Pengantar ArcGIS Geostatistik Analyst Tutorial

Dengan ArcGIS Geostatistik Analyst, Anda dapat dengan mudah membuat

permukaan terus menerus, atau peta, dari titik sampel diukur disimpan dalam fitur
titik lapisan atau raster layer atau dengan menggunakan centroid poligon. Titik
sampel bisa pengukuran seperti elevasi; mendalam ke meja air; atau tingkat
polusi, seperti halnya dalam tutorial ini. Ketika digunakan bersama dengan
ArcMap, Analis Geostatistik memberikan seperangkat alat untuk menciptakan
permukaan yang dapat digunakan untuk memvisualisasikan, menganalisis, dan
memahami fenomena spasial.
skenario tutorial
AS Environmental Protection Agency bertanggung jawab untuk memantau
konsentrasi ozon di atmosfer di California. konsentrasi ozon diukur pada
pemantauan stasiun di seluruh negara bagian. Lokasi dari stasiun yang
ditampilkan di sini. Tingkat konsentrasi ozon dikenal untuk semua stasiun, tetapi
nilai-nilai ozon untuk lainnya lokasi (dimonitor) di California juga menarik.
Namun, karena biaya dan kepraktisan, pemantauan stasiun tidak dapat
ditempatkan di mana-mana. Analis geostatistik menyediakan alat yang membuat
prediksi optimal mungkin dengan memeriksa hubungan antara semua titik sampel
dan menghasilkan permukaan terus menerus konsentrasi ozon, kesalahan standar
(ketidakpastian) dari prediksi, dan probabilitas bahwa nilai-nilai kritis terlampaui.

Data yang dibutuhkan untuk menyelesaikan latihan disertakan pada tutorial DVD
data. Data tutorial juga tersedia sebagai download dari situs Customer Care.
(Anda mungkin perlu menghubungi Primer Pemeliharaan kontak di organisasi
Anda untuk membantu dengan download.) Ketika Anda menjalankan wizard
untuk menginstal data ini, periksa untuk menginstal data Analyst Geostatistik
(jalur instalasi default adalah C: \ ArcGIS \ ArcTutor \ Analis geostatistik). Dataset
berikut (yang terkandung dalam geodatabase disebut ca_ozone.gdb) akan
digunakan dalam tutorial:
Dataset

Description

ca_outline

Outline of California

O3_Sep06_3pm

Ozone point sample values (ppm)

ca_cities

Major California cities

ca_hillshade

A hillshade map of California

Ozon dataset (O3_Sep06_3pm) diberikan courtesy dari California Air Resources

Board dan mewakili konsentrasi ozon diukur pada September 6, 2007 3:00-16:00
di bagian per juta (ppm). Data asli telah dimodifikasi untuk tujuan tutorial dan
tidak boleh dianggap data yang akurat.
Dari titik ozon sampel (pengukuran), Anda akan menghasilkan dua permukaan
kontinyu (peta) memprediksi nilai-nilai konsentrasi ozon untuk setiap lokasi di
negara bagian California. Peta pertama yang Anda buat hanya akan menggunakan
semua opsi default untuk memperkenalkan Anda ke proses menciptakan
permukaan dari titik sampel Anda. Peta kedua yang Anda hasilkan akan
memungkinkan Anda untuk memasukkan lebih dari hubungan spasial yang
ditemukan di antara poin. Saat membuat peta kedua ini, Anda akan menggunakan
analisis data spasial (ESDA) alat eksplorasi 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. Banyak kali, itu bukan nilai yang sebenarnya dari beberapa risiko
kesehatan penting yang menjadi perhatian tetapi apakah nilai-nilai di atas

beberapa tingkat beracun. Jika hal ini terjadi, tindakan segera harus diambil.
Permukaan ketiga yang Anda buat akan menilai probabilitas bahwa nilai ambang
batas ozon kritis telah terlampaui. Untuk tutorial ini, ambang kritis akan jika nilai
ozon berjalan di atas 0,09 ppm (California Negara baku mutu udara ambien untuk
pengukuran per jam); maka lokasi harus dimonitor secara seksama. Anda akan
menggunakan Analyst Geostatistik untuk memprediksi probabilitas bahwa nilainilai ozon di California memenuhi standar ini pada September 6, 2007 3:00-04:00
Tutorial ini dibagi menjadi tugas individu yang dirancang untuk membiarkan
Anda mengeksplorasi kemampuan Geostatistik Analis pada kecepatan Anda
sendiri.
Latihan 1 membawa Anda melalui mengakses Analyst Geostatistik dan proses
menciptakan permukaan konsentrasi ozon menggunakan standar nilai parameter
untuk memperkenalkan Anda dengan langkah-langkah yang terlibat dalam
menciptakan model interpolasi.
Latihan 2 panduan Anda melalui proses mengeksplorasi data Anda sebelum Anda
membuat permukaan untuk tempat outlier dan mengenali tren.
Latihan 3 menciptakan permukaan kedua yang menggabungkan lebih dari
hubungan spasial ditemukan dalam latihan 2 dan meningkatkan pada permukaan
yang Anda buat dalam 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 dalam latihan 1 dan 3 dan bagaimana untuk memutuskan mana
permukaan memberikan prediksi yang lebih baik dari nilai-nilai yang tidak
diketahui.
Latihan 5 membawa Anda melalui proses pemetaan probabilitas bahwa ozon
melebihi ambang batas kritis, menciptakan permukaan yang ketiga.
Anda akan memerlukan beberapa jam waktu terfokus untuk menyelesaikan
tutorial. Namun, Anda juga dapat melakukan latihan satu per satu jika Anda
inginkan. Dianjurkan agar Anda menyimpan hasil Anda setelah setiap latihan.

