Download - Tutorial ArcGis Geostatistik_Maulana
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
1/44
TUGAS PENDAHULUAN
TRANSLATE
MAULANA MALIK
D621 09 266
GEOSTATISTIK
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
2/44
Latihan 1: Membuat Suatu Permukaan dengan Menggunakan Parameter yang Umum
Sebelum kamu mulai pertama kamu harus menggunakan Arcmap dan geostatistical analis.
Mulai Arcmap dan memungkinkan geostatistical analis.
Klik tombol bintang pada jendela taskbar, menunjuk program, menunjuk arcgis,and clikarcmap. Di arcmap, klik perkakas, klick extensions,and memeriksa geostatistical analis. Ckik
menutup.
Tambahkan geostatistical analis toolbar ke arcmap
Klik view, menunjuk toolbars,and klik geostatistical analis.
Tambahkan data ke layer arcmap
Sekali ketika data telah ditambahkan, kamu dapat menggunakan arcmap untuk mengubah
data dan, jika perlu, untuk berubah kekayaan dari tiap lapisan ( symbology, dan seterusnya).
1.
klik pilihan data pada toolbar yang.
2. melayari kepada map/brosur kamu menginstall data pengajaran tambahan (
defaul alur instalasi adalah
3. C:\Arcgis\Arctutor\Geostatistict), menekan ctrl kunci [itu], kemudian klik dan
menyoroti [itu] ca_ozone_pts dan ca_outline datasets.
4. klik menambahkan.
5. klik ca_outline legenda lapisan di daftar isi untuk membuka selektor lambang
dialog bertinju6. klik tetesan warna menurun panah dan tidak klik apapun warna
7. klik ok pada selektor lambang dialog bertinju.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
3/44
Ca-Outline Lapisan kini dipertunjukkan dengan jelas dengan garis besar kelihatan. Ini
mengijinkan kamu untuk lihat lapisan yang yuo akan menciptakan di (dalam) pengajaran
tambahan ini lapisan underneaththis.
Simpan peta mudirekomendasikan bahwa kamu [menyelamatkan;menabung] peta mu setelah masing-masing
berlatih.
7. klik simpan pada toolbar yang. Kamu akan harus menyediakan suatu nama untuk peta sebab
ini adalah pertama kali kamu sudah menyelamatkan itu menyarankan ramalan ozon map.mxd),
ke sehat ingatan di masa datang, klik simpan
Membuat permukaan dengan metode default.
Selanjutnya Anda akan membuat (interpolasi) permukaan konsentrasi ozon menggunakan
pengaturan default dari analyst geostatistik. Anda akan menggunakan database titik ozon dan
interpolasi nilai-nilai ozon pada lokasi di mana nilai tidak dikenal menggunakan kriging biasa.
Anda akan klik next di banyak kotak dialog di kotak dialog ini exercise.each akan dikunjungi
kembali dalam niat kemudian exercises.the dari latihan ini adalah untuk membuat permukaan
dengan menggunakan pilihan default.
1. Klik toolbar analis geostatistik, kemudian klik geoststistical wizard.
2. Klik panah input data dropdown dan klik ca_ozone_pts.
3. Klik panah atribut dropdoon dan klik atribut OZONE.
4. Klik kriging di kotak dialog metode
5. Klik berikutnya.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
4/44
Secara default, kriging biasa dan peta prediksi akan dipilih di kotak dialog pilihan metode
geostatistik.
Perhatikan bahwa setelah memilih metode untuk memetakan permukaan ozon, Anda bisa klik
menyelesaikan sini untuk membuat permukaan dengan menggunakan parameters.however
default, langkah 6 sampai 10 akan mengekspos Anda untuk banyak dari kotak dialog yang
berbeda.
6. Klik next pada kotak dialog pilihan metode geostatistik.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
5/44
7
Semivariogram/Kotak dialog Covariance Modeling mengijinkanmu untuk menguji hubungan
mengenai ruang antara poin-poin terukur. Kamu mengasumsikan sesuatu yang empunyai
hubungan dekat lebih mirip. Semivariogram mengijinkan kamu untuk menyelidiki asumsi ini.
Proses dari model pengepasan semivariogram yang diambil sebagai hubungan spasial yang
mengenai ruang dikenal sebagai variography.
7. Klik Next
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
6/44
Crosshairs menunjukkan sebuah lokasi yang belum terukur nilainya.Untuk memprediksi nilai
pada crosshairs kamu dapat menggunakan nilai pada lokasi yang telah terukur. Kamu tahu
bahwa nilai yang lokasi pengukurannya dekat adalah lebih mirip nilai yang terdapat pada
lokasi yang tidak terukur yang kamu sedang coba untuk diprediksi. Warna merah yang
ditunjuk pada gambar akan menjadi lebih berat (atau akan mempengaruhi nilai yang belum
diketahui) dari pada warna hijau yang di tunjuk pada gambar, sejak mereka dekat ke lokasi
yang sedang kamu prediksi. Gunakan petunjuk disekitar, dengan penyesuaian model di dalam
kotak dialog semivariogram modeling, kamu dapat memprediksi nilai lebih akurat untuk lokasi
yang belum diukur.
8. Klik Next
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
7/44
Kotak dialog The Cross Validation kamu berikan beberapa ide bagaimana baiknya prediksi
nilai model pada lokasi yag tidak diketahui. kamu akan memepelajari bagaimana menggunakan
grafik dan mengerti statistik pada Latihan 4.
9. Klik finish
kotak dialog The Output Layer Informastion memberikan informasi pada metode (dan
kumpulan parameter) yang akan digunakan untuk membuat Output Surface
10. Klik OK
Peta prediksi zona akan memperlihatkan atau memunculkan bagian atas layer dalam tabel
tersebut.
11. klik layar di tabel tersebut untuk memperjelasnya. lalu klik lagi dan mengubah nama laya ke
"Default".
