Nội suy Các điểm
Công cụ này cho phép bạn dự đoán các giá trị tại vị trí mới dựa trên các phép đo từ một bộ sưu tập các điểm. Công cụ này lấy dữ liệu điểm với các giá trị tại từng điểm và trả về raster các giá trị dự đoán.
Công cụ này được dùng trong các tình huống khác như:
- Đối với một quận quản lý chất lượng không khí có bộ cảm biến dùng để đo mức độ ô nhiễm. Nội suy Điểm có thể được sử dụng để dự đoán mức độ ô nhiễm tại các vị trí không có cảm biến, chẳng hạn như vị trí có dân số chịu rủi ro—ví dụ như bệnh viện hoặc trường học.
- Dự đoán nồng độ kim loại nặng ở cây trồng dựa trên các mẫu được lấy từ các cây riêng lẻ.
- Dự đoán mức độ dinh dưỡng (đạm, lân, kali, v.v.) và các chỉ số khác (như độ dẫn điện) để nghiên cứu các mối quan hệ về năng suất cây trồng và quy định số lượng phân bón chính xác cho từng vị trí trong cánh đồng.
- Các ứng dụng khí tượng bao gồm dự báo nhiệt độ, lượng mưa, và các biến liên quan (chẳng hạn như mưa axit).
Chọn lớp điểm có chứa các vị trí có giá trị đã biết
Lớp điểm có chứa các điểm đo giá trị.
Chọn trường để nội suy
Chọn trường có các giá trị mà bạn muốn nội suy. Trường phải là số.
Tối ưu hóa cho
Chọn sự ưu tiên của bạn về tốc độ so với độ chính xác.
Thời gian tính toán sẽ lâu hơn khi tăng độ chính xác. Thông số này làm thay đổi các giá trị mặc định của một vài thông số khác của các điểm nội suy để tối ưu hóa tốc độ tính toán, độ chính xác của kết quả, hoặc cân bằng cả hai. Theo mặc định, công cụ này sẽ tối ưu hóa theo hướng cân bằng.
Chuyển đổi dữ liệu thành phân phối thông thường
Chọn có hay không chuyển đổi dữ liệu của bạn thành phân phối thông thường.
Nội suy là chính xác nhất cho dữ liệu thực hiện phân phối thông thường (có hình chuông). Nếu dữ liệu của bạn không xuất hiện để được phân phối thông thường, bạn nên thực hiện chuyển đổi.
Kích cỡ của mô hình địa phương
Nội suy Các điểm hoạt động bằng cách xây dựng các mô hình nội suy cục bộ được kết hợp với nhau để tạo bản đồ dự đoán cuối cùng. Thông số này quản lý số điểm sẽ có trong từng mô hình cục bộ. Các giá trị nhỏ hơn sẽ đem đến kết quả cục bộ hơn và có thể có tác động với quy mô nhỏ, nhưng có thể tạo ra tình trạng không ổn định trong các tính toán. Các giá trị lớn hơn sẽ ổn định hơn, nhưng một số tác động cục bộ có thể bị thiếu.
Giá trị có thể từ 30 đến 500, nhưng các giá trị thông thường từ 50 đến 200.
Số lượng vùng lân cận
Các dự đoán được tính toán dựa trên các điểm vùng lân cận. Thông số này quản lý số điểm sẽ được sử dụng trong tính toán. Việc sử dụng số vùng lân cận lớn hơn thường sẽ cho ra kết quả chính xác hơn, nhưng mất thời gian lâu hơn để tính kết quả.
Giá trị này có thể từ 1 đến 64, nhưng các giá trị thông thường từ 5 đến 15.
Kích cỡ ô đầu ra
Kích thước cell và đơn vị cho các raster đầu ra.
Đơn vị diện tích có sẵn là Feet, Dặm, Mét và Kilômét.
Sai số dự đoán đầu ra
Chọn xem bạn muốn tạo raster các sai số tiêu chuẩn cho các giá trị dự đoán không.
Sai số tiêu chuẩn rất hữu ích vì chúng cung cấp thông tin về độ tin cậy của các giá trị dự đoán. Theo kinh nghiệm đơn giản thì giá trị thực sẽ nằm trong vòng hai sai số tiêu chuẩn của giá trị 95 phần trăm thời gian được dự đoán. Ví dụ, giả sử một vị trí mới có giá trị dự đoán 50 với sai số tiêu chuẩn là 5. Điều này có nghĩa là dự đoán tốt nhất của công cụ này có giá trị thực sự tại vị trí đó là 50, nhưng giá trị hợp lý có thể chỉ thấp ở mức 40 hoặc cao ở mức 60. Để tính toán khoảng giá trị hợp lý, nhân sai số tiêu chuẩn với 2, cộng giá trị này với giá trị dự đoán để biết được giá trị đầu trên của khoảng này, và trừ đi giá trị dự đoán để có được giá trị đầu dưới của khoảng này.
Tên lớp kết quả
Tên lớp sẽ được tạo trong mục Nội dung của Tôi và thêm vào bản đồ. Tên mặc định dựa vào tên công cụ và tên lớp đầu vào. Nếu lớp đã tồn tại, bạn sẽ được yêu cầu cung cấp tên khác.
Bạn có thể chỉ định tên của một thư mục trong Nội dung của tôi mà tại đó kết quả sẽ được lưu bằng cách sử dụng hộp xổ xuống Lưu kết quả vào.