растровый слой Impervious_Surfaces - это поднабор слоя USA NLCD Impervious Surface Time Series и содержит извлеченные значения, соответствующие экстенту слоя Block_Groups, пересчитанные по размеру ячейки 100 метров для корректного прогноза, требуемого для вашего анализа.

Вам больше не понадобится слой USA NLCD Impervious Surface Time Series, так что вы его удалите.

Самый высокий процент непроницаемых поверхностей приходится на центр города и вдоль транспортных коридоров, и значительно меньше непроницаемых поверхностей встречается в пригородных и сельских районах, окружающих город, где, как правило, более высокий процент растительности и открытых пространств.

В границах озер также отсутствуют непроницаемые поверхности. Соответственно Прогнозирование регрессии ЭБК не будет вычислять прогнозирование значений температуры на территориях озер. Это отвечает вашим пожеланиям, так как все исходные измерения температуры были выполнены на земле, и, таким образом, вряд ли помогут достоверно рассчитать прогнозируемые значения температуры над озерами. Изменчивость температур воздуха над водными объектами определяется другими факторами, по сравнению с температурами на земле.

• Для Входных точечных объектов выберите Temperature_Aug_08_8pm.
• Для Входного растра выберите Impervious_Surfaces.
• Для Выходного имени поля введите Raster_Value.

Поле Raster_Value будет добавлено к таблице Temperature_Aug_08_8pm. Этот атрибут Raster_Value представляет значение непрерывной поверхности, извлеченное из растрового слоя Impervious_Surfaces для каждого точечного местоположения.

• В строке Ось X число выберите TemperatureF.
• Для Ось Y число выберите Raster_Value.

Диаграмма обновится и отобразит точечную диаграмму с именем Отношения между TemperatureF и Raster_Value.

Точечная диаграмма показывает четкое положительное отношение между измерениями температуры (TemperatureF) и процентом непроницаемых поверхностей (Raster_Value). Кроме того, отношение приближается к линейному, так как линия тренда проходит через середину точек. Чем выше процент непроницаемых поверхностей, тем выше температура. Эта линейное отношение между переменными очень важно, так как линейная регрессия основывается на этом допущении.

• В строке Входные объекты зависимой переменной выберите Temperature_Aug_08_8pm.
• Для Поле зависимой переменной выберите TemperatureF.
• В строке Входные растры независимой переменной выберите Impervious_Surfaces.
• Для Выходного растра прогнозирования введите Temperature_Prediction.

Этот параметр указывает, что каждый поднабор будет состоять из 50 точек, что совпадает со значением, использованным в ЭБК, в предыдущем уроке.

В строке появится надпись Как указано ниже и максимальные и минимальные значения выходного экстента обновятся и будут соответствовать максимальным и минимальным значениям слоя Block Group.

Два слоя EBKRegressionPrediction1 и Temperature_Prediction добавлены в панель Содержание.

Виден только слой EBKRegressionPrediction1.

В слое EBKRegressionPrediction1 просматривается та же закономерность и эффект теплового острова, что и по результатам интерполяции методом простого кригинга, а так же ЭБК, но точность прогнозирования значительно выше. Контуры более четкие, и значения температуры меняются на более коротких расстояниях, указывая на более высокую степень точности. Интерполяция не выполнялась по поверхности озер, в результате мы можем видеть более реальную картину на карте температур, которая, тем не менее, все равно нуждается в количественной оценке с использованием перекрестной проверки.

Окно Кросс-проверка идентично последней странице Geostatistical Wizard и позволяет оценить результат интерполяции геостатистического слоя. Суммарная статистика расположена справа, а графические диагностики - слева.

