当前位置:文档之家› ArcGIS地统计分析介绍

ArcGIS地统计分析介绍

ArcGIS地统计分析

A r c G I S地统计分析 This model paper was revised by the Standardization Office on December 10, 2020

实验四ArcGIS地统计分析 一、实习内容 1:使用缺省参数创建一个表面 2:数据检查 3:制作臭氧浓度图 4:模型比较 5:制作超出某一临界值的臭氧概率图 二、实习过程 练习1:利用缺省参数创建一个表面 1.添加数据并调整显示设置: 2.使用默认选项创建表面 3.将该图层名称更改为DefaultKriging 4.设置将预测表面的范围限制在加利福尼亚州之内: 5.右键单击内容列表,然后点击验证/预测。 6.CA_cities_ozone图层的属性表: 练习2:数据检查 1.探索数据——直方图: 2.探索数据——正态QQ图: 3.探索数据——趋势分析: 4.旋转30度后的情况: 5.探索数据——半变异函数/协方差云: 练习3:制作臭氧浓度图 1.再次使用普通克里金插值方法,但这次将在模型中纳入趋势和各向异性以做出更好的预测: 2.搜索领域: 3.交叉验证: 4.右键单击所创建的TrendRemoved图层,然后单击将输出更改为预测标准误差。 练习4:模型对比 1.右击趋势移除图层选择比较,在交叉验证对话框中自动比较“趋势移除”模型和“克里金模型”。 练习5:创建臭氧超出某一临界值的概率图 1.打开地统计想到单击克里金法,然后在下一步中选择指示克里金法并确保阈值设置为超出,设置主阈值为0.09。 2.将步长设置改为15000,将各向异性更改为True以考虑数据的方向特性。 3.单击以选择表中指示值为0的一行。所选点将在蓝色阈值线左侧的散点图中以绿色显示。如果所选行的情况如下图所示,则预测与指示值完全相同。

arcgis实习之空间统计分析

空间统计分析实习报告 Spatial statistics tools 分析模式工具集中的工具采用推论式统计,以零假设为起点,假设要素与要素相关的值均表现随机分布。然后计算P值说明,这种分布属于随机分布的概率。在应用中,返回Z得分和P值判断是否可以接受或拒绝零假设,同时在不同的工具中,还表示分布是聚集,或分散 是标准差的倍 数,在0.5-P的概 率下接受随机分 布的接受域 Average Nearest Neighbor 最邻近分析 根据每个要素预期最近要素的平均距离来计算最邻近指数,当指数大于1,要素有聚集分布 的趋势,对于趋势如何,还要依据z—value和P—value 来判断,小于1时,趋向分散分布 最近邻指数的表示方法为:平均观测距离与预期平均距离的比率,预期平均距离是假设随机 分布中领域间的平均距离 这种方法对面积指值非常敏感(期望平均距离计算中需要面积参与运算),如果未指定面积 参数,则使用输入要素周围最小外接矩形的面积(不一定合坐标轴垂直)

