Нанесение на карту и изучение измерений уровня температуры

Сначала вы загрузите данные измерений температуры и добавите их на карту. Вы изучите данные, используя гистограмму, и подтвердите наличие эффекта теплового острова.

Загрузка и изучение проекта

Вы загрузите проект, содержащий измерения уровня температур, и откроете его в ArcGIS Pro.

  1. Загрузите файл Analyze_Urban_Heat_Using_Kriging.zip .
  2. Найдите загруженный файл на компьютере.
    Примечание:

    В зависимости от настроек браузера, вам могло быть предложено выбрать место для сохранения загружаемого файла. Большинство браузеров по умолчанию скачивают все в папку Загрузки.

  3. Щелкните файл правой кнопкой мыши и извлеките в подходящее расположение, например, в папку Документы.
  4. Откройте извлеченную папку и просмотрите содержимое.
  5. Если у вас на компьютере уже установлен ArcGIS Pro, дважды щелкните Analyze_Urban_Heat_Using_Kriging.ppkx, чтобы распаковать и открыть проект.
    Примечание:

    Если у вас нет ArcGIS Pro или учетной записи ArcGIS, можно подписаться на бесплатную пробную версию ArcGIS.

  6. Войдите с помощью учетной записи ArcGIS Online.
  7. Если необходимо, откройте карту Madison Temperature и щелкните вкладку Содержание.

    Измерения температуры в городе Мэдисон, штат Висконсин

    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.

    Легенда слоя температур

    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).

  8. На ленте на вкладке Карта в группе Навигация щелкните Исследовать.
  9. Переместитесь по карте вокруг центра города и масштабируйте изображение карты, чтобы увидеть расположение сенсоров на местности.
    Примечание:
    В центре города температура может быть практически на 10 градусов выше, чем в пригородах. В Мэдисоне высокие значения температуры регистрируются в центре города, а более низкие - в пригороде и сельских районах. Это подтверждает наличие эффекта теплового острова, но эти наблюдения должны быть подтверждены количественным анализом.
  10. На панели Содержание щелкните правой кнопкой слой Temperature_Aug08_8pm и выберите Таблица атрибутов, чтобы открыть таблицу атрибутов слоя.

    В таблице содержаться атрибуты каждого из 139 отдельных точек сенсоров. В поле TemperatureF содержаться значений измерений температур.

  11. В таблице Temperature_Aug08_8pm щелкните правой кнопкой поле TemperatureF и выберите Сортировать по убыванию.

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

  12. Закройте таблицу Temperature_Aug08_8pm.
  13. На ленте на вкладке Карта в группе Навигация щелкните Исследовать.
  14. Используя инструмент Исследовать приблизьтесь к сенсорам в центре Медисона.

    Центр города расположен между озерами Мендота и Монона.

    Примечание:
    Часть местоположений с самыми высокими температурами в центре города также находятся в непосредственной близости от озер, что может способствовать более высокому уровню температуры летом (в августе), так как уровень влажности этих областях будет выше. Для нашей работы мы проигнорируем этот фактор, но его можно использовать в дальнейших исследованиях, если вы решите продолжить анализ.
  15. На панели Содержание отметьте Block_Groups.
  16. Щелкните правой кнопкой Block_Groups и выберите Приблизить к слою.

    Кварталы в Мэдисоне, Висконсин

    Слой Block_Groups представляет кварталы переписи в городе Медисон 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.

  17. На панели Содержание снимите отметку со слоя Block_Groups.

Построение гистограммы значений температуры

Первым шагом в разработке рабочего процесса интерполяции значений температур в Мэдисоне предполагается изучение данных с фокусом ключевых для анализа объектах. Вы можете получить определенную информацию, визуально изучив символы точек на карте, но также имеет смысл исследовать данные с помощью интерактивных диаграмм. Для этих данных наиболее подходящим способом будет построение гистограммы. Гистограмма позволит вам увидеть распределение значений температур, что позволяет оценить, какие значения наиболее распространены в точках данных. Также можно использовать выборку для идентификации наиболее высоких и наиболее низких значений.

  1. В панели Содержание щелкните правой кнопкой Temperature_Aug08_8pm, выберите Построить диаграмму > Гистограмма.

    Гистограмма

    Откроются панели Гистограмма и Свойства диаграммы. Исходно панель Гистограмма пустая.

  2. На панели Свойства диаграммы на вкладке Данные в области Переменная для параметра Число выберите TemperatureF.
  3. В группе Статистика оставьте отметку Среднее и поставьте отметку Медиана и Ст.отклонение.

    Статистика для значений температуры

    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.

    Гистограмма значений температуры

    Красная 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 средне-квадратическое отклонение – оранжевым.

    В статистике диаграммы, в поле Количество 139 точек, а в полях Миг. и Макс. Значения температуры соответственно 73.4 и 83.9 градусов.

  4. На гистограмме Distribution of TemperatureF начертите прямоугольник вокруг двух бинов в левой части, чтобы выбрать все точки, представляющие местоположения с минимальными значениями температуры.

    Выбор минимальных значений температуры

    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.

    Минимальные значения температуры, выбранные на карте

  5. На гистограмме Distribution of TemperatureF начертите прямоугольник вокруг двух последних бинов в правой части, чтобы выбрать местоположения с максимальными значениями температуры.

    Максимальные значения температуры, выбранные на карте

    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.

  6. Закройте панели Свойства диаграммы и Диаграмма.
  7. На ленте во вкладке Карта в группе Выборка щелкните Очистить, чтобы снять выборку с объектов.
  8. На панели Проект сохраните проект Madison Temperature.

Вы использовали гистограмму для изучения распределения значений измерений температуры воздуха в городе. Вы обнаружили, что более высокие температуры отмечаются в районе центра города, а в пригородах и сельских районах – более низкие. Распределение значений температуры подтверждает наличие эффекта теплового острова в городе. Далее вы будете использовать Мастер операций геостатистики для интерполяции измерений температуры и построения карты температур для всего городского округа Мэдисон вместе с прилегающими пригородными областями.


Интерполяция значений температуры с использованием простого кригинга

Ранее вы нанесли на карту данные и изучили распределение значений температуры, измеренных 8 августа 2016 года в 20.00 в городе Мэдисон, штат Висконсин. Визуально оценив точки, отображенные с использованием цветовой шкалы с диапазоном от желтого к красному, и используя выборки на гистограмме, вы можете с уверенностью констатировать наличие эффекта городского теплового острова в указанную дату и время. Далее вы будете использовать Мастер операций геостатистики для интерполяции точек с измерениями температуры, чтобы создать непрерывную поверхность прогнозируемых значений температуры в каждом местоположении Мэдисона и окружающих областей.

