Summarize Data

The Summarize Data toolset contains tools that calculate total counts, lengths, areas, and basic descriptive statistics of features and their attributes within areas or near other features.

• Aggregate Points calculates statistics about points that fall within specified areas or bins.
• Build Multi-Variable Grid generates a grid of square or hexagonal bins and calculates values for each bin based on the proximity of each input layer.
• Describe Dataset calculates a summary of your input, and can optionally generate a sample of your input layer.
• Join Features calculates statistics about features that share a spatial, temporal, or attribute relationship with other features.
• Reconstruct Tracks calculates statistics about points or polygons that belong to the same track and reconstructs inputs into tracks.
• Summarize Attributes calculates statistics about feature or tabular data that share attributes.
• Summarize Within calculates statistics for area features and attributes that overlap each other.

Pontok összevonása

Ez az eszköz egy pont-típusú vektoros elemeket tartalmazó réteg és vagy egy terület vektoros elemeket tartalmazó réteg vagy meghatározott távolsággal definiált gyűjtők használatával meghatározza, hogy mely pontok esnek az egyes területeken vagy gyűjtőkön belül, és kiszámítja az összes pont statisztikai adatait az egyes területeken vagy gyűjtőkön belül. Ezzel az eszközzel időszeleteket is használhat.

Ilyenre példák a következők:

• A bűntények pontszerűen megadott helyét alapul véve kiszámíthatja a megyénként vagy más közigazgatási körzetenként előfordult bűntények számát.
• Megkeresheti a franchise üzletek által elért legnagyobb és legkisebb havi bevételt 100 kilométeres gyűjtőket használva.

Többváltozós táblázat felépítése

A Többváltozós táblázat felépítése eszköz négyszög vagy hatszög alakú gyűjtőket tartalmazó rácshálót hoz létre, és mindegyik gyűjtőhöz változókat számít egy vagy több bemenő réteg közelsége alapján.

Ilyenre példák a következők:

• Tegyük fel, hogy adva van több, tömegközlekedési infrastruktúrát tartalmazó réteg. A város melyik része a legnehezebben elérhető tömegközlekedéssel?
• Tegyük fel, hogy adva vannak vízi utakat tartalmazó rétegek. Mi a neve az egyes helyekhez legközelebb eső víztömegnek az Egyesült Államokban?
• Tegyük fel, hogy adva van egy, a háztartások jövedelmét tartalmazó réteg. Az Egyesült Államokban hol a legnagyobb a jövedelmek variációja a környező 50 mérfölden belül?

Adathalmaz leírása

Bemeneti vektoros elemek összegzése statisztikákkal, mintarétegekkel és vizualizálással. Kimenetnek választhat egy mintaréteget vagy egy kiterjedési réteget.

Erre példák a következők:

• Hivatkozás a kiszámított összesítő statisztikákra annak megállapítására, milyen értékeket tartalmaz az adathalmaz.
• A teljes adathalmaz rajzolása helyett hozzon létre egy részcsoport-réteget a vektoros elemek és attribútumaik vizualizálására, amikor azok hozzáadásra kerülnek a térképhez.
• Takarítson meg időt és forrásokat, és mielőtt a teljes adathalmazon futtatna elemzést, futtasson elemzést egy mintarétegen.

Vektoros elemek összekapcsolása

Vektoros rétegeket vagy táblázatos adatokat használva vektoros elemeket és rekordokat kapcsolhat össze a bemenő rétegek vagy táblázatok közötti egyedi kapcsolatok alapján. Az összekapcsolásokat térbeli, időbeli és attribútumok közötti kapcsolatok határozzák meg, és akár összesítő statisztikák is számíthatók.

Ilyenre példák a következők:

• Tegyük fel, hogy rendelkezésre állnak bűncselekmények helyei és időpontjai; kapcsolja össze a bűncselekmények adatait önmagukkal, térbeli kapcsolatot meghatározva olyan bűncselekmények között, amelyek egymástól 1 kilométer távolságon belül és 1 órán belül történtek, és állapítsa meg, hogy történt-e egymáshoz térben és időben közeli bűncselekmények sorozata.
• Tegyük fel, hogy rendelkezésre áll egy irányítószámokhoz kapcsolt demográfiai adatokat tartalmazó táblázat és lakóépületeket leíró terület vektoros elemek; kapcsolja össze a demográfiai információkat a lakcímekkel, hogy a lakcímek is rendelkezzenek ugyanezekkel az információkkal.

Nyomvonal-rekonstrukció

Ez az eszköz időpillanatot leíró, pontszerű vagy polygon vektoros elemek időbélyeggel ellátott rétegét használva meghatározza, hogy a bemeneti vektoros elemek közül melyek tartoznak egy nyomvonalhoz, és időbeli sorrendbe rendezi a bemeneteket. Lehetőség van a bemeneti vektoros elemek statisztikáinak kiszámítására is az egyes nyomvonalakon belül.

