Vairāk

Zonālās statistikas kā tabulas izmantošana daudzstūru pārklāšanai ArcPy?

Zonālās statistikas kā tabulas izmantošana daudzstūru pārklāšanai ArcPy?


Es lietoju ArcGIS 10.2 darbvirsmai un vēlētos aprēķināt iedzīvotāju skaitu noteiktā attālumā no autobusu pieturām.

Mani ievades slāņi ir:

  1. skaitīšanas bloks (daudzstūris) ar populāciju
  2. neizšķīdušie kopņu buferi, kas pārklājas viens ar otru (daudzstūris, 1 slānī)

Es aprēķināju populācijas blīvumu un konvertēju bloku datus rastros, pēc tam izmantoju zonas statistiku kā tabulas rīku, lai aprēķinātu populācijas summu katrā buferī. Ja es tieši izmantoju šo rīku, tas ignorēs 2/3 manu buferu, jo tie pārklājas ar citiem. Tāpēc man ir nepieciešams kods, lai to atkārtotu caur katru buferi (kopā apmēram 600).

Mana situācija ir tāda pati kā šajā tēmā. Pārklājamo daudzstūru krustošanās individuāli ArcGIS

Es izmantoju kodu ar @ phloem, bet tas atgriež tabulu, kurā ir tikai viena rinda (kas ir viens no maniem buferiem). Vai kāds varētu pārskatīt un dot man padomu? Esmu jauns Python.

store_buffs = r "H:  DMLA  NTAS  Map  Shapefiles  2013_A30min_weekday.shp" density_ras = r "D:  Downloads  block_clipped_Raster1.tif" table_list = [] with arcpy.da.SearchCursor (store_buffs, ["FacilityID"] ) kā kursors: kursora rindai: exp = "" FacilityID "= '+ str (rinda [0]) temp_table10 = r" in_memory  temp_table10 "+ str (rinda [0]) temp_shp10 = r'in_memory  temp_shp10' arcpy .Select_analysis (store_buffs, temp_shp10, exp) arcpy.sa.ZonalStatisticsAsTable (temp_shp10, 'FacilityID', density_ras, temp_table10, 'DATA', 'SUM') table_list.append (temp_table10) del row final_table = r "D:  Downloads  2013_A30min_weekday.dbf "arcpy.Merge_management (table_list, final_table)

Es nevaru ievietot komentāru par flēmas atbildi, jo man nav pietiekamas reputācijas. Tāpēc man ir jāizveido cita tēma.


Es atradu ESRI papildu rīku ar nosaukumu Zonal Statistics As 2. tabula, kas ļauj aprēķināt daudzstūru pārklāšanos. Tomēr šī rīka palaišana ilgst mūžīgi (man 6 stundas). Es vēlētos, lai būtu efektīvāks datu apstrādes veids.


Jūs to varat izdarīt, izmantojot vektorus, 100% piekrītat citiem. Jebkurā gadījumā es nedaudz pārveidoju jūsu kodu, aizstājot ļoti garus vārdus, un tas darbojas kā paredzēts:

importēt arcpy store_buffs = r "D:  Scratch  A30min_weekday.shp" density_ras = r "D:  Scratch  Raster1.tif" table_list = [] ar kursoru arcpy.da.SearchCursor (store_buffs, ["FacilityID"]): kursora rindai: arcpy.AddMessage (rinda [0]) exp = '"FacilityID" =' + str (rinda [0]) temp_table10 = r "in_memory  temp_" + str ([rinda [0]) temp_shp10 = r ' in_memory  temp_shp10 'arcpy.Select_analysis (store_buffs, temp_shp10, exp) arcpy.sa.ZonalStatisticsAsTable (temp_shp10,' FacilityID ', density_ras, temp_table10,' DATA ',' SUM ') table_list.append (temp_table10) del D:  scratch  all_rows.dbf "arcpy.Merge_management (table_list, final_table)

Tas prasa vecumu, t.i., gandrīz 4 minūtes par 100 pg. Izmēģiniet šo, lai veiktu to pašu darbu, nepieciešamas 25 sekundes. Tas darbojas no ArcMap, pieņem, ka jums ir slānis ar nosaukumu “A30min_weekday”, un tam ir lauks SUM.

