Indexvariablen vorbereiten
Der erste Schritt für die Erstellung eines Hitzerisikoindex ist die Vorbereitung der Eingabedaten. Für Ihren Index werden drei Variablen verwendet: durchschnittliche Oberflächentemperatur im Sommer, Prozentsatz der Fläche ohne Baumbestand und Bevölkerungsdichte. Jede dieser Eingaben wird von ArcGIS Living Atlas of the World-Daten abgeleitet und kann wiederholt oder für Ihre eigene Gegend oder einen anderen Interessenbereich angepasst werden.
Daten für das Untersuchungsgebiet hinzufügen
Der beispielhafte Hitzerisikoindex (HRI) wird für Sevilla, eine Stadt in Südspanien, berechnet. Bevor Sie die Daten verarbeiten, die den Risikoindex bilden werden, müssen Sie die Erhebungsdaten für Sevilla finden und vorbereiten. Dieser Layer wird zum Filtern und Ausschneiden globaler Raster-Services verwendet und ermöglicht es Ihnen, den Index innerhalb von Umkreisgeometrien so zu erstellen, dass er für die lokale Planung und Intervention sinnvoll ist.
- Starten Sie ArcGIS Pro. Melden Sie sich mit Ihrem lizenzierten ArcGIS-Organisationskonto an, falls Sie dazu aufgefordert werden.
Hinweis:
Wenn Sie über keinen Zugriff auf ArcGIS Pro oder über kein ArcGIS-Konto (für ArcGIS Online oder ArcGIS Enterprise) verfügen, informieren Sie sich über die Optionen für den Zugriff auf die Software.
- Klicken Sie unter Neues Projekt auf Karte.
- Geben Sie im Fenster Neues Projekt erstellen unter Name den Text Sevilla Heat Resilience Index ein. Klicken Sie auf OK.
Das Projekt wird erstellt. Zunächst fügen Sie der Karte einen Grenzen-Layer hinzu. Für dieses Lernprogramm verwenden Sie "Spain Census Section Boundaries" aus ArcGIS Living Atlas.
Tipp:
Je nach Ihren Zielen für den Index sind möglicherweise andere Grenzen besser geeignet. Wenn beispielsweise lokale Entscheidungen auf der Stadtviertel- oder Stadtratebene getroffen werden, ist es möglicherweise sinnvoller, diese Grenzen zu verwenden, um Entscheidungsträgern den entsprechenden Kontext bereitzustellen. In anderen Fällen, wenn die Verwaltungs- oder Zähleinheiten in Ihrer Region nicht klein genug sind oder Sie für die Analyse kleinere Auflösungen verwenden möchten, sollten Sie für die Analyse Mosaike oder ein kleineres Raster erstellen. Denken Sie daran, dass Sie sehr wahrscheinlich demografische Daten hinzufügen müssen, ganz gleich, welche Geographie Sie wählen. - Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Layer auf die Schaltfläche Daten hinzufügen.
- Klicken Sie im Seitenmenü des Fensters Daten hinzufügen unter Portal auf Living Atlas.
- Suchen Sie nach Spain census sections owner:esri_dm. Klicken Sie auf den Feature-Layer Spain Census Section Boundaries, um ihn auszuwählen.
Tipp:
Indem Sie owner: und den Namen der zuständigen Person zu einer Suche hinzufügen, werden Suchergebnisse nach einer bestimmten Person gefiltert.
- Klicken Sie auf OK.
Der Layer wird zur Karte hinzugefügt, und die Karte wird auf Spanien gezoomt. Sie filtern die Erhebungsabschnitte nach Sevilla.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf ESP_CensusSection, und wählen Sie Attributtabelle aus.
Die Attributtabelle wird geöffnet. Die Stadt, in der sich der jeweilige Erhebungsabschnitt befindet, ist im Feld Name aufgeführt.
Hinweis:
Wenn Sie das Feld Name nicht sehen, klicken Sie im Menüband der Attributtabelle auf die Schaltfläche Optionen und dann auf Alle Felder anzeigen.
- Klicken Sie in der Attributtabelle für Auswahl auf Nach Attributen auswählen.
Das Werkzeug Nach Attributen auswählen wird geöffnet.
- Erstellen Sie im Werkzeug Nach Attributen auswählen die Abfrage Name ist gleich Sevilla, und klicken Sie auf OK.
Unten in der Attributtabelle ist angegeben, dass 521 Abschnitte ausgewählt sind. Sie können eine Kopie dieses gefilterten Layers in Ihrem Projekt speichern, damit Sie mit den Daten arbeiten können.
- Klicken Sie im Menüband auf die Registerkarte Analyse. Klicken Sie in der Gruppe Geoverarbeitung auf Werkzeuge.
Der Bereich Geoverarbeitung wird geöffnet.
- Navigieren Sie im Bereich Geoverarbeitung zum Werkzeug Features exportieren (Conversion Tools), und öffnen Sie es.
- Wählen Sie für Eingabe-Features den Layer ESP_CensusSection aus. Geben Sie unter Ausgabe-Feature-Class die Bezeichnung Sevilla_Census_Sections ein.
- Klicken Sie auf Ausführen.
Wenn die Ausführung des Werkzeugs abgeschlossen ist, wird dem Bereich Inhalt der Layer Sevilla_Census_Sections hinzugefügt. Den ursprünglichen Layer mit den Erhebungsabschnitten können Sie jetzt entfernen.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf ESP_CensusSection, und wählen Sie Entfernen aus.
Als Nächstes symbolisieren Sie den Layer Sevilla_Census_Sections so, dass sie ihn auf den Layern sehen, die Sie später hinzufügen.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Sevilla_Census_Sections, und wählen Sie Symbolisierung aus.
- Klicken Sie bei Symbol auf das aktuelle Symbolmuster. Klicken Sie auf der Registerkarte Galerie unter ArcGIS 2D auf Schwarzer Umriss (1 Pkt).
Der Layer weist außerdem eine Transparenz auf, wodurch die Grenzen auf der Grundkarte schwer zu erkennen sind.
- Klicken Sie auf dem Menüband auf die kontextbezogene Registerkarte Feature-Layer. Ändern Sie in der Gruppe Effekte die Transparenz in 0 Prozent.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Sevilla_Census_Sections, und wählen Sie Auf Layer zoomen aus.
Ihr Interessenbereich-Layer ist jetzt symbolisiert und auf der Karte zentriert. Diese Ausdehnung verwenden Sie später, um die Raster-Daten für die Verwendung auszuschneiden.
- Klicken Sie auf der Symbolleiste für den Schnellzugriff auf die Schaltfläche Projekt speichern.
Das Projekt wird gespeichert.
Landsat-Oberflächentemperaturdaten vorbereiten
Die erste Variable in Ihrem Index ist die durchschnittliche Oberflächentemperatur im Sommer, die aus globalen Landsat Level-2-Bildern abgeleitet werden kann, die in ArcGIS Living Atlas verfügbar sind. Um diese Eingabe vorzubereiten, fügen Sie den Image-Service zu Ihrer Karte hinzu und suchen nach Szenen, die für Ihren Interessenbereich verfügbar sind. Anschließend kopieren Sie das Raster lokal und verwenden das Werkzeug Zonale Statistiken als Tabelle, um den Höchstwert innerhalb der einzelnen Erhebungsabschnitte von Sevilla zu bestimmen.
