TUTORIAL ANALISIS GEOSTATISTIK ArcGIS

DALAM TUTORIAL INI

- Latihan 1: Membuat permukaan dengan menggunakan parameter

standar

- Latihan 2: Menggali data Anda

- Latihan 3: Pemetaan konsentrasi ozon

- Latihan 4: Membandingkan model

- Latihan 5: Pemetaan kemungkinan ozon melebihi ambang batas

kritis

- Latihan 6: Memproduksi peta akhir

Dengan Analis Geostatistik ArcGIS, Anda dapat dengan mudah

membuat permukaan kontinu, atau peta, dari titik sampel diukur

disimpan dalam lapisan-titik fitur, raster lapisan, atau dengan

menggunakan poligon sentral. Titik sampel dapat pengukuran seperti

elevasi, kedalaman muka air, atau tingkat polusi, seperti yang terjadi

dalam tutorial ini. Bila digunakan bersama dengan ArcMap, Analis

Geostatistik menyediakan seperangkat alat untuk membuat permukaan

yang dapat digunakan untuk memvisualisasikan, menganalisis, dan

memahami fenomena data spasial.

Skenario Tutorial

Badan Perlindungan Lingkungan AS bertanggung jawab untuk

memantau konsentrasi ozon atmosfer di California. Konsentrasi ozon

diukur pada stasiun pemantauan di seluruh negara bagian. Lokasi stasiun

yang ditampilkan di sini. Tingkat konsentrasi ozon dikenal untuk semua

stasiun, namun tingkat untuk setiap lokasi di California juga kepentingan.

Namun, karena biaya dan kepraktisan, stasiun pemantauan tidak bisa

berada di mana. Analis geostatistik menyediakan alat yang membuat

prediksi terbaik dengan memeriksa hubungan antara semua titik sampel

dan menghasilkan permukaan kontinu konsentrasi ozon, kesalahan

standar (ketidakpastian) prediksi, dan probabilitas bahwa nilai-nilai kritis

terlampaui.

Pengenalan Tutorial ini

Data yang Anda perlukan untuk tutorial ini disertakan pada disk instalasi

Analis Geostatistik. Dataset diberikan oleh Badan Sumber Daya Udara

California. Datasetnya adalah sebagai berikut:

dataset Deskripsi

ca_outline Garis peta California

ca_ozone_pts sampel titik Ozone (ppm)

ca_cities Lokasi kota California utama

ca_hillshade Sebuah peta hillshade California

Dataset ozon (ca_ozone_pts) mewakili 1996 max-Imum delapan

jam konsentrasi rata-rata ozon di bagian per juta (ppm). Pengukuran

dilakukan per jam dan dikelompokkan ke dalam delapan jam blok. Data

asli telah dimodifikasi untuk tujuan tutorial dan tidak boleh dianggap data

yang akurat. Dari sampel ozon titik (pengukuran), Anda akan

menghasilkan dua permukaan kontinu (peta), memprediksi nilai

konsentrasi ozon untuk setiap lokasi di negara bagian California

berdasarkan titik sampel yang Anda miliki. Peta pertama yang Anda buat

hanya akan menggunakan semua opsi default untuk menunjukkan Anda

bagaimana mudahnya untuk membuat permukaan dari titik sampel Anda.

Peta kedua yang Anda hasilkan akan memungkinkan Anda untuk

menggabungkan lebih dari hubungan spasial yang ditemukan di antara

poin. Ketika membuat ini peta kedua, Anda akan menggunakan spasial

analisis data eksplorasi (ESDA) alat untuk memeriksa data Anda. Anda

juga akan diperkenalkan dengan beberapa pilihan geostatistik yang

dapat Anda gunakan untuk membuat permukaan seperti menghapus tren

dan model autokorelasi spasial. Dengan menggunakan alat ESDA dan

bekerja dengan parameter geostatistik, Anda akan dapat menciptakan

permukaan yang lebih akurat.

Sering kali, itu bukan nilai yang sebenarnya dari beberapa risiko

kesehatan kaustik yang menjadi perhatian tetapi jika di atas beberapa

tingkat beracun. Jika hal ini terjadi, maka tindakan segera harus diambil.

