下载文档原格式
ArcGIS软件应用实验7一、实验目的使用默认参数值创建模型来生成臭氧浓度表面的整个过程。
二、实验内容1、学习Geostatistical Analyst 扩展模块2、生成臭氧浓度表面三、实验步骤(一)准备工作1、激活地统计模块在主菜单上，单击自定义→扩展模块，选中GeostatisticalAnalyst复选框，单击关闭；图1-1扩展模块2、调出地统计工具条在主菜单上，单击自定义→工具条→GeostatisticalAnalyst，GeostatisticalAnalyst工具条即被添加到ArcMap会话中；图1-2工具条3、添加数据单击标准工具工具条上的添加数据按钮添加数据，按住CTRL键并选择O3_Sep06_3pm和ca_outline两个数据集，单击添加。
图1-3添加数据4、修改属性1、右键单击内容列表中的ca_outline图层图例（图层名称下面的框），然后单击无颜色，确保图层无颜色，只有范围；图1-4无颜色2、双击内容列表中O3_Sep06_3pm图层的名称。
打开图层属性对话框，在图层属性对话框中，单击符号系统选项卡。
在显示对话框中，○1单击数量，然后单击分级色彩；○2在字段框中，将值设置为OZONE；○3选择“黑色到白色”色带，以便这些点可以在本教程将要创建的颜色表面之上凸出来；符号系统对话框应如下所示：图1-5分级符号3、经过属性修改后，图层如下：图1-6结果(二)使用默认选项创建表面使用默认GeostatisticalAnalyst设置创建（插值）臭氧浓度表面。
臭氧点数据集(O3_Sep06_3pm)将用作输入数据集，并采用普通克里金法对值未知的位置处插入臭氧值。
在一系列对话框中单击下一步来接受默认设置。
1、地统计分析对话框单击GeostatisticalAnalyst工具条上的GeostatisticalAnalyst箭头，然后单击地统计向导，将弹出地统计向导对话框；图2-1地统计工具条地统计向导对话框，在方法列表框中，单击克里金法/协同克里金法。
如何使用地学统计方法进行测绘数据分析在现代地理信息系统和测绘领域，地学统计方法应用广泛，可用于测绘数据的分析和解释。
通过对地学统计方法的运用，我们能够从大量的数据中提取有用的信息和规律，并为地理研究和应用提供科学依据。
本文将以如何使用地学统计方法进行测绘数据分析为主题，探讨其原理和应用。
首先，地学统计方法是一种通过搜集和分析数据来获得地理信息的科学方法。
地学统计方法有多种形式，包括描述性统计、假设检验、回归分析、时间序列分析等。
在测绘领域中，主要使用的统计方法包括空间统计和多元统计。
空间统计是研究地理现象在空间上的分布和相关性的方法。
其基本原理是假设地理现象具有一定的空间相关性，即相邻的位置具有相似的特征。
通过空间统计方法，我们可以识别并量化这种相关性，并用地图的形式展示出来。
例如，通过空间自相关分析，我们可以确定某一地区的特定属性在空间上的分布情况，从而为规划和决策提供参考。
多元统计是研究地理现象与多个因素之间关系的方法。
其基本原理是通过建立数学模型来描述地理现象与多个因素之间的线性或非线性关系。
通过多元统计方法，我们可以确定和解释不同因素对于地理现象的影响程度，并预测未来的趋势。
例如，通过回归分析，我们可以确定人口数量与城市面积、经济发展水平和交通状况等因素之间的关系，从而为城市规划和管理提供科学依据。
在测绘数据分析中，地学统计方法的应用主要包括以下几个方面。
首先，地学统计方法可以用于分析地理现象的分布格局。
通过空间自相关分析，我们可以确定某一地区的特定属性在空间上的分布情况，并进一步研究其影响因素及原因。
例如，在城市规划中，我们可以分析不同区域的人口密度分布格局，并进一步探讨其与交通状况、生态环境等因素之间的关系。
其次，地学统计方法可以用于预测地理现象的未来趋势。
通过时间序列分析，我们可以建立数学模型来描述地理现象随时间的变化趋势，并预测其未来的发展趋势。