LATIHAN 1 MEMBUAT PERMUKAAN MENGGUNAKAN DEFAULT

PARAMETER
Latihan ini memperkenalkan Anda untuk perpanjangan Analis Geostatistik. Ini
akan membawa Anda melalui proses menciptakan model menggunakan nilai
default parameter untuk menghasilkan permukaan konsentrasi ozon.
Mulai Arcmap Dan Memungkinkan Analis Geostatistik
Untuk memulai, mulai ArcMap dan mengaktifkan ekstensi Analyst Geostatistik.
langkah:
1. STAR ArcMap.
2. Klik CANCEL pada ArcMap - GETTING STARTED kotak dialog.
Kotak dialog ini mungkin tidak terbuka jika sebelumnya Anda memilih untuk
tidak menunjukkannya.
3. Pada MAIN MENU, klik CUSTOMIZE> EXTENSIONS.
4. Centang kotak GEOSTATISTICAL ANALYST.
5. Klik CLOSE.
Tambahkan Geostatistik Analyst Toolbar
langkah:
1. Pada MAIN MENU, klik CUSTOMIZE> TOOLBARS> ANALIS
GEOSTATISTIK.
Analis toolbar Geostatistik ditambahkan ke sesi ArcMap Anda.
Ekstensi dan toolbar hanya perlu diaktifkan dan ditambahkan sekali; mereka akan
aktif dan hadir pada saat Anda membuka ArcMap.
Menambahkan Data Ke Sesi Arcmap Anda
Anda akan menambahkan data ke ArcMap dan mengubah simbologi nya.
Langkah:
1. Klik tombol ADD DATA pada TOOLBAR STANDARD.
2. Arahkan ke folder di mana Anda menginstal data tutorial (jalur instalasi default
adalah C: \ ArcGIS \ ArcTutor \ Geostatistik Analyst).
3. Klik dua kali geodatabase ca_ozone.gdb untuk melihat isinya.
4. Tekan tombol Ctrl dan memilih O3_Sep06_3pm dan dataset ca_outline.
5. Klik Add.
6. Klik kanan legenda lapisan ca_outline (kotak di bawah nama layer) dalam
daftar isi dan klik No Color, seperti yang ditunjukkan pada gambar berikut:

Hanya garis California ditampilkan. Hal ini memungkinkan Anda untuk melihat
lapisan yang akan Anda buat dalam tutorial ini di bawah lapisan ini.
7. Klik dua kali nama O3_Sep06_3pm lapisan dalam daftar isi.
8. Dalam Layer dialog Properties, klik tab simbologi.
9. Dalam Tampilkan kotak, klik QUANTITIES dan klik GRADUATED
COLORS.
10. Pada kotak FIELDS, atur VALUE menjadi OZONE.
11. Pilih Putih untuk warna Hitam jalan sehingga poin akan menonjol terhadap
permukaan warna yang Anda akan menciptakan dalam tutorial ini. Kotak dialog

simbologi akan terlihat seperti ini:

12. Pilih OK
Perhatikan bahwa nilai-nilai ozon tertinggi terjadi di California Central Valley,
sedangkan nilai terendah terjadi di sepanjang pantai. Pemetaan data adalah
langkah pertama dalam mengeksplorasi dan memahami lebih banyak tentang
fenomena Anda ingin model.
Simpan dokumen peta Anda
Dianjurkan agar Anda menyimpan peta Anda sepanjang setiap latihan dan pada
akhir setiap latihan.
Langkah:
1. Pada MAIN MENU, klik File> Save.
2. Browse ke folder kerja Anda (misalnya, Anda bisa membuat mengikuti folder
untuk menyimpan pekerjaan Anda: C: \ Geostatistik Analis Tutorial).
3. Dalam kotak teks File name, ketik Ozon Prediksi Map.mxd.
4. Klik SAVE.
Anda perlu memberikan nama untuk peta karena ini adalah pertama kalinya Anda
telah menyimpannya. Untuk menyimpan dokumen ArcMap di masa depan, cukup
klik Simpan.
Buat permukaan menggunakan pilihan default
Berikutnya, Anda akan membuat (interpolasi) permukaan konsentrasi ozon
menggunakan pengaturan Analyst standar Geostatistik. Anda akan menggunakan
titik ozon dataset (O3_Sep06_3pm) sebagai dataset masukan dan menggunakan
kriging biasa untuk interpolasi nilai-nilai ozon di lokasi di mana nilai-nilai yang
tidak diketahui. Anda akan klik Next pada banyak kotak dialog untuk menerima
default.
Anda tidak perlu berkonsentrasi pada rincian kotak dialog dalam latihan ini karena
dalam latihan nanti setiap kotak dialog akan ditinjau kembali. Maksud dari latihan
ini adalah untuk memperkenalkan Anda untuk Geostatistik Wizard.
Langkah:
1. Klik Geostatistical Analyst panah pada Analyst toolbar Geostatistik dan klik
Geostatistik Wizard.

Kotak dialog Geostatistik Wizard muncul.

2. Klik Kriging / CoKriging dalam kotak daftar Metode.
3. Klik panah source dataset dan klik O3_Sep06_3pm.
4. Klik panah data field dan klik atribut OZONE.

5. Klik Next.
6. Klik Ordinary Kriging melihat bahwa Prediksi Peta dipilih sebagai jenis
output.
Karena metode untuk memetakan permukaan ozon dipilih, Anda bisa klik Finish
untuk membuat permukaan dengan menggunakan parameter default. Namun,
langkah 7 sampai 11 akan mengekspos Anda untuk kotak dialog lainnya. Dalam
setiap langkah wizard, panel interior (jendela) dapat diubah ukurannya dengan
menyeret
pemisah
antara
mereka.

Perhatikan bahwa ada kotak di bagian bawah-kanan Geostatistik Wizard yang

menunjukkan gambaran singkat dari metode yang disorot atau parameter. Pada
tahap ini, kotak menunjukkan dataset dan bidang yang akan digunakan untuk
membuat permukaan.