Permukaan ketiga Anda buat akan menilai probabilitas bahwa nilai

ambang kritis ozon telah terlampaui.

Untuk tutorial ini, ambang kritis akan jika rata-rata maksimum ozon

berjalan di atas 0,12 ppm dalam jangka waktu delapan jam dalam satu

tahun; maka lokasi harus diawasi secara ketat. Anda akan menggunakan

Analis Geostatistik untuk memprediksi kemungkinan nilai-nilai yang

memenuhi standar ini.

Tutorial ini dibagi menjadi tugas individu yang de-ditandatangani

untuk membiarkan Anda menjelajahi kemampuan Analis Geostatistik

pada kecepatan Anda sendiri. Untuk mendapatkan bantuan tambahan,

mengeksplorasi sistem ArcMap Bantuan Online atau lihat Using ArcMap.

- Latihan 1 membawa Anda melalui mengakses Analis Geostatistik

dan proses menciptakan permukaan konsentrasi ozon untuk

menunjukkan Anda bagaimana mudahnya untuk membuat

permukaan dengan menggunakan parameter standar.

- Latihan 2 memandu Anda melalui proses eksplorasi data Anda

sebelum Anda membuat permukaan untuk melihat outlier dalam

data dan untuk mengenali tren.

- Latihan 3 menciptakan permukaan kedua yang

mempertimbangkan lebih dari hubungan spasial ditemukan pada

Latihan 2 dan meningkatkan pada permukaan yang Anda buat

pada Latihan 1. Latihan ini juga memperkenalkan Anda kepada

beberapa konsep dasar geostatistik.

- Latihan 4 menunjukkan cara untuk membandingkan hasil dari dua

permukaan yang Anda buat pada Latihan 1 dan 3 untuk

memutuskan yang memberikan prediksi yang lebih baik dari nilai-

nilai diketahui.

- Latihan 5 membawa Anda melalui proses pemetaan probabilitas

bahwa ozon melebihi ambang batas kritis, sehingga menciptakan

permukaan ketiga.

- Latihan 6 menunjukkan Anda bagaimana untuk menyajikan

permukaan yang Anda buat pada Latihan 3 dan 5 untuk tampilan

akhir, dengan menggunakan fungsi ArcMap.

Anda akan memerlukan beberapa jam waktu difokuskan untuk

menyelesaikan tutorial. Namun, Anda juga dapat melakukan salah satu

latihan saat jika Anda inginkan, menyimpan hasil Anda setelah setiap

latihan.

Latihan 1: Membuat permukaan dengan menggunakan parameter

standar.

sebelum memulainya, kamu harus memulai ArcMap dan mengizinkan

Analisis Geostatistik.

Memulai ArcMap dan mengizinkan Analisis Geostatistik

Klik tombol Start pada taskbar Windows, arahkan ke All Programs,

arahkan ke ArcGIS, kemudian klik ArcMap. Di ArcMap, klik Tools, klik

Extensions, kemudian memeriksa Geostatistical Analyst. Klik Close.

Menambahkan toolbar Analis Geostatistik untuk ArcMap

Klik View, menunjuk ke Toolbars, kemudian klik Geostatistical Analyst.

Menambahkan lapisan data ke ArcMap

Sebelum data ditambahkan, kita menggunakan AcMap untuk melihat

data dan jika perlu digunakan untuk mengubah property layar (simbol).

- Klik dan tambahkan data di Standard toolbar.

- Arahkan ke folder dimana menginstal data tutorial ( dalam situasi

standar ad di C: \ArcGIS \ ArcTutor \Geostatistik) tahan tombol Ctrl,

kemudian klik dan sorot ca_ozone_pts dan dataset ca_outline.

- Klik Add.

- Klik legenda ca_outline layer di daftar isi untuk membuka kotak

dialog symbol selector.

- Klik panah Fill Color drop-down dan klik No Color.

- Klik OK di kotak dialog Symbol Seletor.