Spatial Autocorrelation (Morans I) 空间自相关分析 更具要素位置的属性使用Global Moran’s I 统计量量测空间自相关性 Moran’s I是计算所评估属性的均值和方差,然后将每个要素减去均值,得到与均值的偏差,将所有相邻要素的偏差相称,得到叉积。统计量的分子便是这些叉积之和。 如果相邻要素的值均大于均值,这叉积为正,如果以要素小于均值而一要素大于均值,则为负 如果数据集中的值倾向于在空间上集聚(高值聚集在高值附近,低值聚集在低值附近) 则指数为正,如果高值排斥高值,倾向于低值,则指数为负 之后,将计算期望指数值,将之与其比较,在给定的数据集中的要素个数和全部熟知的方差下,将计算Z得分和P值,用来指示次差异是否具有统计学上的显著性 Multi-Distance Spatial Cluster Analysis K函数分析 确定要素(后与之有关连的值)是否显示某一距离范围内统计意义显著的聚类或离散 基于Ripley's K 函数的多距离空间聚类分析工具是另外一种分析事件点数据的空间模式的方法。该方法不同于此工具集中其他方法(空间自相关和热点分析)的特征是可汇总一定距离范围内的空间相关性(要素聚类或要素扩散) Ripley's K 函数可表明要素质心的空间聚类或空间扩散在邻域大小发生变化时是如何变化的。 如果特定距离的k观测值大于k预期值,则与该距离下的随机分布相比,该分布的聚集程度更高,反之亦可。如果,k观测值大于HIConfEnv,则该距离的空间聚类具有统计学上的显著性,如果k观测值小于LwConFEnv,则该距离的空间离散具有统计学上的显著性对于置信区间,点的每个随机分布称为“排列”将一组点随机分布多次,将对每个距离选择相对预期k值向下和向上最大的k值,作为置信区间 Anselin Local Moran’s I局部Moran’s I 分析 给定一组加权要素,使用局部Moran’s I统计量来识别具有统计显著性的热点,冷点和空间异常值。 Z得分和p值是统计显著性的指标,用于逐个要素判断是否拒绝零假设。他们可指示表面相似性和向异性 如果要素Z值是一个较高的正数,则表示周围的要素拥有相似值,输出要素Cotype字段会将具有统计显著性的高值聚类表示为HH,低值聚类表示为LL ?如果要素的z 得分是一个较低的负值,则表示有一个具有统计显著性的空间异常值。输出要素类中的COType字段将指明要素是否是高值要素而四周围绕的是低值要素(HL),或者要素是否是低值要素而四周围绕的是高值要素(LH)。

Arcgis地统计图绘制

ArcGIS 地统计学习指南(一) 1.1 地统计扩展模块简介 ArcGIS地统计分析模块在地统计学与GIS之间架起了一座桥梁。使得复杂的地统计方法可以在软件为本、可视化发展的趋势。 地统计学的功能在地统计分析模块的都能实现,包括: (1)ESDA:探索性空间数据分析,即数据检查; (2)表面预测(模拟)和误差建模; (3)模型检验与对比。 地统计学起源于克里格。当时他用此法预测矿产分布,后来经过别人改进修改发展成为现在所用的据分析还有其他方法,如IDW(反距离加权插值法)等,但克里格方法是最主要、最常用的空间分主进行。 1.2表面预测主要过程 ArcGIS地统计扩展模块的菜单非常简单,如下所示,但由此却可以完成完整的空间数据分析过程 一个完整的空间数据分析过程,或者说表面预测模型,一般为。拿到数据,首先要检查数据,发现正态分布、有没有趋势效应、各向异性等等(此功能主要由Explore Data菜单及其下级菜单完成进行表面预测,这其中包括半变异模型的选择和预测模型的选择;最后检验模型是否合理或几种模能主要由Geostatistical Wizard…菜单完成)。Create Subsets…菜单的作用是为把采样点数据

训练样本,一部分作为检验样本。 下面将按上述表面预测过程进行叙述。 (注:[1]文章示例中所使用的数据为ArcGIS扩展模块中所带的学习数据(某地测得的臭氧含量样数据;[2]文章以操作方法介绍为主,所涉及到的地统计方法和基本理论一般未进行解释,可查阅作中所用到的某些参数为地统计中的标准名称的也未进行解释。) 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的用不同参数进行表面模型预测,随后比较不同模型的精确程序,选择最佳模型,最后制作成果图。 ArcGIS 地统计学习指南(二) 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓 度预测。首先检查数据的特点,然后根据数据特点用不同参数进行表面模型预测, 随后比较不同模型的精确程序,选择最佳模型,最后制作成果图。 1.3数据检查,即空间数据探索分析(ESDA) 此功能主要通过Explore Data菜单中实现。 扩展模块提供了多种分析工具,这些工具主要是通过生成各种视图,进行交 互性分析。如直方图、QQ plot图、半变异函数/协方差图等。 ?(1)直方图显示数据的概率分布特征以及概括性的统计指标。 下图中所展示的数据,中值接近均值、峰值指数接近3。从图中观察可认 为近似于正态分布。克里格方法对正态数据的预测精度最高,而且有些空间分析 方法特别要求数据为正态分布。

