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.

Punktu apkopošana

Lietojot punktu elementu slāni un laukumu vai nodalījumu slāni, ko definē norādīts attālums, šis rīks nosaka, kuri punkti ietilpst katrā laukumā vai nodalījumā, un aprēķina statistiku par visiem punktiem katrā laukumā vai nodalījumā. Ja vēlaties, ar šo rīku varat lietot laika sektorus.

Tālāk ir sniegti piemēri

• Ja ir doti punkti, kuros veiktas noziedzīgas darbības, tiek aprēķināts noziegumu skaitu rajonā vai citā administratīvajā vienībā.
• Nosaka lielāko un mazāko franšīzes ikmēneša ieņēmumu vietu, izmantojot 100-kilometru nodalījumus.

Būvēt režģi ar vairākiem mainīgajiem

Rīks Būvēt režģi ar vairākiem mainīgajiem ģenerē režģi ar kvadrāta vai sešstūra nodalījumiem un aprēķina mainīgos katram nodalījumam, ņemot vērā katra ievades slāņa tuvumu.

Tālāk ir sniegti piemēri:

• Balstoties uz vairākiem dotajiem sabiedriskā transporta infrastruktūras slāņiem, kura pilsētas daļa ir vismazāk pieejama ar sabiedrisko transportu?
• Balsoties uz doto ūdensceļu slāni, piemēriem ezeriem un upēm, kāds ir katrai ASV esošajai atrašanās vietai tuvākā ūdensobjekta nosaukums?
• Balstoties uz doto mājsaimniecību ienākumu slāni, kur ASV ienākumu variācija 50 jūdžu apkārtnē ir vislielākā?

Datu kopas apraksts

Apkopot ievades elementus ar statistiku, paraugu slāņiem un vizualizāciju. Var izvēlēties izvadīt parauga slāni vai pārklājuma slāni.

Tālāk sniegtie ir piemēri:

• Lai izprastu, kādas vērtības ir datu kopā, norādiet aprēķināto kopsavilkuma statistiku.
• Tā vietā, lai uzzīmētu visu datu kopu, izveidojiet apakškopu, lai, pievienojot kartei, vizualizētu elementus un to atribūtus.
• Ietaupiet laiku un resursus, veicot parauga slāņa analīzi pirms visas datu kopas analīzes.

Elementu savienošana

Varat savienot elementus un ierakstus, balstoties uz noteiktām ievades slāņu vai tabulu saistībām, izmantojot elementu slāņus vai tabulas datus. Savienojumus nosaka telpiskās, laika un atribūtu saistības. Ja vēlaties, varat aprēķināt kopsavilkuma statistiku.

Tālāk ir sniegti piemēri

• Ja ir dotas kriminālnoziegumu veikšanas vietas ar laiku, savienojiet noziegumu datus, norādot telpisku saistību noziegumiem, kas tika veikta 1 kilometra attālumā un 1 stundas laikā viens no otra, lai noteiktu, vai ir noziegumu secība, kas ir tuva telpā un laikā.
• Ja ir dota ASV pasta indeksu tabula ar demogrāfisko informāciju un laukums elementiem, kas apzīmē dzīvojamās ēkas, pievienojiet demogrāfisko informāciju dzīvesvietām, lai katrai dzīvesvietai būtu informācija.

Rekonstruēt maršrutus

Lietojot punktu vai daudzstūru elementu slāni ar iespējotu laiku, kas apzīmē laika momentu, šis rīks nosaka, kuriem ievades elementiem jābūt maršrutā, un sakārtos ievades laika secībā. Ja vēlaties, statistiku var aprēķināt katra maršruta ievades elementiem.

Tālāk ir sniegti piemēri:

• Ja ir dotas viesuļvētras mērījumu laiks un punktu atrašanās vietas, aprēķiniet viesuļvētras vidējo vēja ātrumu un maksimālo vēja spiedienu.
• Izmantojiet kuģu GPS mērījumus, lai rekonstruētu kuģu ceļus kā līnijas.

Apkopot atribūtus

Lietojot elementu vai tabulas datus, šis rīks apkopo norādīto lauku statistiku.

Tālāk ir sniegti piemēri:

• Apkopojiet veikalus pēc uzņēmuma nosaukuma, lai noteiktu katra uzņēmuma statistiku no pārtikas preču veikalu atrašanās vietām ar lauku COMPANY_NAME.
• Apkopojiet veikalus pēc uzņēmuma nosaukuma un apgabala, lai noteiktu katras kompānijas statistiku katrā apgabalā no pārtikas preču veikalu tabulas ar laukiem COMPANY_NAME un COUNTY.