Lapisan ca_outline sekarang ditampilkan secara transparan dengan

hanya garis besar terlihat. Hal ini memungkinkan Anda untuk melihat

lapisan yang akan Anda buat dalam tutorial ini di bawah lapisan ini.

Dianjurkan agar Anda menyimpan peta Anda setelah setiap latihan.

- Klik tombol Save di Standard toolbar.

Anda harus memberikan nama untuk peta karena ini adalah waktu

terlebih dulu Anda sudah menyimpannya (Ozon Map.mxd Prediksi

disarankan). Untuk menyimpan di masa depan, klik Save.

Membuat permukaan dengan aplikasi standar.

Selanjutnya Anda akan membuat (interpolasi) permukaan ozon

konsentrasi menggunakan pengaturan standar dari Geostatistical

Analyst. Anda akan menggunakan dataset ozon titik (ca_ozone_pts)

sebagai dataset input dan interpolasi nilai-nilai ozon pada lokasi di mana

nilai tidak dikenal menggunakan kriging biasa. Anda akan klik Next pada

banyak kotak dialog, sehingga menerima default. Jangan khawatir

tentang rincian kotak dialog dalam latihan ini. Setiap kotak dialog akan

ditinjau kembali dalam latihan nanti. Tujuan dari latihan ini adalah untuk

menciptakan permukaan menggunakan pilihan standar.

1. Klik panah Geostatistical Analyst drop-down dan klik

Geostatistical Wizard.

Geostatistical Wizard : pilih Input Data dan kotak dialog

Methods.

2. Klik panah Input data drop-down dan klik ca_ozone_pts.

3. Klik panah Attribute drop-down dan klik OZONE attribute.

4. Klik kriging pada kotak list Metode.

5. Klik Next.

Pada keadaan standar, metode Ordinary Kriging dan Prediction

Map akan diseleksi pada kotak dialog Geostatistial Method

Selection.

Perhatikan bahwa setelah memilih metode untuk memetakan

permukaan ozon, Anda bisa klik Finish untuk membuat

permukaan dengan menggunakan parameter standar. Namun,

langkah 6 sampai 10 akan mengekspos Anda untuk banyak dari

kotak dialog yang berbeda.

6. Klik Next pada kotak dialog Geostatistical Method Selection.

Para semivariogram / Kovarian Modeling kotak dialog

memungkinkan Anda untuk menguji hubungan spasial antara titik

yang diukur. Anda menganggap hal-hal yang dekat lebih sama.

Semivariogram ini memungkinkan Anda untuk menjelajahi asumsi ini.

Proses fitting model semivariogram saat menangkap hubungan

spasial yang dikenal sebagai variografi.

7. Klik Next.

Garis bidik menunjukkan lokasi yang tidak memiliki nilai

yang diukur. Untuk memprediksi nilai pada garis bidik, Anda dapat

menggunakan nilai-nilai di lokasi yang diukur. Anda tahu bahwa

nilai-nilai dari lokasi terdekat diukur paling seperti nilai dari lokasi

yang tidak terukur yang Anda mencoba untuk memprediksi. Titik-

titik merah pada gambar di atas akan dilakukan pembobotan (atau

mempengaruhi nilai tidak diketahui) lebih dari titik-titik hijau

karena mereka lebih dekat ke lokasi Anda memprediksi.

Menggunakan titik-titik di sekitarnya, dengan model dipasang pada

kotak dialog semivariogram / Kovarian Pemodelan, Anda dapat

memprediksi nilai yang lebih akurat untuk lokasi yang tidak

terukur.

8. Klik Next.

Kotak dialog Cross Validation memberi Anda gambaran mengenai

seberapa baik model memprediksi nilai-nilai di lokasi yang tidak

diketahui. Anda akan belajar bagaimana menggunakan grafik dan

memahami statistik di Latihan 4.

9. Klik Finish

Kotak dialog Method Summary merangkum informasi dari

metode (terasosiasi dengan parameter) yang akan digunakan

untuk membuat output surface.

10.Klik OK.

Prediksi peta ozon akan dilihat di layer paling atas dari daftar

isi.