Интерполяция значений температуры с использованием простого кригинга

Мастер операций геостатистики представляет удобную среду, где, выполняя пошаговые инструкции, можно построить и проверить модели интерполяции. В каждом шаге построения модели вы должны выбрать тот или иной важный параметр, и все они влияют на результирующую поверхность карты температур. Подробнее о мастере операций геостатистики см. Начало работы с Geostatistical Analyst в ArcGIS Pro.

  1. Если необходимо, откройте ваш проект.
  2. Щёлкните вкладку Анализ на ленте. В группе Инструменты щелкните Мастер операций геостатистики .

    Открыть мастер операций геостатистики

    Откроется диалоговое окно мастера операций геостатистики, где будут отображены доступные методы интерполяции (слева) и опции набора данных (справа).

  3. В разделе Методы геостатистики, выберите Кригинг/Кокригинг.

    Выбор опций кригинга.

    Правая панель Мастера операции геостатистики обновиться и покажет доступные опции для Кригинга/кокригинга.

  4. В разделе Входной набор данных 1 задайте следующие параметры:

    • Исходный набор данных: Temperature_Aug_08_8pm
    • Поле данных: TemperatureF

    Выбор значений температуры.

    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.

  5. Нажмите Далее.

    На второй странице мастера операций геостатистики вы указываете тип кригинга, который вы собираетесь выполнять, и настраиваете опции, соответствующие этому типу кригинга.

  6. Слева, в разделе Простой кригинг, подтвердите выбор опции Прогноз.

    Выбор выходных данных – прогнозируемая поверхность, для простого кригинга.

    Примечание:

    Простой кригинг – одна из самых старых и хорошо отработанных моделей кригинга, и сможет дать прочную основу для построения интерполированной поверхности температур. Выбрав опцию Прогноз, вы подтвердили, что хотите построить поверхность прогнозируемых значений температур. Другие опции предполагают выходные данные других типов. Дополнительные сведения о типах выходных поверхностей см. в разделе Какие типы выходных поверхностей могут генерировать модели интерполяции?

  7. Для Dataset #1 измените Тип преобразования на Нет.

    Параметр указывает, что вы не будете выполнять никаких преобразований.

    Не применять преобразования.

  8. Нажмите Далее.

    Откроется панель Моделирование варигораммы/ковариации.

    Вариограмма мастера операций геостатистики

  9. В общих свойствах измените Тип функции на Вариограмму.

    Выбранный параметр изменит график с ковариации на вариограмму.

    Смена вида 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.

    График вариограммы

    Примечание:

    Вариограмму можно считать количественной оценкой первого географического закона Вальдо Тоблера: «Все объекты влияют друг на друга, объекты, расположенные рядом, оказывают большее влияние, чем отдаленные».

    Вариограмма точно определяет, насколько близки должны быть значения точек, расположенных настолько далеко друг от друга. По оси x графика вариограммы откладываются расстояния между двумя точками в данных, а по оси y – квадрат разности значений этих точек данных. Для любых двух местоположений на карте вы можете, используя вариограмму, предположить схожесть значений в этих местоположениях. Так как у близлежащих точек значения более схожи между собой, чем у расположенных далеко друг от друга, вариограмма всегда возрастает с увеличением расстояния, и в конечном итоге превращается в плоскую линию.

    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.

    Карта вариограмм

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

    Настройка вариограммы

    • 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.
    Примечание:

    Углубленное изучение параметров вариограммы не требуется для понимания и выполнения заданий в этих уроках. Для более углубленной информации о самородке, радиусе и пороге см. раздел справки Понятие вариограммы: диапазон, порог и самородок.

    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.

    Примечание:

    Бины (красные точки) и средние значения (синие крестики) на графике вариограммы вычисляются непосредственно из входных точек, используя сектора, определенные в параметрах Размером лага и Количеством лагов в Общих свойствах. Бины и средние значения (в совокупности) называются эмпирической вариограммой. Модель вариограммы (голубая кривая) затем подгоняется под эмпирическую вариограмму с помощью простого алгоритма подгонки кривой. Для выполнения заданий уроков не обязательно углубленно изучить этот процесс, но вы можете прочитать о нем в разделе справки Эмпирические функции вариограммы и ковариации.

  10. В Общих свойствах измените Модель #1 на Сферическая.

    Изменение модели на сферическую.

    Обратите внимание, что голубая кривая вариограммы несколько изменилась после изменения модели.

    Примечание:
    Существует множество способов подгонки вариограммы к бинам и средним точкам, и каждая модель вариограммы будет вычисляться по разному для одного и того же набора бинов и средних точек. Все модели вариограммы используют одинаковый самородок, радиус влияния и порог, но формы вариограмм могут слегка отличаться.

    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.

  11. В Общих свойствах щелкните Оптимизировать модель.

    Оптимизированная модель вариограммы.

    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). Так как иногда оптимизация может занять значительное время, она не выполняется автоматически по умолчанию.

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

  12. Нажмите Далее.

    Страница Поиск окрестности Мастера операций геостатистики

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

    Примечание:

    Вы можете щелкнуть в любом месте предварительной поверхности и увидеть прогнозируемое значение в этом месте в разделе Результат идентификации справа внизу. Или вы можете ввести координаты x,y и центр окружности поиска переместиться в указанное местоположение.

    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.

  13. В разделе Результат идентификации, измените X на 571000 и Y на 290000. Между каждым вводом нажимайте Enter.

    Изменение местоположения прогнозируемого значения.

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

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

    Предварительный просмотр местоположения с высокими температурами

    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.

    Примечание:

    Если прогнозируемые значения подчиняются нормальному распределению, вы можете рассчитать доверительный интервал для каждого прогнозируемого значения, основываясь на следующем правиле: Умножить стандартную ошибку на 2, прибавить и вычесть из прогнозируемого значения, чтобы получить 95-процентный доверительный интервал.

    • 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.

  14. В разделе Результат идентификации, измените X на 572000 и Y на 307000. Между каждым вводом нажимайте Enter.

    Изменение местоположения прогнозируемого значения.

    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.

  15. Щелкните Далее для просмотра страницы перекрестной проверки.
    Примечание:

    Логика перекрестной проверки состоит в том, что если модель интерполяции точна и надежна, то вычисление на основе оставшихся точек должно более или менее совпасть с измеренным значением для убранной точки. Если прогнозируемые значения в перекрестной проверке приближаются к измеренным значениям температуры, можно быть уверенным, что ваша модель может точно предсказать значения температуры в новых местоположениях.

  16. Просмотрите панель Краткая информация в правой части страницы перекрестной проверки.

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

    Суммарная статистика перекрестной проверки

    ДиагностикаЗначениеЗначимость

    Количество

    139

    Число входных точек.

    Средняя – среднее значение ошибок перекрестной проверки.