Tipp:
Je nach Untersuchungsgebiet und verfügbaren Daten sollten Sie für die Hitzedaten eine andere Quelle verwenden. Sie können beispielsweise Landsat-Daten aus der Landsat Explorer-App herunterladen. In der App können Sie Szenen auswählen und in einer Vorschau anzeigen, bevor Sie sie herunterladen. Eine weitere Möglichkeit besteht in der Verwendung von hochauflösenden Daten zu städtischen Wärmeinseln vom National Integrated Heat Health Information System (NIHHIS) and Climate Adaptation Planning and Analytics (CAPA)-Programm. NIHHIS-CAPA-Daten sind für bestimmte Städte in den USA und weltweit verfügbar, die an der Heatmap-Kampagne teilgenommen haben. Finden Sie heraus, ob Ihre Stadt in die Karte aufgenommen wurde oder wie Sie sich bewerben können.- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Layer auf die Schaltfläche Daten hinzufügen.
- Stellen Sie im Fenster Daten hinzufügen sicher, dass Living Atlas ausgewählt ist. Suchen Sie nach dem Bilddaten-Layer Landsat Level-2 von esri_imagery, und fügen Sie ihn hinzu.
Der Bilddaten-Layer Landsat Level-2 wird zu Ihrem Projekt hinzugefügt. Die "Level-2"-Sammlung von wissenschaftlichen Produkten enthält atmosphärisch korrigierte Daten zu Oberflächenreflexion und Oberflächentemperatur aus dem Jahr 1982. Sie passen die Eigenschaften des Landsat-Service an, um nur die Temperaturdaten zu erhalten, an denen Sie interessiert sind.
- Doppelklicken Sie im Bereich Inhalt auf Landsat Level-2.
Das Fenster Layer-Eigenschaften wird angezeigt.
- Klicken Sie im Fenster Layer-Eigenschaften auf die Registerkarte Verarbeitungsvorlagen.
- Wählen Sie unter Verarbeitungsvorlage die Option Surface Temperature (Celsius) aus.
- Klicken Sie auf die Registerkarte Mosaik. Wählen Sie bei Mosaik-Operator die Option Mittelwert.
Dieser Service verwendet ein Mosaik-Dataset, um die Szenen aus mehreren Jahrzehnten zu verwalten. Standardmäßig wird die erste Szene angezeigt. Wenn Sie den Mittelwert-Operator auswählen, wird ein durchschnittlicher Temperaturwert aus allen für Ihren Interessenbereich verfügbaren Szenen und auf der Grundlage der von Ihnen angewendeten Filter berechnet. Als Nächstes fügen Sie eine Definitionsabfrage mit zwei Argumenten hinzu: Die Wolkenbedeckung ist kleiner oder gleich 10 Prozent und die Szenen wurden in den Sommermonaten aufgenommen.
- Klicken Sie auf die Registerkarte Definitionsabfrage und dann auf Neue Definitionsabfrage.
- Erstellen Sie den Ausdruck Wobei gilt: Wolkenbedeckung ist kleiner als oder gleich 0,10. Klicken Sie auf Klausel hinzufügen.
Mit dieser Abfrage werden alle Szenen mit mehr als 10 Prozent Wolkenbedeckung herausgefiltert. Wolken und Schatten von Wolken in Landsat-Szenen wirken sich negativ auf Analyseergebnisse aus.
- Erstellen Sie den Ausdruck Und Monat enthält die Werte 6,7,8.
Diese Klausel umfasst nur Monate, die auf der Nordhalbkugel als Sommermonate gelten. Die Abfrage enthält jetzt zwei Klauseln.
- Klicken Sie bei Abfrage 1 auf Übernehmen. Klicken Sie im Fenster Layer-Eigenschaften auf OK.
Die Aktualisierung dieses Service kann einige Minuten dauern. Nach Abschluss werden die Szenen möglicherweise als graues Rechteck angezeigt. Um die durchschnittlichen Sommertemperaturen im Layer zu visualisieren, symbolisieren Sie das Raster.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Landsat Level-2, und wählen Sie Symbolisierung aus.
- Wählen Sie im Bereich Symbolisierung unter Statistiken die Option Dataset und dann DRA aus.
Die dynamische Bereichsanpassung (Dynamic Range Adjustment, DRA) ist eine Funktion, die den aktiven Streckungstyp bei der Navigation im Bild automatisch basierend auf den Pixelwerten in der aktuellen Anzeige anpasst.
- Wählen Sie als Farbschema einen abgestuften Farbverlauf wie Inferno aus.
Tipp:
Zeigen Sie auf Farbverläufe, um ihre Namen anzuzeigen.
Durchschnittliche Oberflächentemperatur im Sommer berechnen
Nachdem Sie nun die Verarbeitungsvorlage und die Filter für die Landsat-Bilddaten festgelegt haben, kopieren Sie genau die Szenen, die Sie interessieren, in Ihr Projekt.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Landsat Level-2, und wählen Sie Attributtabelle aus.
- Klicken Sie am unteren Rand der Attributtabelle auf die Schaltfläche Nach Ausdehnung filtern.
Die Tabelle wird so gefiltert, dass nur die Szenen angezeigt werden, die in der aktuellen Ausdehnung der Karte, der Region Sevilla, verfügbar sind.
- Schließen Sie die Attributtabelle. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Sevilla_Census_Sections, und wählen Sie Auf Layer zoomen aus.
- Öffnen Sie im Bereich Geoverarbeitung das Werkzeug Raster kopieren.
- Wählen Sie unter Eingabe-Raster die Option Landsat Level-2 aus.
Hinweis:
Neben dem Parameter Eingabe-Raster kann ein rotes X angezeigt werden, um einen ungültigen Parameter zu kennzeichnen. Der Landsat-Bilddaten-Service ermöglicht nur Exporte von 4.000 x 4.000 Pixeln auf einmal. Bevor Sie dieses Werkzeug ausführen, legen Sie eine Verarbeitungsausdehnung fest, um sicherzustellen, dass der Raster-Export innerhalb dieses Bereichs liegt.
- Klicken Sie auf die Schaltfläche Durchsuchen, um zum Ausgabe-Raster-Dataset zu gelangen.
Sie speichern dieses Raster als TIFF-Datei, die nicht in einer Geodatabase gespeichert werden kann.
- Klicken Sie im Fenster Ausgabe-Raster-Dataset unter Projekt auf Ordner. Doppelklicken Sie auf den Projektordner Sevilla Heat Resilience Index.
Hinweis:
Wenn Sie Ihrem Projekt einen anderen Namen gegeben haben, ist auch der Name des Projektordners anders.
- Geben Sie unter Name den Text Avg_SurfaceTemp_Sevilla.tif ein.
- Klicken Sie auf Speichern.
- Klicken Sie im Bereich Geoverarbeitung auf die Registerkarte Umgebungen. Klicken Sie unter Ausdehnung auf die Schaltfläche Ausdehnung eines Layers, und wählen Sie SevillaCensus_Sections aus.
Durch Festlegen einer Verarbeitungsausdehnung wird die Fehlerbedingung behoben, die Ihnen beim Angeben des Eingabe-Rasters aufgefallen ist.