11.Klik lapisan dalam daftar isi untuk memilihnya, lalu klik lagi dan

mengubah nama layer untuk "Default".

Perubahan nama ini akan membantu Anda membedakan

lapisan ini dari yang akan Anda buat pada Latihan 4.

12.Klik Save pada toolbar ArcMap Standard.

Perhatikan bahwa ada interpolasi menerus ke laut. Anda akan

belajar pada Latihan 6 cara untuk membatasi permukaan

prediksi untuk tetap dalam California.

Metodologi Surface-fitting

Anda sekarang telah menciptakan peta konsentrasi ozon dan

menyelesaikan Latihan 1 dari tutorial. Meskipun adalah tugas sederhana

untuk membuat peta (permukaan) dengan menggunakan Analis

Geostatistik, penting untuk mengikuti proses terstruktur seperti berikut:

Metodologi Surface-fitting.

Anda akan berlatih proses terstruktur dalam latihan berikut

tutorial. Selain itu, dalam Latihan 5, Anda akan membuat permukaan

lokasi tersebut yang melebihi ambang batas yang ditentukan, dan pada

Latihan 6, Anda akan membuat layout presentasi akhir hasil analisis yang

dilakukan dalam tutorial. Perhatikan bahwa Anda telah melakukan

langkah pertama dari proses ini, yang mewakili data, dalam Latihan 1.

Dalam Latihan 2, Anda akan menjelajahi data.

Latihan 2: Mengeksplorasi data Anda

Dalam latihan ini, Anda akan menjelajahi data Anda. Sebagai

proses struktur-tured pada halaman sebelumnya menunjukkan, untuk

membuat keputusan yang lebih baik saat membuat permukaan terlebih

dahulu Anda harus menjelajahi dataset Anda untuk mendapatkan

pemahaman yang lebih baik dari itu. Ketika menjelajahi data Anda, Anda

harus mencari kesalahan jelas dalam input data sampel yang secara

drastis dapat mempengaruhi permukaan prediksi output, memeriksa

bagaimana data didistribusikan, mencari tren global, dan sebagainya.

Analis geostatistik menyediakan banyak data eksplorasi alat. Dalam

tutorial ini, Anda akan menjelajahi data Anda dalam tiga cara:

- Memeriksa distribusi data Anda.

- Mengidentifikasi tren dalam data Anda, jika ada.

- Memahami autokorelasi spasial dan pengaruh terarah. Latihan 2:

Menggali data Anda.

Jika Anda menutup peta setelah Latihan 1, klik menu File dan klik Open.

Pada kotak dialog, klik Look in drop-down dan arahkan ke folder tempat

Anda menyimpan dokumen peta (Ozon Prediksi Map.mxd), kemudian klik

Open.

Meneliti distribusi data.

Histogram

Metode interpolasi yang digunakan untuk menghasilkan sur-wajah

memberikan hasil terbaik jika data terdistribusi normal (kurva berbentuk

lonceng). Jika data Anda miring (miring), Anda dapat memilih untuk

mengubah data untuk membuatnya normal. Dengan demikian, penting

untuk memahami distribusi data Anda sebelum membuat permukaan.

Plot alat Histogram fre-quency histogram untuk atribut dalam dataset,

memungkinkan Anda untuk memeriksa distribusi (satu variabel) univariat

untuk setiap atribut dalam dataset. Berikutnya, Anda akan menjelajahi

distribusi ozon untuk lapisan ca_ozone_pts.

1. Klik ca_ozone_pts, memindahkannya ke bagian atas daftar isi,

kemudian tempat ca_outline bawah ca_ozone_pts.

Pilih layer ca_ozone_pts dengan mencentang kotak cek

tersebut.

2. Klik panah Geostatistical Analyst drop-down, untuk

mengeksploitasi data, kemudian klik Histogram.

Anda mungkin ingin mengubah ukuran kotak dialog Histogram

sehingga Anda juga dapat melihat peta, sebagai diagram

berikut menunjukkan.

3. Klik panah Layer drop-down dan klik ca_ozone_pts.

4. klik panah Attribute drop-down dan klik OZONE.