ArcGIS地统计分析总结

ArcGIS地统计分析总结 ArcGIS地统计分析(Geostatistical Analyst) 1 介绍 1.1为什么使用ArcGIS Geostatistical Analyst 人为判断总是会遗漏某些重要信息,同时也会无中生有。而ArcGIS Geostatistical Analyst提供客观的数据驱动方法,定量预测数据变化趋势和从空间数据中发掘特征模型。如果数据不够精确或者模型不够准确,这样势必影响输出的地图和从中得到的结论。而ArcGIS Geostatistical Analyst可以提供一个概率框架,来定量计算生成数据面时的不确定性。 元统计分析方法利用属性数据之间的相关来推断不同变量之间的联系,ArcGIS Geostatistical Analyst可以联合各种数据来做更精确的预测。 ArcGIS Geostatistical Analyst可以有效地推测一些空间现象的未知部分,因此,对采样计划的设计和优化非常关键。 1.2使用ArcGIS Geostatistical Analyst的各个领域 这个模块的应用对象不计其数,可以使用这个工具包开发任何一种地理数据集(比如坐标和属性),下面列出几个成功应用ArcGIS Geostatistical Analyst的典型领域: 气象学家和统计学家应用ArcGIS Geostatistical Analyst来进行气象数据分析。 采矿行业广泛的应用ArcGIS Geostatistical Analyst,涉及从最初的地质特征研究到产量控制的各个阶段。

石油工业成功的应用ArcGIS Geostatistical Analyst,来分析包括地震数据和油井数据集成的空间数据,并且用来研究物理特性和地震属性之间的相关关系。 在环境问题的研究中,ArcGIS Geostatistical Analyst的应用提供了一个分析空气、土壤和地下水污染高效和一致的模型。演示、个例研究和研究教育论文提供了大量的应用ArcGIS Geostatistical Analyst的例子。同时,ArcGIS Geostatistical Analyst也成为评估渔业产量的一个标准方法。 精细农业所应用的土壤特性的图形分析中,ArcGIS Geostatistical Analyst 也得到广泛应用。越来越多的农民或者农村顾问使用ArcGIS Geostatistical Analyst来增加作物产量、提高利润、减小对环境的不利影响。 2基本原理 地统计学与经典统计学的共同之处在于:它们都是在大量采样的基础上,通过对样本属性值的频率分布或均值、方差关系及其相应规则的分析,确定其空间分布格局与相关关系。但地统计学区别于经典统计学的最大特点即是:地统计学既考虑到样本值的大小,又重视样本空间位置及样本间的距离,弥补了经典统计学忽略空间方位的缺陷。 地统计分析理论基础包括前提假设、区域化变量、变异分析和空间估值。 2.1 前提假设 (1) 随机过程 与经典统计学相同的是,地统计学也是在大量样本的基础上,通过分析样本间的规律,探索其分布规律,并进行预测。地统计学认为研究区域中的所有样本值都是随机过程的结果,即所有样本值都不是相互独立的,它们是遵循一定的内在规律的。因此地统计学就是要揭示这种内在规律,并进行预测。 (2) 正态分布