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
8/44
Nama yang sudah iubah akan membantu kamu membedakan layar ini dari yang lain. kamu akan
membuat ini pada latihan 4.
12. klik save pada toolbar ArcMap Standard
Pemberitahuan interpolasi berkelanjutan ke dalam laut. kamu akan mempelajari latihan 6
bagaimana membatasi prdiksi surfave untuk tinggal pada California
Metodologi Pencocokan Permukaan
Sekarang kamu bisa membuat peta dari konsentrasi ozon dan menyelesaikan latihan 1 pada
tutorial. Sementara itu hal tersebut merupakan tugas yang mudah dalam pembuatan sebuah
peta (permukaan) menggunakan analisis geostatistik, sangat penting bagi kalian untuk
mengikuti instruksi seperti yang tertera pada diagram berikut ini.
Data yang
mewakili
Mencari/men
emukan data
Penetapan
model yang
Perform
diagnostik
Membanding
kan model
Latihan 1
Menambahkan Layer dan menampilkannya pada ArcMap
Latihan 2
Menemukan property statistic dari datat mu. Tools ini dapat
digunakan untuk menemukan data, meskipun tidak
memungkinkan untuk membuat data permukaan.
Latihan 3
Pilih model dan buat permukaan. Pada tahap pencarian
data akan membantu dalam menentukan model yang
Latihan 4
Menaksir output data permukaan. Hal tersebut akan
membantu memahami seberapa bagus model yang telah
diprediksi dengan nilai yang tidak diketahui
Latihan 5
Jika terdapat lebih dari satu permukaan yang telah
dibuat, hasilnya dapat digabungkan dan membuat
sebuah keputusan yang memberikan prediksi yang
lebih bagus dengan nilai yang tidak diketahui
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
9/44
Anda akan mengikuti struktur proses dari tutorial latihan di bawah ini. Selain itu,
pada latihan 5, Anda akan membuat permukaan dari lokasi tersebut yang melebihi ambang
pada spesifikasi, pada latihan 6 Anda akan membuat layout presentasi akhir dari hasil analisa
pada tutorial.
Catatan bahwa Anda telah menampilkan langkah pertama dari proses ini, data yang
mewakili, pada latihan 1. Pada latihan 2, Anda akan menetukan data.
Latihan 2: Menjelajahi data Anda
Dalam latihan ini, Anda akan menjelajahi data Anda. Sebagai proses terstruktur pada halaman
sebelumnya menunjukkan bahwa untuk membuat keputusan yang lebih baik saat membuat
sebuah permukaan, terlebih dahulu Anda harus menjelajahi dataset Anda untuk mendapatkan
pemahaman yang lebih baik dari itu. Ketika menjelajahi data Anda, Anda harus mencari
kesalahan yang jelas dalam input data sampel yang secara drastis dapat mempengaruhi
permukaan prediksi output, pemeriksaan bagaimana data didistribusikan, pencarian tren
global, dll.Analis Geostatistik menyediakan banyak data-alat-alat eksplorasi.
Dalam tutorial ini Anda akan menjelajahi data Anda dalam tiga cara:
Memeriksa distribusi data Anda.
Mengidentifikasi tren dalam data Anda, jika ada.
Memahami autocorrection spasial dan pengaruh terarah.
Jika Anda menutup peta setelah Latihan 1, klik menu File dan klik Open. Pada kotak dialog,
klik panah Lihat dalam kotak dropdown dan arahkan ke folder tempat Anda menyimpan
dokumen peta (Ozone Prediction Map.mxd). klik Buka.
Memeriksa distribusi data Anda
Histogram
Metode interpolasi yang digunakan untuk menghasilkan permukaan memberikan hasil terbaik
jika data terdistribusi normal (kurva berbentuk lonceng). Jika data Anda miring (berat
sebelah), Anda dapat memilih untuk mengubah data untuk membuatnya normal. Dengan
demikian, penting untuk memahami distribusi data Anda sebelum membuat permukaan. Alat
Histogram frekuensi plot histogram untuk atribut dalam dataset, memungkinkan Anda untuk
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
10/44
memeriksa distribusi univariat (satu variabel) dari dataset untuk setiap atribut. Berikutnya,
Anda akan menjelajahi distribusi ozon untuk lapisan ca_ozone_pts.
1. Klik ca_ozone_pts, pindahkan ke bagian atas daftar isi, kemudian tempatkan ca_outline di
bawah ca_ozone_pts.
2. Klik toolbar Geaostatistical Analyst, tunjukkan ke Explore Data, dan klik Histogram.
Anda mungkin ingin mengubah ukuran kotak dialog Histogram sehingga Anda juga dapat
melihat peta, sebagai tampilan diagram berikutnya.
3. Klik tanda panah dropdown pada Layer dan klik ca_ozone_pts
4. Klik tanda panah dropdown pada Attribute dan klik OZONE
Distribusi atribut ozon digambarkan oleh histogram dengan rentang nilai dipyang
dibagi menjadi 10 kelas. Proporsi relatif (densitas) data dalam setiap kelas digambarkan
oleh ketinggian setiap bar
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
11/44
Umumnya, hal terpenting dari distribusi tersebut adalah nilai titik tengah, penyebaran,
dan simetrinya. Untuk pengujian cepatnya, jika rata-rata dan mediannya mendekati
nilai yang sama, anda memiliki sebuah bukti bahwa data mungkin telah terdistribusi
dengan normal
Histogram yang ditunjukkan di atas menunjukkan bahwa data adalah unimodal
(sebukit) dan hampir simetris. Hal ini muncul mendekati distribusi yang normal.
