ArcGIS教程地统计概念及相关知识点.docx

《ArcGIS教程地统计概念及相关知识点.docx》由会员分享，可在线阅读，更多相关《ArcGIS教程地统计概念及相关知识点.docx（3页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、地理国情监测云平台ArcGIS教程：地统计一、什么是地统计地统计是统计的一类，用于分析和预测与空间或时空现象相关的值。它将数据的空间(在某些情况下为时态)坐标纳入分析中。最初，许多地统计工具作为实用方法进行开发，用于描述空间模式和采样位置的插值。现在，这些工具和方法已得到了改进，不仅能够提供插值，还可以衡量所插入的值的不确定性。衡量不确定性对于正确制定决策至关重要，因为其不仅提供插值的信息，还会提供每个位置的可能值(结果)的信息。地统计分析也已从一元演化为多元，并提供了可融入用于补充(尽可能稀疏)主要感兴趣变量的辅助数据集的机制，从而可以构建更准确的插值和不确定性模型。地统计在科学和工程的许多

2、领域中广泛应用，例如： 采矿行业在项目的若干方面应用地统计：最初需量化矿物资源和评估项目的经济可行性，然后需每天使用可用的更新数据确定哪种材料应输送到工厂以及哪种材料是废弃物。 在环境科学中，地统计用于评估污染级别以判断是否对环境和人身健康构成威胁，以及能否保证修复。 最近在土壤科学领域中的新应用着重绘制土壤营养水平(氮、磷、钾等)和其他指标(例如导电率)，以便研究它们与作物产量的关系和规定田间每个位置的精确化肥用量。 气象应用包括温度、雨量和相关的变量(例如酸雨)的预测。 最近，地统计在公共健康领域也有一些应用，例如，预测环境污染程度及其与癌症发病率的关系。在所有这些示例中，普遍情形是某些地

3、区中存在的一些感兴趣的现象(某一污染物对土壤、水或者空气的污染情况;要开采地区黄金或者其他金属的含量;等等)。彻底的考察费用昂贵且耗费时间，所以通常由在不同的位置采样来对现象进行描述。然后，使用地统计对未采样的位置进行预测(以及生成对预测的不确定性的相关度量值)。地统计研究的概化工作流在地统计工作流中有详细描述。二、地统计工作流这一主题将介绍地统计研究的概化工作流以及主要步骤。正如什么是地统计中所述，地统计是用于分析和预测与空间现象或时空现象相关联的值的统计数据类。ArcGIS Geostatistical Analyst 提供一套工具，该工具允许构建使用空间(和时间)坐标的模型。这些模型可以

4、应用于各种情况并通常用于生成未采样位置的预测，也可用于生成这些预测的不确定性的度量值。与几乎所有数据驱动研究相同，第一步是仔细检查数据。这通常从映射数据集、使用可使数据集可能显示的重要特征清晰可见的分类和颜色方案开始，例如，从北向南的值的显著增加(趋势);非特定排列方式中低值与高值的混合(可能是以某一并不显示空间相关性的比例获取数据的符号);或者是采样更加密集的区域(优先采样)，该区域可能会使您决定在数据分析中使用去聚权重。第二步是构建地统计模型。根据研究的目的(即模型需要提供的信息类型)和被认为足够重要并需要纳入的数据集要素，这一过程需要几个步骤。在这一阶段，对数据集进行严密探索的期间收集到

5、的信息和对现象的先验知识将决定模型的复杂程度和内插值的准确性，以及不确定性的度量值的准确性。在上图中，构建模型会涉及预处理数据以移除空间趋势，这些趋势是单独建模的，并在插值过程的最后一步中重新添加回去;变换数据以便其更加严格遵守高斯分布(一些方法和模型输出所需);以及对数据集去聚以补偿优先采样。由于检查数据集可以获得大量信息，因此纳入您可能拥有的对现象的认知很重要。建模器不能只依赖数据集来显示全部的重要要素;仍可以通过调整参数值将那些不显示的要素纳入到模型中，来反映预期结果。模型要尽可能地逼真，这一点很重要，以便内插值和相关的不确定性能够精确地表现实际现象。除了预处理数据，可能还需要在数据集中