在ArcGIS 9 中进行空间统计

在ArcGIS 9中进行空间统计 作者:ESRI 中国(北京)培训中心 姜云鹏 随着GIS 在各个领域应用的不断扩展,有些特殊的行业,比如流行病学、生物学、气象、地质等行业,他们需要更深入的挖掘空间数据信息,这些信息的获得是与传统的GIS 分析结果不尽相同的。比如:传统的GIS 分析侧重于研究空间要素之间的关系,比如相邻、叠加、以及要素之间的距离、连通性等等。而这些特殊行业他们需要根据多种采样的数据来研究空间事物的变化信息,分布特征等信息,这些信息的获得,往往是一种统计分析的结果,而在空间上,事物的分布又 是相互关联的。所以,空间统计应运而生。所谓空间统计, 就是将空间信息与属性信息进行统一的考虑,研究特定属 性或属性之间与空间位置的关系。 空间统计主要的工作是研究空间自相关性(Spatial Autocorrelation ),分析空间分布的模式,例如聚类 (cluster )或离散(dispersed )。通过使用ArcGIS 9中的 空间统计工具,用户可以以一种非常直观而简单的方式获 得这些信息。 ArcGIS 9中的空间统计工具箱包括了一系列工具,用来分 析地理要素的空间分布形态。传统的统计并不考虑地理要 素的空间关系,而在空间统计中,要素的空间关系是分析 中需要考虑的必要的,处于绝对重要地位的。 因此,对于空间数据分析的目的来说,使用ArcGIS 9中 的空间统计工具比使用原来的不考虑空间信息而进行统 计的工具要更为合适。通过使用这些工具,GIS 用户可以 采用一种更高级的方法来解决空间数据分析中的问题。表一列出了主要的空间统计工具集以及它们的功能描述: 表一:空间统计工具集及其功能 工具集 功能 空间分布模式分析工具集 (Analyzing Patterns ) 确定要素的某些属性值在一个区域中是聚集分布,均匀分布,或者是随机分布状态 聚集分布制图工具集 (Mapping Clusters ) 确定统计量上重要的hot spots(最受关注地区),cold spots (不受关注地区)以及一些有特例的地区。 度量空间分布工具集 (Measuring Geographic Distributions ) 确定数据的中心位置,数据分布的形状及方向性,离散数据的离散程度 辅助工具集 (Utilities ) 对数据进行重新处理或符号化分析结果 说明:这些工具为ArcGIS 9中新增加的核心功能: 在ArcGIS 8版本中,空间统计中的许多工具已经以开发者例子程序提供给了用户。而在9版本中,这些工具都被包括进了核心的功能模块中,成为了ArcGIS 平台的组成部分。而且,ArcGIS 9的空间统计工具在

ArcGIS 地统计学习指南

ArcGIS 地统计学习指南 ArcGIS地统计分析模块在地统计学与GIS之间架起了一座桥梁。使得复杂的地统计方法可以在软件中轻易实现。体现了以人为本、可视化发展的趋势。 地统计学的功能在地统计分析模块的都能实现,包括: (1)ESDA:探索性空间数据分析,即数据检查; (2)表面预测(模拟)和误差建模; (3)模型检验与对比。 地统计学起源于克里格。当时他用此法预测矿产分布,后来经过别人改进修改发展成为现在所用的克里格方法。虽然空间数据分析还有其他方法,如IDW(反距离加权插值法)等,但克里格方法是最主要、最常用的空间分析方法,下面也以此法为主进行。 1.2表面预测主要过程 ArcGIS地统计扩展模块的菜单非常简单,如下所示,但由此却可以完成完整的空间数据分析过程。 一个完整的空间数据分析过程,或者说表面预测模型,一般为。拿到数据,首先要检查数据,发现数据的特点,比如是否为正态分布、有没有趋势效应、各向异性等等(此功能主要由Explore Data菜单及其下级菜单完成);然后选择合适的模型进行表面预测,这其中包括半变异模型的选择和预测模型的选择;最后检验模型是否合理或几种模型进行对比;(后两种功能主要由Geostatistical Wizard…菜单完成)。Create Subsets…菜单的作用是为把采样点数据分成两部分,一部分作为训练样本,一部分作为检验样本。 下面将按上述表面预测过程进行叙述。 (注:[1]文章示例中所使用的数据为ArcGIS扩展模块中所带的学习数据(某地测得的臭氧含量样本),整个过程均使用此数据;[2]文章以操作方法介绍为主,所涉及到的地统计方法和基本理论一般未进行解释,可查阅相关地统计理论资料;操作中所用到的某些参数为地统计中的标准名称的也未进行解释。) 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点,然后根据数据特点用不同参数进行表面模型预测,随后比较不同模型的精确程序,选择最佳模型,最后制作成果图。 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点,然后根据数据特点用不同参数进行表面模型预测,随后比较不同模型的精确程序,选择最佳模型,最后制作成果图。 1.3数据检查,即空间数据探索分析(ESDA) 此功能主要通过Explore Data菜单中实现。 扩展模块提供了多种分析工具,这些工具主要是通过生成各种视图,进行交互性分析。如直方图、QQ plot图、半变异函数/协方差图等。 (1)直方图显示数据的概率分布特征以及概括性的统计指标。