例如，在气候预测中，我们可以分析过去几十年的气象数据，并建立气象模型来预测未来几年的气候变化情况。
探索性空间统计分析和地统计分析探索性空间统计分析（Exploratory Spatial Data Analysis，简称ESDA）和地统计分析（Geostatistical Analysis）是两种常用的空间数据分析方法。
它们的目标都是通过统计方法来描述和分析地理现象及其空间分布规律，但在方法和应用上存在一些区别。
首先，探索性空间统计分析是一种通过可视化和统计方法来探索和描述空间数据的分析方法。
它主要关注地理现象的空间分布特征，以及空间相邻性和空间自相关性等空间关联性质。
ESDA通常包括一系列的分析步骤，如制作空间点图、计算空间变量的描述统计指标、绘制空间变量的直方图和箱线图等。
其中最重要的是通过制作空间点图来可视化空间分布特征，以便于进一步分析和解释。
其次，地统计分析是一种基于统计和概率方法来模拟和揭示地理现象的空间变异性的分析方法。
它主要关注地理现象在空间上的变异程度、空间趋势以及随机性等方面。
地统计分析通常基于经验半变异函数，通过计算样点之间的空间自相关性来揭示空间变异性的模式。
在地统计分析中最常用的模型是半变异函数模型，通过拟合半变异函数来估计空间自相关的程度和范围。
此外，地统计分析还可用于插值、空间预测和决策支持等方面的应用。
ESDA和地统计分析在应用上有一些区别。
ESDA更适用于对空间数据进行初步的探索和分析，通过可视化和描述统计的方法来了解空间数据的基本特征和分布规律，进而为后续的分析和建模奠定基础。
而地统计分析则更适合于模拟和预测地理现象的空间变异性，通过拟合空间模型来揭示地理现象的空间趋势和变异程度。
地统计分析较为复杂，需要有一定的空间统计知识和数据处理技巧。
总之，探索性空间统计分析和地统计分析是两种常用的空间数据分析方法，它们通过统计方法来描述和分析地理现象及其空间分布规律。
ESDA 注重空间数据的可视化和描述统计，而地统计分析则注重空间变异性的建模和推断。
两种方法在应用上有所区别，但在实际分析中常常可以相互补充和结合使用，以提高对空间数据的理解和解释能力。
ARCGIS_地统计分析地统计分析是一种以地理空间数据为基础，通过空间与属性数据的分析与处理，揭示地理现象的分布规律、相互关系及其演化过程的一种科学方法。
ARCGIS（Arc Geographic Information System）是一种常用的地理信息系统软件，具有强大的地理空间数据分析功能。
本文将介绍ARCGIS地统计分析的原理、应用方法及其在研究、规划和决策等领域的重要性。
ARCGIS地统计分析的原理是将地理空间数据与属性数据相结合，通过特定的算法与方法分析地理现象的分布规律与关系。
ARCGIS提供了多种空间分析工具，包括空间数据插值、空间聚类、空间插值、空间模式、空间点格局等，以支持用户对地理现象进行全面的分析和理解。
其中，空间插值分析是一种根据已有的离散空间点数据，推测未知位置点处的属性值的方法，常用于地质勘查、环境监测等领域；空间聚类分析可用于发现空间集群的位置、大小和分布模式，常用于城市规划、交通规划等领域；空间模式分析则可以通过分析地理对象的空间关系，揭示地理对象分布的内在规律。
在ARCGIS地统计分析中，数据的选择与准备是非常重要的环节。
首先，需要选择与研究对象相适应的数据类型，如矢量数据、栅格数据等。
其次，需要对数据进行预处理，包括数据清洗、数据转换等操作，以确保数据质量和一致性。
然后，需要选择合适的统计分析方法，并根据具体情况制定相应的参数设置。
最后，对分析结果进行可视化展示，以便进一步的分析和解释。
总之，ARCGIS地统计分析是一种有效的地理空间数据分析方法，可以揭示地理现象的分布规律和相互关系，并为各个领域的研究、规划和决策提供科学支持。
通过合理选择和处理数据，结合合适的统计分析方法，可以获取有意义的分析结果，并在实际应用中发挥重要作用。