- Klicken Sie auf Ausführen.
Wenn die Verarbeitung abgeschlossen ist, wird das Raster Avg_SurfaceTemp_Sevilla.tif dem Bereich Inhalt und der Karte hinzugefügt.
Hinweis:
Möglicherweise erhalten Sie nach Abschluss des Werkzeugs folgende Warnmeldung: WARNUNG 003485: Verarbeitungsvorlagen werden nicht im Ausgabe-Raster-Dataset gespeichert, da im Eingabe-Layer bereits eine aktive Verarbeitungsvorlage vorhanden ist. Dies ist zu erwarten, da nur die Bilddaten kopiert werden und keine der Service-Verarbeitungsvorlagen.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Landsat Level-2, und wählen Sie Entfernen aus.
Nachdem das Raster der Oberflächentemperatur Ihres Interessenbereichs in eine lokale Datei kopiert wurde, können Sie mit dem Werkzeug Zonale Statistiken als Tabelle alle Temperaturwerte innerhalb jedes Erhebungspolygons zusammenfassen, um den Durchschnittswert zu ermitteln.
- Öffnen Sie im Bereich Geoverarbeitung das Werkzeug Zonale Statistiken als Tabelle (Spatial Analyst Tools).
Das Werkzeug Zonale Statistiken als Tabelle berechnet die Statistik der Raster-Zellen innerhalb der Zonen eines anderen Datasets. In diesem Fall berechnen Sie die Statistik Maximum, um die höchste Durchschnittstemperatur in jedem Erhebungsabschnitt zu ermitteln.
- Geben Sie die folgenden Parameter ein:
- Wählen Sie für Eingabe-Raster- oder -Feature-Zonen-Daten den Eintrag Sevilla_Census_Sections aus.
- Wählen Sie für Zonenfeld den Eintrag ID aus.
- Wählen Sie für Input Value Raster den Eintrag Avg_SurfaceTemp_Sevilla.tif aus.
- Geben Sie unter Ausgabetabelle den Text Avg_SurfaceTemp_Sevilla ein.
- Wählen Sie für Statistiktyp die Option Mittelwert aus.
- Klicken Sie auf Ausführen.
Die Tabelle Avg_Surface_Temp_Sevilla wird dem Bereich Inhalt unter Standalone-Tabellen hinzugefügt.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf die Tabelle Avg_SurfaceTemp_Sevilla, und wählen Sie Öffnen aus.
Im Feld MEAN wird die Statistik für den Mittelwert angezeigt. Sie benennen dieses Feld für eine bessere Verständlichkeit um.
- Klicken Sie auf dem Menüband auf die kontextbezogene Registerkarte Standalone-Tabelle. Klicken Sie in der Gruppe Datendesign auf Felder.
- Doppelklicken Sie in der Ansicht Felder in der Spalte Alias auf MEAN, um den Datensatz zu bearbeiten. Geben Sie Avg Summer Temp (C) ein.
- Klicken Sie auf dem Menüband in der Gruppe Änderungen verwalten auf Speichern, um die Änderungen an der Tabelle zu speichern.
- Schließen Sie beide Tabellen, und speichern Sie das Projekt.
Sie haben nun den Workflow zur Vorbereitung der ersten Eingabe in den Hitzeresilienzindex abgeschlossen. Zunächst haben Sie mithilfe von ArcGIS Living Atlas-Daten die Landoberflächentemperatur für einen Interessenbereich abgeleitet und dabei Verarbeitungsvorlagen für den Image-Service "Landsat Level-2" verwendet. Dann haben Sie die Eigenschaften des Service angepasst, um die Szenen nach Attributen zu filtern und Durchschnittswerte für die gefilterten Szenen zu berechnen. Sie haben außerdem einen räumlichen Filter angewendet, um die Szenen auf einen Bereich um die Grenzen des Erhebungsgebiets einzuschränken. Nachdem Sie die Bilddaten in Ihr Projekt exportiert haben, haben Sie die durchschnittliche Oberflächentemperatur in den einzelnen Erhebungsabschnitten ermittelt.
Mangel an Baumkronen ableiten
Die zweite Eingabe für den Hitzerisikoindex ist der Mangel an Baumkronen. Diese Eingabe wird aus dem Bilddaten-Service European Space Agency WorldCover 2021 Land Cover in ArcGIS Living Atlas abgeleitet.
Tipp:
Je nach Ihren Zielen für den Index sollten Sie möglicherweise andere Klassifizierungsmethoden oder andere Daten verwenden. Da mit diesem Index Gebiete für Baumpflanzkampagnen ermittelt werden sollen, reklassifizieren Sie den Layer "Land Cover", um zu zeigen, wo sich bereits Bäume befinden. Wenn Sie den Index erstellen, um Gebiete für andere Maßnahmen wie etwa die Beseitigung von undurchlässigen Oberflächen oder die Schaffung von Regengärten zu ermitteln, sollten Sie die Landbedeckungsdaten reklassifizieren, um zu zeigen, wie viel Grünfläche vorhanden ist, indem Sie den Baumbestand, Buschland und Grünland in den einzelnen Erhebungsabschnitten ermitteln. Alternativ können Sie aber auch einen Messwert für Biomasse und Vegetationszustand wie etwa den Normalized Difference Vegetation Index (NDVI) oder den Soil Adjusted Vegetation Index (SAVI) verwenden. Diese Messwerte sind im Landsat Level-2-Service enthalten und können auch in ArcGIS Pro berechnet werden.- Klicken Sie auf dem Menüband auf der Registerkarte Karte auf die Schaltfläche Daten hinzufügen. Fügen Sie aus dem Living Atlas-Portal den Layer European Space Agency WorldCover 2021 Land Cover von esri_environment hinzu.
Dieser Layer ist ein globales Landbedeckungs-Dataset mit 11 Landbedeckungsklassen. Von diesen klassifizierten Pixeln benötigen Sie nur diejenigen, die Baumbestand zeigen. Mit dem Werkzeug Reklassifizieren können Sie nur genau diese Pixel isolieren.
- Öffnen Sie im Bereich Geoverarbeitung das Werkzeug Reklassifizieren (Spatial Analyst Tools).
- Als Eingaberaster wählen Sie European Space Agency WorldCover 2021 Land Cover. Vergewissern Sie sich, dass für das Reklassifizierungsfeld (Reclass-Feld) die Option ClassName ausgewählt ist.
- Lassen Sie in der Tabelle Reklassifizierung den Wert Neu für Baumbestand auf 1 stehen. Ändern Sie alle anderen Neu-Werte mit Ausnahme von NODATA in 0.
- Klicken Sie auf die Schaltfläche Durchsuchen, um zum Ausgabe-Raster zu gelangen. Wechseln Sie zum Projektordner Sevilla Heat Resilience Index.
- Geben Sie für Name den Namen Tree_Canopy_Sevilla.tif ein. Klicken Sie auf Speichern.
Um nur die für Ihren Interessenbereich relevanten Pixel zu verarbeiten, verwenden Sie die Verarbeitungsausdehnung, um das Raster auszuschneiden.