ArcGIS统计分析

统计分析 来源:互联网 一单元统计 当进行多层面栅格数据叠合分析时,经常需要以栅格单元为单位来进行单元统计(Cell Statistics)分析。ArcGIS 的单元统计分析功能提供了十种单元统计方法,分别为: 1. Minimum:找出各单元上出现最小的数值; 2. Maximum:找出各单元上出现最大的数值; 3. Range:统计各单元上出现数值的范围; 4. Sum:计算各单元上出现数值的和; 5. Mean:计算各单元上出现数值的平均数; 6. Standard Deviation:计算各单元上出现数值的标准差; 7. Variety:找出各单元上不同数值的个数; 8. Majority:统计各单元上出现频率最高的数值; 9. Minority:统计各单元上出现频率最低的数值; 10. Median:计算各单元上出现数值的中值; 如下图1 中的一组表格所示,表格中每一格子代表一个栅格单元,最后一个表格是基于前两个表格进行单元统计的最小值统计得到的结果。即将前两个表格中相对应栅格数值进行比较,找出各单元上出现的最小数值。 图1 最小值单元统计 单元统计功能常用于同一地区多时相数据的统计,通过单元统计得出所需分析数据。例如,同一地区不同年份的人口分析,同一地区不同年份的土地利用类型分析等。 单元统计的操作过程如下,图2 所示: 1. Spatial Analyst 下拉菜单中选择Cell Statistics; 2. 在Layer 列表框中选择你要用来计算的图层,在列表框中选择一个图层,点击Add 按钮将其加入Input rasters 列表框(也可用Browse 按钮从磁盘中选择要使用的栅格数据); 3. 在Overlay statistic 栏中选择你用来对输入图层进行计算的统计类型; 4. 为输出结果指定目录及名称; 5. 点击OK 按钮。

ArcGIS 地统计学习指南

ArcGIS 地统计学习指南 1.1 地统计扩展模块简介 ArcGIS地统计分析模块在地统计学与GIS之间架起了一座桥梁。使得复杂的地统计方法可以在软件中轻易实现。体现了以人为本、可视化发展的趋势。 地统计学的功能在地统计分析模块的都能实现,包括: (1)ESDA:探索性空间数据分析,即数据检查; (2)表面预测(模拟)和误差建模; (3)模型检验与对比。 地统计学起源于克里格。当时他用此法预测矿产分布,后来经过别人改进修改发展成为现在所用的克里格方法。虽然空间数据分析还有其他方法,如IDW(反距离加权插值法)等,但克里格方法是最主要、最常用的空间分析方法,下面也以此法为主进行。 1.2表面预测主要过程 ArcGIS地统计扩展模块的菜单非常简单,如下所示,但由此却可以完成完整的空间数据分析过程。 一个完整的空间数据分析过程,或者说表面预测模型,一般为。拿到数据,首先要检查数据,发现数据的特点,比如是否为正态分布、有没有趋势效应、各向异性等等(此功能主要由Explore Data 菜单及其下级菜单完成);然后选择合适的模型进行表面预测,这其中包括半变异模型的选择和预测模型的选择;最后检验模型是否合理或几种模型进行对比;(后两种功能主要由Geostatistical Wizard…菜单完成)。Create Subsets…菜单的作用是为把采样点数据分成两部分,一部分作为训练样本,一部分作为检验样本。 下面将按上述表面预测过程进行叙述。 (注:[1]文章示例中所使用的数据为ArcGIS扩展模块中所带的学习数据(某地测得的臭氧含量样本),整个过程均使用此数据;[2]文章以操作方法介绍为主,所涉及到的地统计方法和基本理论一般未进行解释,可查阅相关地统计理论资料;操作中所用到的某些参数为地统计中的标准名称的也未进行解释。) 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点,然后根据数据特点用不同参数进行表面模型预测,随后比较不同模型的精确程序,选择最佳模型,最后制作成果图。 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点,然后根据数据特点用不同参数进行表面模型预测,随后比较不同模型的精确程序,选择最佳模型,最后制作成果图。 1.3数据检查,即空间数据探索分析(ESDA) 此功能主要通过Explore Data菜单中实现。 扩展模块提供了多种分析工具,这些工具主要是通过生成各种视图,进行交互性分析。如直方

