tutorial analisis geostatistik arcgis
DESCRIPTION
GeostatistikTRANSCRIPT
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.