- Klicken Sie auf die Registerkarte Umgebung. Klicken Sie unter Verarbeitungsausdehnung für Ausdehnung auf die Schaltfläche Ausdehnung eines Layers, und wählen Sie SevillaCensus_Sections aus.
- Klicken Sie auf Ausführen.
Wenn die Raster-Verarbeitung abgeschlossen ist, wird es dem Bereich Inhalt hinzugefügt und auf der Karte gezeichnet.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf European Space Agency WorldCover 2021 Land Cover, und wählen Sie Entfernen aus.
Hinweis:
Die Symbolisierung Ihres Rasters unterscheidet sich möglicherweise von der des Beispielbildes.
Der Layer Tree_Canopy_Sevilla.tif hat zwei Klassen: Baumbestand und alles andere. Sie können dieses Raster verwenden, um die Variable für den fehlenden Baumbestand zu berechnen, die als Eingabe für Ihren Index dient.
Der Mangel an Baumkronen wird mit der Formel 100 – Prozent Baumkronen berechnet.
- Öffnen Sie im Bereich Geoverarbeitung das Werkzeug Zonale Statistiken als Tabelle (Spatial Analyst Tools).
Dieses Mal verwenden Sie das Werkzeug, um die Anzahl der Baumbestandspixel innerhalb jedes Erhebungspolygons zusammenzufassen. Das Werkzeug zählt auch die Gesamtzahl der Pixel innerhalb jeder Zone (Polygon), sodass Sie den Prozentsatz der mit Bäumen bedeckten Pixel des Polygons berechnen können.
- Geben Sie die folgenden Parameter ein:
- Wählen Sie für Eingabe-Raster- oder -Feature-Zonen-Daten den Eintrag Sevilla_Census_Sections aus.
- Wählen Sie für Zonenfeld den Eintrag ID aus.
- Wählen Sie für Eingabe-Wert-Raster den Eintrag Tree_Canopy_Sevilla.tif aus.
- Geben Sie für Ausgabetabelle den Namen Tree_Pixels ein.
- Wählen Sie für Statistiktyp die Option Summe aus.
- Klicken Sie auf Ausführen
Die Tabelle Tree_Pixels wird dem Bereich Inhalt unter Standalone-Tabellen hinzugefügt.
- Öffnen Sie die Tabelle Tree_Pixels.
Die Tabelle enthält zwei Spalten von Interesse: COUNT, die die Gesamtzahl der Pixel innerhalb jeder Polygonzone angibt, und SUM, die die Summe der Pixel mit Baumbestand angibt. Sie berechnen den prozentualen Baumbestand und den prozentualen fehlenden Baumbestand für jedes Erhebungspolygon mithilfe der folgenden Formeln:
- PCT_Tree_Cover = (Summe / Anzahl) * 100
- PCT_Lacking = 100 – PCT_Tree_Cover
- Klicken Sie in der Attributtabelle auf Berechnen.
- Geben Sie im Werkzeug Feld berechnen für Feldname (vorhanden oder neu) den Feldnamen Pct_Tree_Cover ein. Wählen Sie als Feldtyp die Option Float (32-Bit-Gleitkommazahl) aus.
- Erstellen Sie unter Ausdruck für Pct_Tree_Cover = den Ausdruck (!SUM! / !COUNT!) * 100, und klicken Sie auf OK.
Das neue Feld wird am Ende der Attributtabelle hinzugefügt.
- Klicken Sie auf Berechnen. Geben Sie für Feldname (vorhanden oder neu) den Namen Pct_Lacking ein, und wählen Sie für Feldtyp den Typ Float (32-Bit-Gleitkommazahl) aus.
- Erstellen Sie für Pct_Lacking = den Ausdruck 100 – !Pct_Tree_Cover!, und klicken Sie auf OK.
Die Tabelle Tree_Pixels hat zwei neue Felder: Pct_Tree_Cover und Pct_Lacking. Das Attribut Pct_Lacking gibt den prozentualen Anteil des Erhebungsabschnitts ohne Baumbestand an und ist die zweite Eingabe für den Hitzeresilienzindex.
- Schließen Sie die Tabelle Tree_Pixels, und speichern Sie das Projekt.
Die Bevölkerungsdichte berechnen
Die letzte Eingabe für den Hitzerisikoindex ist die Bevölkerungsdichte. Bei dieser Komponente des Index können Sie stärker bewohnten Gebieten den Vorrang geben, damit möglichst viele Menschen von der Maßnahme profitieren können. Sie leiten die Eingabe der Bevölkerungsdichte aus den spanischen Erhebungsdaten im Layer Sevilla_Census_Sections ab.
Tipp:
Je nach Ihren Zielen für den Index können Sie weitere demografische Variablen hinzufügen. In diesem Lernprogramm verwenden Sie zu Übungszwecken nur einen allgemeinen Messwert für die Bevölkerungsdichte, um darzustellen, wo die meisten Menschen von Baumpflanzkampagnen profitieren würden. Zum Erstellen Ihres Indexes wird diese Eingabe wohl differenzierter sein, da Sie beispielsweise demografische Daten hinzufügen, um zu zeigen, wo die Bevölkerung am stärksten durch Hitzebelastung gefährdet ist. Zu den Personen, die am meisten durch Hitzebelastung gefährdet sind zählen Kinder und ältere Erwachsene, Menschen, die körperlich schwer im Freien arbeiten, Menschen mit chronischen Erkrankungen, Menschen mit Behinderungen und Obdachlose.
Bei der Auswahl von demografischen Variablen empfiehlt es sich, eng mit Projektbeteiligten zusammenzuarbeiten, um deren Prioritäten zu ermitteln und festzulegen, wie diese im Index dargestellt werden sollen. Je nach den lokalen Prioritäten und der Anzahl der Indikatoren, die einbezogen werden sollen, können Sie einen Teilindex erstellen, um die Bevölkerung und Gefährdung in Ihrem Index darzustellen.
- Öffnen Sie die Attributtabelle für den Layer Sevilla_Census_Sections.
Der Layer enthält Attribute sowohl für die Gesamtbevölkerung als auch für die Fläche in Quadratkilometern. Sie berechnen ein neues Feld, indem Sie die Bevölkerung durch die Fläche teilen.
- Klicken Sie in der Attributtabelle für Feld und auf Berechnen. Geben Sie im Fenster Feld berechnen für Feldname (vorhanden oder neu) den Namen PopDensity ein, und wählen Sie für Feldtyp den Typ Float (32-Bit-Gleitkommazahl) aus.
- Kopieren Sie unter Ausdruck für PopDensity = den Ausdruck !TOTPOP_CY! / !AREA!, und fügen Sie ihn ein.
Hinweis:
Auch wenn die Attribute mit ihren Aliasnamen (lesbaren Namen) im Bereich Felder angezeigt werden, werden sie im Ausdruck mit ihrem Feldnamen angegeben.
- Klicken Sie auf OK.
Das Feld PopDensity wird der Tabelle hinzugefügt. Die drei abgeleiteten Eingaben können nun zum Hitzerisikoindex kombiniert und auf einer Karte symbolisiert werden. Zuerst übertragen Sie alle Eingaben zur Verarbeitung an den Layer Sevilla_Census_Sections.
- Öffnen Sie im Bereich Geoverarbeitung das Werkzeug Feld verbinden.