ArcGIS地统计分析总结

ArcGIS地统计分析(Geostatistical Analyst) 1 介绍 1.1为什么使用ArcGIS Geostatistical Analyst 人为判断总是会遗漏某些重要信息,同时也会无中生有。而ArcGIS Geostatistical Analyst提供客观的数据驱动方法,定量预测数据变化趋势和从空间数据中发掘特征模型。如果数据不够精确或者模型不够准确,这样势必影响输出的地图和从中得到的结论。而ArcGIS Geostatistical Analyst可以提供一个概率框架,来定量计算生成数据面时的不确定性。 元统计分析方法利用属性数据之间的相关来推断不同变量之间的联系,ArcGIS Geostatistical Analyst可以联合各种数据来做更精确的预测。 ArcGIS Geostatistical Analyst可以有效地推测一些空间现象的未知部分,因此,对采样计划的设计和优化非常关键。 1.2使用ArcGIS Geostatistical Analyst的各个领域 这个模块的应用对象不计其数,可以使用这个工具包开发任何一种地理数据集(比如坐标和属性),下面列出几个成功应用ArcGIS Geostatistical Analyst的典型领域:气象学家和统计学家应用ArcGIS Geostatistical Analyst来进行气象数据分析。 采矿行业广泛的应用ArcGIS Geostatistical Analyst,涉及从最初的地质特征研究到产量控制的各个阶段。 石油工业成功的应用ArcGIS Geostatistical Analyst,来分析包括地震数据和油井数据集成的空间数据,并且用来研究物理特性和地震属性之间的相关关系。 在环境问题的研究中,ArcGIS Geostatistical Analyst的应用提供了一个分析空气、土壤和地下水污染高效和一致的模型。演示、个例研究和研究教育论文提供了大量的应用ArcGIS Geostatistical Analyst的例子。同时,ArcGIS Geostatistical Analyst也成为评估渔业产量的一个标准方法。 精细农业所应用的土壤特性的图形分析中,ArcGIS Geostatistical Analyst也得到广泛应用。越来越多的农民或者农村顾问使用ArcGIS Geostatistical Analyst来增加作物产量、提高利润、减小对环境的不利影响。 2基本原理 地统计学与经典统计学的共同之处在于:它们都是在大量采样的基础上,通过对样本属性值的频率分布或均值、方差关系及其相应规则的分析,确定其空间分布格局与相关关系。但地统计学区别于经典统计学的最大特点即是:地统计学既考虑到样本值的大小,又重视样本空间位置及样本间的距离,弥补了经典统计学忽略空间方位的缺陷。 地统计分析理论基础包括前提假设、区域化变量、变异分析和空间估值。 2.1 前提假设