Ujung kanan dari distribusi menunjukkan adanya sedikit data relatif pada titik sampel
dengan nilai konsentrasi ozone yang besar
5. Klik pada bar histogram dengan rentang nilai ozone antara 0,162 0,175 ppm
Titik sampel pada rentangan ini akan ditunjukkan pada peta. Perlu diketahui bahwa
sampel ini berlokasi pada daerah Los Angeles
6. Klik untuk menutup kotak dialog
QQPlot normal
QQPlot adalah pembanding distribusi data dengan distribusi normal yang standar.
memberikan satu lagi ukuran normalitas data. Semakin dekat titik yang membentuk garis
lurus, makan semakin dekat distribusinya untuk terdistribusi dengan normal
1. Klik pada toolbar Geostatistical Analyst , pilih Explore Data, dan klik Normal QQPlot
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
12/44
Skala warna, yang merupakan jumlah semivariogram dihitung, menyediakan link
langsung antara nilai-nilai semivariogram empiris pada grafik dan mereka di permukaan
semivariogram. Nilai setiap "sel" di permukaan semivariogram adalah kode warna, dengan nilai
lebih rendah biru dan hijau. Tinggi nilai-nilai oranye dan merah. Nilai rata-rata untuk setiap sel
dari permukaan semivariogram diplot pada grafik semivariogram. Sumbu x pada grafik
semivariogram adalah jarak dari pusat sel ke pusat permukaan semivariogram. Nilai-nilai
semivariogram mewakili perbedaan. Untuk contoh kita, variogram setengah mulai rendah pada
jarak kecil (hal berdekatan lebih mirip) dan meningkat dengan meningkatnya jarak (hal-hal
menjadi lebih berbeda jauh terpisah). Melihat dari permukaan semivariogram bahwa
ketidaksamaan meningkat lebih pesat di barat daya ke arah timur laut daripada di tenggara ke
arah barat laut. Sebelumnya, anda dihapus tren kasar-besaran. Sekarang tampak bahwa saat
sekarang berada komponen arah ke autokorelasi pada skala yang lebih halus, sehingga kita
akan model yang berikutnya.
Asosiasi nilai
parameter
Model
variogram
an tersedia
Model
vario ram
Nilai
semivariogram
Skala warna
Permukaan
semivario ram
Nilai empiris
semivario ram
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
13/44
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
14/44
Memahami autokorelasi spasial dan pengaruh arah
Klik toolbar geostatistical analyst, arahkan ke eksplore data, dan klik semivariogram /covariance could.
1. Pilih layer pada data source dan klik ca_ozone_pts.
2. Klik panah dropdown dan klik OZONE pada attribute
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
15/44
Semivariogram / kovarians tersebut dapat memungkinkan Anda untuk menguji
autokorelasi spasial antara titik sampel yang diukur. Dalam autokorelasi spasial, diasumsikan
bahwa hal-hal yang dekat satu sama lain lebih sama. Semivariogram / kovarians memungkinkan
Anda memeriksa hubungan ini. Untuk melakukannya, nilai semivariogram, yang merupakan
perbedaan dikuadratkan antara nilai setiap pasangan lokasi, diplot pada sumbu y relatif
terhadap jarak yang memisahkan masing-masing pasangan pada sumbu-x.
Setiap daerah yang berwarna merah merupakan semivariogram / kovarians yang
mewakili sepasang lokasi. Karena lokasi dekat harus lebih sama, di semivariogram pada lokasi
yang dekat (paling kiri pada sumbu x-) harus memiliki nilai semivariogram kecil (rendah pada
sumbu y-). Sebagai jarak antara pasangan kenaikan lokasi (bergerak ke atas pada sumbu y-).
Namun, jarak tertentu tercapai di mana atasnya mendatar, menunjukkan bahwa hubungan
antara pasangan lokasi di luar jarak ini tidak lagi berkorelasi.
Lihat semivariogram, jika tampak bahwa beberapa data lokasi yang berdekatan
(mendekati nol pada x-axis) memiliki nilai semivariogram lebih tinggi (tinggi pada sumbu y-)
dari yang Anda harapkan, Anda harus menyelidiki pasangan ini dari lokasi untuk melihat
apakah ada kemungkinan bahwa data tidak akurat.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
16/44
3. Klik dan drag pointer seleksi atas titik-titik ini menyoroti mereka. (Gunakan diagram
berikut sebagai panduan. Hal ini tidak penting untuk menyoroti poin tepat menampilkan
diagram).
Pasangan dari lokasi sampel yang dipilih dalam semivariogram yang disorot pada peta, dan
garis menghubungkan lokasi, menunjukkan pasangan.
Ada banyak alasan mengapa data valuaes yang berbeda lebih antara lokasi sampel
daerah los angeles dan kemungkinan area yang lain ada lebih banyak mobil dari pada di daerah
los angeles yang di daerah lain, yang selalu akan menghasilkan lebih banyak polusi,
memberikan kontribusi untuk lebih tinggi penumpukan ozon di daerah los angeles.
Selain trend global yang dibahas di bagian sebelumnya, ada juga kemungkinan
pengaruh arah akan mempengaruhi kelancaran arah data. Alasan untuk kelancaran arah
mungkin tidak diketahui, tetapi dapat diukur secara statistik. Pengaruh-pengaruh arah akan
mempengaruhi akurasi permukaan yang Anda buat pada latihan berikutnya. Namun, setelah
Anda tahu jika ada, analis geostatistik menyediakan alat untuk pengguna dalam proses
pengerjaan permukaan-penciptaan. Untuk mengeksplorasi pengaruh yang terarah pada awan
semivariogram, Anda menggunakan perangkat pencarian arah
5.Tampilakan Pemeriksaan arah pencarian.
6. Klik dan gerakkan pointer arah untuk setiap sudut.
Arah pointer menentukan pasang lokasi data yang diplot pada semivariogram tersebut.