    0,144

    Позволяет оценить смещение. Смещенная модель имеет тенденцию предсказывать значения, которые либо существенно выше, либо сильно ниже среднего. Если модель несмещенная, это значение должно быть близко к нулю.

    Среднеквадратичная – квадратный корень среднеквадратичной ошибки

    1,775

    Среднеквадратичная погрешность показывает, насколько, в среднем, отличаются прогнозируемые значения от измеренных. Чем меньше значение погрешности, тем выше точность расчета прогнозируемых значений.

    Средняя нормированная – нормированная версия ошибки среднего

    0,044

    Значение, близкое к нулю, указывает, что модель не смещена. Так как это значение нормировано, по нему можно сравнить несколько моделей с различными данными и единицами.

    Среднеквадратичная нормированная – нормированная версия среднеквадратичной ошибки

    1,075

    Это значение количественно определяет корректность вычисления стандартных ошибок прогнозирования. Оно должно быть близко к 1. Существенное отклонение от единицы указывает, что стандартная ошибка прогнозирования не точна. Значение нормировано, соответственно, по нему можно сравнить несколько моделей.

    Средняя стандартная ошибка - среднее значение стандартных ошибок в исходных точечных местоположениях

    1,568

    Значение должно быть близко к среднеквадратичной погрешности. Если значение сильно отличается от среднеквадратичной погрешности, это указывает на то, что стандартные ошибки вычислены не точно.

    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.
  17. На панели графической диагностики щелкните вкладку Прогноз, чтобы выбрать ее, если это необходимо.

    График перекрестной проверки - прогнозируемое и измеренное значения

    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.

  18. Щелкните вкладку Ошибка.

    График ошибки в сравнении с графиком перекрестной проверки

    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.

  19. Щелкните вкладку Нормальный график КК, чтобы отобразить распределение нормированных ошибок в сравнении с эквивалентными квантилями стандартного нормального распределения.

    График перекрестной проверки – нормальный график КК

    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.

  20. Щелкните Готово.

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

  21. На странице Отчет метода щелкните OK.

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

    Поверхность температур, полученная методом простого кригинга

Изучение слоя Кригинг на карте

В предыдущих шагах вы использовали Мастер операций геостатистики для интерполяции измерений уровня температуры методом простого кригинга. Вы завершили процесс и получили геостатистический слой с результатами кригинга. Геостатистические слои – это пользовательские слои, создать и проанализировать которые можно только с лицензией дополнительного модуля Geostatistical Analyst. Они могут быть легко визуализированы и проанализированы, а также их можно экспортировать в растровый или векторный формат. В этом разделе вы будете изучать геостатистический слой на карте.

  1. На панели Содержание отключите слой Temperature_Aug_08_8pm.
  2. Разверните легенду слоя Кригинг, чтобы увидеть символы, показывающие высокие и низкие интерполированные значения температуры.

    Легенда слоя простого кригинга

    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.

  3. На ленте щелкните вкладку Карта. В группе Навигация щелкните Исследовать.
  4. Щелкните несколько местоположений на карте, чтобы просмотреть прогнозируемые температуры и стандартные ошибки прогнозирования. Щелкайте по местоположениям как в центре, так и в пригородных и сельских районах.

    Всплывающее окно с прогнозом температуры и стандартной ошибкой

    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.

  5. В панели Содержание для слоя Кригинг сверните легенду и отключите слой.
  6. Включите слой Temperature_Aug_08_8pm.
  7. Сохраните проект.

Вы использовали для создания карты прогнозируемых значений температуры в Мэдисоне, Вашингтон на 8 августа 2016 года, 20.00. Вы использовали 139 точек с измерениями температуры на территории города. В первом уроке обнаружили наличие эффекта городского теплового острова, изучив измерения температуры с помощью символов и гистограммы. Для подтверждения этого наблюдения вы использовали Мастер операций геостатистики для интерполяции измерений значений температуры методом простого кригинга. Создав непрерывную карту прогнозируемых значений температуры в районе Мэдисона и вокруг него, вы подтвердили разницу более чем 10 градусов между городским центром и окружающими город сельскими районами.

Далее вы выполните интерполяцию измерений температуры еще раз, используя новый тип кригинга, который называется Эмпирический Байесовский кригинг. Вы сможете сравнить результаты Эмпирического Байесовского кригинга и простого кригинга.


Интерполяция значений температуры с использованием Эмперического Байесовского кригинга

Ранее вы изучили измерения температур в Мэдисоне, Вашингтон и использовали Мастер операций геостатистики для построения слоя простого кригинга, содержащего прогнозируемые значения температуры для всей городской и пригородной территории, и подтвердили наличие эффекта городского теплового острова. Созданная вами модель простого кригинга является классической моделью кригинга, и описание именно этой модели вы можете найти в учебниках по геостатистике и в публикациях в научных журналах. Но в последние годы быстрое увеличение вычислительных мощностей компьютеров привело к разработке более сложных моделей кригинга, которые при этом более точные и простыми в настройке. В этом уроке вы будете интерполировать измерения температуры с помощью одной из новых моделей кригинга, известной как Эмпирический Байесовский кригинг.

Эмпирический Байесовский кригинг (ЭБК) был разработан специально для преодоления более сложных теоретических и практических ограничений классического кригинга. Безусловно, самым большим ограничением классического кригинга является предположение, что одна вариограмма может точно представлять пространственную структуру данных по всей области изучения. Напомним, что вариограмма показывает ожидаемую разницу в значениях для пар точек, которые находятся на определенном расстоянии друг от друга. Независимо от того, где расположены точки на карте, если две пары точек находятся на одинаковом расстоянии друг от друга, предполагается, что разница в значениях между ними тоже будет одинакова. Но для большинства наборов данных это допущение не годится. Модель вариограммы может идеально подходить к данным в одной части карты, при этом совершенно другая модель вариограммы может столь же идеально подходить к данным в другой части той же карты. В подобной ситуации вы не можете быть уверены, что найдете единую модель вариограммы, которая будет более-менее точно представлять распределение данных по всей вашей карте.

Даже если вы сумеете подобрать модель вариограммы, которая подходит для всех данных в наборе данных, ее все равно необходимо будет настраивать. К сожалению, математические уравнения, лежащие в основе классического кригинга, предполагают, что вариограмма была смоделирована идеально, и любая неточность в параметрах вариограммы не учитывается должным образом в прогнозируемых значениях и стандартных ошибках. Поскольку математика кригинга полностью основана на подборе единой вариограммы, очень важно оценить рассчитать ее параметры максимально близко к идеалу. Вот почему существует так много параметров, которые могут быть использованы для изменения формы вариограммы: вам нужно проявлять максимум гибкости, чтобы предусмотреть все возможные пространственные структуры различных наборов данных.