importēt arcpy, traceback, os, sys no arcpy importēt env env.overwriteOutput = True mxd = arcpy.mapping.MapDocument ("CURRENT") store_buffs = arcpy.mapping.ListLayers (mxd, 'A30min_weekday') [0] density_ras = r " D:  Scratch  Raster1.tif "parID =" FacilityID "parID2 =" FacilityID_1 "env.workspace =" in_memory "dbf =" stat "joinLR =" SD "try: def showPyMessage (): arcpy.AddMessage (str (laiks .ctime ()) + "-" + message) def Get_V (aKey): try: return smallDict [aKey] izņemot: return (-1) arcpy.AddMessage ("Kaimiņu definēšana ...") arcpy.SpatialJoin_analysis (store_buffs, store_buffs, joinLR, "JOIN_ONE_TO_MANY") arcpy.AddMessage ("Tukšas vārdnīcas izveide") dictFeatures = {} ar arcpy.da.SearchCursor (store_buffs, parID) kā kursoru: kursora rindai: dictFeatures [rinda [0]] = () del rinda, kursors arcpy.AddMessage ("Kaimiņu piešķiršana ...") ar kursoru arcpy.da.SearchCursor (joinLR, (parID, parID2)): kursora rindai: aKey = row [0] aList = dictFeatures [aKey] aList + = [rinda [1],) dictFeatures [aKey] = aList del rinda, kursors arcpy.AddMessa ge ("Apakšgrupu, kas nepārklājas, definēšana ...") runNo = 0, kamēr (True): toShow, toHide = (), () nF = len (dictFeatures) vienumam dictFeatures: ja vienums nav toShow un vienums nav toHide: toShow + = (item,) toHide + = (dictFeatures [item]) m = len (toShow) FacilityID "IN" + str (toShow) ja m == 1: FacilityID "=" + str (toShow [0]) store_buffs.definitionQuery = quer runNo + = 1 arcpy.AddMessage ("Atrasts% i,% i atrasts daudzstūris (-i)"% (runNo, m)) arcpy.AddMessage ("Running Statistics ...") arcpy.gp.ZonalStatisticsAsTable_sa (store_buffs, parID, density_ras , dbf, "DATA", "SUM") arcpy.AddMessage ("Datu pārsūtīšana ...") smallDict = {} ar arcpy.da.SearchCursor (dbf, (parID, "SUM")) kā kursoru: kursora rindai: smallDict [rinda [0]] = rinda [1] del rinda, kursors ar arcpy.da.UpdateCursor (store_buffs, (parID, "SUM")) kā kursors: kursora rindai: aKey = rinda [0] rinda [1 ] = Get_V (aKey) cursor.updateRow (rinda) del rinda, vienuma kursors toShow: del dictFeatures [item] m = len (dictFeatures) ja m == 0: break store_buffs.definitionQuery = "" izņemot: message = "  n *** PITONA KĻŪDAS *** "; showPyMessage () message = "Informācija par Python Traceback informāciju:" + traceback.format_tb (sys.exc_info () [2]) [0]; showPyMessage () message = "Informācija par Python kļūdu:" + str (sys.exc_type) + ":" + str (sys.exc_value) + " n"; showPyMessage ()

Lietošana

Zona tiek definēta kā visi ievades apgabali, kuriem ir vienāda vērtība. Teritorijām nav jābūt blakus. Zonas ievadam var izmantot gan rastru, gan funkciju.

Ja ievades rastra vai objekta zonas dati (in_zone_data Python) ir rastrs, tam jābūt vesela skaitļa rastram.

Ja ievades rastra vai objekta zonas dati (in_zone_data pakalpojumā Python) ir līdzeklis, tie tiks iekšēji pārveidoti par rastriem, izmantojot šūnu izmēru un šūnu izlīdzināšanu no ievades vērtības rastra (in_value_raster Python).

Kad ievades rastra vai objekta zonas datu (in_zone_data Python) un ievades vērtības rastra (in_value_raster Python) šūnu izmērs ir atšķirīgs, izvades šūnas lielums būs vērtība Ievades maksimums, un tiks izmantots ievades vērtības rastrs kā snap rastrs iekšēji. Ja šūnas izmērs ir vienāds, bet šūnas nav izlīdzinātas, ievades vērtības rastrs tiks izmantots kā snap rastrs iekšēji. Jebkurš no šiem gadījumiem izraisīs iekšēju atkārtotu paraugu ņemšanu, pirms tiek veikta zonālā darbība.