В следующей таблице сравнивается суммарная статистика для Прогнозирования регрессии ЭБК с ЭБК и простым кригингом, которые вы выполняли в предыдущих уроках:

• Для Прогнозирования регрессии ЭБК значение Средний CRPS ниже на 20 процентов, чем в ЭБК,а значение Среднеквадратичная ниже чем в ЭБК на 25 процентов. Оба этих показателя указывают на то, что Прогнозирование регрессии ЭБК существенно точнее, чем ЭБК и Простой кригинг.
• Более низкие значения Средняя и Средняя нормированная также показывает, что Прогнозирование регрессии ЭБК имеет меньшее смещение и Средняя стандартная ошибка практически соответствует значению Среднеквадратичная.
• Есть некоторые основания полагать, что стандартные ошибки слегка завышены, так как значение Среднеквадратичная нормированная меньше единицы, а значения В пределах интервала 90 процентов и В пределах интервала 95 процентов содержат немного отличный от ожидаемого процент точек (91.971 и 93.431 процентов соответственно), но стандартные ошибки все равно указывают на довольно высокую точность.

На основании этих статистических показателей можно заключить, что Прогнозирование регрессии ЭБК - значительно более точная и надежная модель кригинга из этих трех вариантов.

На графике Проинтерполированное значение линия регрессии (синяя) практически соответствует базисной линии (серой). В точках вокруг линии регрессии наблюдается некоторая изменчивость, но в целом график дополнительно подтверждает высокую точность модели.

Как и в двух моделях ранее, линия регрессии на графике Ошибка показывает тенденцию к снижению. Это указывает на сглаживание в модели, но, как и ранее, мы можем не считать это критичным.

Обратите внимание, что Нормальный график КК проходит существенно ближе к базисной линии, чем в двух предыдущих моделях. Даже в области высоких значений график практически совпадает с базисной линией. Есть некоторые отклонения в области низких значений, но мы можем сделать осторожное предположение, что прогнозируемые значения соответствуют нормальному распределению.

На основании числовых расчетов и графических диагностик в перекрестной проверке вы можете предъявить убедительные доказательства, что модель Прогнозирование регрессии ЭБК обеспечивает более точное прогнозирование из всех трех моделей, использованных в этих уроках. Именно эту модель вы рекомендуете использовать для интерполяции температуры в Мэдисоне, штат Висконсин.

Теперь, после принятия решения использовать модель Прогнозирование регрессии ЭБК, вы примените подходящие и понятные символы к растровому слою Temperature_Prediction.

Вы примените более понятные символы для слоя Temperature_Prediction, импортировав пользовательскую растяжку из существующего файла слоя.

Символы слоя Temperature_Prediction обновятся.

Файл EBKRP_Symbology.lyrx содержит предварительно настроенные символы и свойства, подходящие для слоя Temperature_Prediction.

К слою применена растяжка по цветовой шкале, где самые светло-желтые тона температуре 73 градуса Фаренгейта, а самые темно-красные – 86 градусов. Эта цветовая шкала соответствует той, которая использована для отображения точек измерений температуры в слое Temperature_Aug_08_8pm.

Эффект городского теплового острова очевиден при первом же взгляде на карту. Самые высокие температуры наблюдаются в центре города, а самые низкие – в пригородах и сельских районах на окраинах. Использовав слой непроницаемых поверхностей вы получили более подробную и детализированную прогнозируемую поверхность. В некоторых районах можно даже выделить городские коридоры и увидеть, как тепло растекается между зданиями и вдоль автомагистралей и автострад.

• Для Входные векторные или растровые данные зон выберите Block_Groups..
• Для Поля зоны выберите OBJECTID.
• Для Входного растра значений выберите Temperature_Prediction.
• В опции Выходная таблица введите Mean_Temperature.
• Для Тип статистики выберите Среднее.

Выбор Среднего для типа статистики указывает, что вы хотите рассчитать среднее значение прогнозируемой температуры для каждого квартала.

Таблица появляется на панели Содержание, в разделе Автономные таблицы. Она содержит 269 записей, по одной для каждого из 269 кварталов в изучаемой области. В таблице поле OBJECTID идентифицирует отдельные кварталы, а поле Mean содержит среднее значение прогнозируемой температуры для каждого квартала.