Misalnya, jika pointer menghadap ke arah timur-barat, hanya pasang lokasi data yang timur
atau barat satu sama lain akan diplot pada semivariogram tersebut. Hal ini memungkinkan
Anda untuk menghilangkan pasangan data yang tidak tertarik dan untuk mengeksplorasi
pengaruh arah pada data.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
17/44
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
18/44
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
19/44
akan mampu menciptakan suatu permukaan yang lebih akurat sebab kamu mengetahui bahwa
ada atrend di dalam data yang kamu dapat melakukan penyesuaian untuk di dalam sisipan.
Latihan 3 : Pemetaan dan Konsentrasi Ozon
Pada latihan 1,kamu harus menggunakan parameter awal untuk Peta Konsentrasi Ozon.
Kamu tidak memperhitungkan sitaf statistik (properti) dari data sampelnya. Misalnya,dari
data eksplorasi dalam latihan 2. Tampak bahwa data menunjukkan Trend. Ini dapat tergabung
kedalam proses interpolasi atau penambahan.
Pada latihan ini kamu akan :
Memperbaiki Peta Konsentrasi Ozon seperti yang tertulis pada latihan 1.
Kemuadian,memperkenalkan dasar dari konsep geostatistik.Kamu akan menggunakan metode interpolasi kriging lagi seperti biasanya dan kamu akan
menggabungkannya di dalam model kamu untuk membuat prediksi yang terbaik.
1. Klik Geostatistical Analyst pada tolbar lalu klik Geostatistical Wizard.
2. Klik Input Data pada bagian bawah dan klik CA_OZONE_PTS.
3. Klik Attribute dibagian bawah panah dan klik Ozone Atribute.
4. Klik Kriging pada kotak metode.
5. Kemudian Klik Next.
Dari data eksplorasi pada latihan 2,kamu dapat menentukan bahwa ada kecenderungan global(meluas) dalam data kamu setelah perbaikan dengan alat analisis,kamu menemukan bahwa
permintaan kedua polinimoal tampak wajar dan Trendnnya berasal dari tenggara kebarat daya
tersebut. Kecenderungan ini dapat dipresentasikan dengan rumus matematika serta dapat
dihapus dari data. Sekali Trend tersebut dihapus,analisis statistiknya akan dilakukan pada
variasi permukaan. Trend secara otomatis akan ditambahkan kembali sebelum permukaan
akhir dibuat,sehingga prediksi akan menghasilkan hasil yang sangat bagus atau maksimal.
Dengan menghapus Trend,analisis yang ikut tidak akan terpengaruhi oleh Trend dan setelah
ditambahkan kemabli ke permukaan yang lebih akurat akan diproduksi.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
20/44
6. Metode seleksi geostatistik pada kotak dilog, klik Order Of Tren Removal lalu pilih
second
Perintah kedua polynomial akan dicocokkan curva U- shaped terdeteksi di arah
southwest ke northeast pada kotak dialog Trend Analysis pada latihan 2
7. Klik next pada metode seleksi geostatistik pada kotak dialog
Sesuai default, analisis geostatistik peta peta arah global pada datatest. Permukaan
menunjukan perubahan paling cepat pada arah southwest ke northeast dan berubah
sedikit demi sedikit pada arah northwest - southeast ( karena berbentuk lonjong).
Arah hanya akan dihilangkan jika ada pambenaran yang dilakukan. Arah southwest ke
northeast dapat di lambangkan dengan ozon terpasang antara pegunungan dan pesisir pantai.
Arah ketinggian dan angin yang besar sebagai factor nilai nilai udara dingin sacara relative di
pegunungan dan pesisir pantai. Tingginya konsentrasi pada manusia juga memimpin untuk
tingginya polusi antara pegunungan dan pesisir pantai. Variasi arah northwest menuju
southeast lebih lambat disebabkan oleh tingginya populasi sekitar Los Angles dan kurang lebih
memanjang hingga San Francisco. Oleh sebab itu, kita dapat menghilangkan arah arah ini.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
21/44
8. Klik next pada kotak dialog Detrending.
Pemodelan Semivariogram / Kovarian
Dalam Cloud semivariogram / Kovarian pada latihan 2, Anda menjelajahi autokorelasi spasial
keseluruhan dari poin yang diukur. Untuk melakukannya, Anda memeriksa semivariogram,
yang menunjukkan perbedaan-kuadrat dari nilai-nilai antara setiap pasangan titik pada jarak
yang berbeda. Tujuan dari pemodelan Semivarian / Kovarian adalah untuk menentukan yang
paling cocok untuk model yang akan melewati titik-titik dalam semivariogram tersebut (garis
kuning dalam diagram).
semivariogram adalah fungsi yang berhubungan semivarian (atau perbedaan) titik data dengan
jarak yang memisahkan mereka. Representasi grafis yang dapat digunakan untuk memberikan
gambaran mengenai korelasi spasial titik data dengan sekitarnya.
Kotak dialog Pemodelan semivariogram / Kovarian memungkinkan Anda untuk memodelkan
hubungan spasial dalam dataset. Secara default, parameter optimal untuk model semivariogram
spherical dihitung. Analis Geostatistik pertama menentukan ukuran lag baik untuk
mengelompokkan nilai-nilai semivariogram. Ukuran lag adalah ukuran jarak kelas di mana
sepasang lokasi dikelompokkan untuk mengurangi banyaknya kombinasi angka yang mungkin.
Ini disebut Binning. Sebagai hasil dari Binning, perhatikan bahwa ada poin lebih sedikit di
semivariogram ini dari yang ada di latihan 2. Sebuah jarak lag yang baik juga dapat membantu
mengungkapkan korelasi spasial. Kotak dialog menampilkan nilai-nilai semivariogram sebagai
permukaan dan sebagai scatterplot yang berhubungan dengan jarak. Kemudian mencocokan
model semivariogram spherical (paling cocok untuk semua arah) dan nilai-nilai parameter yang
terkait, yang biasanya disebut nugget, jangkauan, dan ambang parsial.