因此，熟练掌握ARCGIS地统计分析技术，对于科研人员、规划师和决策者来说，具有重要的价值和意义。
地理学科中的地理统计和数据分析地理学科作为一门研究地球表面特征、地形地貌、自然资源和人类活动等方面的学科，离不开对地理数据的统计和分析。
地理统计和数据分析是地理学科研究中的重要工具和方法，它们可以帮助地理学家对地理现象进行客观分析、有效解读，并为决策制定提供科学依据。
一、地理统计的意义和应用地理统计是指采用统计学原理和方法对地理现象进行测量、统计和分析的过程。
它的意义在于帮助我们了解地理现象的数量分布、变化规律和相互关系，为地理学研究提供可靠的数据支撑。
地理统计可以应用于环境监测、资源调查、城市规划、灾害评估等领域，帮助我们对自然和人文环境进行科学评估和管理。
在环境监测方面，地理统计可用于对水质、空气质量、土壤污染等环境指标的监测和评价。
通过采集大量的监测数据并进行统计分析，我们可以了解环境状况的整体分布、季节变化等特征，为环境保护和治理提供科学依据。
在资源调查方面，地理统计可以帮助我们对自然资源进行评估和利用规划。
比如，通过对森林面积、植被状况、土地利用等指标的统计分析，可以确定森林资源的质量和分布情况，为合理利用和保护森林资源提供依据。
在城市规划方面，地理统计可以用于对城市土地利用、人口分布、交通状况等进行分析和预测。
基于地理统计分析得到的结果，可以为城市规划者提供科学的依据和参考，帮助他们制定出更加科学、合理的城市规划方案。
二、地理数据分析的方法和技术地理数据分析是指对采集到的地理数据进行处理、统计和分析的过程。
地理数据分析涉及到大量的数据处理和计算，需要借助一系列的方法和技术来完成。
1. 空间插值分析：空间插值分析是指通过已知数据点，推测出未知点的属性值的过程。
常用的空间插值方法包括反距离权重插值法、克里金插值法和三角网格插值法等。
这些方法可以用于填充缺失数据、生成等值线图等。
2. 空间聚类分析：空间聚类分析是指将空间上相邻或相似的对象聚集到一起的过程。
常用的空间聚类方法包括基于密度的聚类方法和基于网格的聚类方法。
郴州市城区推行在地统计利弊分析及对策建议世纪在交替，时代在变迁，随着社会主义市场经济的深入发展，迫切要求统计部门必须进一步解放思想、更新观念、理清思路、服务发展。
根据统计法的有关规定和上级主管部门的统一部署，郴州市人民政府办公室下发了《关于市城区全面推行在地统计工作的通知》（郴政办发[2009]24号），决定市城区从2009年8月起全面推行在地统计。
通过两年多的实施情况看，取得了较好成绩，同时也暴露了一些问题。
今后必须兴利除弊、扬长避短，加大力度，强力推行，为实施联网直报和提高核算水平提供坚强有力的保障。
一、推行在地统计的成效有目共睹推行在地统计是形势发展的必需，也是深化改革的产物。
两年多的实践告诉我们，当时市政府的决策是正确的，目前的发展趋势是健康的。
一是畅通了统计渠道。
推行在地统计开辟了以单位所在地为基础的统计渠道，减少了被调查单位由于管理体制的经常变化给统计管理渠道带来的影响；保证了在部分经济主管部门转制为经济实体的情况下，统计网络的畅通；解决了在市场经济体制下，大量无主管的单位、个体和私营单位的统计数据报送渠道不畅的问题，有利于真正实现全方位的统计管理。
二是强化了市区职能。
推行在地统计后，市、区统计局的职能已更加明确。
在在地统计模式下，市统计局主要负责统计工作的组织实施和指导监督，而区统计局的工作转变为直接采集区域内全部社会、经济、科技统计信息，为各级政府及时了解和预测国民经济发展变化情况，以及制定本区域的中长期发展规划和研究区域产业发展政策提供全面详实的数据资料。
三是稳定了基层队伍。
在地统计实现了统计管理模式由“条块结合”向“以块为主”的转变，为稳定街道、乡镇统计机构及人员起到了十分重要的作用。
四是方便了各项调查。
按照在地原则实行统计管理之后，使各级政府统计部门的工作真正覆盖到了全社会，这为统计调查和经常性的抽样调查提供了被调查单位和数据的支持，同时也为“四大工程”的顺利推进提供了坚实的基础。