- Geben Sie die folgenden Parameter ein:
- Wählen Sie für Eingabetabelle die Option Sevilla_Census_Sections.
- Wählen Sie für Eingabe-Join-Feld das Feld ID aus.
- Wählen Sie unter Join-Tabelle die Option Avg_SurfaceTemp_Sevilla aus.
- Wählen Sie als Join-Tabellen-Feld die Option ID aus.
- Wählen Sie unter Felder übertragen die Option Avg Summer Temp (C) aus.
- Klicken Sie auf Ausführen.
Nach der Ausführung des Werkzeugs wird das Feld Avg Summer Temp (C) der Tabelle Sevilla_Census_Sections hinzugefügt.
- Ändern Sie im Bereich Join-Feld den Parameter Join-Tabelle in Tree_Pixels und Avg Summer Temp (C) in Pct_Lacking. Klicken Sie auf Ausführen.
Jetzt befinden sich die drei Eingaben in derselben Tabelle.
- Schließen Sie die Tabelle. Speichern Sie das Projekt.
Sie haben die Variablen vorbereitet, die Sie zum Erstellen des Hitzeindex verwenden. Jetzt können Sie den Index erstellen.
Hitzerisikoindex erstellen
Nachdem alle Indexeingaben vorbereitet wurden, erstellen Sie Ihren Index. Es gibt viele Möglichkeiten, Indizes auf Basis ihres Zwecks zu erstellen, zu kombinieren und zu interpretieren; in diesem Lernprogramm verwenden Sie das Werkzeug Zusammengesetzten Index berechnen. Dieses Werkzeug beinhaltet einige Schritte der Datenvorverarbeitung und Datenkombination, um Ihnen bei der Auswahl einer Indexmethode für Ihre Daten zu helfen. Wenn Sie mit unterschiedlichen Untersuchungsgebieten oder Variablen arbeiten, passen Sie Ihre Indexmethoden mithilfe der Dokumentation zum Werkzeug "Zusammengesetzten Index berechnen" und dem Leitfaden mit Best Practices entsprechend an.
Informationen zu Indexeingaben
Um einen effektiven Index zu erstellen, müssen Sie entscheiden, welche Methoden Sie für die Vorverarbeitung und Kombination der Daten verwenden wollen. Durch Vorverarbeitungsschritte im Werkzeug "Zusammengesetzten Index berechnen" wird sichergestellt, dass Variablen kompatibel sind und in einem Index zusammengesetzt werden können. Damit Sie diese Schritte auswählen können, müssen Sie sich zunächst einen Überblick über die Verteilung von Eingabevariablen verschaffen. Zudem können Sie in dieser Phase auch Inkonsistenzen wie Schiefe und fehlende Werte beseitigen. Um sich einen Überblick über die Variablen zu verschaffen, verwenden Sie die Ansicht "Data Engineering". Hier finden Sie Werkzeuge zum Erkunden, Visualisieren und Bereinigen Ihrer Daten.
- Deaktivieren Sie im Bereich Inhalt Tree_Canopy_Sevilla.tif und Avg_SurfaceTemp_Sevilla.tif, um sie auszublenden.
- Klicken Sie mit der rechten Maustaste auf Sevilla_Census_Sections, und wählen Sie Data Engineering aus.
Daraufhin wird die Ansicht Data Engineering geöffnet. Die Data-Engineering-Werkzeuge verwenden Sie, um Histogramme für die einzelnen Eingabevariablen anzuzeigen, diese auf der Karte zu symbolisieren und Summenstatistiken zu berechnen und sich so einen Überblick über die Werte zu verschaffen.
- Klicken Sie im Bereich Felder auf PopDensity. Halten Sie die Umschalttaste gedrückt, und klicken Sie auf Pct_Lacking, um die drei vorbereiteten Indexeingaben auszuwählen.
- Ziehen Sie die drei ausgewählten Felder in den Bereich Statistik.
Die drei Felder werden hinzugefügt. Als Nächstes berechnen Sie Statistiken.
- Klicken Sie im Bereich Statistik auf dem Menüband auf Berechnen.
Statistiken wie Durchschnitt, Medianwert, Ausreißer und Schiefe werden für alle Eingaben berechnet. Als Nächstes ordnen Sie Eingaben zu und erstellen Histogramme, um sich einen Überblick über deren Verteilung zu verschaffen.
- Zeigen Sie im Bereich Felder auf das Feld PopDensity, und klicken Sie auf Symbolisierung aktualisieren.
Daraufhin wird die Karte aktualisiert, sodass nun die Erhebungsabschnitte basierend auf der jeweiligen Bevölkerungsdichte angezeigt werden. In kleineren Erhebungsgebieten in der Nähe des Stadtzentrums werden höhere Dichtewerte angezeigt, während größere Erhebungsgebiete und Gebiete am Stadtrand niedrigere Dichten aufweisen.
- Klicken Sie im Bereich Statistik für das Feld PopDensity mit der rechten Maustaste auf die Diagrammvorschau, und wählen Sie Histogramm öffnen aus.
Daraufhin wird das Histogramm "PopDensity" angezeigt. Im Histogramm wird die Verteilung der Daten angezeigt, die eine leicht positive Verzerrung aufweist.
- Schließen Sie das Histogramm. Scrollen Sie in der Ansicht Data Engineering bis zur Statistik Schiefe.
Die Statistik "Schiefe" für das Feld "PopDensity" beträgt 0,823. Werte kleiner als –0,5 oder größer als 0,5 gelten allgemein als verzerrt. Bei einer hohen Schiefe bei einer Variablen kann sich deren Auswirkung auf die Indexergebnisse verändern. Das Werkzeug Zusammengesetzten Index berechnen stellt zwar Vorverarbeitungsmethoden wie die Skalierung zum Beseitigen der Schiefe bereit, jedoch werden diese Methoden nicht nur auf verzerrte Variablen, sondern auf alle als Eingabe verwendeten Variablen angewendet. Wenn Sie jedoch die Data-Engineering-Werkzeuge vor dem Werkzeug für den zusammengesetzten Index zur Behandlung von Variablen verwenden, haben Sie mehr Kontrolle über einzelne Variablen. Im Folgenden verwenden Sie das Werkzeug Feld transformieren, um die Variable PopDensity so zu ändern, dass sie eine normalere Verteilung aufweist.
- Klicken Sie für das Feld PopDensity mit der rechten Maustaste auf die Statistik Schiefe, und wählen Sie Feld transformieren aus.
- Legen Sie im Werkzeug Feld transformieren für Transformationsmethode die Option Box-Cox fest.
Übernehmen Sie die restlichen Standardeinstellungen. Der Parameter Verschieben kann verwendet werden, wenn Werte in der Eingabetabelle negativ sind. Der Parameter Potenz kann verwendet werden, um den Wert der Potenz festzulegen. Wenn kein Wert angegeben wird, die beste Näherung einer Normalverteilungskurve verwendet und in den Geoverabeitungsmeldungen angezeigt.
- Klicken Sie im Werkzeug Feld transformieren auf OK.
Nach der Ausführung des Werkzeugs wird das neue Feld der Tabelle Sevilla_Census_Sections hinzugefügt.