Далее вы присоедините таблицу Mean_Temperature к слою кварталов, чтобы добавить значения поля Mean каждому отдельному полигону слоя кварталов.

• Для Входной таблицы выберите Block_Groups.
• Для Входного поля соединения выберите OBJECTID.
• Для Соединяемой таблицы выберите Mean_Temperature.
• В Поле соединяемой таблицы выберите OBJECTID.

Атрибутивные поля таблицы Mean_Temperature присоединены к слою кварталов по полю OBJECTID, идентифицирующему каждый уникальный квартал.

Это поле содержит среднюю прогнозируемую температуру для каждого квартала.

Далее вы присвоите символы кварталам, используя среднее прогнозируемое значение температуры, используя настроенные символы, импортированные из файла слоя.

• Для Входного слоя выберите Block_Groups.
• Для Слой символов перейдите в местоположение, куда вы загрузили и распаковали проект в первом уроке и выберите BG_temperature.lyrx.
• В разделе Поля символов для параметра Тип убедитесь, что настроено значение Поле значений.
• Для Поля источника убедитесь, что выбрано значение Mean_Temperature.MEAN.
• Для Целевого поля убедитесь, что выбрано значение MEAN.

Символы слоя кварталов обновятся, и к каждому полигону квартала будет применен символ в соответствии со средним прогнозируемым значением температуры для этого квартала. Используется та же цветовая шкала, что и в слое Temperature_Aug_08_8pm. Средние значения температур демонстрируют ту же закономерность, что и растр прогнозируемых значений: участки самых высоких температур расположены в центре города и вокруг центра, а самых низких - в пригородах и сельских районах.

Для выражения запроса используйте следующий синтаксис:

Имя поля + Оператор + Значение или Поле

• В качестве Входных строк выберите Block_Groups.
• Для Типа выборки выберите Новая выборка.

Выражения могут содержать дополнительные выражения или условия, которые связываются с исходным выражением с помощью соединительных элементов, таких как And или Or. Соединительные элементы указывают, одно или оба условия должны быть истинными для выбора объекта.

Это выражение выберет кварталы, средняя температура в которых выше 81 градуса Фаренгейта, и плотность жителей в возрасте старше 65 лет превышает 100000 на квадратный км.

На карте будут выбраны группы участков, удовлетворяющие выражению.

По вашему критерию выбрано несколько кварталов. Они расположены в центральной части, а также вдоль транспортных коридоров, и представляют районы города, в которых вероятность возникновения заболеваний, связанных с жарой, в уязвимых группах населения достаточно высока. У служб быстрого реагирования эти области должны быть под особым контролем.

Для окончательной проверки вы построите точечную диаграмму значений средней температуры в сочетании с плотностью проживания жителей пожилого возраста для визуализации возможной связи между ними.

Точечная диаграмма обновится, и на ней будет показана связь между средними температурами и плотностью проживания жителей пожилого возраста. 5 выбранных кварталов останутся выбранными на точечной диаграмме, указывая на кварталы со средней температурой свыше 81 градуса по Фаренгейту и плотностью населения жителей возраста старше 65 лет свыше 100000.

По диаграмме можно подтвердить отсутствие связи между средними температурами и плотностью проживания жителей пожилого возраста. Линия тренда практически ровная, с небольшим уклоном в отрицательную сторону, и точечная диаграмма не показывает никаких четких закономерностей. Это хорошо, так как можно заключить, что жители возраста свыше 65 лет не проявляют тенденции селиться в наиболее жарких районах Мэдисона, Висконсин.

В этом квартале очень высокая плотность пожилых жителей (свыше 700000), но температура в среднем диапазоне (порядка 80 градусов по Фаренгейту).

Так как в этом квартале наблюдается высокая плотность проживания пожилых людей, службы быстрого реагирования в Мэдисоне, Висконсин должны проводить мониторинг температуры воздуха более тщательно. К счастью, 8 августа в 8 часов вечера в этом квартале не было зарегистрировано очень высокой температуры воздуха, по сравнению с другими районами Мэдисона.