空间数据统计分析实习报告(ArcGIS Geostatistical Analyst模块)一、实习内容简介本次实习的主要内容是利用地统计分析模块, 根据一个点要素层中已测定采样点、栅格层或者利用多边形质心, 轻而易举地生成一个连续表面。
这些采样点的值可以是海拔高度、地下水位的深度或者污染值的浓度等。
当与ArcMap一起使用时, 地统计分析模块提供了一整套创建表面的工具, 这些表面能够用来可视化、分析及理解各种空间现象。
在本实习中, 利用现有的测量站获得的臭氧浓度值, 根据检测所有采样点之间的关系, 生成一个关于臭氧浓度值、预测标准差（不确定性）以及超出临界值的概率的连续表面, 从而对其它点的浓度值进行最佳预测。
在实习中主要练习通过对算法参数的调整, 生成最佳的预测图, 并将预测结果制成专题地图, 并初步理解空间统计分析的相关概念和算法。
本次实习主要有6个练习:练习1: 使用缺省参数创建一个表面；练习2: 数据检查；练习3: 制作臭氧浓度图；练习4: 模型比较；练习5: 制作超出某一临界值的臭氧概率图；练习6: 生成最终成果图。
二、实习成果及分析练习1: 使用缺省参数创建一个表面本次练习中, 主要是利用ArcMap中的地统计模块, 通过创建臭氧浓度表面的过程, 我发现使用缺省参数创建表面是一件很容易的事情。
我在ArcMap中添加了Ca_ozone_pts和ca_outline数据集, 并将ca_outline图层中的颜色改为无色, 并将地图保存。
在本练习中, 使用克里金算法, 使用ArcGIS 默认的克里金算法参数创建臭氧浓度预测图。
使用克里金算法根据默认参数创建臭氧浓度预测图, 从图中可以看出生成的预测图能够表达臭氧浓度分布, 颜色越深的地方臭氧浓度越高, 可以看出臭氧浓度高的地方非常集中, 这应该是和城市的工业发展布局由紧密关系。
同时可以看大预测图并没有很好的覆盖整个区域, 因为预测图的范围是根据采样点的范围而定的, 如果要契合地图边界, 需要进行外延估计的计算。
地理学科中的地理统计和数据处理方法地理学是一门研究地球表面自然环境和人文环境的学科，它既关注具体的地理事实，也注重对这些事实进行统计和数据处理。
地理统计和数据处理方法在地理学研究中起着重要的作用，它帮助地理学家更好地理解和解释地理现象，为决策提供科学依据。
本文将探讨地理学科中常用的统计和数据处理方法。
一、地理统计方法1. 地理统计描述分析地理统计描述分析是地理学家最常用的方法之一，它通过各种统计指标和图表展示地理现象的分布和变化规律。
常见的地理统计描述方法包括：中心位置测量（如平均数、中位数等）、离散程度测量（如方差、标准差等）、分布形态测量（如偏度、峰度等）等。
这些统计指标能够客观地反映地理现象的特征，并便于进行比较和分析。
2. 空间插值方法地理学研究中经常需要对离散的地理数据进行空间插值，以获取完整的地理信息。
空间插值方法能够通过已知的点数据推测出未知点的属性值，并用空间分布图或等值线图展示出来。
常见的空间插值方法有反距离加权法、克里金插值法等，它们基于离散点之间的空间关系，通过数学模型将数据进行插值预测。
3. 空间统计方法空间统计方法是研究地理现象在空间分布上的相关性和模式的方法。
它可以揭示地理现象的空间联系和影响因素，为地理学家提供有关地理系统功能和相互作用的重要信息。
常见的空间统计方法包括空间自相关分析、热点分析、聚类分析等。
这些方法结合了统计学理论和地理学的特点，有助于揭示地理现象的空间特征和规律。
二、地理数据处理方法1. 数据收集与整理地理学研究通常需要收集各种地理数据，如地形数据、气候数据、人口数据等。
数据收集需要依据研究目的确定采集方法，并通过现场调查、实地测量、遥感技术等方式获取数据。
随后，对采集到的数据进行整理和清洗，包括去除异常值、填补缺失值、处理重复值等步骤。