7. Klik Next.
Model semivariogram / kovarians ditampilkan, memungkinkan Anda untuk
memeriksa hubungan spasial antara titik diukur. Anda dapat mengasumsikan
bahwa hal-hal yang lebih dekat bersama-sama lebih mirip daripada hal-hal yang
jauh terpisah. semivariogram yang memungkinkan Anda untuk menjelajahi
asumsi ini. Proses pas model semivariogram untuk menangkap hubungan spasial
dalam data dikenal sebagai variografi.

8. Klik Next.
Garis bidik menunjukkan lokasi yang tidak memiliki nilai yang terukur. Untuk
memprediksi nilai di garis bidik, Anda dapat menggunakan nilai-nilai di lokasi
yang diukur. Anda tahu bahwa nilai-nilai dari lokasi yang diukur terdekat yang
paling mirip dengan nilai lokasi yang tidak terukur yang Anda mencoba untuk
memprediksi. The titik merah pada gambar di bawah ini akan tertimbang (atau
mempengaruhi nilai yang tidak diketahui) lebih dari poin hijau karena mereka
lebih dekat dengan lokasi Anda memprediksi. Menggunakan poin sekitarnya dan
model semivariogram / kovarians dipasang sebelumnya, Anda dapat memprediksi
nilai untuk
lokasi yang tidak
terukur.

9. Klik Next.
Diagram cross-validasi memberi Anda gambaran tentang seberapa baik model
memprediksi nilai-nilai di lokasi yang tidak diketahui.

Anda akan belajar bagaimana menggunakan grafik dan memahami statistik dalam
latihan 4.
10. Klik Finish.
Metode Laporan kotak dialog merangkum informasi tentang metode (dan
parameter yang terkait) yang akan digunakan untuk membuat permukaan output.

11. Klik OK.

Peta ozon diperkirakan ditambahkan sebagai lapisan atas di daftar isi.
12.Klik dua kali layer dalam daftar isi untuk membuka Layer kotak dialog
Properties.
13. Klik tab General dan mengubah nama layer ke Default Kriging dan klik OK.
Mengubah nama layer akan membantu Anda membedakan lapisan ini dari yang
Anda akan
membuat
dalam latihan
4.

14. Klik tombol Save pada toolbar Standard untuk menyimpan pekerjaan Anda.
Perhatikan bahwa interpolasi terus ke laut karena luasnya lapisan adalah sama
dengan tingkat input data (O3_Sep06_3pm).
15.Untuk membatasi permukaan prediksi untuk dalam California, klik kanan
Default Kriging layer dan klik Properties.
16. Klik tab Extent.
17. Klik panah Set the extent to,klik panah the rectangular extent of ca_outline,
kemudian klik OK.
daerah diinterpolasi meluas sehingga mencakup semua California.
18. Klik kanan frame Layers data dalam daftar isi, klik Properti, lalu klik tab Data
Frame.
19. Klik panah Clip Options, pilih Clip to shape, kemudian klik tombol Specify
Shape.
20. Pada Data Frame Clipping kotak dialog, klik Outline of Features, klik Layer
panah, kemudian klik ca_outline.
21. Klik OK, lalu klik OK lagi.

permukaan diperkirakan terpotong sehingga tidak menampilkan data melampaui

batas-batas negara, tetapi meliputi semua area di dalam negara, seperti yang
ditunjukkan di bawah ini.

22.Tarik lapisan O3_Sep06_3pm ke puncak daftar isi.

Visual menilai seberapa baik Default Kriging lapisan mewakili nilai-nilai ozon
diukur. Secara umum, jangan prediksi ozon tinggi terjadi di wilayah yang sama di
mana konsentrasi ozon yang tinggi diukur? Dalam latihan 3 dan 4, Anda akan
belajar bagaimana untuk secara kuantitatif menilai seberapa baik model
melakukan dan bagaimana untuk membandingkan dua model.
23. Klik kanan Default Kriging lapisan dalam daftar isi dan klik Validasi /
Prediksi.
Ini membuka Layer GA Untuk hai alat geoprocessing dengan default lapisan
Kriging
ditetapkan sebagai
masukan
lapisan geostatistik.

24. Input geostatistical layer harus diatur secara otomatis ke Default Kriging.
Untuk lokasi pengamatan Point, arahkan ke geodatabase yang berisi data untuk
tutorial ini, dan klik ca_cities dataset. Tinggalkan Field to validate on kosong
karena kami hanya ingin menghasilkan prediksi ozon untuk kota-kota besar, tidak
memvalidasi nilai prediksi terhadap nilai yang terukur. Untuk Output statistics at
point locations, arahkan ke folder yang Anda buat untuk output, dan nama file
output CA_cities_ozone.shp. Biarkan Append all fields from input features
diperiksa karena kami ingin bisa melihat nama-nama kota di kelas fitur output.
GA Lapisan Untuk Tempat geoprocessing kotak dialog tool akan terlihat seperti
ini:

25. Klik OK untuk menjalankan alat.

Latar Belakang geoprocessing diaktifkan secara default, sehingga semua yang
Anda akan lihat sebagai alat berjalan kemajuan pada status ArcMap bar (di bagian
bawah jendela ArcMap).
26. Setelah alat telah dijalankan, klik tombol Add Data pada toolbar Standard.
27. Arahkan ke data, klik CA_ozone_cities.shp, lalu klik Add.
Pengamatan titik lapisan ditambahkan ke peta Anda.
28. Klik kanan layer CA_cities_ozone dan klik Open Atribut Tabel.
Perhatikan bahwa setiap kota sekarang memiliki nilai ozon diprediksi, serta nilai
standard error (yang menunjukkan tingkat ketidakpastian yang berhubungan
dengan prediksi ozon untuk masing-masing kota).