Эмпирический Байесовский кригинг обходит эти проблемы, так как использует разбиения на подмножества и имитацию. ЭБК первым делом разбивает входные данные на небольшие поднаборы. Для каждого поднабора вариограмма подбирается автоматически, и подобранная вариограмма используется для имитации новых значений данных в поднаборе. Эти имитированные значения данных далее используются в подборе новой вариограммы для поднабора. Процессы имитации и подбора многократно повторяются, в результате мы имеем множество имитированных вариограмм в каждом поднаборе. Затем эти имитации комбинируются вместе для построения результирующей карты прогнозируемых значений.

Так как вариограммы подбираются к небольшим поднаборам, для разных районов области изучения можно подобрать разные вариограммы. Это позволяет при моделировании учитывать локальные изменения, а вам больше нет необходимости подгонять единую модель вариограммы под все данные по всему экстенту. Кроме того, имитируя множество вариограмм для каждого набора данных, вам не нужно сильно беспокоится о точности каждой отдельной вариограммы. Когда вся математика основана на одной вариограмме, вам необходимо быть максимально осторожным, так как модель должна подбираться максимально тщательно, но когда моделируется много вариограмм, если какая-нибудь будет не очень точна, это не окажет существенного влияния.

Выполнение Эмпирического Байесовского кригинга в Мастере операций геостатистики

Вы будете использовать Мастер операций геостатистики для интерполяции измерений значений температуры с использованием Эмпирического Байесовского кригинга.

Примечание:

Так как вычисления при моделировании в ЭБК требуют большой загрузки ресурсов, многие математические операции для различных процессов оптимизированы. В зависимости от аппаратного обеспечения компьютера, ваши результаты этом разделе могут немного отличатся. В некоторых случаях различия могут быть в пределах 1 процента.

  1. Если необходимо, откройте ваш проект.
  2. На ленте, на вкладке Анализ в группе Инструменты щелкните Мастер операций геостатистики.
  3. Для Геостатистических методов выберите Эмпирический Байесовский кригинг.
  4. В разделе Входной набор данных для Исходного набора данных выберите Temperature_Aug_08_8pm.
  5. Для Поле данных выберите TemperatureF.

    Входные данные Эмпирического Байесовского кригинга.

  6. Щелкните Далее для построения вариограммы Эмпирического Байесовского кригинга и предварительного просмотра

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

    Предварительный просмотр поверхности ЭБК

    Справа внизу отображается Результат идентификации.

    Результат идентификации ЭБК

    Общие свойства показывают параметры вариограмм и окрестностей поиска.

    Общие свойства ЭБК

    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.

    График вариограммы ЭБК

  7. В Общих свойствах для Размера поднабора введите 50 и нажмите Enter.

    Обновление размера поднабора.

    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.

  8. В разделе Результат идентификации, измените X на 571000 и Y на 290000. Между каждым вводом нажимайте Enter.

    Прогнозируемое значение в указанном местоположении.

    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.

    Примечание:

    И простой кригинг и ЭБК прогнозируют практически одинаковые значения температуры, но обращает на себя внимание разница в стандартных ошибках прогнозирования. Это происходит потому, что простой кригинг использует единую модель вариограммы, и практически всегда это приводит к занижению погрешности прогнозирования. Хотя более высокое значение стандартной ошибки в ЭБК может свидетельствовать о том, что вычисления в ЭБК менее достоверны, чем в простом кригинге, но на самом деле погрешность прогнозирования простого кригинга некорректно занижена.

    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.

    Имитированные вариограммы в указанном местоположении

  9. В разделе Результат идентификации, измените X на 572000 и Y на 307000. Между каждым вводом нажимайте Enter.

    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.

    Имитированные вариограммы в новом указанном местоположении

  10. Щелкайте на других местоположения предварительной поверхности и просматривайте прогнозируемые значения и имитации вариограмм, пока не будете уверены, что вариограммы максимально подгоняются к средним значениям в любом месте карты.
  11. Щелкните Далее для просмотра страницы перекрестной проверки.

    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:

    Примечание:

    Ваши значения могут немного отличаться из-за округления.

    Суммарная статистикаПростой кригингЭБК

    Средняя

    0,144

    0,158

    Среднеквадратичная

    1,775

    1,715

    Средняя нормированная

    0,044

    0,049

    Среднеквадратичн. нормированная

    1,075

    0.995

    Средняя стандартная ошибка

    1,568

    1,684

    • 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.

  12. Убедитесь, что графики диагностики открыты на вкладке Проинтерполированное значение.

    График перекрестной проверки - прогнозируемое и измеренное значения

    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.

  13. Щелкните вкладку Ошибка.

    График ошибки в сравнении с графиком перекрестной проверки

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

  14. Щелкните вкладку Нормальный график КК.

    Нормальный график КК для Эмпирического Байесовского кригинга

    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.

  15. Щелкните Готово.
  16. На странице Отчет метода щелкните OK.

    Мастер геостатистики 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.

    Поверхность температур Эмпирического Байесовского кригинга

  17. На панели Содержание выключите слой Temperature_Aug_08_8pm. Включите слой Кригинг и оставьте слой Эмпирический Байесовский кригинг тоже включенным. Щелкните слой Эмпирический Байесовский кригинг, чтобы выбрать его.
    Примечание:

    В результате округления могут иметься незначительные отличия.

  18. На ленте во вкладке Оформление в группе Эффекты щелкните кнопку Спрятать. Проведите инструментом вверх и вниз, вправо и влево, чтобы увидеть различия между слоями Кригинг и Эмпирический Байесовский кригинг.

    Сравнение результатов простого кригинга и Эмпирического Байесовского кригинга

  19. На вкладке Карта в группе Навигация щелкните Исследовать.
  20. Щелкните несколько местоположений на карте, чтобы просмотреть прогнозируемые температуры и стандартные ошибки прогнозирования. Щелкайте по местоположениям как в центре, так и в пригородных и сельских районах.
  21. По завершению отключите слои Эмпирический Байесовский кригинг и Кригинг, и сверните их легенды, если необходимо.
  22. Сохраните проект.

Вы интерполировали измерения уровня температуры с помощью Эмпирического Байесовского кригинга в Мастере операций геостатистики. Как и в случае с простым кригингом в предыдущем уроке вы можете подтвердить наличие эффекта городского теплового острова в карте прогнозируемых значений; в центре города температура значительно выше, чем в окружающих пригородных и сельских районах. Проанализировав результаты перекрестной проверки, вы доказали, что ЭБК позволяет получить значительно более точную карту прогнозируемых значений, особенно по результатам стандартных ошибках в прогнозируемых значениях.

