Доступно с лицензией Geostatistical Analyst.
Краткая информация
Эмпирический байесовский кригинг - это метод интерполяции, в котором учитывается ошибка при оценке базовой вариограммы путем повторной имитации.
Использование
Этот метод кригинга пригоден для обработки умеренно нестационарных входных данных.
С этим методом интерполяции могут использоваться только Стандартная круговая и Сглаженная круговая окрестностей поиска.
При использовании опции Сглаженная окружность (Smooth Circular) для параметра Окрестность поиска (Search neighborhood) время выполнения существенно увеличивается.
Чем больше значение Максимальное количество точек в каждой модели (Maximum number of points in each model) и Коэффициент перекрытия областей локальной модели (Local model overlap factor), тем дольше выполняется задание. При применении Преобразования данных время выполнения также существенно увеличится.
Для того, чтобы избежать недостатка памяти, программное обеспечение может ограничить количество ядер ЦПУ, которые могут использоваться при параллельной обработке. Максимальное количество ядер, которые могут быть использованы, определяется на основе размера подсети, типа модели вариограммы, ОС вашего компьютера, а также использует ли инструмент 32-разрядную или 64-разрядную обработку. Установив продукт Обработка в фоновом режиме (64-разрядная) и включив геообработку в фоновом режиме, вы сможете успешно запустить этот инструмент.
Если входные данные в географической системе координат, все расстояния будут вычисляться с использованием хордовых расстояний. Для получения более подробных сведений о хордовых расстояниях, см. раздел Вычисление расстояний для данных в географических системах координат в главе справки Что такое эмпирический байесовский кригинг.
Синтаксис
EmpiricalBayesianKriging(in_features, z_field, {out_ga_layer}, {out_raster}, {cell_size}, {transformation_type}, {max_local_points}, {overlap_factor}, {number_semivariograms}, {search_neighborhood}, {output_type}, {quantile_value}, {threshold_type}, {probability_threshold}, {semivariogram_model_type})
Параметр | Объяснение | Тип данных |
in_features | Входные точечные объекты, содержащие z-значения для интерполяции. | Feature Layer |
z_field | Поле, в котором хранится значение высоты или величины для каждой точки. Это может быть числовое поле или поле Shape, если входные объекты содержат z-значения или m-значения. | Field |
out_ga_layer (Дополнительный) | Создаваемый геостатический слой. Этот слой является обязательными выходными данными, только если не запрошен выходной растр. | Geostatistical Layer |
out_raster (Дополнительный) | Выходной растр. Этот растр является обязательными выходными данными, только если не запрошен выходной геостатистический слой. | Raster Dataset |
cell_size (Дополнительный) | Размер ячейки, который будет использован при создании выходного растра. Это значение можно явно задать в разделе Анализ растра в Параметрах среды. Если не задано иное, используется наименьшее значение из ширины и высоты экстента входных точечных объектов во входной пространственной привязке, деленное на 250. | Analysis Cell Size |
transformation_type (Дополнительный) | Тип преобразования, применяемый к входным данным.
| String |
max_local_points (Дополнительный) | Входные данные будут автоматически разделены на группы, не содержащие больше заданного количества точек. | Long |
overlap_factor (Дополнительный) | Коэффициент, который представляет уровень перекрытия между локальными моделями (также называемыми поднаборами). Каждая входная точка может попадать в несколько поднаборов, и коэффициент перекрытия определяет среднее число поднаборов, в которые попадает каждая точка. Высокое значение коэффициента перекрытия позволяет сгладить выходную поверхность, но при этом увеличивает время обработки. Типичные значения изменяются в пределах 0,01 и 5. | Double |
number_semivariograms (Дополнительный) | Число моделируемых вариограмм для каждой локальной модели. | Long |
search_neighborhood (Дополнительный) | Определяет, какие точки, находящиеся в окрестности, будут использованы для вычисления результата. По умолчанию используется Обычная окружность. Имеются следующие классы функции Окрестность поиска: SearchNeighborhoodStandardCircular и SearchNeighborhoodSmoothCircular. Стандартная окружность
Сглаженная окружность
| Geostatistical Search Neighborhood |
output_type (Дополнительный) | Тип поверхности для хранения результатов интерполяции. Дополнительные сведения о типах выходной поверхности см. в Какие типы выходных поверхностей могут генерировать модели интерполяции?
| String |
quantile_value (Дополнительный) | Значение квантили, для которого будет создан выходной растр. | Double |
threshold_type (Дополнительный) | Указывает, следует ли вычислять вероятность превышения или не превышения указанного порогового значения.
| String |
probability_threshold (Дополнительный) | Пороговое значение вероятности. Если оставить это поле пустым, будет использована медиана (50-й квантиль) входных данных. | Double |
semivariogram_model_type (Дополнительный) | Модель вариограммы, которая будет использована для интерполяции.
Доступные варианты зависят от значения параметра transformation_type. Если тип преобразования данных установлен на , доступны только первые три вариограммы. Если выбран тип EMPIRICAL или LOGEMPIRICAL, доступны последние шесть вариограмм. Для получения подробной информации о выборе подходящей вариограммы для ваших данных, см. раздел Что такое Эмпирический байесовский кригинг. | String |
Пример кода
EmpiricalBayesianKriging, пример 1 (окно Python)
Интерполировать последовательность точечных объектов в растр.
import arcpy
arcpy.EmpiricalBayesianKriging_ga("ca_ozone_pts", "OZONE", "outEBK", "C:/gapyexamples/output/ebkout",
10000, "NONE", 50, 0.5, 100,
arcpy.SearchNeighborhoodStandardCircular(300000, 0, 15, 10, "ONE_SECTOR"),
"PREDICTION", "", "", "", "LINEAR")
EmpiricalBayesianKriging, пример 2 (автономный скрипт)
Интерполировать последовательность точечных объектов в растр.
# 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 = "EMPIRICAL"
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 = ""
semivariogram = "K_BESSEL"
# 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,
semivariogram)
Параметры среды
Информация о лицензиях
- Basic: Требуется Geostatistical Analyst
- Standard: Требуется Geostatistical Analyst
- Advanced: Требуется Geostatistical Analyst