Kad gan zonas, gan vērtības ievadi ir vienāda šūnas izmēra rastri un šūnas ir izlīdzinātas, tās tiks izmantotas tieši rīkā, un rīka izpildes laikā tās netiks atkārtoti atlasītas iekšpusē.

Ja ievades rastra vai objekta zonas dati (in_zone_data pakalpojumā Python) ir līdzeklis, jebkurai no zonas funkcijām, kas nepārklājas nevienam vērtības rastra šūnu centram, šīs zonas netiks pārveidotas par iekšējās zonas rastru. Rezultātā šīs zonas netiks attēlotas izvadē. To var pārvaldīt, nosakot šūnu lieluma videi atbilstošu vērtību, kas saglabās vēlamo objektu zonu detalizācijas līmeni, un norādiet to analīzes vidē.

Ja ievades rastra vai objekta zonas dati (in_zone_data pakalpojumā Python) ir punktu pazīme, ir iespējams, ka vairāk nekā viens punkts ir ietverts jebkurā noteiktā vērtības ievades rastra šūnā. Šādām šūnām zonas vērtību nosaka punkts ar zemāko ObjectID lauku (piemēram, OID vai FID).

Ja ievades rastra vai objekta zonas datiem (in_zone_data pakalpojumā Python) ir pazīmes, kas pārklājas, zonālā analīze tiks veikta katrai atsevišķai funkcijai.

Norādot ievades rastra vai objekta zonas datus (in_zone_data Python), noklusējuma zonas lauks būs pirmais pieejamais vesels skaitlis vai teksta lauks. Ja nav citu derīgu lauku, noklusējuma lauks būs ObjectID (piemēram, OID vai FID).

Ievades vērtības rastrs (in_value_raster Python) var būt vesels skaitlis vai peldošais punkts. Tomēr, ja tas ir peldošā komata tips, vairākuma, mediānas, mazākuma un šķirnes aprēķināšanas iespējas nebūs pieejamas.

Veicot vairākuma un mazākuma aprēķinus, ja ir vienāds rezultāts, zonas produkcija ir balstīta uz zemāko no piesaistītajām vērtībām. Plašāku informāciju skatiet sadaļā Zonālā statistika.

Atkarībā no statistikas veida parametru iestatījuma izejas tabulā tiks izveidots lauks vai lauku sērija. Ja ievadītā vērtība ir vesels skaitlis, aprēķinam ir pieejama visa statistika (vidējā, lielākā daļa, maksimālā, vidējā, minimālā, mazākuma, procentilē, diapazons, standarta novirze, summa un šķirne). Ja ievadītā vērtība ir peldošā komata, statistikas dati par vairākumu, mazākumu, mediānu, procentili un šķirni netiks aprēķināti.

Atbalstītie daudzdimensiju rastra datu kopu veidi ietver daudzdimensionālu rastra slāni, mozaīku, attēlu servisu un Esri CRF.

Datu tips katrai izvades tabulas vienumu vērtībai ir atkarīgs no veicamā zonālā aprēķina. Skatiet, kā darbojas zonas statistika, lai noteiktu statistikas īpašo uzvedību.

Rindu skaits izvades tabulā ir zonu skaits.

Pēc noklusējuma šis rīks izmantos daudzkodolu procesoru priekšrocības. Maksimālais izmantojamo serdeņu skaits ir četri.

Lai izmantotu mazāk kodolu, izmantojiet paralēluProcessingFactor vides iestatījumu.

Skatiet sadaļu Analīzes vides un Telpiskais analītiķis, lai iegūtu papildinformāciju par ģeoprocesēšanas vidēm, kas attiecas uz šo rīku.


Parametri

Datu kopa, kas nosaka zonas.

Zonas var definēt ar vesela skaitļa rastru vai iezīmju slāni.

Lauks, kurā ir vērtības, kas nosaka katru zonu.

Tam jābūt zonu datu kopas veselam skaitlim.

Rezultātu tabula, kurā būs vērtību kopsavilkums katrā zonā.