- Ziehen Sie in der Ansicht Data Engineering im Bereich Felder das Feld PopDensity_BOX_COX in den Bereich Statistik, und klicken Sie auf Berechnen.
- Verwenden Sie das Histogramm und die Statistik, um die Felder PopDensity und PopDensity_BOX_COX zu vergleichen.
Die Statistik "Schiefe" für PopDensity_BOX_COX beträgt –0,033, was eher einer Normalverteilung entspricht. Als Nächstes wiederholen Sie den Prozess, um das Feld PCT_Lacking, das eine starke negative Schiefe aufweist, zuzuordnen und zu transformieren.
- Zeigen Sie im Bereich Felder auf das Feld PCT_Lacking, und klicken Sie auf Symbolisierung aktualisieren.
Daraufhin wird die Karte aktualisiert, sodass nun die Erhebungsabschnitte nach dem prozentualen Baumbestand angezeigt werden. Dunklere Grünschattierungen stellen Bereiche mit einem höheren Anteil an Land ohne Baumbestand dar. Viele der kleineren Erhebungsabschnitte im Stadtzentrum weisen einen geringen Baumbestand auf. Darüber hinaus gibt es mehrere größere abgelegene Erhebungsabschnitte mit geringem Baumbestand. Wenn Sie sich einen besseren Überblick über diese Muster verschaffen möchten, ändern Sie die Grundkarte, sodass ein Satellitenbild angezeigt wird.
- Klicken Sie auf dem Menüband auf der Registerkarte Karte auf Grundkarte, und wählen Sie Bilddaten (Hybrid) aus.
Anhand der Bildkarten ist zu erkennen, dass viele der großen abgelegenen Erhebungsabschnitte Industriegebiete, Gebiete mit Lagerhallen und landwirtschaftlichen Flächen mit wenig Bäumen enthalten. Da viele Erhebungsabschnitte keinen Baumbestand aufweisen, ist die Variable stark verzerrt. Im Folgenden verwenden Sie das Werkzeug Feld transformieren, um die Verteilung so zu ändern, dass sie eher einer Normalverteilung entspricht.
- Klicken Sie für das Attribut PCT_Lacking mit der rechten Maustaste auf die Diagrammvorschau, und wählen Sie Feld transformieren aus.
- Legen Sie im Werkzeug Feld transformieren für Transformationsmethode die Option Box-Cox fest, und klicken Sie auf OK.
- Ziehen Sie in der Ansicht Data Engineering im Bereich Felder das Feld Pct_Lacking_BOX_COX in den Bereich Statistik, und klicken Sie auf Berechnen.
- Verwenden Sie das Histogramm und die Statistik, um die Felder Pct_Lacking und Pct_Lacking_BOX_COX zu vergleichen.
Da die Schiefe in diesem Feld stärker ausgeprägt war, hat die Transformation für den Parameter "Schiefe" den Wert –0,233 ergeben, der immer noch im Bereich zwischen –0,5 und 0,5 liegt, den Sie als grobe Näherung der Normalverteilung verwenden.
Als letztes Feld muss nun noch das Feld Avg Summer Temp (C) zugeordnet werden.
- Zeigen Sie im Bereich Felder auf das Feld Avg Summer Temp (C), und klicken Sie auf Symbolisierung aktualisieren.
Daraufhin wird das Attribut Avg Summer Temp (C) auf der Karte angezeigt. Interessanterweise scheinen die großen, abgelegenen Erhebungsabschnitte ebenfalls höhere Temperaturen aufzuweisen. Dafür kann es mehrere Ursachen geben, z. B. ein Artefakt der Datenverarbeitung oder die Größe der Abschnitte im Vergleich zu den kleineren Abschnitten im Stadtzentrum. So können beispielsweise hohe Temperaturen in den Industriegebieten und Gebieten mit Lagerhallen den Durchschnittswert für den gesamten Abschnitt in die Höhe treiben. Im Bereich Statistik ist zu sehen, dass die niedrigste Durchschnittstemperatur 40,91 °C und die höchste Durchschnittstemperatur 50,84 °C beträgt.
Nachdem Sie sich einen besseren Überblick über die Indexeingaben verschafft haben, können Sie nun Vorverarbeitungsschritte und Indexmethoden auswählen.
Indexmethoden auswählen
Im Folgenden wählen Sie die Vorverarbeitungsschritte aus. Bei der Vorverarbeitung im Werkzeug Zusammengesetzten Index berechnen werden Variablen umgekehrt, sodass sie eine einheitliche Richtung aufweisen. Zudem werden Variablen skaliert, sodass sie in Bezug auf Bereich und Einheit konsistent sind. Wenn Sie mit unterschiedlichen Untersuchungsgebieten oder Variablen arbeiten, wählen Sie die entsprechenden Vorverarbeitungsschritte und Kombinationsmethoden mithilfe der Dokumentation zum Werkzeug "Zusammengesetzten Index berechnen" und dem Leitfaden mit Best Practices aus.
- Suchen Sie im Bereich Geoverarbeitung das Werkzeug Zusammengesetzten Index berechnen, und öffnen Sie es.
Es gibt zwar viele Möglichkeiten, Indizes zu erstellen, aber Sie verwenden dieses Werkzeug, weil es mehrere Datenverarbeitungsschritte in einem einzigen Werkzeug kombiniert und eine Reihe von Diagrammen erstellt, mit denen Sie die Ergebnisse des Indexwerkzeugs validieren können.
Zunächst fügen Sie die drei von Ihnen vorbereiteten Eingaben hinzu und legen die gewünschten Vorverarbeitungsparameter fest.
- Wählen Sie für Eingabetabelle die Option Sevilla_Census_Sections. Geben Sie für Ausgabe-Features oder -Tabelle Sevilla_HRI_MeanofScaled ein.
Tipp:
Es kann von Vorteil sein, mehrere Vorverarbeitungs- und Indexkombinationsmethoden zu testen. Damit Sie sie später voneinander unterscheiden können, wählen Sie einen Ausgabenamen, der die verwendeten Parameter wiedergibt. - Klicken Sie für Eingabevariablen auf die Schaltfläche Viele hinzufügen.
- Wählen Sie Avg Summer Temp, PopDensity_BOX_COX und Pct_Lacking_BOX_COX aus. Klicken Sie auf Hinzufügen.
Hinweis:
Wenn Ihre Eingabevariablen unter Verwendung von Feldnamen anstelle von Aliasnamen aufgelistet werden, klicken Sie auf Feldlisteneinstellungen und wählen Sie Feld-Aliasnamen anzeigen aus.
Jede Eingabe hat ein Kontrollkästchen zum Umkehren der Richtung. Je nachdem, wie Sie Ihre Eingabevariablen vorbereitet haben, müssen Sie möglicherweise die Richtung einer Variablen umkehren. Für die Entscheidung, ob eine Variable umgekehrt werden soll, müssen Sie sicherstellen, dass alle hohen Werte ein gemeinsames Ergebnis für den Index darstellen. In diesem Beispiel haben Sie alle Variablen so vorbereitet, dass hohe Werte angeben, dass das Erhebungsgebiet von einer Baumpflanzung mehr profitieren würde, während niedrige Werte angeben, dass das Erhebungsgebiet weniger profitieren würde. Da die Richtung der Werte kompatibel ist, müssen Sie bei keinem Wert die Richtung umkehren.