Ilyenre példák a következők:

• Egy hurrikánra vonatkozóan adott helyekből és időpontokból számítsa ki a hurrikán átlagos szélsebességét és legnagyobb szélnyomását.
• Hajókra vonatkozó GPS-mérésekből rekonstruálja vonal formájában a hajó útvonalait.

Attribútumok összefoglalása

Ez az eszköz vektoros elemek vagy táblázatos adatok alapján összesítő statisztikákat készít meghatározott mezőkhöz.

Ilyenre példák a következők:

• Tegyük fel, hogy a(z) COMPANY_NAME mezőben rendelkezésre állnak élelmiszerboltok helyei; összesítse a boltokat a vállalat neve alapján, és számítson kis statisztikákat mindegyik vállalathoz.
• Tegyük fel, hogy a(z) COMPANY_NAME és COUNTY mezőkkel rendelkező táblázatban rendelkezésre állnak élelmiszerboltok helyei; összesítse a boltokat a vállalat neve és a megye alapján, és számítson kis statisztikákat mindegyik vállalathoz és megyéhez.

Területen belüli összegzés

Megkeresi azokat a területeket (és területrészeket), ahol két réteg átfedi egymást, és kiszámítja a fedvény statisztikai adatait.

Ilyenre példák a következők:

• Vízgyűjtő területeket és egy felszínhasználati típusokat tartalmazó réteg esetén kiszámíthatja a földterületek nagyságát felszínhasználati típusonként mindegyik vízgyűjtő területre.
• Egy megye parcelláit és településhatárait tartalmazó réteg esetén összesítheti a településeken belüli szabad parcellák átlagos értékeit.

Incidensek észlelése

Ez az eszköz pontok, vonalak, területek vagy táblázatok időbélyeggel ellátott, egy időpillanatot leíró rétegével dolgozik. Az eszköz nyomvonalnak nevezett, sorba rendezett vektoros elemeket használva megállapítja, hogy melyik vektoros elemek érdeklődésre számot tartó incidensek. Az incidensek fogalmát az Ön által meghatározott feltételek szabják meg.

Ilyenre példák a következők:

• 4. kategóriájú hurrikánok felismerése hurrikánok mért adataiból a szélsebesség attribútum alapján.
• Egy hajó mozgásának GPS-méréseit használva a hajó sebességét leíró mezőből keresse meg azokat a méréseket, amelyek értéke nagyobb, mint az előző öt mérés átlagának 1,5-szerese.

Hasonló helyek keresése

Az eszköz hasonló helyeket keres a megadott kritériumok alapján úgy, hogy megméri a vizsgált lehetséges keresési réteg helyeinek egy vagy több vonatkoztatási helyhez való hasonlóságát.

Ilyenre példák a következők:

• Keresse meg az egymáshoz leginkább hasonlító tíz boltot az alkalmazottak számát és az éves árbevételt vizsgálva.
• Keresse meg az egymáshoz leginkább hasonlító 100 várost a népesség, az éves növekedés és az adóbevételek közötti kapcsolatot vizsgálva.

Mintázatok elemzése

Az alábbi eszközök segítenek azonosítani, mennyiségileg meghatározni és megjeleníteni az adatok térbeli mintázatait.

• A Sűrűség számítása bizonyos jelenségek ismert mennyiségeit teríti szét a térképen.
• A Hot spotok keresése meghatározza a statisztikailag szignifikáns klaszterezést az adatok térbeli mintázatában.
• A Pontklaszterek keresése pontszerű vektoros elemek klasztereit keresi a környező zajban a térbeli eloszlásuk alapján.
• Az Erdő alapú osztályozás és regresszió eszköz modelleket hoz létre, és előrejelzéseket generál Leo Breiman véletlen erdő algoritmusának adaptációját alkalmazva, amely egy felügyelt gépi tanulási módszer
• A Generalizált lineáris regresszió előrejelzéseket hoz létre, vagy egy függő változót modellez magyarázó változókhoz való kapcsolata tekintetében.

Sűrűség számítása

A Sűrűség számítása eszköz sűrűségtérképet hoz létre pont-típusú vektoros elemekből egy bizonyos (a pontok attribútumai által képviselt) jelenség ismert mennyiségeit kiterjesztve a térképen. Az eredmény a sűrűséget ábrázoló területeket tartalmazó réteg.