Tabulas formātu nosaka izejas vieta un ceļš. Pēc noklusējuma izeja būs ģeodatu bāzes tabula. Ja ceļš neatrodas ģeodatu bāzē, formātu nosaka paplašinājums. Ja paplašinājums ir .dbf, tas būs dBASE formātā. Ja paplašinājums nav norādīts, izeja būs INFO tabula. Ņemiet vērā, ka INFO tabulas netiek atbalstītas kā ievade ArcGIS Pro, un tās nevar parādīt.

Izveidojamā izvades rastra šūnas lielums.

Šo parametru var definēt pēc skaitliskas vērtības vai iegūt no esošās rastra datu kopas. Ja šūnas izmērs nav skaidri norādīts kā parametra vērtība, ja šūnas nav norādīts citādi, tiks izmantota vides šūnas lieluma vērtība, lai aprēķinātu to no citām ieejām, tiks izmantoti papildu noteikumi. Sīkāku informāciju skatiet lietošanas sadaļā.

Datu kopa, kas nosaka zonas.

Zonas var definēt ar vesela skaitļa rastru vai iezīmju slāni.

Lauks, kurā ir vērtības, kas nosaka katru zonu.

Tam jābūt zonu datu kopas veselam skaitlim.

Rezultātu tabula, kurā būs vērtību kopsavilkums katrā zonā.

Tabulas formātu nosaka izejas vieta un ceļš. Pēc noklusējuma izeja būs ģeodatu bāzes tabula. Ja ceļš neatrodas ģeodatu bāzē, formātu nosaka paplašinājums. Ja paplašinājums ir .dbf, tas būs dBASE formātā. Ja paplašinājums nav norādīts, izeja būs INFO tabula. Ņemiet vērā, ka INFO tabulas netiek atbalstītas kā ievade ArcGIS Pro, un tās nevar parādīt.

Izveidojamā izvades rastra šūnas lielums.

Šo parametru var definēt pēc skaitliskas vērtības vai iegūt no esošās rastra datu kopas. Ja šūnas izmērs nav skaidri norādīts kā parametra vērtība, ja šūnas nav norādīts citādi, tiks izmantota vides šūnas lieluma vērtība, lai aprēķinātu to no citām ieejām, tiks izmantoti papildu noteikumi. Sīkāku informāciju skatiet lietošanas sadaļā.

Koda paraugs

Šis piemērs nosaka katras zonas ģeometrijas mērījumus, ko nosaka ievades daudzstūra formas fails.

Šis piemērs nosaka katras zonas ģeometrijas mērījumus, ko nosaka ievades daudzstūra formas fails.


Sintakse

Datu kopa, kas nosaka zonas.

Zonas var definēt ar vesela skaitļa rastru vai iezīmju slāni.

Lauks, kurā atrodas vērtības, kas nosaka katru zonu.

Tas var būt zonu datu kopas vesels skaitlis vai virknes lauks.

Rastra vērtības, lai izveidotu histogrammas.

Tabulas formātu nosaka izejas vieta un ceļš. Pēc noklusējuma izeja būs ģeodatu bāzes tabula. Ja ceļš neatrodas ģeodatu bāzē, formātu nosaka paplašinājums. Ja paplašinājums ir .dbf, tas būs dBASE formātā. Ja paplašinājums nav norādīts, izeja būs INFO tabula.


1 Atbilde 1

Jūs varētu mēģināt atkārtoti atlasīt rastru ar precīzāku izšķirtspēju. Neesat pārliecināts, kāpēc tas var darboties, bet, lasot palīdzības sadaļu versijai 10.3 (nav 10.6):


Ja zonas ievade ir objektu datu kopa ar salīdzinoši mazām funkcijām,
paturiet prātā, ka informācijai jābūt izšķirtspējai
piemērots salīdzinājumā ar vērtības rastra izšķirtspēju. Ja
atsevišķu pazīmju laukumi ir līdzīgi vai mazāki par
atsevišķas šūnas vērtības rastrā, pārveidojot funkciju pret rastru
dažas no šīm zonām var nebūt pārstāvētas.


Man bija tāda pati problēma. Īpaši ļoti plānām funkcijām bija nulles vērtības. Tāpēc es domāju, ka tad, kad tie nešķērso rastra šūnas centroidu, jūs saņemat NULLS.


Telpisko atsauču mainīšana Python

Izmantojot ArcGIS 10.1, telpisko atsauces objektu var izveidot, izmantojot vārdu vai labi zināmu ID (WKID).