数据的准确性和完整性对地理学研究的可靠性至关重要。
2. 数据可视化与分析地理学研究需要将数据可视化以更好地理解和展示地理现象。
全国土地财政统计分析○ 文/刘卢顺一、数据来源及指标取值说明（一）采用财政部发布的《财政收支情况》[1]中的统计数据由于《中国财政年鉴》出版时间滞后，考虑到研究的时效性和统计数据的可比性，本文没有采用《中国财政年鉴》中财政决算数据，而是采用财政部发布的财政收支情况。
需要说明的是，财政收支整理期结束后，财政收入和支出数还会有一些变化，但是变化不是很大。
（二）采用土地出让收入毛收入由于土地批租制度的前期征收拆迁和土地平整成本费用很大，导致土地出让收入毛收入与净收益之间有很大差距。
因为扣除土地成本补偿性费用后的净收益未能涵盖土地出让收入的全貌，不利于财政收支的文章从土地出让收入和房地产五税收入统计分析，土地财政收入贡献度维持在50%左右，得出土地财政依赖度偏高和土地财政难以为继的结论，并提出推行升级版土地财政模式和改革土地财政的根本出路在国有资产改革的对策建议。
管控，所以没有采用土地出让净收益，而是采用毛收入。
（三）土地出让收入采用国有土地使用权出让收入在计算土地财政贡献度和土地财政依赖度时，没有采用国有土地使用权出让金这个指标，是因为财政部发布的《财政收支情况》中没有细分国有土地使用权出让金收入、国有土地收益基金收入、新增建设用地有偿使用费收入和农业土地开发资金收入，又因为国有土地使用权出让金是国有土地使用权出让收入主要组成部分，通常约占国有土地使用权出让收入95%以上。
（四）财政收入分别采用广义和狭义两种口径在分析土地财政贡献度和土地财政依赖度时，分别采用广义的财政收入和狭义的财政收入两种口径作为分母，这样分析都具有重要意义，二者不可偏废。
这是因为国有土地使用权出让收入是政府性基金的主要来源，是广义的财政收入的组成部分，房地产五税是一般公共预算收入（狭义的财政收入）的组成部分，国有土地使用权出让收入和房地产五税都是地方财政的重要来源。
（五）测算口径没有包括政府通过抵押土地贷款等隐性收入如果包括抵押土地贷款等隐性收入，土地财政会更高，实际上地方财政对土地相关收入的依赖程度还会更高。
地统计分析前言地统计又称作地质统计，是统计学分支，以区域化变量为基础，借助变异函数，研究既具有随机性又具有结构性，或具有空间相关性和依赖性的的自然现象的一门科学。
凡是与空间数据的结构性和随机性、空间相关性和依赖性、空间格局与变异有关的研究，并对这些数据进行最优无偏内插估计，或模拟这些数据的离散性、波动性时，皆可应用地统计学的理论与方法。
地统计学与经典统计学的共同之处在于：他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、均值、方差等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。
前者区别于后者的最大特点是：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1.前提假设1）随机过程与经典统计学相同，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，即所有的样本值都不是相互独立的，是遵循一定的内在规律的。
地统计学要揭示这种规律，并进行预测。
2）正态分布在统计学分析中，假设样本是服从正态分布的，地统计学也不例外，在获得数据后，首先应对数据进行分析，若不符合正态分布的假设，应对数据进行变换，转为符合正态分布的形式，并尽量选取可逆的变换形式。
3）平稳性对于统计学而言，重复的观点是其理论基础，统计学认为，从大量重复的观察中可以进行预测和估计，并可以了解估计的变化性和不确定性。
对于大部分的空间数据而言，平稳性的假设是合理的，这其中包括两种平稳性：一类是均值平稳。
即，假设均值是不变的，且与位置无关；另一类是与协方差函数有关的二阶平稳和半变异函数有关的内蕴平稳。