29. Tutup jendela Table.

30. Klik kanan layer CA_cities_ozone dan klik Hapus untuk menghapus lapisan
dari proyek tersebut.
31. Save dokumen ArcMap.

LATIHAN 2: MENJELAJAHI DATA ANDA

Dalam latihan ini, Anda akan menjelajahi data Anda. Sebagai proses terstruktur
ditampilkan pada akhir latihan 1 menyarankan, untuk membuat keputusan yang
lebih baik saat membuat permukaan, Anda harus terlebih dahulu mengeksplorasi
dataset Anda untuk mendapatkan pemahaman yang lebih baik dari itu. Ketika
menjelajahi data Anda, mencari kesalahan yang jelas dalam nilai-nilai yang dapat
secara drastis mempengaruhi permukaan prediksi output; meneliti bagaimana data
didistribusikan; dan mencari tren global, pengaruh directional, dan sebagainya.
Analis geostatistik memberikan banyak alat eksplorasi data. Dalam latihan ini,
Anda akan menjelajahi data Anda dalam tiga cara:
Menguji distribusi data Anda.
Mengidentifikasi tren dalam data Anda, jika ada.
Memahami autokorelasi spasial dan pengaruh directional.
Menguji distribusi data Anda menggunakan alat Histogram
metode interpolasi yang digunakan untuk menghasilkan permukaan 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. Histogram alat Histogram plot frekuensi
untuk atribut dalam dataset, memungkinkan Anda untuk memeriksa univariat
(satu-variabel) distribusi untuk setiap atribut dalam dataset. Berikutnya, Anda
akan menjelajahi distribusi ozon untuk lapisan O3_Sep06_3pm.

LATIHAN 3: PEMETAAN KONSENTRASI OZON

Dalam latihan 1, Anda menggunakan parameter default untuk memetakan
konsentrasi ozon. Namun, Anda tidak memeriksa sifat statistik dari data sampel.
Misalnya, dari menjelajahi data dalam latihan 2, tampak bahwa data menunjukkan
tren dan pengaruh directional. Ini dapat dimasukkan ke dalam model interpolasi.
Dalam latihan ini, Anda akan
1. Memperbaiki peta konsentrasi ozon dibuat dalam latihan 1.
2. Diperkenalkan ke beberapa konsep geostatistik dasar.
Anda akan kembali menggunakan metode kriging interpolasi biasa, tapi kali ini
menggabungkan tren dan anisotropi dalam model Anda untuk membuat prediksi
yang lebih baik. kriging biasa adalah model geostatistik sederhana karena
sejumlah asumsi di balik itu adalah yang terendah.
Langkah:
1. Jika Anda menutup sesi ArcMap sebelumnya, mulai program lagi dan Ozon
terbuka Prediksi Map.mxd.
2. Pastikan bahwa tidak ada poin yang mewakili pengukuran ozon yang dipilih.
Jika beberapa, bersihkan seleksi dengan mengklik tombol Clear Selected
Features pada toolbar Tools.
3. Analis toolbar Geostatistik, klik Geostatistical Analyst > Geostatistical
Wizard.
4. Klik Kriging/Cokriging dalam kotak daftar Metode.
5. Klik Input Data panah drop-down dan klik O3_Sep06_3pm.
6. Klik
Atribut panah
tarik-turun
dan klik atribut
OZONE.

7. Klik Next.
8. Klik Ordinary Kriging.
Dari eksplorasi data Anda dalam latihan 2, Anda menemukan sebuah tren global.
Setelah perbaikan dengan alat Analisis Trend, Anda menentukan bahwa orde
kedua polinomial tampak wajar. Kecenderungan ini dapat diwakili oleh rumus
matematika dan dihapus dari data.
Setelah tren dihapus, analisis statistik akan dilakukan pada residual atau jarak
pendek komponen variasi permukaan. tren secara otomatis akan ditambahkan
kembali sebelum permukaan akhir dibuat sehingga prediksi menghasilkan hasil
yang berarti.
9. Klik panah Order of trend removal drop-down dan klik second.

Sebuah polinomial orde kedua akan dipasang karena kurva berbentuk U terdeteksi
dalam kotak dialog Analisis Trend dalam latihan 2.
10. klik Next

Secara default, Geostatistik Analis memetakan tren global dalam dataset.

permukaan menunjukkan perubahan yang paling cepat ke arah barat daya-timur
laut dan perubahan yang lebih bertahap ke arah barat laut-tenggara (menyebabkan
bentuk elips).
Tren hanya harus dihapus jika ada pembenaran untuk melakukannya. The dayatimur laut tren dalam kualitas udara dapat dikaitkan dengan penumpukan ozon
antara pegunungan dan pantai. Elevasi dan berlaku arah angin merupakan faktor
yang dengan nilai-nilai yang relatif rendah di pegunungan dan di pantai.
Konsentrasi tinggi dari manusia juga menyebabkan tingginya tingkat polusi antara
pegunungan dan pantai. Oleh karena itu, Anda dibenarkan dapat menghapus tren
ini.
11. Klik Next pada kotak dialog Detrending.
Semivariogram / pemodelan Kovarian
Menggunakan alat awan semivariogram / kovarians dalam latihan 2, Anda
menjelajahi autokorelasi spasial keseluruhan poin diukur. Untuk melakukannya,
Anda diperiksa nilai semivariogram, yang menunjukkan perbedaan kuadrat dari
pengukuran ozon diambil di pasang lokasi pengambilan sampel yang dipisahkan
oleh jarak yang berbeda. Tujuan dari pemodelan semivariogram / kovarians
adalah untuk menentukan yang terbaik cocok untuk model yang akan melewati
titik-titik di semivariogram (ditunjukkan dengan garis biru dalam diagram di
bawah). semivariogram adalah representasi grafis yang digunakan untuk
memberikan gambaran tentang korelasi spasial dalam dataset.
The semivariogram / Kovarian Modeling kotak dialog memungkinkan Anda untuk
menyesuaikan model untuk hubungan spasial dalam dataset. Analis geostatistik
pertama menentukan ukuran lag baik untuk pengelompokan nilai semivariogram.
Ukuran lag adalah ukuran kelas jarak ke yang pasang lokasi dikelompokkan untuk
mengurangi jumlah besar kemungkinan kombinasi. Dalam latihan 2, awan
semivariogram / kovarians menunjukkan satu titik merah untuk setiap pasang titik
di dataset. Tujuan kami sekarang adalah untuk menyesuaikan kurva melalui titiktitik. Untuk memiliki gambaran yang lebih jelas dari nilai-nilai semivariogram,
nilai-nilai semivariogram empiris (titik merah) dikelompokkan sesuai dengan
jarak pemisahan mereka yang terkait dengan. Poin dibagi menjadi sampah (atau
tertinggal), dan ukuran lag menentukan seberapa luas setiap interval (bin) akan.
Proses ini dikenal sebagai Binning.
Sebagai hasil dari binning, perhatikan bahwa ada poin lebih sedikit di
semivariogram ini daripada di cloud semivariogram Anda melihat dalam latihan 2.

