Краткая информация
Класс SearchNeighborhoodSmoothCircular может использоваться для задания окрестности поиска в Эмпирическом байесовском кригинге, ОВР, Интерполяции по методу локальных полиномов и в Радиальных базисных функциях (только при использовании ключевого слова INVERSE_MULTIQUADRIC_FUNCTION). Класс использует входные данные, задающие радиус окружности поиска и коэффициент сглаживания.
Синтаксис
SearchNeighborhoodSmoothCircular ({radius}, {smoothFactor})| Параметр | Объяснение | Тип данных |
radius | Расстояние, у единицах карты, задающее длину радиуса окружности поиска. | Double |
smoothFactor | Определяет степень применяемого сглаживания. 0 – без сглаживания, 1 – максимальное сглаживание. | Double |
Свойства
| Свойство | Объяснение | Тип данных |
| radius (чтение и запись) | Расстояние, в единицах карты, задающее длину радиуса окружности поиска. | Double |
| smoothFactor (чтение и запись) | Определяет степень сглаживания: 0 – без сглаживания, 1 – максимальное сглаживание. | Double |
| nbrType (только чтение) | Тип окрестности: Smooth (сглаженный) или Standard (стандартный). | String |
Пример кода
SearchNeighborhoodSmoothCircular (окно Python)
Пример использования SearchNeighborhoodSmoothCircular с Эмпирическим байесовским кригингом для создания выходного растра.
import arcpy
arcpy.EmpiricalBayesianKriging_ga("ca_ozone_pts", "OZONE", "outEBK", "C:/gapyexamples/output/ebkout",
100000, "NONE", 50, 0.5, 100,
arcpy.SearchNeighborhoodSmoothCircular(300000, 0.5),
"PREDICTION", "", "", "")
SearchNeighborhoodSmoothCircular (автономный скрипт)
Пример использования SearchNeighborhoodSmoothCircular с Эмпирическим байесовским кригингом для создания выходного растра.
# Name: EmpiricalBayesianKriging_Example_02.py
# Description: Bayesian kriging approach whereby many models created around the
# semivariogram model estimated by the restricted maximum likelihood algorithm is used.
# Requirements: Geostatistical Analyst Extension
# Author: ESRI
# Import system modules
import arcpy
# Set environment settings
arcpy.env.workspace = "C:/gapyexamples/data"
# Set local variables
inPointFeatures = "ca_ozone_pts.shp"
zField = "ozone"
outLayer = "outEBK"
outRaster = "C:/gapyexamples/output/ebkout"
cellSize = 10000.0
transformation = "NONE"
maxLocalPoints = 50
overlapFactor = 0.5
numberSemivariograms = 100
# Set variables for search neighborhood
radius = 300000
smooth = 0.6
searchNeighbourhood = arcpy.SearchNeighborhoodSmoothCircular(radius, smooth)
outputType = "PREDICTION"
quantileValue = ""
thresholdType = ""
probabilityThreshold = ""
# Check out the ArcGIS Geostatistical Analyst extension license
arcpy.CheckOutExtension("GeoStats")
# Execute EmpiricalBayesianKriging
arcpy.EmpiricalBayesianKriging_ga(inPointFeatures, zField, outLayer, outRaster,
cellSize, transformation, maxLocalPoints, overlapFactor, numberSemivariograms,
searchNeighbourhood, outputType, quantileValue, thresholdType, probabilityThreshold)