Tomēr, tiklīdz ir izveidota telpiskā atsauce, daudzas īpašības nevar mainīt, jo tās ir tikai lasāmas.

Tā vietā, ja jums ir jāmaina rekvizīts, jums būs jāizmanto Python & # 8217s virknes manipulācijas iespējas. Tā kā telpiskās atsauces īpašības var izteikt kā labi zināmas virknes, viens no risinājumiem ir telpiskās atsauces eksportēšana uz virkni, šīs virknes modificēšana un pēc tam ar mainīto virkni, lai izveidotu jaunu telpisko atsauci.

Papildus iepriekšminētajai dokumentācijai telpiskās atsauces virknē ir iekļauti glabāšanas parametri, piemēram, koordinātu domēni un izšķirtspēja, kā arī pielaides.


3 Atbildes 3

Šim jautājumam var būt vairākas atbildes atkarībā no tā, kurš atbild, vai, atkarībā no tā, kāda interpretācija tam tiek uzdota, tas var būt neatbildams.

Kā es saprotu jautājumu, mums tiek dots, ka $ X_1, X_2 $ un $ X_3 $ ir pāri kopīgi normāli nejauši mainīgie ar noteiktiem vidējiem vektoriem un kovariācijas matricām. Mums tiek lūgts trīsvariantu kopīgs normāls sadalījums, kas "visvairāk atbilst" šai informācijai.

Kā inženieris (un wannabe probabilist) pirmais, ko es darītu, ir pārbaudīt sniegto informāciju konsekvence.

jābūt ja gadās, ka $ mu_ = ( mu_i, mu_j) $ kur $ mu_i = E [X_i] $, $ i = 1,2,3 $. Tātad, ja problēma apgalvo, ka $ mu_ <12> = (4,10) $, savukārt $ mu_ <23> = (5, -3) $, sniegtā informācija ir pretrunīga.

Tāpat kovariācijas matricām jābūt konsekventām: $ Sigma_$, diagonālie termini ir $ sigma_i ^ 2 = operatora nosaukums(X_i) $ un $ sigma_j ^ 2 = operatora nosaukums(X_j) $. Katra dispersija notiek divās no trim kovariācijas matricām, un tai jābūt vienādai vērtībai abās sastopamības reizēs. Jābūt arī taisnībai, ka $ Sigma_ ārpus diagonāles izteicieni$ jābūt vienādam, un šim $ Sigma_$ jābūt noteicošajam $ geq 0 $.

Ja iepriekšminētās konsekvences pārbaudes ir izpildītas, neatkarīgi no tā, vai $ X_i $ ir normāli pāri, vai nē, $ (X_1, X_2, X_3) $ vidējais vektors ir $ mu = ( mu_1, mu_2, mu_3) tag <1> $ un kovariācijas matrica ir $ Sigma = left [ begin sigma_1 ^ 2 & amp sigma_ <12> & amp sigma_ <13> sigma_ <21> & amp sigma_2 ^ 2 & amp sigma_ <23> sigma_ <31> & amp sigma_ <32> & amp sigma_3 ^ 2 beigas right] tag <2> $, kurā augšējā kreisajā pusē $ 2 reizes 2 $ ir matrica $ $ Sigma_ <12> $, apakšējā labajā stūrī $ 2 times 2 $ ir matrica $ $ Sigma_ <23> $ , un "četru stūru" apakšmatrica ir norādītā $ Sigma_ <13> $.

Šajā brīdī probabilistiskā atbilde uz jautājumu

Kurš trīsdimensiju locītavas normālais sadalījums visvairāk atbilst sniegtajai informācijai?

būtu $ $ mathcal N ( mu, Sigma) $ ir tikai trīsvariantu normālais sadalījums, kas ir precīzi atbilst norādītajai informācijai (ka robežas divvirzienu sadalījumi ir norādītie divvirzienu locītavu normālie sadalījumi). cits trīsdimensiju normālais sadalījums var tikpat labi atbilst sniegtajai informācijai.