ArcGis地统计学

1.1 地统计扩展模块简介 ArcGIS地统计分析模块在地统计学与GIS之间架起了一座桥梁。使得复杂的地统计方法可以在软件中轻易实现。体现了以人为本、可视化发展的趋势。 地统计学的功能在地统计分析模块的都能实现,包括: (1)ESDA:探索性空间数据分析,即数据检查; (2)表面预测(模拟)和误差建模; (3)模型检验与对比。 地统计学起源于克里格。当时他用此法预测矿产分布,后来经过别人改进修改发展成为现在所用的克里格方法。虽然空间数据分析还有其他方法,如IDW(反距离加权插值法)等,但克里格方法是最主要、最常用的空间分析方法,下面也以此法为主进行。 1.2表面预测主要过程 ArcGIS地统计扩展模块的菜单非常简单,如下所示,但由此却可以完成完整的空间数据分析过程。 一个完整的空间数据分析过程,或者说表面预测模型,一般为。拿到数据,首先要检查数据,发现数据的特点,比如是否为正态分布、有没有趋势效应、各向异性等等(此功能主要由Explore Data菜单及其下级菜单完成);然后选择合适的模型进行表面预测,这其中包括半变异模型的选择和预测模型的选择;最后检验模型是否合理或几种模型进行对比;(后两种功能主要由Geostatistical Wizard…菜单完成)。Create Subsets…菜单的作用是为把采样点数据分成两部分,一部分作为训练样本,一部分作为检验样本。 下面将按上述表面预测过程进行叙述。 (注:[1]文章示例中所使用的数据为ArcGIS扩展模块中所带的学习数据(某地测得的臭氧含量样本),整个过程均使用此数据;[2]文章以操作方法介绍为主,所涉及到的地统计方法和基本理论一般未进行解释,可查阅相关地统计理论资料;操作中所用到的某些参数为地统计中的标准名称的也未进行解释。) 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点,然后根据数据特点用不同参数进行表面模型预测,随后比较不同模型的精确程序,选择最佳模型,最后制作成果图。 我们下面的任务是根据测量所得到的某地臭氧浓度数据进行全区的臭氧浓度预测。首先检查数据的特点,然后根据数据特点用不同参数进行表面模型预测,随后比较不同模型的精确程序,选择最佳模型,最后制作成果图。

ArcGIS地统计分析

A r c G I S地统计分析 内部编号:(YUUT-TBBY-MMUT-URRUY-UOOY-DBUYI-0128)

实验四ArcGIS地统计分析一、实习内容 1:使用缺省参数创建一个表面 2:数据检查 3:制作臭氧浓度图 4:模型比较 5:制作超出某一临界值的臭氧概率图 二、实习过程 练习1:利用缺省参数创建一个表面 1.添加数据并调整显示设置: 2.使用默认选项创建表面 3.将该图层名称更改为DefaultKriging 4.设置将预测表面的范围限制在加利福尼亚州之内: 5.右键单击内容列表,然后点击验证/预测。 6.CA_cities_ozone图层的属性表: 练习2:数据检查 1.探索数据——直方图: 2.探索数据——正态QQ图: 3.探索数据——趋势分析: 4.旋转30度后的情况: 5.探索数据——半变异函数/协方差云: 练习3:制作臭氧浓度图

1.再次使用普通克里金插值方法,但这次将在模型中纳入趋势和各向异性以做出更好的预测: 2.搜索领域: 3.交叉验证: 4.右键单击所创建的TrendRemoved图层,然后单击将输出更改为预测标准误差。 练习4:模型对比 1.右击趋势移除图层选择比较,在交叉验证对话框中自动比较“趋势移除”模型和“克里金模型”。 练习5:创建臭氧超出某一临界值的概率图 1.打开地统计想到单击克里金法,然后在下一步中选择指示克里金法并确保阈值设置为超出,设置主阈值为0.09。 2.将步长设置改为15000,将各向异性更改为True以考虑数据的方向特性。 3.单击以选择表中指示值为0的一行。所选点将在蓝色阈值线左侧的散点图中以绿色显示。如果所选行的情况如下图所示,则预测与指示值完全相同。 4.在“交叉验证”对话框中,单击完成,然后在“方法报告”对话框中,单击确定,显示概率图。 5.在图层属性符号系统中选择等值线选项。 6.单击分类按钮。在分类对话框中,将方法更改为“相等间隔”,然后将类别更改为5。 7.将ca_hillshade数据集添加到该视图。应将数据集添加到内容列表的底部,并使用白黑色带,然后设置透明度为30%,然后单击确定。 8.得到的臭氧概率分布图。

相关主题
相关文档 最新文档