二阶平稳是假设具有相同的距离和方向的的任意两点协方差是相同的，协方差只与这两点的值相关，而与它们的位置无关。
内蕴平稳假设是指，具有相同距离和方向的任意两点的方差（即变异函数）是相通的，二阶平稳和内蕴平稳都是为了获得基本重复规律而做的假设，通过协方差函数和变异函数可以进行预测和估计预测结果的不确定性。
地统计分析的总结
地统计分析是指将空间数据分析和统计方法相结合的一种分析方法。
其主要目的是对地理数据进行统计学分析和空间模式分析,以更好地理解和预测地理现象。
在地理信息系统 (GIS) 中,地统计分析常用于以下几个方面：
1. 空间分布分析：通过空间统计方法,探索研究区域内各种现象在空间上的分布规律和空间相关性。
2. 空间插值分析：通过已知的地理数据和空间分析方法,预测或估算未知位置的数据。
3. 空间聚类分析：在空间范围内运用聚类算法,将空间上相近的地理现象进行归类,研究各类地理现象的空间分布特征。
4. 空间回归分析：在空间范围内运用回归分析方法,探索影响一种地理现象的各种因素及其空间相关性。
总而言之,地统计分析是一种用来研究地理现象的方法,它将统计学和空间数据分析方法有机地结合起来,为我们理解和预测地理现象提供了强大的工具。
实验五加利佛尼亚州的大气臭氧浓度的地统计分析（综合实验）实验目的：通过对数据的具体分析，掌握ArcGIS下地统计分析模块的功能，了解完整的地统计分析过程，并能使用其解决科研问题中的实际问题。
实验内容：美国环保局负责对加利佛尼亚州的大气臭氧浓度进行监测。
利用地统计分析模块提供的许多工具，通过检测所有采样点之间的关系，对生成一个关于臭氧浓度值、预测标差（不确定性）的连续表面，从而使对其他点的浓度值进行最佳预测成为可能。
1、数据检查2、模型拟合3、模型精度比较4、臭氧浓度制图实验数据：数据集描述Ca_outline 加州轮廓图Ca_ozone_pts 臭氧采样点数据（单位：ppm）Ca_cities 加州主要城市位置图实验步骤：一、数据加载1、生成子集将特定位置上的预测值同这些区域内的实测值相对比，是评价一个输出表面质量的最严格的方法。
其方法是将原始数据集划分成两个部分：一个部分用于建立模型，也就是用来生成输出表面；另外一个部分用于测试，即验证输出表面。
（1）在Geostatistical Analyst 工具栏中单击Create Subsets命令；（2）Input Layer：选择要划分子集的图层；（3）拖动滑块到合适位置，来选择训练和测试数据的相对百分比；（4）单击完成，训练和测试数据集会在Personal Geodatabase中。
2、应用子数据集进行验证（1）validation：input 选择测试数据集（2）attribute：选择与生成表面时相同的属性（3）打开验证图层二、数据检查你可以用三种方式对数据进行检验：（1）检测数据分布（2）发现数据可能存在的趋势（3）找出数据间的空间自相关以及方向效应2.1 检查数据的分布当数据服从正态分布时，里用插值方法生成表面的效果最佳。
如果你的数据是偏态分布的，即向一边倾斜，则你可以选择数据变换使之服从正态分布。
Histogram工具描绘了数据属性的频率直方图，使你能够针对数据集的每一种属性检测其单变量分布。
1．单击Geostatistical Analyst工具条，指向Explore Data，然后单击Histogram。
你也可以改变Histogram对话框的大小以便能够看见地图，正如下图所示：2．单击Layer下拉箭头，点击并选择ca_ozone_pts。
3．单击Attribute下拉箭头，点击并选择OZONE。
通常，描述数据分布的重要特征包括中值，他的展布以及对称性。
对于正态分布，有一个快速检验的方法：如果平均值与中值大致相等，你就可以把它当作数据服从正台分布的证据之一。
上面显示的直方图表面数据是单峰分布的，而且具有较好的对称性，接近于正态分布。
直方图的右侧尾部表明，存在相对少量的具有较高臭氧浓度值的采样点。