Kotak dialog semivariogram / Kovarian Modeling menampilkan nilai

semivariogram sebagai permukaan (peta di bagian kiri bawah dari dialog box) dan
sebagai sebar berkaitan nilai semivariogram dengan jarak pemisahan. Secara
default, nilai-nilai parameter yang optimal dihitung untuk omnidirectional (segala
arah) Model semivariogram stabil. Ada beberapa jenis model semivariogram yang
dapat digunakan, tergantung pada seberapa baik mereka sesuai dengan data. nilai
parameter untuk model semivariogram stabil omnidirectional adalah nugget,
kisaran, sill parsial, dan bentuk. Anda akan melihat bahwa pada jarak yang lebih
kecil, model semivariogram (garis biru) meningkat tajam, maka tingkat off.
Rentang ini jarak di mana tingkat off. Ini mendatar dari semivariogram
menunjukkan bahwa ada sedikit autokorelasi dalam atribut (ozon) nilai-nilai di
luar jangkauan.
Algoritma
benar

pas benar-

menggunakan ukuran lag variabel, yang memungkinkan autokorelasi spasial

dalam konsentrasi ozon yang akan diambil cukup baik, terutama pada jarak
pendek (yang paling penting bagi interpolasi). nilai semivariogram untuk ukuran
lag ini dapat diekspor dengan memilih Save geometrical values as table di
bagian Export > Variography dari kotak dialog dan divisualisasikan
menggunakan Excel, misalnya.

Dengan menghapus tren, semivariogram akan model autokorelasi spasial antara

titik data tanpa harus mempertimbangkan tren dalam data. tren akan secara
otomatis ditambahkan kembali ke perhitungan sebelum permukaan akhir yang
dihasilkan.
Skala warna, yang merupakan nilai semivariogram dihitung, menyediakan link
langsung antara nilai-nilai semivariogram empiris pada grafik dan orang-orang di
permukaan semivariogram. Nilai setiap sel dalam permukaan semivariogram
adalah kode warna, dengan nilai-nilai yang lebih rendah ditunjukkan pada nilainilai biru dan hijau dan lebih tinggi ditunjukkan dalam oranye dan merah. Ratarata nilai untuk setiap sel dari permukaan semivariogram diplot pada grafik
semivariogram dan digambarkan sebagai titik merah. Rata-rata nilai untuk setiap
lag (yang mencakup banyak sel) diplot pada grafik semivariogram juga, dan
digambarkan sebagai salib biru. Sumbu x pada grafik semivariogram adalah jarak
dari pusat sel ke pusat permukaan semivariogram. Untuk data ozon,
semivariogram dimulai rendah pada jarak pendek (nilai-nilai ozon diukur pada
lokasi yang berdekatan adalah sama) dan meningkat dengan meningkatnya jarak
(nilai ozon mendapatkan lebih berbeda yang jauh terpisah mereka diukur).
Pemberitahuan dari permukaan semivariogram yang perbedaan dalam nilai-nilai
ozon meningkat lebih cepat ke arah barat-timur dari arah selatan-utara.
Sebelumnya, Anda dihapus tren kasar-besaran. Sekarang tampak bahwa masih ada
komponen arah untuk autokorelasi, sehingga Anda akan menggabungkan yang
menjadi model berikutnya.
semivariograms directional
Pengaruh directional akan mempengaruhi poin dari semivariogram dan model
yang akan fit. Dalam arah tertentu, hal-hal yang dekat satu sama lain mungkin
lebih mirip daripada di arah lainnya. Analis geostatistik dapat menjelaskan
pengaruh directional, atau anisotropi dalam model semivariogram. Anisotropi
dapat disebabkan oleh angin, limpasan, struktur geologi, atau berbagai proses
lainnya. Pengaruh directional dapat statistik diukur dan dicatat ketika membuat

peta Anda.
Anda dapat menjelajahi perbedaan di titik data untuk arah tertentu dengan alat
Cari Direction. Hal ini memungkinkan Anda untuk memeriksa pengaruh arah
pada grafik semivariogram. Ini tidak mempengaruhi permukaan output. Langkahlangkah berikut menunjukkan bagaimana untuk mencapai hal ini.
Langkah:
1. Ketik nilai ukuran Lag baru 15000. Mengurangi ukuran lag berarti bahwa Anda
zoom in untuk model rincian variasi data spasial lokal.
2. Ubah Tampilkan arah pencarian opsi dari Salah untuk Benar.
Catatan pengurangan jumlah nilai semivariogram. Hanya titik-titik dalam arah
pencarian akan ditampilkan dalam grafik.