Далее вы будете использовать еще более сложную версию кригинга, Прогнозирование регрессии ЭБК, которая позволит вам включить местоположения непроницаемых поверхностей в интерполяцию.


Встраивание независимых переменных с использованием прогнозирования регрессии ЭБК

Ранее вы узнали как использовать Мастер операций геостатистики для интерполяции значений температуры, измеренных 8 августа 2016 года в 20.00 в городе Мэдисон, штат Висконсин. Сначала вы использовали классический метод интерполяции, называемый Простой кригинг. Затем вы изучили и применили более современный и надежный метод, который называется Эмпирический Байесовский кригинг (ЭБК), который позволяет рассчитать прогнозируемые значения более точно, с использованием меньшего количества настроек и параметров. В этом уроке вы изучите, как встроить независимые переменные в интерполяцию с помощью Прогнозирования регрессии ЭБК.

Независимая переменная (иногда называемая ковариация) – это любой набор данных, связанный с переменной, которую вы исследуете, и который может быть встроен в модель для повышения ее точности или надежности. Как следует из названия, Прогнозирование регрессии ЭБК – это регрессионный кригинг, представляющий собой гибрид ЭБК и линейной регрессии. Прогнозирование регрессии ЭБК позволяет вам использовать независимые переменные в виде растровых данных, если вы знаете, что подобные переменные могут оказывать влияние на интерполяцию.

Для измерений температуры вы встроите местоположения непроницаемых поверхностей в интерполяцию. Непроницаемые поверхности вносят определенный вклад в эффект городского теплового острова, так как такие поверхности (обычно здания, или другие рукотворные объекты) аккумулируют высокие температуры в центральных районах плотно застроенных городов и предотвращают распространение тепла в пригороды и сельские районы.

Углубленные знания о регрессионном анализе не требуются в этом уроке, но некоторые базовые знания могут помочь в понимании процессов. И кригинг, и регрессия вычисляют прогнозируемые значения, строго разделяя прогнозируемое среднее и прогнозируемую ошибку:

Прогноз = Среднее + Ошибка

В регрессии средняя составляющая прогноза рассчитывается на основе взвешенной суммы независимых переменных, а компонент ошибки считается случайным шумом. По сути весь основной расчет прогнозируемых значений в регрессии определяется средней составляющей, а компонент ошибки – это просто шум, который желательно минимизировать.

Но в кригинге основной расчет вычисления прогнозируемых значений определяется компонентом ошибки, а среднее совпадает со средним значением измерений всех входных точек (или какой-либо другой указанной константой). Компонент ошибки оценивается по вариограмме и значениям окружающих точек. Если значения окружающих точек имеют тенденцию к превышению среднего для всех входных точек, компонент ошибки будет положительным, а прогнозируемое значение превышать среднее всех входных точек. И наоборот, если значения окружающих точек ниже среднего, компонент ошибки будет отрицательным, и прогнозируемое значение будет ниже среднего от всех измерений.

То есть, с точки зрения математики, регрессия оперирует только компонентом среднего, а кригинг - только компонентом ошибки. Регрессионный кригинг оперирует обоими компонентами единовременно. То есть одновременно рассчитывается предполагаемое среднее на основе линейной регрессии и компонент ошибки на основе ЭБК. Поскольку и кригинг и регрессия являются частными случаями регрессионного кригинга, Прогнозирование регрессии EBK имеет более высокий потенциал прогнозирования, чем кригинг или регрессия по отдельности.

Примечание:

Так как вычисления при моделировании как в ЭБК, так и в Прогнозирование регрессии ЭБК требуют большой загрузки ресурсов, многие математические операции для различных процессов оптимизированы. В зависимости от аппаратного обеспечения компьютера, ваши результаты этом разделе могут немного отличатся. В некоторых случаях различия могут быть в пределах 1 процента.

Встраивание слоя непроницаемых поверхностей из Living Atlas

В этом разделе вы добавить растровый слой из ArcGIS Living Atlas of the World и выполните извлечение значений непроницаемых поверхностей в пределах экстента области изучения. Этот слой взят из источника National Land Cover Database (NLCD), и значение каждой ячейки представляет процент площади непроницаемых для воды поверхностей в этой ячейке, вследствие какой-либо деятельности.

  1. Если необходимо, откройте ваш проект.
  2. На ленте, на вкладке Карта в группе Слой щелкните Добавить данные.
  3. В окне Добавить данные разверните Портал и щелкните Living Atlas.

    Выбор Living Atlas в окне поиска Добавить данные.

  4. В окне поиска введите Impervious и нажмите клавишу Enter.
  5. В результатах поиска найдите и выберите USA NLCD Impervious Surface Time Series.

    Выбор непроницаемой поверхности.

  6. Щелкните OK, чтобы добавить слой на карту.
    Примечание:

    Загрузка слоя может занять несколько секунд.

    Карта непроницаемых поверхностей

    Слой USA NLCD Impervious Surface 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 .

  7. На ленте щелкните вкладку Анализ и в группе Геообработка щелкните Инструменты.

    Панель Геообработка.

    Появится панель Геообработка.

  8. В окне поиска на панели Геообработка введите извлечь.
  9. Щелкните Извлечь по маске в результатах поиска.

    Поиск инструмента Извлечь по маске.

  10. В инструменте Извлечь по маске задайте следующие параметры:

    • 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.

    Параметры инструмента Извлечь по маске.

    В дополнение к извлечению значений ячеек непроницаемых поверхностей 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.

  11. На панели Геообработка щелкните Параметры среды и измените следующие параметры:
    • Для Выходной системы координат выберите Block_Groups..
    • Для Размера выходной ячейки укажите 100.

    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.

    Параметры среды инструмента Извлечь по маске.

  12. Щелкните Запустить.

    Вы будете корректировать символы.

  13. На панели Содержание щелкните правой кнопкой Impervious_Surfaces и выберите Символы.
  14. На панели Символы для Основных символов выберите Уникальные значения.

    Символы для Impervious_Surface теперь должны соответствовать слою USA NLCD Impervious Surface Time Series. Вам больше не нужен последний слой, поэтому вы удалите его.

  15. На панели Содержание правой кнопкой мыши щелкните USA NLCD Impervious Surface Time Series и выберите Удалить.

    Вырезанный слой Impervious Surface

    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.

  16. С помощью инструмента Исследовать приблизьтесь к центру города.

    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.

    Непроницаемые поверхности в городских коридорах

    В границах озер также отсутствуют непроницаемые поверхности. Соответственно Прогнозирование регрессии ЭБК не будет вычислять прогнозирование значений температуры на территориях озер. Это отвечает ваши 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.

Построение точечной диаграммы значений температур и непроницаемых поверхностей

У вас есть все основания считать, что непроницаемые поверхности связаны и способствуют возникновению тепловых островов, но необходимо количественно подтвердить это допущение. Чтобы увидеть связь, вы извлечете значения слоя Impervious_Surfaces и добавите их к слою температур, а затем визуализируете отношение с помощью точечной диаграммы.