Distribusi atribut ozon digambarkan oleh histogram

dengan rentang nilai dipisahkan menjadi 10 kelas. Frekuensi

data di dalam kelas masing-masing diwakili oleh puncak setiap

batang. Umumnya, fitur penting dari distribusi adalah nilai

pusat, penyebaran, dan simetri. Sebagai cek cepat, jika mean

dan median sekitar nilai yang sama, Anda memiliki salah satu

bukti bahwa data dapat terdistribusi secara normal.

Histogram sebelumnya menunjukkan bahwa data

unimodal (satu punuk) dan cukup simetris. Tampaknya menjadi

dekat dengan distribusi normal. Akhir hak distribusi

menunjukkan adanya sejumlah kecil titik sampel dengan nilai

konsentrasi ozon besar.

5. Klik bar histogram dengan nilai-nilai ozon mulai 0,162-0,175

ppm. Perhatikan bahwa sumbu x nilai telah Rescaled dengan

faktor 10 untuk membuat mereka lebih mudah dibaca. Titik

sampel di dalam kisaran ini dipilih pada peta. Perhatikan bahwa

titik-titik sampel yang terletak di wilayah Los Angeles.

6. Klik close untuk menutup kotak dialog.

Plot Normal QQ

Plot QQ adalah di mana Anda membandingkan distribusi data ke

distribusi normal standar, menyediakan ukuran lain normalitas data.

Semakin dekat titik adalah garis lurus ke dalam grafik, semakin dekat

sampel data mengikuti distribusi normal.

1. Klik panah Analyst Geostatistical drop-down, arahkan ke

Explore Data, kemudian klik Normal QQPlot.

2. Klik panah Layer drop-down dan klik ca_ozone_pts.

3. Klik Attribute drop-down arrow dan klik OZONE.

Sebuah plot QQ umum adalah grafik dimana quantiles dari

dua distribusi yang diplot terhadap satu sama lain. Untuk dua

distribusi identik, plot QQ akan menjadi garis lurus. Oleh karena

itu, adalah mungkin untuk memeriksa normalitas data ozon

dengan memplot quantiles bahwa data versus quantiles dari

suatu distribusi normal standar. Dari plot QQ normal di atas,

Anda dapat melihat bahwa plot adalah sangat dekat untuk

menjadi garis lurus. Keberangkatan utama dari baris ini terjadi

pada nilai-nilai tinggi konsentrasi ozon (yang dipilih dalam plot

histogram, sehingga mereka dipilih di sini juga). Klik panah

layer drop-down dan klik ca_ozone_pts.

Jika data tidak menunjukkan distribusi normal baik dalam

plot QQ histogram atau normal, mungkin perlu untuk mengubah

data untuk membuatnya sesuai dengan distribusi normal

sebelum menggunakan teknik tertentu interpolasi kriging.

4. Klik Exit pada kotak dialog.

Mengidentifikasi tren global dalam data Anda

Jika tren tersebut ada dalam data Anda, itu adalah nonrandom

(menghalangi ministik) komponen permukaan yang dapat

direpresentasikan dengan rumus matematika. Sebagai contoh, sebuah

bukit landai dapat diwakili oleh pesawat. Sebuah lembah akan diwakili

oleh formula yang lebih kompleks (polinomial orde kedua) yang

menciptakan bentuk U. Formula ini dapat menghasilkan representasi

permukaan yang Anda inginkan. Bagaimanapun, banyak kali rumus yang

terlalu halus untuk secara akurat menggambarkan permukaan karena

lereng bukit tidak ada pesawat yang sempurna juga bukan sebuah

lembah berbentuk U yang sempurna. Jika permukaan tren tidakcukup

menggambarkan permukaan cukup baik untuk Anda terutama

perempuan lar butuhkan, Anda mungkin ingin menghapus dan

melanjutkan dengan analisis Anda, pemodelan residu, yang adalah apa

yang tetap af-ter tren akan dihapus. Ketika pemodelan residu, Anda akan

menganalisis variasi jarak pendek di permukaan. Ini adalah bagian yang

tidak ditangkap oleh pesawat yang sempurna atau bentuk sempurna

.Tren Analyst Tools memungkinkan Anda untuk mengidentifikasi ada /

tidaknya tren dalam dataset masukan.