2.2 正态QQ图QQ图提供了另外一种度量数据正台分布的方法，利用QQ图你可以将现有数据的分布与标准正态分布对比，如果数据点接近一条直线，则它们越接近于服从正态分布。
1．单击Geostatistical Analyst工具条，指向ExploreData，然后点击Nomal QQplot。
2．单击Layer下拉箭头，点击并选中ca_ozone。
3．单击Attribute下拉箭头，点击并选中OZONE。
在一个普通的QQ图上，两种分布的对应点一一对应。
对于两种相同类型的分布，QQ图应该是一条直线。
因此通过绘制相对应的臭氧数据的分布点与标准正态分布的分布点，能够检查臭氧数据的正态分布情况。
从上述正态QQ图可以看出，该图形非常接近于一条直线。
而偏离直线的情况主要发生在臭氧浓度值较高时（因为这些偏离值在直方图中是高亮显示的，所以在这里它们也是被高亮显示的）。
2.3 识别数据中的全局趋势只有在你的数据中存在某种趋势时，你才可能利用某些数学公式对表面的非随机(确定性的)成分进行表达。
如果趋势面不能精确地描绘你实际需要的表面，你可能想到将其移去，通过建立趋势剔除后的残差的模荆来继续你的分析。
在建立残差模型时，你需要分析表面中的短程变异。
这是理想平面或理想“u”型面所无法实现的内容。
Trend Analysis(趋势分析)工具使你能够找出在输入数据集中是否存在趋势。
1.单击Geostatistical Analys工具条，鼠标指向Explore Data，点击Trend Analysis.2 单击layer下拉箭头，点击选中ca_ozone_pts。
3．单击Attribute下拉箭头，选中OZONE，趋势分析图中的每一根竖棒代表了一个数据点的值(高度)和位置。
这些点被投影到一个东西向的和一个南北向的正交平面上。
通过投影点可以作出一条最佳拟合线(一个多项式)，并用它来模拟特定方向上存在的趋势。
如果该线是平直的，则表明设有趋势存在。
4．单击Rotate Proiection滚动条并向左拖动，使旋转角为30度。
造成该趋势的一个可能的事实是，在沿海地区污染较轻，而在向内陆推进时，人口增多，污染增大。
到了山区则人口又减少，污染也随之降低。
在练习4中，这些趋势将要被剔除。
5．单击退山对话框。
2.4 理解数据的空间自相关和方向效应1．单击GeostatisticalAnalyst工具条，指向Explore Data，点击Semivariogram／Covariance Cloud。
2．单击Layer框下拉箭头，点击选中ca_ozone_pts。
3．点市Attribute框下拉箭头，单击选中OZONE。
半变异函数／协方差函数云图使你能够检测已测样点间的空间自相关。
空间自相关理论认为彼此之间距离越近的事物越相象。
半变异函数／协方差函数云图使你能够对这种关系进行检测。
为此，可以用Y轴表示半变异函数值，即每一样点对间测量值之差的平方，而相应地用x轴表示每对样点之间的距离。
在半变异函数／协方差函数云图中，每个红点表示一对采样点。
既然越近的点越相似，那么在半变异函数云图中邻近的点(在x轴的左边)应该有较小的半变异函数值(在Y 轴的下部)。
随着样点对间距离的增加(在x轴上向右移动)，中变异函数值也要相应增加(在Y轴上向上移动)。
然而，当到达一定的距离后，云图变平，这表明超出这个距离时，样点对之间不再具有相关关系了。
观察半变异函数图，如果某些靠得很近的数据点(在x轴上接近于零)具有——个异常的较高的半变异函数值(在Y轴的上部)时，你就应该仔细检杳这些样点对，看看是不是这些数据不准确。
三、制作臭氧浓度图1．单市Geostatistical Analyst—工具条，然斤单击Geostatistical Wizard。
2．单击Input Data卜拉框箭头，点击选中ca ozone pts。
3．单击Attribute F拉框箭头，点击属性OZONE。
