Доступно с лицензией Geostatistical Analyst.
Большинство методов интерполяции, предоставляемые в ArcGIS ArcGIS Geostatistical Analyst Extension, не требуют нормального распределения данных, однако в этом случае не гарантируется оптимальное качество карты проинтерполированных значений. В связи с этим преобразования данных, изменяющие форму (распределение) данных, не являются обязательными для модели интерполяции. Но для некоторых методов кригинга необходимо, чтобы данные имели приблизительно нормальное распределение (близко к графику нормального распределения). В частности карты квантилей и вероятности, созданные с использованием ординарного, простого или универсального кригинга, предполагают, что данные происходят из многомерного нормального распределения. Также модели простого кригинга, используемые в качестве основы для геостатистической имитации (то есть моделей, используемых в качестве входных данных для инструмента Геостатистическое моделирование Гаусса (Gaussian Geostatistical Simulations) — см. разделы Концепции геостатистического моделирования и Как работает Геостатистическое моделирование Гаусса), должны использовать нормально распределенные данные, или же модели должны включать преобразование по методу нормальных меток, чтобы обеспечить использование таких данных.
Нормально распределенные данные имеют функцию плотности вероятности, похожую на ту, которая показана на следующей диаграмме:
Инструменты Гистограмма (Histogram) и Нормальный график КК (Normal QQ Plot) разработаны для исследования распределения данных; в них включены различные преобразования данных (преобразование Box—Cox, логарифмические преобразования и преобразования по методу арксинуса), которые можно использовать для оценки их влияния на данные. Более подробно о преобразованиях, доступных в этих инструментах, см. в разделе преобразования Box-Cox, логарифмические преобразования и преобразования по методу арксинуса (Box-Cox, Arcsine, and Log transformations).
Все методы кригинга опираются на предположение о стационарности. Для этого предположения необходимо, чтобы все значения данных поступали из распределений с одной и той же вариабельностью. Для удовлетворения предположения о равной вариабельности также можно использовать преобразования данных. Более подробно о стационарности см. в разделе Случайные процессы с зависимостью (Random processes with dependence).
Отзыв по этому разделу?