Cobalah untuk menyesuaikan dengan semivariogram lag kecil (jarak) memungkinkan untuk
menggunakan ukuran yang berbeda dan mereparasi bin model spherical standar dengan
mengubah ukuran lag dan jumlah lag.
9. Ketik Ukuran nilai Lag baru dari 12000.
10. klik kotak input dan ketik 10 untuk Jumlah Lag.
Mengurangi ukuran lag berarti bahwa Anda secara efektif memperbesar untuk model detail
dari variasi lokal antara titik sampel terdekat. Anda akan melihat bahwa dengan ukuran lag
lebih kecil, semivariogram fifted (garis kuning) naik tajam dan kemudian tingkat berhenti.
Rentang ini adalah jarak di mana batasan tingkat . Hal ini merata dari semivariogrammenunjukkan bahwa ada autokorelasi sedikit di luar jangkauan.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
22/44
Nilai parameterdiasosiasikan
Model
semivariogram
tersedia
Semivariogram
permukaan
Dilengkapi
semivariogram
model
Nilai semivariogram
Nilai
semivariogram
empiris
Color scale
Dengan menghapus tren, semivariogram akan memodelkan autokorelasi spasial antara titik
data tanpa harus mempertimbangkan tren dalam data. Kecenderungan akan secara otomatis
ditambahkan kembali ke perhitungan sebelum permukaan akhir yang dihasilkan.
Skala warna, yang merupakan nilai semivariogram dihitung, menyediakan link
langsung antara nilai-nilai semivariogram empiris pada grafik dan di permukaan
semivariogram. Nilai dari setiap "sel" di permukaan semivariogram adalah kode warna, dengan
nilai nilai yang lebih rendah biru dan hijau dan yang lebih tinggi orange dan merah. Nilai rata-
rata untuk setiap sel dari permukaan semivariogram diplot pada grafik semivariogram. Sumbu
x pada grafik semivariogram adalah jarak dari pusat sel ke pusat permukaan semivariogram.Nilai semivariogram mewakili perbedaan. Sebagai contoh kita, semivariogram mulai rendah
pada jarak kecil (hal yang berdekatan yang lebih mirip) dan meningkat dengan meningkatnya
jarak (hal-hal menjadi lebih berbeda jauh terpisah). Perhatikan dari permukaan semivariogram
bahwa ketidaksamaan meningkat lebih pesat di barat daya ke arah timur laut daripada di
tenggara ke arah barat laut. Sebelumnya, Anda hapus tren kasar-besaran. Sekarang tampak
bahwa ada komponen arah untuk korelasi otomatis pada skala yang lebih halus, sehingga kita
akan mengetahui model yang berikutnya.
Directional semivariograms
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
23/44
Pengaruh yang terarah akan mempengaruhi poin dari semivariogram dan model yang
akan cocok. Dalam arah tertentu hal lebih dekat mungkin lebih mirip daripada arah yang lain.
Pengaruh arah disebut anisotropi, dan analis geostatistik dapat menjelaskan hal tersebut.
Anisotropi dapat disebabkan oleh angin, limpasan, struktur geologi, atau berbagai proses.Pengaruh arah dapat diukur secara statistik dan dicatat ketika membuat peta.
Kita dapat menjelajahi perbedaan dalam titik data untuk arah tertentu alat pencarian arah. Hal
ini memungkinkan kita untuk menguji pengaruh arah pada grafik semivariogram. Hal tersebut
tidak mempengaruhi permukaan output. Langkah-langkah berikut menunjukkan cara
untuk mencapai hal tersebut
11..memeriksa arah pencarian. Perhatikan pengurangan jumlah nilai semivariogram.
Hanya titik-titik dalam arah pencarian yang akan ditampilkan.
12. klik dan tahan kursor pada garis tengah ke arah pencarian. Pindahkan arah alat
pencarian. Ketika anda mengubah arah pencarian, perhatikan bagaimana perubahan
semivariogram. Hanya nilai dalam arah pencarian permukaan semivariogram yang
akan diplot pada grafik semivariogram atas.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
24/44
Untuk benar-benar menjelaskan pengaruh arah pada model semivariogram untuk
perhitungan permukaan, Anda harus menghitung semivariogram anisotropical atau
model kovarians
13. memeriksa Anisotropi
Elips biru pada permukaan semovariogram menunjukkan jangkauan
semivariogram pada arah yang berbeda. Dalam hal ini sumbu utama terletak sekitar ke
arah Baratlaut-SSE.
Anisotropi sekarang akan dimasukkan ke dalam model untuk menyesuaikanpengaruh arah dari autokorelasi di permukaan keluaran
ketik parameter berikut untuk arah pencarian untuk membuat pointer arah bertepatan dengan
sumbu kecil dari allipse anisotropical:
sudut arah: 236,0
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
25/44
sudut toleransi: 45,0
bandwidth (tertinggal): 3.0
dicatat bahwa bentuk kurva semivariogram meningkat lebih cepat untuk nilai ambang
tersebut. x dan y koordinat dalam meter, sehingga berbagai arah ini adalah sekitar 74 km.
ketik parameter berikut untuk arah pencarian untuk membuat pointer arah bertepatan dengan
sumbu utama elips anisotropical:
sudut arah: 340.0
sudut toleransi: 45,0
bandwidth (tertinggal): 3.0
model semivariogram meningkat lebih secara bertahap, kemudian mendatar. kisaran arah ini
adalah 114 km. dataran tinggi bahwa model semivariogram mencapai di kedua langkah 14 dan 15
adalah sama dan dikenal sebagai ambang jendela. rentang adalah jarak di mana model
semivariogram mencapai nilai pembatas (ambang jendela). di luar jangkauan, ketidaksamaan
antara titik menjadi konstan dengan jarak lag meningkat. lag ditentukan oleh jarak antara
pasang poin.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
26/44
di antara sepasang point. Point dipisahkan oleh lag distance yang lebih besar daripada range
dengan ruang yang tidak saling berhubungan. Nugget menggambarkan kesalahan pengukuran
dan atau variasi microscale (variasi pada ukuran ruang yang cukup baik untuk di deteksi).