Als Nächstes wählen Sie aus, wie die Eingaben skaliert werden sollen. Beim Skalieren handelt es sich um eine Methode, mit der alle Eingaben auf einen gemeinsamen Bereich standardisiert werden. Da Sie mit Variablen mit unterschiedlichen Einheiten und Maßstäben arbeiten, müssen Sie diese standardisieren, bevor Sie sie kombinieren können. So ist es beispielsweise schwierig, die Auswirkungen einer Veränderung von einem Grad Celsius auf einen Erhebungsabschnitt mit den Auswirkungen einer Veränderung von einem Prozent Baumbestand zu vergleichen. Bei der Skalierung dieser Variablen werden die Werte einem gemeinsamen Bereich (z. B. 0 bis 1) zugeordnet.
Dabei hängen die Skalierungsmethoden von den jeweiligen Daten und Zielen für den Index ab. Wenn Sie beispielsweise mit stark verzerrten Daten arbeiten oder die Rangfolgen der einzelnen Variablen im Dataset wichtiger sind als deren tatsächlichen Werte, können Sie den Mittelwert der Perzentile verwenden, der die Werte standardisiert, indem er sie in Perzentile zwischen 0 und 1 umwandelt. Oder wenn Sie einen kritischen Wert wie etwa den Medianwert für Immobilienpreise haben und möchten, dass mit dem Index Gebiete oberhalb und unterhalb dieses kritischen Wertes identifiziert werden, können Sie die benutzerdefinierte Option "Flag nach Schwellenwert setzen" verwenden.
- Wählen Sie für Voreingestellte Methode zum Skalieren und Kombinieren von Variablen die Option Werte kombinieren (Mittelwert der skalierten Werte) aus.
Mit dieser Voreinstellungsoption wird für Methode zum Skalieren von Eingabevariablen die Option Minimum-Maximum und für Methode zum Kombinieren skalierter Variablen die Option Mittelwert festgelegt. Zunächst werden die Eingabevariablen zwischen 0 und 1 neu skaliert und dann mit dem Mittelwert der neu skalierten Eingabevariablen als Index kombiniert. Diese Methode ist gut geeignet, da beim Skalierungsprozess die Größe des Unterschieds zwischen Werten in den Eingabedaten berücksichtigt und damit angegeben wird, um wie viel besser oder schlechter der Erhebungsabschnitt im Vergleich zu den restlichen Werten abschneidet.
Da für die Neuskalierung der kleinste und größte Wert des Datasets verwendet wird, ist diese Methode meist für verzerrte Daten geeignet. Wenn Sie die Attribute "PopDensity" und "PctLacking" nicht bereits in früheren Schritten transformiert hätten, könnten Sie eine Methode wie "Mittelwerte der Perzentile" verwenden, bei der die Rangfolge der Daten, jedoch nicht deren Größe erhalten bleibt. Methoden, bei denen die Rangfolge erhalten bleibt, eignen sich zum Erstellen von Indizes, die angeben, wo Bedingungen besser oder schlechter sind. Um wie viel besser oder schlechter, lässt sich damit jedoch nicht ermitteln.
- Wählen Sie für Methode zum Skalieren von Eingabevariablen die Option Minimum-Maximum aus.
- Vergewissern Sie sich, dass unter Methode zur Kombination skalierter Variablen die Option Mittelwert ausgewählt ist.
Mit dem nächsten Parameter wird die Gewichtung der einzelnen Variablen festgelegt. Die Variablen können gewichtet werden, um die relative Bedeutung jedes Faktors, der zum Index beiträgt, darzustellen.
- Erweitern Sie den Abschnitt Variablengewichtungen.
Standardmäßig sind alle Gewichtungen auf 1 gesetzt, was bedeutet, dass jede Variable gleich gewichtet wird. Bei diesem Index geht es darum, Bäume an Stellen zu pflanzen, an denen Menschen direkt davon profitieren. Daher gewichten Sie die Variable PopDensity_BOX_COX stärker als die anderen beiden.
Über die Parameter Ausgabeeinstellungen können Sie auswählen, wie Sie das Index-Attributfeld benennen. Darüber hinaus können Sie zusätzliche symbolisierte Layer auswählen, die das Werkzeug generieren soll.
- Legen Sie unter Gewichtungen für PopDensity_BOX_COX die Gewichtung auf 2 fest.
Als Nächstes wählen Sie Einstellungen für die Indexausgabe. Sie können zunächst Minimal- und Maximalwerte für den Indexbereich wählen, z. B. einen Bereich zwischen 1 und 10. Dieser Bereich ist optional, kann jedoch die Interpretation der Werte erleichtern. Anschließend können Sie zusätzliche Ausgabe-Layer auswählen, sodass Sie mehr Möglichkeiten zum Auswerten der Ergebnisse haben.
- Erweitern Sie Ausgabeeinstellungen. Geben Sie für Ausgabe-Indexname den Namen HRI ein.
- Legen Sie unter Minimal- und Maximalwerte des Ausgabe-Index für Minimum den Wert 1 und für Maximum den Wert 10 fest.
- Aktivieren Sie unter Ausgabeeinstellungen für Zusätzliche klassifizierte Ausgaben das Kontrollkästchen neben Standardabweichung.
- Klicken Sie auf Ausführen.
Wenn die Ausführung des Werkzeugs abgeschlossen ist, wird dem Bereich Inhalt der Gruppen-Layer Sevilla_HRI_MeanofScaled hinzugefügt. Der Gruppen-Layer enthält drei Layer, von denen der eine die Indexwerte mit einem unklassifizierten Farbverlauf, der andere die Indexwerte als Perzentile und der dritte die Indexwerte als Standardabweichungsklassen anzeigt. Der Layer HRI enthält ebenfalls verschiedene Diagramme.
Index darstellen und interpretieren
Nachdem Sie einen Index erstellt haben, analysieren Sie nun die Ergebnisse und werten sie aus. Mithilfe der Diagramme und Ausgaben, die mit dem Werkzeug für zusammengesetzten Index erstellt wurden, können Sie ermitteln, ob der Index für Ihre Zwecke geeignet ist oder ob Sie weitere Vorverarbeitungsschritte und Indexmethoden testen sollten. Wenn Sie mit den Ergebnissen Ihres Index zufrieden sind, gestalten Sie ihn so, dass er für andere leichter zu interpretieren ist. Die Indexwerte, die Sie sich angesehen haben, sind für Sie aussagekräftig, aber für andere wahrscheinlich nur mit zusätzlichem Kontext.
Außerdem sind für Maßnahmen auf der Grundlage dieses Index mehr lokale Informationen und Kenntnisse erforderlich. Wie hoch ist zum Beispiel das Budget für die Baumpflanzmaßnahme? Welche Genehmigungen sind erforderlich, und möchten die Gemeinden, dass bei ihnen Bäume gepflanzt werden? Ohne dieses unmittelbare Verständnis sind Karten, die Interpretationen Ihres Index zeigen, potenziell irreführend. Stattdessen verwenden Sie die erstellte Standardabweichungs-Ausgabe, um die Erhebungsgebiete in die Kategorien "Greatest Benefit" (Größter Nutzen), "Moderate Benefit" (Moderater Nutzen) und "Least Benefit" (Geringster Nutzen) einzustufen.