  1. На панели Геообработка щёлкните дважды кнопку со стрелкой Назад, чтобы вернуться в окно поиска.

    Нажмите Назад для возврата к странице поиска.

  2. В строке поиска введите извлечь значения. Щелкните Извлечь значения в точки в результатах поиска.
  3. Укажите параметры следующим образом:

    • Для Входных точечных объектов выберите Temperature_Aug_08_8pm.
    • Для Входного растра выберите Impervious_Surfaces.
    • Для Выходных точечных объектов введите Impervious_Points.

    Параметры инструмента Извлечь значения в точки.

  4. Щелкните Запустить.

    Слой Impervious_Points добавляется на панель Содержание карты. Слой совпадает со слоем Temperature_Aug_08_8pm, но к точкам добавлено еще одно атрибутивное поле, RASTERVALU. Этот атрибут представляет значение непрерывной поверхности, извлеченное из растрового слоя Impervious_Surfaces для каждого точечного местоположения.

  5. На панели Содержание для слоя Impervious_Points, щелкните правой кнопкой точечный символ и измените цвет на зеленый.

    Изменение цвета символа на зеленый.

  6. В панели Содержание щелкните правой кнопкой Impervious_Points, выберите Построить диаграмму > Точечная.
  7. Если требуется, нажмите кнопку Свойства в области диаграммы, чтобы открыть панель Свойства диаграммы. В панели Свойства диаграммы задайте следующие параметры:

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

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

    Построение точечной диаграммы значений температур и непроницаемых поверхностей

    Примечание:

    Ваш график рассеяния может выглядеть немного иначе, если вы использовали более новую версию слоя USA NLCD Impervious Surface Time Series.

    Точечная диаграмма показывает четкое положительное отношение между измерениями температуры (TemperatureF) и процентом непроницаемых поверхностей (RASTERVALU). Кроме того, связь приближается к линейной, 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.

  8. Изучив точечную диаграмму Отношения между TemperatureF и RASTERVALU, закройте окно диаграммы и панель Свойства диаграммы.
  9. На панели Содержание удалите слой Impervious_Points.

    Этот слой вам был нужен только для построения и изучения точечной диаграммы.

  10. Отключите слой Impervious_Surfaces.

Интерполяция температуры с помощью инструмента Прогнозирование регрессии ЭБК

В предыдущей части вы убедились, что непроницаемые поверхности – важная независимая переменная, и она существенно влияет на прогнозирование температуры в Мэдисоне, Вашингтон. В этом разделе вы будете использовать инструмент геообработки Прогнозирование регрессии ЭБК для интерполяции измерений температуры, учитывая непроницаемые поверхности как независимые переменные. Далее, вы сравните результаты перекрестной проверки модели Прогнозирование регрессии ЭБК с двумя предыдущими моделями кригинга и присвоите понятные символы результирующим данным.

Примечание:

Инструмент Прогнозирование регрессии ЭБК можно запустить как через Мастер операций геостатистики, так и как обычный инструмент геообработки. Основное преимущества запуска как инструмента геообработки – возможность встроить инструмент в модель или скрип, для автоматизации и документации рабочего процесса. Использование Мастера операций геостатистики – прекрасный способ изучить данные и протестировать различные техники интерполяции и настройки параметров, перед тем как остановится на каком-либо решении.

  1. На панели Геообработка щелкните кнопку Назад. В окне поиска введите ЭБК.
  2. В результатах поиска щелкните Прогнозирование регрессии ЭБК.
  3. В инструменте Прогнозирование регрессии ЭБК задайте следующие параметры:

    • 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.

    Параметры инструмент Прогнозирование регрессии ЭБК

  4. В инструменте разверните Дополнительные параметры модели. Для параметра Максимальное число точек в каждой локальной модели введите 50.

    Изменение максимального числа точек в каждой локальной модели.

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

  5. Щелкните Параметры среды. Для Экстента выберите Block_Groups.

    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.

    Изменение экстента в соответствии со слоем кварталов.

  6. Щелкните Запустить.
    Примечание:

    Инструмент может работать несколько минут, по завершении готовый слой будет добавлен на панель содержания.

    Два слоя EBKRegressionPrediction1 и Temperature_Prediction добавлены в панель Содержание.

  7. На панели Содержание выключите слой Temperature_Prediction.

    Прогнозирование температур по результатам инструмента Прогнозирование регрессии ЭБК

    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.

  8. В панели Содержание щелкните правой кнопкой слой EBKRegressionPrediction1 и выберите Перекрестная проверка, чтобы открыть окно перекрестной проверки.

    Перекрестная проверка слоя EBKRegressionPrediction1

    Это окно идентично последней странице Мастера операций геостатистики и позволяет оценить результат интерполяции геостатистического слоя. Суммарная статистика расположена справа, а графические диагностики - слева.

    Статистика перекрестной проверки Прогнозирования регрессии ЭБК

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

    Примечание:

    Вы можете увидеть небольшие различия из-за округления.

    Суммарная статистикаПростой кригингЭБКПрогнозирование регрессии ЭБК

    Средний CRPS

    N/A

    0,894

    0,713

    В пределах 90-процентного интервала

    N/A

    89,928

    91,971

    В пределах 95-процентного интервала

    N/A

    96,403

    93,431

    Средняя

    0,144

    0,158

    0,068

    Среднеквадратичная

    1,775

    1,715

    1,300

    Средняя нормированная

    0,044

    0,048

    0,031

    Среднеквадратичн. нормированная

    1,075

    0.994

    0,950

    Средняя стандартная ошибка

    1,568

    1,684

    1,353

    • 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.

  9. Убедитесь, что на панели графика активна вкладка Проинтерполированное значение .

    График перекрестной проверки - прогнозируемое и измеренное значения для Прогнозирования регрессии ЭБК

    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.

  10. Щелкните вкладку Ошибка.

    График перекрестной проверки - измеренное и прогнозированное значения для Прогнозирования регрессии ЭБК

    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.

  11. Щелкните вкладку Нормальный график КК.

    Нормальный график КК для Прогнозирования регрессии ЭБК

    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.

  12. Закройте окно Перекрестная проверка.
  13. На панели Содержание выключите слой EBKRegressionPrediction1. Включите слой Temperature_Prediction.

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

  14. В панели Содержание щелкните правой кнопкой Temperature_Prediction и выберите Символы.
  15. В панели Символы щелкните кнопку Меню и выберите Импорт.