Mungkin ini untuk menaksir kesalahan pengukuran jika kamu memiliki multiple observation
per lokasi atau kamu dapat memisahkan nugget ke dalam kesalahan pengukuran dan
memeriksa variasi microscale dengan kotak pemeriksaan the Nugget Error Modeling.
16. Klik Next
Sekarang kamu mempunyai model yang sesuai untuk melukiskan ruang auto korelasi, tarik
hitungan detrending dan directional influencer ke dalam data. Informasi ini, bersamaan dengan
konfigurasi dan pengukuran pada sekitar lokasi-lokasi prediksi yang digunakan untuk
membuat prediksi. Tetapi bagaimana cara lokasi man-measured dapat digunakan untuk
kalkulasi?
Ini adalah praktek umum untuk membatasi data yang digunakan dengan mendefinisikan
sebuah lingkaran (atau elips) untuk menyertakan poin yang digunakan untuk memprediksi
nilai di lokasi yang tidak terukur.
Selain itu, untuk menghindari bias dalam arah tertentu, lingkaran (atau elips) dapat dibagi
menjadi sektor dari yang jumlah yang sama dengan poin yang dipilih. Dengan menggunakan
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
27/44
kotak dialog lingkungan pencarian, Anda dapat menentukan jumlah poin (maksimal 200), jari-
jari (atau sumbu mayor / minor), dan jumlah sektor lingkaran (atau elips) yang akan digunakan
untuk prediksi.
Titik yang disorot di jendela tampilan data memberikan indikasi beban yang akan
dihubungkan dengan setiap lokasi dalam prediksi nilai yang tidak diketahui. Dalam contoh ini,
empat lokasi (merah) memiliki bobot lebih dari 10 persen. Semakin besar beban semakin
banyak dampak yang dimiliki lokasi pada prediksi nilai yang tidak diketahui.
17. klik di dalam tampilan grafik untuk memilih lokasi prediksi (dimana crosshair bertemu)
catat perubahan dalam pemilihan lokasi data (bersama-sama dengan beban yang terkait)
yang akan digunakan untuk menghitung nilai di lokasi prediksi.
18. untuk tujuan tutorial ini, ketik koordinat berikut di kotak Uji Lokasi masukan X = -
2044968 dan Y 208630,37
19. periksa bentuk kotak centang dan ketik 90 pada kotak Angle input. Perhatikan
bagaimana perubahan bentuknya. Namun untuk menjelaskan pengaruh arah, ubah sudut
kembali menjadi 338,
20. Hapus tanda centang pada kotak shape - analisis geostatistik akan menggunakan nilai
default (dihitung dalam dialog semivariogram / kovarians sebelumnya).
21. Klik next pada kotak dialog didekatnya.
Sebelum Anda benar-benar membuat model permukaan, Anda berikutnya menggunakan
dialog cross-validation untuk melakukan diagnosa pada parameter untuk menentukan
"seberapa baik" model selanjutnya.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
28/44
Meramalkan kemungkinan nilai ozone
Secara standar, analisis geostatistik menginterpolasi nilai dari variabel yang dipilih pada lokasi
manapun yang terletak dalam area yang ditetapkan oleh batas utara-selatan dan timur-barat
dari titik sampel data. Akan tetapi, peta dari ozon yang diprediksi tidak menjangkau tingkat
geografis dari California. Untuk mengatasi masalah ini kita akan meramalkan kemungkinan
nilai (memprediksi nilai diluar dari batas kotak standar) untuk kedua permukaan.
1. Klik kanan pada layer indikator kriging pada tabel isian dan klik properties. Klik pada
tab extent.untuk mengatur extent: pilih custom extent yang dimasukkan dibawah dan
ketik nilai berikut untuk extent yang tampak, kemudian klik OK
left -2400000 right -1600000
top 860000 bottom-400000
ulangi langkah ini pada layer yang ingin dihilangkan
Mengklip layer ke outline Negara bagian California
Sekarang kita akan mengklip layer ke outline CA yang kita inginkan pada pemetaan tingkatan
ozon dengan Negara bagian California dan ini akan menghasilkan peta yang lebih menarik.
1. Klik kanan Layers dan klik Properties
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
29/44
2. Klik tab data frame
3. Periksa kemungkinan klip untuk membentuk check box
4. Klik specify Shape
5. Klik Outline of features
6. Klik layer dropdown dan klik ca_outline
7. Klik OK
8. Klik OK untuk menutup dialog boxdata Frame Properties
22. klik tab Plot QQ untuk menampilkan plot QQ.
Dari QQplot Anda dapat melihat bahwa beberapa nilai jatuh sedikit di atas garis dan
beberapa sedikit di bawah garis, tapi poin terbanyak jatuh sangat dekat dengan garis lurus
putus-putus, menunjukkan bahwa kesalahan prediksi yang dekat dengan yang
terdistribusi normal.
23. untuk menyorot lokasi untuk titik tertentu, klik pada baris yang berhubungan dengan
tempat tujuan dalam tabel. Titik yang dipilih akan disorot dalam warna hijau pada
scattergram
24.opsional, klik save validasi silang untuk menyimpan tabel untuk hasil analisis lebih lanjut
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
30/44
25. klik finish
Lapisan output informasi kotak dialog memberikan ringkasan dari model yang akan
digunakan untuk membuat permukaan
26. klik ok
Peta ozon diprediksi akan muncul sebagai lapisan atas di ArcMap
Secara standar, lapisan mengasumsikan nama metode kriging yang digunakan untuk
menghasilkan permukaan/latar.