Ilyenre példák a következők:

• A megyében található kórházak sűrűségének kiszámítása. Az eredményréteg mutatja azokat a területeket, ahol magas és alacsony a kórházak elérhetősége, és ez az információ felhasználható annak eldöntésére, hogy hol épüljenek új kórházak.
• Olyan területek azonosítása, ahol magas az erdőtűz kockázata a korábbi helyszíne alapján.
• A nagyobb főútvonalaktól távol élő közösségek helyének meghatározása, annak megtervezéséhez, hogy hol épüljenek új utak.

Pontklaszterek keresése

A Pontklaszterek keresése eszköz pontszerű vektoros elemek klasztereit keresi a környező zajban a térbeli eloszlásuk alapján.

Erre példák a következők:

• Keresse meg a kártevők által elárasztott háztartások klasztereit a célzott irtás elősegítéséhez.
• Készítsen tájékoztatást és segítse a mentési és evakuálási munkát a klaszeterek mérete és elhelyezkedése alapján földrajzi helyhez kapcsolt tweetek segítségével természeti katasztrófák és terroristatámadások után.

Hot spotok keresése

A Hot spotok keresése eszközzel meghatározható, hogy léteznek-e statisztikailag szignifikáns klaszterek az adatok térbeli mintázatában.

• Valóban klaszterezettek a kiválasztott pontok (bűntények, fák, közlekedési balesetek)? Hogyan tudhatja biztosan?
• Valóban statisztikailag szignifikáns hot spotra bukkant (kiadások, gyermekhalandóság, következetesen magas vizsgapontszámok), vagy mást sugallna a térkép, ha megváltoztatná a jelképezés módját?

Erdő alapú osztályozás és regresszió

Az Erdő alapú osztályozás és regresszió eszköz modelleket hoz létre, és előrejelzéseket generál Leo Breiman véletlen erdő algoritmusának adaptációját alkalmazva, amely egy felügyelt gépi tanulási módszer

Erre példák a következők:

• Ha vannak adataink a tengerifű előfordulásáról, továbbá vannak attribútumként reprezentált környezeti magyarázó változóink (amelyeket többváltozós rácshálóból bővítettünk, kiszámítva az ár irányával ellentétes irányban található gyárak és nagy kikötők távolságát), akkor előrejelzést tudunk készíteni a tengerifű jövőbeli előfordulásáról a környezeti magyarázó változók jövőre történő kivetítésével.
• Tegyük fel, hogy vannak termésre vonatkozó adataink az ország különböző részein található több száz farm vonatkozásában, valamint vannak egyéb attribútumaink a farmok vonatkozásában (munkvállalók száma, földterület stb). Ezen adatok használatával olyan vektoros elemeket hozhatunk létre, amelyek azokat a farmokat reprezentálják, ahol nincs termésadat (de az összes többi változó megvan), és előrejelzést készíthetünk a termésről.
• Lakásokra vonatkozó értékeket jelezhetünk előre a folyó évben eladott lakások ára alapján. Az adatok alapján (lakások eladási ára, hálószobák száma, iskoláktól való távolság, nagyobb főútvonalaktól való távolság, átlagjövedelem, bűncselekmények száma) előrejelezhetjük a hasonló lakások eladási árát.

Generalizált lineáris regresszió

A Generalizált lineáris regresszió eszköz előrejelzéseket hoz létre, vagy egy függő változót modellez magyarázó változókhoz való kapcsolata tekintetében. Az eszköz használható folytonos (OLS), bináris (logisztikus modell) és számítási modellek (Poisson-modell) illesztésére.

Erre példák a következők:

• Milyen demográfiai jellemzők járulnak hozzá a tömegközlekedés használatának magas szintjéhez?
• Van összefüggés a vandalizmus és a betörések között?
• Milyen változókkal lehet hatékonyan megjósolni a 911-es segélyhívóhoz befutó hívások számát? A jövőre történő kivetítések alapján mekkora szükséglet várható a vészhelyzeti válaszadási forrásokra?
• Milyen változókkal függ össze az alacsony születésszám?

Buffer létrehozása

A buffer egy pontszerű, vonalas vagy polygon típusú vektoros elemtől egy meghatározott távolságot lefedő terület.

Ilyenre példák a következők:

• Lineáris folyót reprezentáló vektoros elemeket használva készítsen mindegyik vízfolyáshoz az adott vízfolyás szélességének 50-szeresét kitevő buffert, és határozza meg az ártér határvonalát.
• Országokat leíró területekből készítsen mindegyik országhoz 200 tengeri mérföldnek megfelelő buffert, és határozza meg a tengeri határvonalat.

Manage Data

These tools are used for the day-to-day management of geographic and tabular data.

• Append Data appends features to an existing hosted feature layer.
• Calculate Field creates a new field or modifies an existing field and creates a new layer in your contents.
• Clip Layer copies features that intersect a defined area of interest.
• Copy to Data Store copies data to your ArcGIS Data Store and creates a layer in your contents.
• Dissolve Boundaries merges areas that share a common boundary or attribute value.
• Merge Layers copies all features from two layers into a single result layer.
• Overlay Layers combines two or more layers into a single layer.