    Импорт символов для растра прогнозирования температур

  16. В диалоговом окне Импорт символов перейдите в местоположение, куда вы загрузили и распаковали проект в первом уроке, щелкните дважды analyze-urban-heat-using-kriging и выберите EBKRP_Symbology.lyrx.

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

  17. Закройте панель Символы.

    Символы растрового слоя прогнозирования температур

    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.

  18. Изучите интересные для вас области карты, перемещаясь по ней и меняя масштаб. Щелкните несколько местоположений в центре города и в сельской местности, чтобы увидеть прогнозируемые значения температур.

Расчет средней температуры для каждого квартала

В этом разделе вы будете рассчитывать среднюю температуру для каждого квартала с помощью зональной статистики. Вы присоедините прогнозируемые значения к слою кварталов и примените подходящие символы для визуализации средних температур.

  1. На панели Содержание выключите слой Temperature_Prediction. Включите слой Block_Groups.
  2. На панели Геообработка нажмите кнопку Назад и найдите инструмент Зональная статистика. Щелкните Зональная статистика в таблицу в результатах поиска.
  3. В инструменте Зональная статистика в таблицу задайте следующие параметры:

    • 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.

    Параметры инструмента Зональная статистика в таблицу

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

  4. Щелкните Запустить.

    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.

  5. На панели Геообработка нажмите кнопку Назад и найдите инструмент Добавить связь. Щелкните ссылку Добавить соединение в результатах поиска.
  6. В инструменте Добавить соединение задайте следующие параметры:

    • В строке Имя слоя или представление таблицы выберите Block_Groups.
    • Для Входного поля соединения выберите OBJECTID.
    • Для Соединяемой таблицы выберите Mean_Temperature.
    • В опции Выходное поле соединения выберите OBJECTID.

    Параметры инструмента Добавить соединение

  7. Щелкните Запустить.

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

  8. Щелкните в панели Содержание правой кнопкой на слое Block_Groups и выберите Таблица атрибутов.
  9. В таблице атрибутов Block_Groups прокрутите вправо и убедитесь, что поле Mean присоединено к таблице.

    Это поле содержит среднюю прогнозируемую температуру для каждого квартала.

  10. Закройте таблицу атрибутов Block_Groups.

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

  11. На панели Геообработка нажмите кнопку Назад и найдите инструмент Применить символы. Откройте инструмент Применить символы слоя.
  12. В инструменте Применить символы из слоя задайте следующие параметры:

    • Для Входного слоя выберите Block_Groups.
    • В диалоговом окне Слой символов перейдите в местоположение, куда вы загрузили и распаковали проект, щелкните дважды analyze-urban-heat-using-kriging 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.

    Параметры инструмента Применить символы из слоя

  13. Щелкните Запустить.
    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.
  14. Откройте всплывающие окна для нескольких кварталов с высоким средним значением температуры.

    Средние значения прогнозируемых температур для каждого квартала

Определение кварталов, где высокая плотность проживания уязвимых групп населения

В предыдущем разделе использовали зональную статистику для расчета средней температуры для каждого квартала. В это разделе вы будете использовать запрос для определения кварталов с высокой плотностью проживания жителей старше 65 лет. Пожилые жители (старше 65 лет) наиболее подвержены болезням, связанным с жарой, поэтому приоритет в помощи должен быть отдан тем районам Мэдисона, где проживает наибольшее количество жителей, находящихся в зоне риска. Вы построите выражение запроса, чтобы выбрать все кварталы, в которых средняя температура превышает 81 градус, а плотность населения в возрасте старше 65 лет превышает 100000.

  1. На панели Геообработка выполните поиск по слову Выбрать в слое.
  2. Щелкните Выбрать в слое по атрибуту в результатах поиска.

    Для выражения запроса используйте следующий синтаксис:

    Имя поля + Оператор + Значение or Поле

  3. В инструменте Выбрать в слое по атрибуту задайте следующие параметры:

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

  4. В группе Выражение щелкните Новое выражение.
  5. Постройте выражение Mean больше 81. Может потребоваться удалить знаки после запятой.

    Построение выражения для средней температуры

  6. Щелкните Добавить условие.

    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.

  7. В группе Выражение щелкните Добавить условие , чтобы добавить второе условие в запрос.
  8. Постройте выражение And DensityOver65 больше 100000.

    Построение выражения для численности населения в возрасте старше 65 лет

  9. Нажмите Enter.

    Проверьте выражения и внесите изменения, если необходимо.

    Выражение в инструменте Выбрать в слое по атрибуту

    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.

  10. Щелкните Запустить.
  11. Закройте панель Геообработка.

    Кварталы с высоким значением средней температуры и высокой плотностью жителей старше 65 лет

    По вашему критерию выбрано 5 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.

    Примечание:

    Вы можете выбрать разные группы блоков, если в предыдущих разделах вы использовали более новую версию слоя impervious surface temperature.

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

  12. В панели Содержание щелкните правой кнопкой Block_Groups, выберите Построить диаграмму и щелкните Точечная. Если требуется, нажмите Свойства в области диаграммы, чтобы открыть панель Свойства диаграммы.
  13. В Свойствах диаграммы для Ось X Число, выберите Mean.
  14. Для Ось Y число выберите DensityOver65.

    Точечная диаграмма рассеивания, показывающая отношение средней температуры и плотности проживания пожилые людей

    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.

  15. В диаграмме Отношения между MEAN и DensityOver65 щелкните отдельную точку в верхней части графика.

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

    Квартал с высокой плотностью пожилых жителей

    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.

  16. Сохраните карту.

Публикация вашей работы

Вы закончили анализ температуры воздуха в Мэдисоне, Висконсин на 8 августа 016 года, 20.00. Вы разработали рабочий процесс для идентификации кварталов с высоким числом жителей в зоне риска и выполнили несколько различных типов кригинга. После сравнения результатов вы применили подходящие и понятные символы к объектам. Все, что вам осталось сделать – это определить эффективный и удобный способ предъявить результаты органам власти и общественности.

ArcGIS предлагает несколько способов публикации результатов ваших изысканий, каждый подходит для соответствующей аудитории. Традиционный, статичный подход – построить компоновку, которую можно напечатать или экспортировать в PDF или файл изображения. Для более распределенной аудитории можно выбрать динамический подход и опубликовать результаты онлайн, в форме веб-пакета, веб-слоя или веб-карты.

Опции публикации результатов

Печатные карты по-прежнему популярны и предлагают простой доступный способ поделиться результатами со множеством пользователей. Кроме того, можно экспортировать карту в различные форматы изображений, такие как PNG или JPEG, которые можно встроить в презентацию для использования теми, у кого отсутствует доступ к программному обеспечению ГИС. Карты также можно экспортировать в PDF-файл, с которым пользователи могут взаимодействовать, включая и выключая слои.