27. klik nama layer untuk menyorotnya, kemudian klik lagi dan mengubahnya menjadi "trend
removed".
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
31/44
Anda juga dapat membuat Prediksi Kesalahan Standar permukaan untuk memeriksa
kualitasprediksi.
28. klik kanan pada layer "Trend Removed" yang anda buat dan klik Create Prediction Standard
Error Map.
29. klik save pada Standard toolbar.
Prediction Standard Errors mengukur ketidakpastian untuk setiap lokasi di permukaan yang
Anda buat. Sebuah Aturan yang sederhana adalah bahwa 95 persen dari waktu, nilai
sebenarnya dari permukaan akan berada dalam interval yang dibentuk oleh nilai prediksi 2
kali standard error prediksi, jika data terdistribusi normal. Perhatikan pada permukaan
Prediction Standard Error pada lokasi dekat titik sampel umumnya memiliki kesalahan yang
lebih rendah.
Permukaan yang Anda buat pada Latihan 1 hanya menggunakan standar-standar dari AnalisGeostatistik, tanpa pertimbangan tren di permukaan, penggunaan ukuran lag lebih kecil, atau
penggunaan model semivariogram anisotropik. Prediksi permukaan yang Anda buat dalam
latihan ini mengambil pertimbangan dari kecenderungan tren global dalam data, penyesuaian
ukuran lag, dan penyesuaian dengan pengaruh arah lokal (anisotropi) dalam semivariogram
tersebut
Dalam Latihan 4, Anda akan membandingkan dua model untuk melihat mana yang
memberikan prediksi yang lebih baik dari nilai yang tidak diketahui.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
32/44
Catatan: Sekali lagi, Anda melihat bahwa interpolasi terus ke laut. Anda akan belajar pada
Latihan 6 bagaimana untuk membatasi prediksi permukaan untuk tetap sampai California.
Latihan 4: membandingkan model Menggunakan Analis GeostaticalAnda dapat membandingkan hasil dari dua permukaan yang dipetakan. Hal ini memungkinkan
Anda untuk membuat keputusan untuk yang memberikan prediksi yang lebih akurat tentang
konsertrasi ozon berdasarkan cross-validasi statistik.
1. Klik kanan "Trend removed" lapisan, arahkan ke Bandingkan .... Anda akan membandingkan
"Trend removed" lapisan dengan lapisan default Anda dibuat dalam Latihan 2. Karena
kesalahan prediksi akar-mean-square lebih kecil untuk layer Trend removed, kesalahan stan-
dardizedprediction akar-mean-square adalah lebih dekat satu untuk lapisan Trend removed,
dan kesalahan prediksi rata-rata juga lebih dekat ke nol untuk layer Trend removed , Anda
dapat menyatakan dengan beberapa bukti bahwa model Trend removed lebih baik dan lebih
valid. Dengan demikian, Anda dapat menghapus layer standar karena Anda tidak lagi
membutuhkannya.
2. Klik Close pada kotak dialog Validasi Perbandingan Cross.
3. Klik kanan layer Default dan klik remove.
4. Klik layer Trend removed dan memindahkannya ke bagian bawah stabil isi sehingga Anda
dapat melihat titik sampel dan garis besar dari California.
5. Klik Save pada toolbar Standard.
Anda sekarang telah mengidentifikasi permukaan prediksi terbaik, tapi mungkin ada jenis lain
permukaan yang mungkin Anda ingin ciptakan.
TUGAS 5: PEMETAAN PROBABILITAS NILAI AMBANG BATAS OZON
Pada tugas 1 dan 3 anda menggunakan Kriging biasa untuk pemetaan konsentrasi ozon
di California menggunakan parameter perbedaan. Di dalam langkah proses pembuatan, harus
dilakukan dengan menggunakan sebuah peta prediksi ozon untuk mengidentifikasi wilayah
tidak aman karena itu sangat penting untuk memahami prediksi yang tidak pasti. Sebagai
contoh, perkiraan nilai ambang batas ozon 0,12 ppm untuk periode 8 jam, dan anda akan
menentukan jika beberapa lokasi melampaui nilai ini. Untuk membantu memutuskannya, anda
dapat menggunakan Geostatistical Analyst untuk pemetaan probabilitas dari nilai ambang
batas ozon.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
33/44
Sementara Geostatistical Analyst menyiapkan serangkaian metode yang dapat
melakukan tugas ini, untuk tugas ini anda akan menggunakan teknik indikator Kriging. Teknik
ini tidak memerlukan dataset untuk menyesuaikan pada distribusi khusus. Nilai-nilai data
diganti menjadi seri 0s dan 1s menurut nilai-nilai data yang ada di bawah atau di atas ambangbatas. Jika ambang batas di atas 0,12 ppm digunakan, beberapa nilai di bawah amabang batas
ini akan ditunjukkan dengan nilai 0, sedangkan nilai-nilai yang di atas ambang batas akan
ditunjukkan dengan nilai dari 1. Indikator Kriging menggunakan sebuah model semivariogram
yang dihitung dari dataset 0-1.
1. Klik toolbar Geostatistical Analyst dan klik Geostatistical Wizard
2. Klik Layer dan klik ca_ozone_pts
3. Klik Attribute dan klik OZONE attribute
4. Klik Kriging pada kotak metode
5. Klik Next pada kotak dialog Choose Input Data and Method
6. Klik Indikator Kriging; catatan bahwa Probability Map dipilih
7. Atur nilai Primary Threshold menjadi 0,12
8. Klik Exceed
9. Klik Next pada kotak dialog Geostatistical Method Selection
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
34/44
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
35/44
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
36/44
itu telah jelas dari peta yang dekat los angels kemungkinan bisa melebihi pendekatan
target kita. tetapl, diatas rata-rata, di bawah 0.12 ppm untuk setiap delapan jam
sepanjang tahun masa.