Noteikt negadījumus

Šis rīks darbojas ar laika iespējotu punktu, līniju, laukumu vai tabulu elementu slāni, kas apzīmē laika mirkli. Izmantojot secīgi sakārtotus elementus, ko dēvē par maršrutiem, šis rīks nosaka, kādi elementi ir interesējošie atgadījumi. Negadījumus nosaka pēc jūsu norādītajiem kritērijiem.

Tālāk ir sniegti piemēri:

• Nosakiet viesuļvētras mērījumus, kuru pamatā ir 4. kategorijas viesuļvētras, vadoties pēc vēja ātruma rādītājiem.
• Izmantojiet kuģu GPS mērījumus, iekļaujot lauku, kas parāda kuģa ātrumu; sameklējiet mērījumus, kas ir 1,5 reizes lielāki par iepriekšējo piecu mērījumu vidējo rādījumu.

Modeļu analīze

Šie rīki palīdz identificēt, noteikt un vizualizēt telpiskos datus.

• Rīks Aprēķināt blīvumu izmanto kādas parādības zināmo daudzumu un izklāj šo daudzumu visā kartē.
• Atrast karstos punktus identificē statistiski nozīmīgu klasterizāciju jūsu datu telpiskajā modelī.
• Atrast punktu klasterus atrod punktu elementu klasterus apkārtējā troksnī, ņemot vērā to telpisko sadalījumu.
• Uz mežu balstīta klasifikācija un regresija rada modeļus un ģenerē prognozes, izmantojot Leo Breimana (Leo Breiman) nejaušā meža algoritma – uzraudzītas mašīnmācīšanās metodes – pielāgošanu.
• Vispārināta lineārā regresija ģenerē prognozes vai modelē atkarīgu mainīgo attiecībā pret paskaidrojošu mainīgo kopu.

Blīvuma aprēķināšana

Rīks Aprēķināt blīvumu izveido blīvuma karti no punktu elementiem, izklājot kartē kādas parādības zināmo daudzumu (attēlots kā punktu atribūti). Rezultāts ir teritoriju slānis, kas apzīmē blīvumu.

Tālāk ir sniegti piemēri:

• Slimnīcu blīvuma aprēķināšana valstī. Rezultātu slānī būs redzamas teritorijas ar augstu un zemu piekļuves līmeni slimnīcām, un šo informāciju var izmantot, lai izvēlētos jaunu slimnīcu atrašanās vietas.
• Teritoriju ar augstu meža ugunsgrēku riska līmeni noteikšana, pamatojoties uz meža ugunsgrēku vēsturiskajām izcelšanās vietām.
• Apdzīvotu teritoriju, kas atrodas tālu no lielajiem autoceļiem, atrašana, lai izplānotu jaunu autoceļu būvniecību.

Atrast punktu klasterus

Rīks Atrast punktu klasterus atrod punktu elementu klasterus apkārtējā troksnī, ņemot vērā to telpisko sadalījumu.

Tālāk ir sniegti piemēri:

• Atrast klasterus ar kaitēkļu-invadētajām mājsaimniecībām, lai palīdzētu tos mērķtiecīgi izskaust.
• Informēšana un rīcība par glābšanas un evakuācijas vajadzībām, ņemot vērā klasteru izmēru un atrašanās vietu, izmantojot ģeogrāfiski sasaistītus tvītus, informējot pēc dabas katastrofām vai terora aktiem.

Atrast karstos punktus

Rīks Atrast karstos punktus nosaka, vai jūsu telpiskajos datos ir kādas statistiski nozīmīgas kopas (klasteri).

• Vai jūsu punkti (noziedzība, koki, satiksmes negadījumi) tiešām veido klasterus? Kā jūs varat būt par to drošs?
• Vai jūs esat atklājuši patiešām nozīmīgu karsto punktu (tērēšanas paradumu, zīdaiņu mirstības, nemainīgi augsti pārbaužu rezultāti) vai jūsu karte stāstītu citu stāstu, ja jūs mainītu veidu kā tā ir simbolizēta?