4．在Methods框中选择Kriging。
5．单击Next按钮。
Ordinary Kriging和Prediction被缺省选中。
6．在Geostatistical MethodSelection对话框中，单击Order of Trend Removal下拉箭头，选择Second。
在TrendAnalysis对话框中已经检测到一条南西-北东方向的“u”型曲线，所以选择二阶多项式拟合是合适的。
7．在Geostatistical Method Selection对话框中点击Next按钮。
缺省情况下，地统计分析模块将绘制数据集中的全局趋势。
从下图可以看出，南西-北东向的变化最快，而北西-南东向的变化则较平缓(从而形成椭圆形)。
8．点击Detrending对话框中的Next按钮。
3．1 半变异函数／协方差函数模型半变异函数是一个关于数据点的半变异值(或称变异性)与数据点间距离的函数。
对它的图形表述可以得到一个数据点与其相邻数据点的空间相关关系图。
在Semivariogra/Covariance Modeling对话框中你可以模拟数据集的空间关系。
缺省情况下，将以球面半变异函数模刑来计算其最佳参数值。
拟合一个球面半变异函数模则(在各个方向都能拟合的很好)以及它们的相关参数值，这些参数通常被称为块金效应、自相关阐值及偏基台值(结构方差)。
9．输入—个新步K值12000。
10．单击输入框，设定步长组的数目为10。
当距离很小时，半变异函数值也很低(即越靠近的事物相似性越大)：随着距离的增加，其值也增大(即越远离的事物变异性越强)。
3．2 方向半变异函数方向效应会对半变异函数中的点以及将要拟合的模型产生影响。
邻近的事物在某些方向上的相似性比其他方向的相似性更强。
方向效应又被称为各向异性，地统计分析模块能够对它们进行解释。
引起各向异性的因素可能足风、侵蚀、地质构造或者许多多其他过程。
你可以用Search Direction工具来分析某一方向上数据点的变异性，利用该工具你可以在半变异函数图上检测方向效应，这并不影响输出的表面。
11．选中Show Search Direction复选框。
12．在Search Direction的中心线上点击并按住鼠标，移动搜索工具的方向。
13．选中Anisotropy复选框。
在变异函数表面图中的椭圆表明了在不同方向上的半变异函数的自相关阈值。
在这种情况下，椭圆主轴大致位于北北西-南南东方向。
现在你可以在模型中加入各向异性，用以调整输出表面中自相关的方向效应。
半变异函数棋到达到的稳定水平时的值相同，我们称之为基台值。
而半变异函数模刮达到其限值(基台值)时经过的距离，即为模型的自相关阈值。
超出这个自相关阈值后，各点之间的变异性将随着步长距离的增加而变为常数。
步长是通过点对间的距离来界定的。
步长距离大于自相关阈值的样点对之间空间无关。
块金效应代表了测量误差和(或)微观尺度的变异(该变异在空间尺度上太小以至于无法检测到)。
3．3 领域搜索为避免某一特定方向上的偏差，可以把这个圆(或者椭圆)分为若干个小扇形，在各扇形内选取相同数目的点。
利用Searching Neighborhood对话框，你可以指定点的数目(最大为200)、半径(或者长／短轴)以及用来预测的圆(或者椭圆)中的扇形个数。
3.4 交叉验证交叉验证可以让你知道你的模型对未知值的预测效果究竟怎样。
对于一个预测精确的模型，其均差应接近于0，其均方根误差和平均标准差应该尽可能地小(这在比较模型时很有用)，并且其均方根标准误差应该接近于1。
25．单击Finish按扭。
Output layer information 对话框显示了用于创建表面的模型的信息摘要。
四、模型对比1．在“Trendremoved”层上右击，在快捷菜单中点击“Compare…．”，就可以将不同的图层进行比较。
2．在CrossValidationComparison(交叉验证对话框)中点击Close按钮。