3. Klik dan tahan mouse pointer pada garis biru tengah alat Cari Direction.
Mengubah arah pencarian dengan menyeret garis tengah. Ketika Anda mengubah
arah pencarian, perhatikan bagaimana perubahan grafik semivariogram. Hanya
nilai-nilai permukaan semivariogram dalam arah pencarian diplot pada grafik
semivariogram di atas.
Untuk benar-benar memperhitungkan pengaruh directional pada model
semivariogram untuk perhitungan permukaan, Anda harus menghitung
anisotropical semivariogram atau kovarians Model.
4. Ubah opsi Anisotropy dari Salah untuk True.

Elips biru pada permukaan semivariogram menunjukkan kisaran semivariogram

dalam arah yang berbeda. Dalam hal ini, sumbu utama terletak sekitar ke arah
NNW-SSE. Anisotropi sekarang akan dimasukkan ke dalam model untuk
menyesuaikan pengaruh arah autokorelasi di permukaan output.
5. Mengubah sudut arah pencarian di bawah View Settings 0-61,35 untuk
membuat pointer bertepatan directional dengan sumbu minor elips anisotropical.

Perhatikan bahwa bentuk kurva semivariogram meningkatkan lebih cepat untuk

nilai ambang nya. X dan y-koordinat dalam meter, sehingga berbagai arah ini
adalah sekitar 110 kilometer.
6. Mengubah sudut arah pencarian di bawah View Settings 61,35-151,35 untuk
membuat pointer bertepatan directional dengan sumbu utama elips anisotropical.

Model semivariogram meningkat secara bertahap, kemudian mendatar. Kisaran

arah ini adalah sekitar 180 kilometer. Dataran tinggi bahwa model semivariogram
mencapai di kedua langkah 5 dan 6 adalah sama dan dikenal sebagai ambang
jendela. rentang adalah jarak di mana model semivariogram mencapai nilai batas
nya (ambang jendela). Di luar jangkauan, ketidaksamaan antara titik menjadi
konstan dengan peningkatan jarak lag. Tempat dipisahkan oleh jarak yang lebih
besar dari kisaran yang spasial berkorelasi dengan satu sama lain.
nugget merupakan kesalahan pengukuran dan / atau variasi mikro (variasi pada
skala spasial terlalu halus untuk mendeteksi). Hal ini dimungkinkan untuk
memperkirakan kesalahan pengukuran jika Anda memiliki beberapa pengamatan
per lokasi, atau Anda dapat terurai nugget ke kesalahan pengukuran dan variasi
mikro menggunakan kontrol Kesalahan Pengukuran.
7. Klik Next.

Sekarang Anda memiliki model pas untuk menggambarkan autokorelasi spasial,

dengan mempertimbangkan tren dan pengaruh arah dalam data. Informasi ini,
bersama dengan konfigurasi dan pengukuran lokasi di sekitar lokasi prediksi,
digunakan untuk membuat prediksi. Tapi bagaimana seharusnya nilai yang terukur
digunakan untuk membuat prediksi?

lingkungan mencari
Ini adalah praktek umum untuk membatasi data yang digunakan dengan
mendefinisikan sebuah lingkaran (atau elips) untuk menyertakan poin yang
digunakan untuk memprediksi nilai di lokasi yang tidak terukur. Selain itu, untuk
menghindari bias dalam arah tertentu, lingkaran (atau elips) dapat dibagi menjadi
sektor yang jumlah yang sama dari poin yang dipilih. Dengan menggunakan kotak
dialog pencarian Neighborhood, Anda dapat menentukan jumlah poin (maksimal
200), jari-jari (atau sumbu utama / minor), dan jumlah sektor lingkaran (atau
elips) yang akan digunakan untuk prediksi.
Poin yang dipilih dalam tampilan data jendela menunjukkan bobot yang akan
dikaitkan dengan masing-masing nilai diukur untuk memprediksi nilai untuk
lokasi ditandai dengan crosshair. Dalam contoh ini, lima nilai diukur (ditampilkan
dalam warna merah) memiliki bobot lebih dari 10 persen. Semakin besar berat
badan, semakin dampak yang menghargai akan memiliki pada prediksi untuk
lokasi di crosshair.
Langkah:
1. Klik pada preview permukaan untuk memilih lokasi prediksi (dimana bidik
berada). Perhatikan perubahan dalam pemilihan lokasi data (bersama-sama
dengan bobot yang terkait) yang akan digunakan untuk menghitung nilai di lokasi
prediksi.
2. Untuk tujuan latihan ini, di bawah Predicted Value, jenis 66000 untuk X dan
-220.000
untuk Y.
3. Mengubah
Copy from
Variogram
ke False dan
ketik 90
dalam kotak
teks Angle.
Perhatikan
bagaimana
bentuk
perubahan
pencarian
elips.

Namun, untuk menjelaskan pengaruh arah, mengubah Copy dari variogram

kontrol kembali ke True.
4. Klik Next.
Kotak dialog lintas Validasi akan muncul.

Sebelum Anda benar-benar membuat permukaan, Anda akan menggunakan kotak

dialog lintas Validasi untuk melakukan diagnosa pada parameter untuk
menentukan seberapa baik model Anda akan.
Validasi silang
Tujuan dari cross-validasi adalah untuk membantu Anda membuat keputusan
tentang model mana yang memberikan prediksi yang paling akurat. Ini memberi
Anda gambaran tentang seberapa baik model memprediksi nilai-nilai yang tidak
diketahui. Cross-validasi berurutan menghilangkan titik dalam dataset,
memprediksi nilai untuk nilai lokasi titik menggunakan sisa data, kemudian
membandingkan nilai diukur dan diprediksi (perbedaan antara nilai diukur dan
diprediksi dikenal sebagai kesalahan prediksi). Statistik dihitung dari kesalahan
prediksi berfungsi sebagai diagnostik yang menunjukkan apakah model yang
wajar untuk pengambilan keputusan dan produksi peta.
Untuk menilai apakah model memberikan prediksi akurat, pastikan
1. Prediksi yang berisi, ditunjukkan dengan kesalahan prediksi rata-rata mendekati
0.
2. Standar error yang akurat, ditunjukkan dengan kesalahan prediksi standar akarmean-square dekat dengan 1.
3. Prediksi tidak menyimpang jauh dari nilai-nilai yang diukur, ditunjukkan oleh

kesalahan akar-mean-square dan rata-rata standard error yang sekecil mungkin.