19. clik dan tahan indicator kriging layer.drag layer dan memposisikan kembali antara ca
_outline dan kecenderungan untuk menghapus layer.
20. clik save pada toolbar standar untuk menyimpan peta mu. latihan 6 akan
memperlihatkan kepada kamu bagaimana kamu dapat menggunakan functionality di
dalam Arcmap untuk menghasilkan suatu secara kartografis memuaskan peta dasar
permukaan yang kamu buat pada Latihan 3 dan kemungkinan permukaan yang kamu
buat pada latihan ini.
Ekstrapolasi nilai ozon
secara default, analis geostatistik interpolates nilai dari variabel yang dipilih pada setiap lokasi
yang terletak dalam wilayah didefinisikan oleh utara-selatan dan timur-barat batas data sampel
titik. Namun, peta ozon diprediksi tidak mencakup luasnya geografis california (lapisan
ca_outline). untuk mengatasi masalah ini Anda akan ekstrapolasi nilai (memprediksi nilai-nilai
luar kotak standar berlari) untuk kedua permukaan.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
37/44
1. Klik kanan layer Indikator Kriging dalam daftar isi dan klik properties. klik tab sejauh
mana. Dalam Mengatur sejauh: pilih sebagian kustom dimasukkan di bawah dan ketik nilai
berikut untuk Tingkat Terlihat, kemudian klik ok:
Kiri : -2400000 Kanan : -1600000
Atas : 860000 Bawah : -400000
ulangi langkah ini untuk menghapus layer tren
Kliping lapisan untuk garis California State
Anda sekarang akan klip lapisan ke lapisan ca_outline seperti Anda hanya tertarik pada
pemetaan tingkat ozon dalam negara bagian California dan ini akan menghasilkan peta lebih
menarik.
1. klik kanan layer dan klik properties
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
38/44
2. klik tab data frame
3. memeriksa klip memungkinkan untuk membentuk kotak centang
4. klik menentukan bentuk
5. klik garis besar fitur
6. klik layer dropdown dan klik ca_outline
7. klik ok
8. klik ok untuk menutup Frame data kotak dialog Properties
Mementukan lokasi Kota Los Angeles
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
39/44
1. Klik tombol Add pada data toolbar Standar.
2. 2. Arahkan ke folder di mana Anda menginstal tutorial data (jalur instalasi defaultadalah
C: \ ArcGIS \ ArcTutor \ geostatistik), kemudian klik ca_cities.
3.
Klik add Sebuah peta lokasi kota-kota di California akan ditampilkan.4. Klikkanan layer ca kota danklik Atribut terbuka Table.
5. Gulir ke table dan menemukan AreaName disebut Los Angeles. Klik baris ini. Kota
Los Angeles akan disorot pada peta.
6. Klik untuk menutup tabel atribut.
7.
Klik Zoom In alat pada toolbar Tools dan memperbesar di Kota Los Angeles.
Perhatikan bahwa daerah dengan konsentrasi ozon tertinggi adalah
sebenarnya terletak hanya di sebelah timur Los Angeles.
4. Klik kanan layer ca_cities dan klik Open Attribute Table
5. Geser display pada table dan temukan nama daerah bernama Los Angeles klik pada baris.
6. Klik close attribute table
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
40/44
7. Klik zoom in tool pada toolbar tools dan perbesar kota Los Angeles
Notice bahwa daerah ini memiliki konsentrasi ozon paling tinggi khususnya yang terletak di
bagian barat Los Angeles
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
41/44
Membuat Suatu Tampilan
1. Klik View pada main menu kemudian klik layout view
2.
Klik the map to highlight it3. Klik dan drag sudut bagian bawah sebelah kiri dari Data Frame untuk mengubah
ukuran peta.
4. Klik Insert pada menu Utama dan klik Data Frame. Sebuah Data Frame yang baru
dimasukkan pada peta. Sekarang kita meng-copy semua layer pada data frame pertama ke
dalam data frame yang baru untuk menampilkan sebuah peta nilai oson, yang memperbesar
area Los Angeles.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
42/44
5. Klik kanan Trend layer yang dihapus dan klik Copy.
6. Klik kanan New Data Frame pada table of contents dan klik Paste Layer(s).
Ikuti langkah 5 dan 6 untuk semua layer yang lain.
7. Klik dan drag New Data Frame untuk menyetel semua lembar.
4. Klik hillshade dan pindahkan ke bagian bawah dari daftar isi.
5. Klik kanan pada Trend removed layer pada tabel new data frame klik properties.
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
43/44
6. Klik display tab.
7. Pada tabel transparency, pilih type 30%
8. Klik OK
Hillshade telah tampil secara parsial dibawah trend removed layer
Menambahkan elemen peta
1. Klik insert pada menu utama dan klik legend
-
8/10/2019 Tutorial ArcGis Geostatistik_Maulana
44/44
2. Pindahkan legend pada bagian sudut kiri bawah dari tampilan.
3. Klik insert dan tambahkan panah utara, skala bar dan teks.
Diagram berikut menunjukkan peta jadi Anda bisa menghasilkan dengan menggunakan fungsi
ArcMap lihat menggunakan ArcMap jika perlu untuk belajar tentang memasukkan elemen ke
layout
Peta tersebut menunjukkan bahwa daerah los angeles memiliki tingkat diprediksi tertinggi
ambang ozon (0,12 ppm) pada setidaknya satu delapan jam periode 1996. Karena ini adalah
kasus dalam analisis (tapi ingat data asli telah diubah), Anda mungkin Tidakkah untuk fokus
pada daerah-daerah dan menganalisis pengukuran deret waktu ozon untuk secara akurat
mengidentifikasi daerah beresiko potensial.