Másolás az adattárba

Egy bemenő vektoros réteget vagy táblázatot egy ArcGIS Data Store adattárba másol, és egy réteget hoz létre a saját tartalomban az ArcGIS Enterprise alkalmazásban.

Ilyenre példák a következők:

• .csv-fájlok gyűjteményének másolása big data-fájlmegosztóba a térbeli-időbeli adattárba megjelenítés érdekében.
• Az aktuális térképkiterjedés térbeli-időbeli adattárban tárolt vektoros elemeinek másolása a relációs adattárba.

Mező kiszámítása

Értékeket számít ki egy új vagy létező mezőhöz, és egy réteget hoz létre a saját tartalomban az ArcGIS Enterprise alkalmazásban.

Ilyenre példák a következők:

• Egy létező, total nevű mező módosítása a(z) total_2016, total_2017 és total_2018 mezőkben szereplő bevételek összegére.
• Egy új mező létrehozása a veszélyességi szintek besorolására a(z) windspeed és pollutant értékekhez hasonló mezőértékek alapján.

Kivágási réteg

Meghatározott vizsgálati területekről kivág bemeneti vektoros elemeket. Kimeneti eredmény: a bemeneti vektoros elemek részcsoportja.

Erre példák a következők:

• Hozzon létre részcsoportot azokból a veszélyeztetett épületekből, amelyek ártéri területen találhatók.
• Határozza meg, mely főutak haladnak át a potenciális fejlesztési területeken.

Határok összeolvasztása

Olyan területi vektoros elemek összeillesztése, amelyek metszenek egy közös mezőértéket, vagy osztoznak azon, összefüggő vagy több részből álló vektoros elemeklétrehozására.

Erre példák a következők:

• A Hawaii-szigetek határainak összeolvasztásával hozzon létre egy vektoros elemet, amely Hawaii államot reprezentálja.
• Illesszen össze talajtípus szempontjából hasonló vizsgálati területeket, hogy kimenetként egy össszefüggő talajtípus-adathalmazt kapjon.

Fedvényműveletek

Két vagy több réteget egyesít egyetlen rétegben. A fedvények segítségével a legalapvetőbb földrajzi kérdések egyike válaszolható meg: Mi található min?

Ilyenre példák a következők:

• Milyen parcellák találhatók a 100 év visszatérési idejű ártéren belül? (Belül, vagy másképp fogalmazva rajta.)
• Milyen felszínhasználat típus tartozik az egyes talajtípusokhoz?
• Milyen kutak találhatók elhagyott katonai bázisokon?

Adat hozzáfűzése

Vektoros elemeket fűz egy meglévő tárolt réteghez a saját tartalomban az ArcGIS Enterprise alkalmazásban.

Ilyenre példák a következők:

• A 2018_árbevétel vektoros réteg frissítése minden hónapban, amint a beszámolók elérhetővé válnak.
• Hurrikánok követésére használt, 2016. és 2017. évi adathalmazok hozzáfűzése a hurrikánok törzsadathalmazához.
• Adathalmazok gyűjtése több, eltérő sémával rendelkező forrásból, és hozzáfűzés egyedi mezőleképezés segítségével.

Rétegek összeillesztése

Két vektoros réteget összeillesztve hoz létre egy eredményréteget. Alapértelmezésben az egyesítési réteg összes mezőjét tartalmazza, vagy megadhat egyéni összeillesztési szabályokat az eredményséma definiálására.

Erre példák a következők:

• Van három réteg, amelyek Anglia, Wales és Skócia demográfiai adatait tartalmazzák, és ezeket összeillesztve szeretnék egyetlen réteget készíteni Nagy-Britanniáról.
• Két réteg összeillesztése, amelyek tartalmazzák a szomszédos települések csomaginformációját, csak azokat a mezőket megtartva, amelyeknek a két rétegben ugyanaz a neve és a típusa.

Bővítés többváltozós rácshálóból

Hatékonyan kapcsol össze többváltozós rácshálóból származó attribútumokat egy pontszerű réteggel, így lehetővé téve információk nagy és különböző gyűjteményének pontadathoz történő gyors hozzáadását további térbeli elemzésekhez való felhasználás céljára.

Erre példák a következők:

• Ha van egy több millió áramkimaradási incidenst tartalmazó réteg, bővítse az incidens vektoros elemeit a tipikus használatra, a környezeti kockázatokra és az infrastrukturális feltételekre vonatkozó információkkal, hogy tanulmányozhassa ezen tényezők és az áramkimaradás gyakorisága közötti összefüggéseket.