1. klik panah Geostatistical Analyst drop-down, untuk mengeklorasi

data,kemudian klik Trend Analyst.

2. Klik panah Layer drop-down dan klik ca_ozone_pts.

3. Klik panah Attribute drop-down dan klik OZONE.

Setiap tongkat vertikal dalam plot analisis kecenderungan

merupakan lokasi dan nilai (tinggi) dari setiap titik data. Poin yang

diproyeksikan ke pesawat tegak lurus, seorang timur-barat dan

pesawat utara-selatan. Sebuah garis paling cocok (polinomial)

ditarik melalui titik-titik yang diproyeksikan, tren model yang

dalam arah tertentu. Jika baris yang datar, ini akan menunjukkan

bahwa akan ada kecenderungan tidak. Namun, jika Anda melihat

garis hijau muda pada gambar di atas, Anda dapat melihatnya

dimulai dengan nilai-nilai rendah dan meningkat ketika bergerak

timur sampai tingkat keluar. Ini menunjukkan bahwa data

tampaknya menunjukkan tren yang kuat dalam arah timur-barat

dan yang lebih lemah dalam arah utara-selatan.

4. klik Rotate Projection scroll bar dan putar ke kiri sampai 30 derajat.

Rotasi ini memungkinkan Anda untuk melihat bentuk dari tren

timur-barat lebih jelas. Anda dapat melihat bahwa proyeksi itu

benar-benar menunjukkan bentuk U terbalik. Karena tren ini

berbentuk U, polinomial orde kedua adalah pilihan yang baik untuk

digunakan untuk tren global. Meskipun tren sedang dipamerkan

pada bidang proyeksi timur-barat, karena poin itu diputar 30

derajat, kecenderungan yang sebenarnya adalah timur laut ke

barat daya. Tren ini mungkin disebabkan oleh fakta bahwa polusi

rendah di pantai, tetapi lebih jauh ke pedalaman ada populasi

manusia besar yang lancip off lagi di pegunungan. Anda akan

menghapus tren di Latihan 4 .

5. klik Exit pada kotak dialog.

Memahami autokorelasi spasial dan pengaruh arah

1. klik Geostatistical Analyst drop-down, arahkan Explore Data,

kemudian klik Semivariogram/covarians awan.

2. klik Layer drop-down dan klik ca_ozone_pts.

3. klik Attribute drop-down dan klik OZONE.

Semivariogram / kovarians awan memungkinkan Anda untuk

menguji autokorelasi spasial antara titik sampel diukur. Dalam

autokorelasi spasial, diasumsikan bahwa hal-hal yang dekat satu

sama lain lebih sama. semivariogram / kovarians awan

memungkinkan Anda memeriksa hubungan ini. Untuk

melakukannya, nilai semivariogram, yang merupakan perbedaan

kuadrat antara nilai setiap pasangan lokasi, diplot pada sumbu y

relatif dengan jarak memisahkan masing-masing pasangan pada

sumbu-x.

Setiap titik merah di semivariogram / kovarians awan

merupakan sepasang lokasi. Karena lokasi yang dekat satu sama

lain harus lebih sama, di semivariogram pada lokasi yang dekat

(paling kiri pada sumbu x-) harus memiliki kecil semivariogram

nilai (rendah pada sumbu y-). Sebagai jarak antara pasangan

meningkat lokasi (bergerak tepat di sumbu x), nilai-nilai

semivariogram juga harus meningkatkan (bergerak ke atas pada

sumbu y). Namun, jarak tertentu tercapai di mana awan mendatar,

menunjukkan bahwa hubungan antara pasangan lokasi di luar

jarak ini tidak lagi berkorelasi.

Melihat 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.

4. Klik dan drag pointer selection atas titik-titik ini untuk memilih

mereka. (Gunakan diagram berikut sebagai panduan Hal ini tidak

penting untuk memilih titik titik diagram yang tepat.