Kotak dialog lintas Validasi juga memungkinkan Anda untuk menampilkan
scatterplots yang menunjukkan kesalahan, kesalahan standar, dan QQ plot untuk
setiap titik data.
Langkah:
1. Klik tab Normal QQPlot untuk menampilkan plot QQ.
Dari tab QQPlot, Anda dapat melihat bahwa beberapa nilai jatuh sedikit di atas
garis dan beberapa sedikit di bawah garis, tetapi sebagian besar poin jatuh sangat
dekat dengan garis putus-putus lurus, menunjukkan bahwa kesalahan prediksi
yang dekat dengan yang terdistribusi secara normal.
2. Untuk
lokasi untuk
tertentu, klik

memilih
titik
baris yang

berhubungan dengan tempat tujuan dalam tabel. Titik yang dipilih akan
ditampilkan dalam warna hijau pada plot QQ.

3. Opsional, klik tombol Export Result Table untuk menyimpan kelas fitur point
untuk analisis lebih lanjut dari hasil.
4. Klik Finish.
Method Report kotak dialog menyediakan ringkasan dari model yang akan
digunakan untuk membuat permukaan.

5. Klik OK.
Peta ozon diperkirakan akan muncul sebagai lapisan atas di ArcMap. Secara
default, lapisan mengasumsikan nama metode interpolasi yang digunakan untuk
menghasilkan permukaan (misalnya, Kriging).
6. Klik nama layer dan mengubah nama untuk Trend Dihapus.
7. Untuk memperpanjang permukaan prediksi sehingga mencakup semua
California, klik kanan Trend Dihapus lapisan, klik Properti, lalu klik tab Luas. Di
bawah Set sejauh, menentukan batas persegi panjang dari ca_outline dan klik OK.
8. Tarik lapisan O3_Sep06_3pm ke puncak daftar isi sehingga Anda dapat melihat
poin di atas permukaan diinterpolasi.
9. Klik kanan Trend Dihapus lapisan yang Anda buat dan klik Change output to
Prediction Standard Error.

Prediksi kesalahan standar mengukur ketidakpastian untuk setiap lokasi di

permukaan yang Anda buat. Sebuah aturan sederhana praktis adalah bahwa 95
persen dari waktu, nilai ozon yang benar akan berada di dalam interval yang
dibentuk oleh nilai prediksi 2 kali prediksi standard error, dengan asumsi bahwa
data yang terdistribusi normal. Perhatikan di prediksi standar permukaan
kesalahan yang lokasi dekat titik sampel umumnya memiliki kesalahan yang lebih
rendah.
10. Klik kanan Trend Dihapus lapisan yang Anda buat dan klik Change output to
Prediction untuk kembali ke peta prediksi ozon.
11. Klik Save pada toolbar Standard.

Latihan 4: Membandingkan model

Menggunakan Analyst Geostatistik, Anda dapat membandingkan prediksi
ditampilkan dalam dua atau lebih permukaan dipetakan. Hal ini memungkinkan
Anda untuk membuat keputusan sebagai model yang memberikan prediksi yang
lebih akurat konsentrasi ozon berdasarkan statistik lintas validasi.
Dalam latihan ini, Anda akan membandingkan Trend Dihapus lapisan dibuat
dalam latihan 3 dengan default Kriging lapisan Anda buat dalam latihan 1.
Langkah:
1. Jika Anda menutup sesi ArcMap sebelumnya, mulai program lagi dan Ozon
terbuka Prediksi Map.mxd.
2. Klik kanan Trend Removed layer dan pilih Compare.

Kotak dialog Cross Validation Comparison akan muncul dan secara otomatis
membandingkan Trend Dihapus Model dengan model Kriging default (karena
merupakan satu-satunya model yang lain di daftar isi).

3. Bandingkan statistik lintas validasi untuk kedua model.

Memilih yang terbaik mengingat
a. Prediksi harus berisi, ditunjukkan dengan kesalahan prediksi rata-rata sebagai
dekat dengan 0 sebagai mungkin.
b. Standar error yang akurat, ditunjukkan dengan kesalahan prediksi standar akarmean-square dekat dengan 1.
c. Prediksi tidak menyimpang jauh dari nilai-nilai yang diukur, ditunjukkan oleh
kesalahan akar-mean-square dan rata-rata standard error yang sekecil mungkin.
Anda juga dapat menggunakan Diprediksi, Kesalahan, Kesalahan Standar, dan tab
QQPlot normal untuk melihat representasi grafis dari kinerja masing-masing
model.
Berdasarkan kriteria tersebut, Trend Model Dihapus melakukan lebih baik
daripada Kriging Default.
4. Tutup kotak dialog Cross Validation Comparison.
5. Klik kanan
layer dan klik

6. Klik Save pada toolbar Standard.

Default Kriging
Remove.