No otras puses, jautājumu var interpretēt šādi:

Kurš trīsdimensiju locītavas normālais sadalījums ir "labākais tuvinājums" faktiskajam nenoteikts kopīgs USD (X_1, X_2, X_3) $ sadalījums?

un, manuprāt, nepietiekami inženieriski domājošam, šis jautājums nav atbildams, jo nav zināma “labākā” un atbilstamā mērķa nozīme, iespējams, ka krāsotie-in-the-vilnas varbūtēji izvēlas sniegt citu atbildi. Citi lasītāji, kas nepiekrīt manai interpretācijai, varētu vēlēties izmēģināt savus spēkus, lai atrastu trīsvariantu locītavas normālo sadalījumu, kas vislabāk atbilst $ f (x_1, x_2, x_3) = sākas 2 phi (x_1) phi (x_2) phi (x_3) un & teksts

x_1 geq 0, x_2 geq 0, x_3 geq 0, & amp text

x_1 & lt0, x_2 & lt 0, x_3 geq 0, & amp text

x_1 & lt0, x_2 geq 0, x_3 & lt 0, & amp teksts

x_1 geq 0, x_2 & lt 0, x_3 & lt 0, 0 un amp teksts, beigas$, kur $ phi ( cdot) $ ir standarta normālā blīvuma funkcija. Ņemiet vērā, ka $ X_i $ ir pāri neatkarīgi standarta normālie nejaušie mainīgie.

No otras puses, labs statistikas darbinieks varētu uzskatīt, ka DP ir datu masas (varbūt pat "Lielie dati"), no kurām DP ir ieguvusi secinājums ka ir pamatoti pieņemt, ka $ X_i $ ir pāri kopā normāli izlases mainīgie un ka $ mu_ <12> $, $ mu_ <23> $, $ mu_ <13> $, $ Sigma_ <12> $ $ Sigma_ <23> $, $ Sigma_ < 13> $ ir paraugs līdzekļi, dispersijas un kovariances, kas iegūtas no trim dažādām datu kopām formā $ <(x_ <1, i>, x_ <2, i>) kols i = 1,2, ldots n_1 > $, $ <(x_ <2, j>, x_ <3, j>) kols j = 1,2, ldoti, n_2 > $ un $ <(x_ <1, k>, x_ <3, k>) kols k = 1,2, ldots n_3 > $. Tad ir gandrīz pārliecināts, ka pirmais ieraksts mapē $ mu_ <12> $ (kas ir $ frac <1> sum_i x_ <1, i> $) nav tas pats, kas pirmais ieraksts mapē $ mu_ <13> $ (kas ir $ frac <1> sum_k x_ <1, k> $). Līdzīgi attiecībā uz citiem līdzekļiem, dispersijām un kovariātēm. Tātad, vai dati būtu jāapvieno, lai iegūtu labākus aprēķinus par līdzekļiem, dispersijām utt. Vai ir pieejami dati par veidlapu $ <(x_ <1, m>, x_ <2, m>, x_ <3, m>) kols m = 1,2, ldots N > $, kas varētu atļaut aprēķina veids par to, kāds ir faktiskais kopīgais $ (X_1, X_2, X_3) $ sadalījums?

Šāda veida apsvērumi rada Tima un Karela Makeku sniegtās atbildes.


3 Atbildes 3

Lodziņos tiek ignorēts datu atkārtotais raksturs.

Ja vēlaties iegūt šo datu diagrammu (un jums to vajadzētu!), Jūs varat izveidot diagrammu, kur x ass ir laiks, y ass ir rezultāts un katrs dalībnieks iegūst līniju. Ja n = 38, tam vajadzētu būt lasāmam, bet, ja nē, datus var sadalīt divās daļās, vai nu pamatojoties uz kādu attiecīgo neatkarīgo mainīgo, vai uz sākuma vērtību.

Jūsu konkrētajā gadījumā ir iespējams, ka katrs cilvēks palielinājās par nelielu daudzumu no 1 līdz 3.

Vēl viens punkts: ja jūs zināt, kad notika mērījumi (piemēram, laiks 1 = 1. diena, laiks 2 = 5. diena, 3. laiks = 21. diena vai kāds cits), var būt labāk to izmantot, nevis faktoru, kāds jums ir.

Es arī būtu piesardzīgs pret RM-ANOVA. Tajā ir izteikti pieņēmumi (it īpaši sfēriskums), kas bieži vien nav pamatoti ar atkārtotiem datiem. Es gribētu iet vai nu ar vispārinātu novērtēšanas vienādojumu (GEE), vai ar daudzlīmeņu modeli.