Uz mežu balstīta klasifikācija un regresija

Mežu klasifikācijas un regresijas rīks rada modeļus un ģenerē prognozes, izmantojot Leo Breimana (Leo Breiman) nejaušā meža algoritma, kas ir uzraudzīta mašīnmācīšanās metode

Tālāk sniegtie ir piemēri:

• Ņemot vērā datus par jūraszāļu sastopamību, kā arī vairākus vides skaidrojošus mainīgos lielumus, kas ir abi papildinātie rādītāji, izmantojot vairāku mainīgo tīklu, lai aprēķinātu attālumus līdz rūpnīcām straumes augšdaļā un galvenajām ostām, nākotnes jūraszāļu sastopamību var prognozēt, pamatojoties uz turpmākajām prognozēm par tiem pašiem vides skaidrojošajiem mainīgajiem lielumiem.
• Pieņemsim, ka esat ieguvis datus par ražu simtiem lauku saimniecībās visā valstī kopā ar citiem atribūtiem katrā no šīm saimniecībām (darbinieku skaits, platības utt.). Izmantojot šos datus, varat nodrošināt funkciju kopumu, kas attēlo saimniecības, kurās nav ražas (bet jums ir visi pārējie mainīgie), un prognozēt ražu.
• Mājokļu vērtības var prognozēt, balstoties uz to māju cenām, kuras ir pārdotas kārtējā gadā.

Vispārināta lineārā regresija

Vispārinātas lineāras regresijas rīks ģenerē prognozes vai modelē atkarīgu mainīgo attiecībā pret paskaidrojošu mainīgo kopu. Šo rīku var izmantot, lai ietilpinātu nepārtrauktos (OLS), bināros (loģistikas) un skaita (Puasona) modeļus.

Tālāk sniegtie ir piemēri:

• Kādas demogrāfiskās īpašības veicina augstu sabiedriskā transporta izmantošanas līmeni?
• Vai starp vandālismu un ielaušanos ir pozitīva sakarība?
• Kuri mainīgie efektīvi prognozē 911 zvanu apjomu? Ņemot vērā nākotnes prognozes, kāds ir gaidāmais pieprasījums pēc ārkārtas reaģēšanas resursiem?
• Kādi mainīgie ietekmē zemo dzimstību?

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.

Pārklāt slāņus

Apvieno divus vai vairākus slāņus vienā slānī. Pārklājums tiek izmantots, lai atbildētu uz vienu no ģeogrāfijas pamatjautājumiem: Kas virs kā atrodas?

Tālāk ir sniegti piemēri:

• Kuri zemes gabali atrodas 100 gadīgā palienē? (Ietvaros ir tikai vēl viens veids, kā pateikt, kas virs kā atrodas.)
• Kādi zemes lietojuma veidi atrodas uz noteikta augsnes veida?
• Kādas akas atrodas pamestajās militārajās bāzēs?

Pievienot datus

Pievieno elementus eksistējošam viesotam slānim jūsu saturā ArcGIS Enterprise.

Tālāk ir sniegti piemēri:

• Katru mēnesi atjaunina elementu slāni 2018_Sales, tikko ir pieejamas jūsu atskaites.
• Pievieno viesuļvētras izsekošanas datu kopas no 2016. un 2017. gada galvenajai viesuļvētras datu kopai.
• Savāc un pievieno datu kopas no dažādiem avotiem ar atšķirīgām shēmām, kas izmantotas pielāgotai lauku kartēšanai.

Apvienot slāņus

Apvieno divus elementu slāņus, lai izveidotu vienu rezultātu slāni. Visi sapludināšanas slāņa lauki tiks iekļauti pēc noklusējuma vai arī varat norādīt pielāgotos sapludināšanas noteikumus, lai definētu iegūto shēmu.

Tālāk sniegtie ir piemēri:

• Apvienot trīs slāņus, kas satur demogrāfisko informāciju no Anglijas, Velsas un Skotijas, lai izveidotu vienu Lielbritānijas slāni.
• Kombinējiet divus slāņus, kas satur informāciju par zemes gabaliem blakus esošo pilsētu kuģiem, saglabājot tikai laukus ar vienādu nosaukumu un tipu abos slāņos.

Papildināt no režģa ar vairākiem mainīgajiem

Efektīvi savieno atribūtus no vairākmainīgo režģa līdz punktu slānim, ļaujot ātri pievienot lielu un daudzveidīgu informācijas apkopojumu, lai norādītu datus izmantošanai turpmākajā telpiskajā analīzē.

Tālāk sniegtie ir piemēri:

• Ņemot vērā slāni, kas satur miljoniem elektroenerģijas padeves traucējumu gadījumu, papildiniet incidentu elementus ar informāciju par tipisku lietojumu, vides riskiem un infrastruktūras apstākļiem, lai pētītu saistību starp šiem faktoriem un strāvas padeves pārtraukumu biežumu.