LATIHAN 5: PEMETAAN PROBABILITAS OZON MELEBIHI AMBANG

BATAS KRITIS
Dalam proses pengambilan keputusan, perawatan harus diambil dalam
menggunakan peta ozon diperkirakan untuk mengidentifikasi daerah-daerah yang
tidak aman karena itu perlu untuk memahami ketidakpastian prediksi. Misalnya,
yang penting nilai ambang ozon 0,09 ppm untuk jangka waktu satu jam dan Anda
ingin menentukan apakah lokasi melebihi nilai ini. Untuk lokasi tertentu, nilai
prediksi mungkin 0,1 ppm, namun karena ketidakpastian terkait dengan prediksi
bahwa, nilai ozon benar mungkin terletak antara 0,07 dan 0,12 ppm. Untuk
membantu proses pengambilan keputusan, Anda dapat menggunakan Analyst
Geostatistik untuk memetakan probabilitas bahwa nilai-nilai ozon melebihi
ambang batas.
Sementara Analis Geostatistik menyediakan sejumlah metode yang dapat
melakukan tugas ini, untuk latihan ini Anda akan menggunakan model yang
tersedia yang paling sederhana, indikator kriging. Teknik ini tidak membutuhkan
dataset untuk menyesuaikan diri dengan distribusi tertentu. Nilai data diubah
untuk serangkaian 0s dan 1s menurut apakah nilai-nilai dari data di bawah atau di
atas ambang batas. Jika ambang batas 0,09 ppm digunakan, setiap nilai di bawah
ambang batas ini akan diberi nilai 0, sedangkan nilai di atas ambang batas akan
diberi nilai 1. Indikator kriging kemudian menggunakan model semivariogram
yang dihitung dari 0- 1 dataset.
Langkah:
1. Jika Anda menutup sesi ArcMap sebelumnya, mulai program lagi dan
membuka Prediksi Ozon Map.mxd.
2. Pada Analis toolbar Geostatistik, klik Geostatistical Analyst > Geostatistical
Wizard.
3. Klik Kriging / Cokriging dalam kotak daftar Metode.
4. Klik Input Data panah drop-down dan klik O3_Sep06_3pm.
5. Klik Atribut panah tarik-turun dan klik atribut OZONE.
6. Klik Next.
7. Klik Indicator Kriging; melihat bahwa Probabilitas Peta dipilih sebagai jenis
output.
8. Pastikan bahwa Threshold diatur ke Melebihi, kemudian mengatur Nilai
Ambang Primer ke 0,09.

9. Klik Next.
10. Mengubah ukuran Lag ke 15000.
11. Perubahan Anisotropy ke True untuk menjelaskan sifat arah dari data.
Garis biru menunjukkan model semivariogram yang diperkirakan dalam arah
yang berbeda.

12. Klik Next pada kotak dialog semivariogram / Kovarian Modeling.

13. Klik Next pada kotak dialog Neighborhood Cari.
Garis biru merupakan nilai ambang batas (0,09 ppm). Poin ke kiri dari garis biru
memiliki nilai indikator-transform 0, sedangkan poin ke kanan memiliki nilai

indikator-transform dari 1.
14. Klik untuk memilih baris dalam tabel dengan nilai indikator 0. titik yang
dipilih akan ditampilkan dalam warna hijau pada scatterplot, ke kiri dari garis
batas biru.
Dalam kasus
baris yang
dipilih pada
gambar di
bawah,
prediksi ini
persis sama
dengan nilai
indikator.

Kolom Terukur dan Indikator menampilkan nilai-nilai aktual dan diubah untuk
setiap lokasi sampel. Nilai-nilai prediksi indikator dapat diartikan sebagai
probabilitas melebihi ambang batas. Nilai-nilai prediksi indikator dihitung dengan
menggunakan semivariogram model dari biner (0,1) data, dibuat berdasarkan
transformasi indikator data asli Anda. Cross-validasi berurutan menghilangkan
titik dan menghitung nilai prediksi indikator untuk setiap. Misalnya, nilai tertinggi
yang diukur adalah 0,121. Jika lokasi ini tidak benar-benar telah diukur, model
kriging indikator menunjukkan tentang peluang 78 persen bahwa nilai ozon di
lokasi yang berada di atas ambang batas 0,09 ppm.
15. Klik Finish pada kotak dialog lintas Validasi.
16. Klik OK pada kotak dialog Metode Laporan.
Peta probabilitas akan muncul sebagai lapisan atas di ArcMap. Peta menampilkan
nilai-nilai prediksi indikator, diartikan sebagai probabilitas bahwa nilai ambang
0,09 ppm melebihi antara 3 dan 16:00 pada tanggal 6 September 2007.

17. Ubah nama layer Indikator Kriging

18. Tarik lapisan Indikator Kriging untuk reposisi antara lapisan O3_Sep0_3pm
dan Trend Dihapus.
19. Klik kanan layer Indikator Kriging dan klik Properties.
20. Klik tab Extent dan mengatur batas untuk menentukan sejauh mana persegi
panjang ca_outline.
21. Klik Apply.
22. Klik tab simbology.
23. Hapus centang Filled Contours yang Dipenuhi dan centang pilihan Kontur.
24. Klik Contours sehingga simbologi untuk kontur (garis) muncul. Pilih hijau
untuk warna jalan biru.

25. Klik tombol Classify. Pada kotak dialog Classification, mengubah Method
Equal Interval dan clases 5.

26. Klik OK, lalu klik OK lagi.

Anda sekarang harus memiliki kontur hijau dan biru di atas prediksi ozon. peta
sekarang menunjukkan wilayah nilai-nilai ozon tinggi dan rendah diprediksi dan
bidang probabilitas tinggi bahwa konsentrasi ozon melebihi Standar Kualitas
Udara California State untuk pengukuran satu jam.

27. Sebagai sentuhan akhir untuk peta, Anda dapat menambahkan dataset
ca_hillshade untuk proyek (dari C: \ ArcGIS \ ArcTutor \ Geostatistik Analyst).
Perlu ditambahkan ke bagian bawah daftar isi dan digambarkan menggunakan
putih untuk warna ramp hitam.
28. Klik kanan Trend Dihapus lapisan, klik Properti, lalu klik tab Display.
29. Mengatur Transparansi untuk 30% dan klik OK.

30. Klik Save pada toolbar Standard untuk menyimpan peta Anda.