6、为空间结构建模(空间相关性)。一些方法，如克里金法，需要使用半变异函数和协方差函数进行显式建模;而其他方法，如“反距离权重”，依赖于假设的空间结构度，这一空间结构度必须由建模器基于对现象的先验知识来提供。模型的最后一个组成部分是搜索策略。其定义了用来为未采样位置生成值的数据点的数量。也可以定义其空间配置(相对于另一个位置以及未采样位置的位置)。这两个因素都会影响内插值及其相关的不确定性。对于许多方法来说，搜索椭圆是与椭圆分割成的扇形的数量以及从每个分区中获取的用来进行预测的点的数量一起定义的。在完成模型定义之后，该模型可以与数据集结合使用来生成感兴趣区域内所有未采样位置的内插值。输出通常是显示

7、正在建模的变量的值的地图。可以在这一步对异常值效果进行研究，因为其可能会更改模型的参数值，从而更改内插地图。根据插值方法，同一个模型也可以用来生成内插值的不确定性的度量值。不是所有的模型都具有这一功能，因此在开始时定义需要的不确定性度量值很重要。与所有建模尝试相同，模型的输出应该经过检查，即确保内插值和相关的不确定性的度量值是合理的并与预期相匹配。构建并调整好模型并检查其输出之后，结果便可以用于风险分析和做出决策。三、地统计分析生成用于表达特定属性的连续表面是大多数地理信息系统 (GIS) 应用程序中应具备的一种重要功能。最常用的一种表面类型可能就是 terrain 数字高程模型。对于世界的各

8、个部分来说，在小比例下，这些数据集都易于获得。不过，只有从地表、地下或大气中的位置采集的测量值才可用于生成连续表面。大多数 GIS 建模工具所面对的主要挑战就是，基于现有样本数据尽可能精确地生成表面以及表征预测表面的误差和变异性。新生成的表面用于进一步的 GIS 建模和分析以及 3D可视化。了解该数据的质量可以极大地提高 GIS 建模的实用性和目的性。Geostatistical Analyst 使用从地表上的不同位置采集的采样点，创建(插值)连续表面。采样点是一些现象的测量值，例如核电站的辐射泄漏、石油泄漏或者高程高度。Geostatistical Analyst 使用已测量位置的值生成表面

9、进而预测地表上所有位置的值。Geostatistical Analyst 提供了两组插值方法：确定性插值方法和地统计插值方法。所有方法都依赖于邻近采样点的相似性来创建表面。确定性方法使用数学函数进行插值。地统计依赖于统计方法和数学方法，可用于创建表面和评估预测的不确定性。除了提供各种插值方法，Geostatistical Analyst 还提供了多种支持工具。例如，在制图之前，探索性空间数据分析(ESDA) 工具可用于评估数据的统计属性。初步了解数据之后，可以使用多种克里金和协同克里金算法(普通克里金法、简单克里金法、泛克里金法、指示克里金法、概率克里金法、析取克里金法和经验贝叶斯克里金法)以

10、及相关工具(例如数据变换、去聚和趋势移除)创建各种输出地图类型(例如预测、预测误差、概率和分位数)。如果数据是在面中采集到的，那么在创建连续预测或标准误差表面时，区域插值法会考虑面的形状和大小。了解地统计方法地统计方法以包含自相关(测量点之间的统计关系)的统计模型为基础。这类方法具有生成预测表面的能力，它们还可提供对这些预测的准确性的度量。创建地统计模型所涉及的步骤主要包括：(1) 检查数据(分布、趋势、方向组成和异常值)，(2) 计算经验半变异函数或协方差值，(3) 根据经验值拟合模型，(4) 生成克里金方程矩阵，(5) 对其进行求解来为输出表面中的每个位置获取预测值及其关联误差(不确定性)。北京数字空间科技有限公司