Pasangan dari lokasi sampel yang dipilih dalam semivariogram

disorot pada peta, dan garis menghubungkan lokasi, menunjukkan

pairing.There yang banyak alasan untuk perbedaan nilai data

antara lokasi sampel antara daerah Los Angeles dan daerah

lainnya. Salah satu kemungkinan adalah bahwa ada lebih banyak

mobil di daerah Los Angeles daripada di daerah lain, yang akan

invari-dengan kemampuan menghasilkan lebih banyak polusi,

memberikan kontribusi untuk penumpukan ozon lebih tinggi di

daerah Los Angeles. Selain tren global yang dibahas di bagian

sebelumnya, ada juga mungkin pengaruh mempengaruhi arah

data. Alasan untuk pengaruh-pengaruh direksional mungkin tidak

diketahui, tetapi mereka dapat secara statistik diukur. Pengaruh-

pengaruh arah akan mempengaruhi keakuratan dari permukaan

yang Anda buat pada latihan berikutnya. Namun, setelah Anda

tahu jika ada, Analis Geostatistik menyediakan alat untuk account

untuk itu dalam proses permukaan-penciptaan. Untuk

mengeksplorasi pengaruh Director, nasional di awan

semivariogram, Anda dapat menggunakan Search Direction Tools.

5. Cek Show search direction.

6. Klik dan pindahkan ke banyak sudut di directional pointer.

Arah pointer menghadap menentukan yang 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 Anda jika tidak tertarik dan untuk mengeksplorasi

pengaruh arah pada data.

7. Klik dan tarik Selection tool bersama pasangan dengan nilai-nilai

semivariogram tertinggi untuk memilih mereka di plot dan di peta.

(Gunakan diagram berikut sebagai panduan Hal ini tidak penting

untuk memilih titik titik yang tepat dalam diagram atau

menggunakan arah pencarian yang sama.)

Anda akan melihat bahwa sebagian besar lokasi terkait (mewakili

pasang titik pada peta), terlepas dari jarak, sesuai dengan salah

satu titik sampel dari wilayah Los Angeles. Mengambil pasang lebih

banyak poin, pada jarak tertentu, mempertimbangkan

menunjukkan bahwa bukan hanya pasang poin dari wilayah Los

Angeles ke pantai yang nilai semivariogram tinggi. Banyak pasang

lokasi data dari wilayah Los Angeles ke daerah pedalaman lain juga

memiliki nilai semivariogram tinggi. Hal ini karena nilai-nilai ozon di

daerah Los Angeles yang jauh lebih tinggi daripada di tempat lain

di California.

8. Klik Exit pada kotak dialog.

9. Klik Selection dan klik Clear Selected Features untuk menghapus

titik yang dipilih pada peta.

Dalam latihan ini Anda pelajari

- Data ozon dekat dengan distribusi normal. Hal ini unimodal dan

cukup simetris di sekitar garis mean / median seperti yang terlihat

di histogram.

- Plot QQ normal menegaskan kembali bahwa data terdistribusi

secara normal, karena titik-titik dalam plot menciptakan garis

cukup lurus, dan transformasi tidak diperlukan.

- Menggunakan alat Analisis Trend, Anda melihat bahwa data

menunjukkan tren dan, setelah disempurnakan, mengidentifikasi

bahwa tren akan menjadi yang terbaik sesuai dengan polinomial

orde kedua ke arah tenggara-barat laut (sekitar 340 derajat).

- Awan semiovariogram / kovarians digambarkan bahwa nilai tinggi

konsentrasi ozon di Los Angeles menciptakan nilai semivariance

tinggi dengan lokasi terdekat serta jauh.

- Permukaan semivariogram menunjukkan ada autokorelasi spasial

dalam data.

Mengetahui bahwa tidak ada outlier (atau salah) titik sampel dalam

dataset dan distribusi dekat dengan normal, Anda dapat melanjutkan

dengan kepercayaan diri untuk interpolasi permukaan. Juga, Anda akan

dapat menciptakan permukaan yang lebih akurat karena Anda tahu

bahwa ada kecenderungan dalam data bahwa Anda dapat menyesuaikan

dalam interpolasi.