- Klicken Sie im Bereich Inhalt unter HRI mit der rechten Maustaste auf Indexverteilung und wählen Sie Öffnen aus.
Die hohen Indexwerte können so interpretiert werden, dass sie auf Gebiete hinweisen, die am meisten von der Anpflanzung von Bäumen als Hitzeresilienz-Maßnahme profitieren würden. Ebenso können die niedrigen Indexwerte so interpretiert werden, dass diese Gebiete am wenigsten von einer Baumpflanzung profitieren würden. Das bedeutet nicht, dass in diesen Gebieten keine hohen Sommertemperaturen herrschen oder dass dort keine Schutzmaßnahmen ergriffen werden müssen, sondern dass andere Maßnahmen als Baumpflanzungen in Betracht gezogen werden können.
- Klicken Sie im Diagrammbereich auf den Balken mit den höchsten Indexwerten, um sie auf der Karte auszuwählen.
- Klicken Sie auf einen der ausgewählten Erhebungsabschnitte auf der Karte, um ein Pop-up mit Informationen zu öffnen.
Im Pop-up werden das Gesamtergebnis des Index für den Erhebungsabschnitt sowie die skalierten Werte der Variablen angezeigt.
- Klicken Sie auf eine Stelle auf der Karte, und verwenden Sie das Histogramm, um Erhebungsabschnitte mit hohen und niedrigen Indexwerten zu analysieren und um zu ermitteln, warum sie in dieser Rangfolge angeordnet wurden.
Diesen Index-Ausgabe-Layer und das zugehörige Diagramm können Sie verwenden, wenn für Sie die eigentlichen Indexwerte wichtig sind. Wenn Sie beispielsweise Ihre Baumpflanzkampagne auf Erhebungsgebiete ausrichten möchten, die im Index mit 8 oder höher bewertet wurden, ist dieses Histogramm ein guter Ausgangspunkt.
- Deaktivieren Sie im Bereich Inhalt den Layer HRI, und aktivieren Sie den Layer HRI - Percentile. Verwenden Sie die Pop-ups und das Diagramm Distribution of HRI - Mean (Percentile), um die Ausgabe der Perzentile zu analysieren.
Diese Ausgabe ist nützlich, wenn Sie sich weniger für den Indexwert als vielmehr für die Rangfolge des Abschnitts interessieren. Wenn Sie beispielsweise Ihre Baumpflanzkampagne auf Erhebungsgebiete ausrichten möchten, die im 95. Perzentil liegen, können Sie diese Ausgabe verwenden.
Da Sie in diesem Fall einen allgemeinen Index ohne lokale Eingabe oder Feedback von Projektbeteiligten erstellen, verwenden Sie die endgültige Ausgabe, die Standardabweichungs-Ausgabe, um die Erhebungsgebiete in die Kategorien "Greatest Benefit" (Größter Nutzen), "Moderate Benefit" (Moderater Nutzen) und "Least Benefit" (Geringster Nutzen) einzustufen. Diese Karte sollte als Zwischenbilanz bei der Analyse betrachtet werden. Sie kann dazu dienen, Diskussionen anzuregen und Meinungen von Projektbeteiligten einzuholen, um die verwendeten Variablen, Gewichtungen und Methoden weiter zu optimieren.
- Deaktivieren Sie im Bereich Inhalt unter Sevilla_HRI_Percentiles_GeomMean den Layer HRI - Percentile, und aktivieren Sie den Layer HRI- Standard Deviation Classes. Öffnen Sie das Diagramm Counts by HRI – Mean (Standard Deviation Classes).
Dieser Layer zeigt die Indexdaten, symbolisiert durch die Standardabweichung, wobei die höchsten Indexwerte drei Standardabweichungen vom Mittelwert entfernt sind.
- Schließen Sie das Diagramm. Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf HRI - Standard Deviation Classes und wählen Sie Symbolisierung aus.
Der Layer wird derzeit durch sechs Klassen symbolisiert.
- Klicken Sie unter Primäre Symbolisierung auf Einzelwerte, und wählen Sie die Option Abgestufte Farben aus.
- Wählen Sie unter Feld die Option HRI – Mean (Standard Deviation Classes) aus.
- Wählen Sie für Klassen den Wert 3.
Diese drei Klassen stellen die Erhebungsgebiete dar, die den größten, einen moderaten und den geringsten Nutzen haben.
- Klicken Sie auf Farbschema, und aktivieren Sie Alle zeigen. Wählen Sie den Farbverlauf Braun zu Grün (3 Klassen) aus.
Tipp:
Aktivieren Sie das Kontrollkästchen Namen anzeigen, um den Namen jedes Farbverlaufs zu sehen.
Als Nächstes entscheiden Sie, welche Erhebungsgebiete in die drei von Ihnen gewählten Kategorien fallen. Diese Entscheidung ist ebenso subjektiv wie der Prozess der Indexerstellung und kann an die lokalen Bedürfnisse und Richtlinien angepasst werden.
- Vergewissern Sie sich, dass auf der Registerkarte Klassen die erste Klasse Oberer Wert auf ≤ –1 festgelegt ist. Als Beschriftung geben Sie Least Benefit ein.
- Vergewissern Sie sich, dass die zweite Klasse Oberer Wert auf ≤ 1 festgelegt ist. Als Beschriftung geben Sie Moderate Benefit ein.
- Vergewissern Sie sich, dass die dritte Klasse Oberer Wert auf ≤ 3 festgelegt ist. Als Beschriftung geben Sie Greatest Benefit ein.
Je nachdem, wie Sie die Ergebnisse dieses Index weitergeben und kommunizieren möchten, können Sie ihn nun als Webkarte veröffentlichen oder ein Kartenlayout erstellen, um eine gedruckte Version zu freizugeben. In jedem Fall sollte diese Karte als Zwischenbilanz betrachtet werden, als eine Möglichkeit, Anregungen und Meinungen aus der Bevölkerung zu sammeln, bevor Maßnahmen zur Baumpflanzung ergriffen werden.
- Speichern Sie das Projekt.
In diesem Lernprogramm haben Sie einen Hitzerisikoindex erstellt, der zeigt, wo Baumpflanzungen zur Minderung extremer Hitze am nützlichsten wären, und zwar auf der Grundlage von Bevölkerungsdichte, des Mangels an Baumkronen und der durchschnittlichen Temperaturen im Sommer.
Die Resilienzindexmethode kann für andere Interessenbereiche auf der ganzen Welt und für verschiedene Klimagefahren repliziert werden und kann gemeindespezifische Index-Eingaben enthalten, wie zum Beispiel besonders gefährdete Bevölkerungsgruppen. Achten Sie beim Erstellen Ihres eigenen Index darauf, dass Sie die für Ihre Daten spezifischen Methoden zur Datenvorverarbeitung und Indexerstellung verwenden. Weitere Anleitungen zum Werkzeug "Zusammengesetzten Index berechnen" finden Sie auf der Dokumentationsseite des Werkzeugs und im Dokument Creating Composite Indices Using ArcGIS: Best Practices.
Weitere Lernprogramme finden Sie in der Lernprogrammgalerie.