Печатные карты, файлы PDF и изображения, как правило, являются результатом создания компоновки карты. Компоновка карты позволяет донести послание карты до пользователей, поэтому вы оформляете свое решение, ориентируясь на целевую аудиторию и назначение карты.

При разработке компоновки обратите внимание на следующие элементы:

  • Размер страницы
  • Масштаб
  • Экстент
  • Альбомная или книжная ориентация
  • Базовые карты
  • Рабочие слои
  • Составные слои
  • Система координат
  • Аннотация

Дополнительные элементы карты помогают донести послание вашей карты до аудитории; к ним относятся следующие элементы:

  • Заголовок
  • Фрейм карты
  • Легенда
  • Стрелка севера
  • Масштабная линейка
  • Обзорная или справочная карта
  • Вспомогательный текст (автор, информация о данных, дата)
  • Диаграмма
  • Логотип
  • Координатные сетки

При предоставлении общего доступа к динамическим ресурсам можно использовать опции для публикации слоев, карт, данных и проектов, используя разнообразные типы пакетов, или веб-карты или веб-слои. Пользователи получают доступ к опубликованным ресурсам непосредственно из ArcGIS Proили через ArcGIS Online. Пакеты удобны для обмена проектами между пользователями ArcGIS Pro, а веб-слои и веб-карты могут использоваться широкой аудиторией через Интернет.

Если вы решили опубликовать часть или весь проект ArcGIS Pro, вы можете создать пакет. Существуют пакеты слоев, пакеты карт или пакеты проектов. Пакеты можно сохранить локально или выложить на ArcGIS Online, чтобы пользователи могли загрузить ваши карты и данные. Когда другие пользователи получают доступ к пакету, который вы опубликовали, они распаковывают содержимое на свой локальный компьютер, и редактируют локальную копию опубликованной вами карты, слоя или проекта.

  • Пакеты слоев включают свойства слоя и исходные данные, связанные с этим слоем.
  • Пакеты карт включают свойства каждого слоя карты и исходные данные для всех слоев.
  • Пакеты проекта включают свойства слоев, карты, компоновки, базовые данные, .модели, наборы инструментов, базы геоданных и любые элементы, связанные с проектом.

Для упаковки слоя необходимо выполнить следующие шаги:

  • Выберите, будете ли вы выгружать пакет в файл или в учетную запись ArcGIS Online.
  • Укажите имя для пакета.
  • Введите описание элемента для пакета.
  • Добавьте теги.
  • Установите опции публикации.
  • Проанализируйте пакет и исправьте ошибки.
  • Опубликуйте пакет.

Веб-слой напоминает векторный слой в ArcGIS Pro, он он размещается на онлайн-ресурсе а не хранится локально на вашем компьютере. Веб-слои используются для визуализации карты, их можно редактировать и к ним можно строить запросы. Веб-слой можно создать из любого слоя, который есть в вашем проекте ArcGIS Pro.

Веб-карта – это интерактивная коллекция слоев карты, которые используются в карте для визуализации, редактирования, запросов и анализа. Веб-карты всегда содержат одну базовую карту и дополнительные рабочие слои. Веб-карты часто используются как основа создания приложений, например карт-историй.

Для публикации веб-слоя необходимо выполнить следующие шаги:

  • Введите имя веб-слоя.
  • Выберите объекты или листы для публикации.
  • Дополните веб-слой описанием элемента.
  • Добавьте теги.
  • Установите опции публикации.
  • Проанализируйте веб-слой и исправьте ошибки.
  • Опубликуйте веб-слой

Примеры и инструкции, как применить некоторые из этих опций для публикации результатов можно посмотреть в следующих уроках: Начало работы с ArcGIS Online поможет вам научиться создавать веб-приложения. Картография в ArcGIS Pro покажет подробную профессиональную компоновку и пояснительным текстом и дополнительными элементами. Если вы хотите скомбинировать веб-карту с рассказом историй, обратите внимание на урок Начало работы с Story Maps, где рассказывается, как создавать высоко-качественные и интересные карты-истории.

В этом уроке вы изучили, как разработать рабочий процесс интерполяции для анализа эффекта городского теплового острова в Мэдисоне, штат Висконсин. Изучив измерения температуры на карте и применив интерполяцию вы подтвердили наличие эффекта городского теплового острова в центре Мэдисона.

Для создания карты температур Мэдисона и окружающих территорий сначала вы интерполировали данные с помощью простого кригинга – одного из старейших и наиболее используемого метода интерполяции. Это создало научную и статистически-доказанную базу для интерполяции. Обозначив базу, вы улучшили результаты, выполнив интерполяцию методом Эмпирического Байесовского кригинга. Используя локальные имитации вариограмм, вы повысили точность и стабильность в прогнозировании температур. С помощью точечной диаграммы рассеивания вы определили, местоположения непроницаемых поверхностей оказывают высокое влияние на уровень температуры, и вы использовали эту информацию при выполнении интерполяции методом Прогнозирование регрессии ЭБК. Среднеквадратичная ошибка перекрестной проверки была на 25 процентов меньше, чем при интерполяции методом ЭБК.

В последних шагах рабочего процесса вы выявили с помощью запроса местоположения кварталов Мэдисона. В который отмечается высокий уровень средней температуры и большое количество жителей в возрасте свыше 65 лет, которые находятся в группе риска по различным заболеваниям, связанным с жарой.

Используя выборку вы идентифицировали 5 кварталов, где средняя температура выше 81 градуса Фаренгейта, и плотность жителей в возрасте старше 65 лет превышает 100000 на квадратный км. Точечная диаграмма продемонстрировала, что плотность проживания пожилых людей не коррелирует с уровнем температуры. Это прекрасный результат, так как если бы обнаружилась тенденция проживания пожилых в самых жарких частях города, это создало бы множество дополнительных проблем менеджерам по чрезвычайным ситуациям и поставщикам медицинских услуг в попытках смягчить последствия экстремальной жары.

Эффект городского теплового острова присутствует практически в каждом крупном городе мира, и разработанный вами на этих уроках рабочий процесс можно использован и для анализа других городов. При разработке этих уроков были изучены разнообразные тематические растры, включая рельеф, расстояния до промышленных объектов, расстояния до открытых пространств, плотность населения и древесный покров. Конкретно в анализе результатов интерполяции в Мэдисоне, Висконсин 8 августа 2016 года эти переменные не оказали существенного влияния на результат, но для других городских территорий они могут быть полезны. Вы можете попытаться повторить эти упражнения с данными температуры в другом городе и в другой день. Вы можете обнаружить, что для других местоположений и в другие даты будут иметь значение другие независимые переменные, и вам стоит попытаться найти эти переменные для получения наилучшего результата для своих данных.

Еще больше уроков вы найдете в Галерее уроков Learn ArcGIS.