Pareizs veids, kā izveidot šāda veida datus, kā teica Pīters Floms, būtu izveidot līniju katram cilvēkam šādi:

ja paskatās tuvāk, varat izpētīt, kā katrs indivīds izturas, darot to "ātri" un slikti, jūs saņemat kaut ko līdzīgu, kur es uzzīmēju sarkanu kvadrātu pār indivīdiem, kuri laika gaitā kaut kā ieguva lielāku rezultātu (ap 19) , dzeltens tiem, kas palikuši nemainīgi (ap 14), un zaļš tiem, kas iet uz leju (5):

Pat ar daudzām šaubām par dažiem cilvēkiem jūs varat redzēt zināmu tendenci.

Šo vizuālo tendenci apstiprina modelis:

Vai ir iespējams, ka ir zināma sajaukšanās ar lodziņu diagrammu pārklāšanos un vidējā līmeņa ticamības intervālu pārklāšanos? Tas ir plaši izplatīts mīts, ka vidējā KI pārklāšanās nenozīmē statistiskas atšķirības (lai gan tā nav taisnība)

Jūsu sižets, kaut arī tas nav aktīvi maldinošs, tomēr nedod taisnīgumu visai jūsu datu smalkajai struktūrai.

Kastes diagramma ne vienmēr var darboties labi, ja dati ir detalizēti ar daudzām saitēm: šeit vērtības tiek norādītas tikai kā 0,1 reizinājumi. Mana neobjektivitāte ir tāda, ka jūsu izmantotā nervozēšana nevar būt tik skaidra kā identisku vērtību sakraušana, kas ir iespējama tik mazā paraugā.

Turklāt vērtībās ir mājiens, kas nejauši ir nedaudz aizklāts, parādot 0,3, 0,6 un 0,9 tikai kā iezīmētus punktus uz rezultāta ass kopā ar negatīvo šķībumu, ka rādītājiem, iespējams, ir augšējā robeža pie 1. Vai tas ir tātad un tas, ko tas nozīmē par dispersijas analīzi, ir atklāti jautājumi.

Displejā šeit tiek izmantots nedaudz netradicionāls kastes sižets ar ūsām tikai līdz galējībām. Vispārējā konvencija par ūsu vilkšanu tikai uz punktiem, kas atrodas 1,5 IQR attālumā no tuvākās kvartiles, manuprāt, ir nedaudz pārpārdots. Jebkurā gadījumā tas nevar darboties īpaši labi ar tik daudzām saitēm. Bet kurš ūsas noteikums tiek lietots, nav nozīmes ikreiz, kad jebkurš displejs, piemēram, zemāk redzamais, parāda jebkādus datus.

Ar tik daudz saiknēm mediāni nevar labi darboties, parādot sadalījumu līmeni. Tādā mērā kastes paraugi ir maldinoši. Protams, arī līdzekļu parādīšana ir laba ideja. Šeit viņi ir dimanti.

Šis displejs atstāj malā svarīgo informāciju par to, kurš ir indivīds, kas izpētīts citā atbildē.


Izmantojot Landsat 8, lai aprēķinātu NDVI jautājumu

rastra kalkulatorā, lai iegūtu vienotu rastru, kas svārstās no -1 līdz 1. Šķiet, ka tas atbilst lielākajai daļai tiešsaistes rokasgrāmatu, kas parāda, kā aprēķināt NDVI. Tomēr es arī saskāros ar soli pa solim veiktu instrukciju, lai aprēķinātu NDVI, ka vispirms ir jāpielāgo katra josla pēc atstarošanas un saules leņķa, kas atrodami lejupielādētajos metadatos. Tad jūs veicat iepriekš uzskaitīto standarta NDVI vienādojumu, izmantojot pielāgotās joslas. To darot, es nesaņemu rastru, kas svārstās no -1 līdz 1. Vai es daru kaut ko nepareizi, vai ir pirmais veids, kā pareizi rīkoties.

Ja vēlaties salīdzināt savu NDVI ar dažādiem attēliem, jums jākoriģē attēls (atmosfērā, topogrāfiski utt.) Atbilstoši atstarošanas vērtībām. Ja izmantojat spilgtumu (kas ir neapstrādāts zemes attēla attēls), jums būs NDVI variācijas, kas nav saistītas ar veģetācijas atšķirībām, bet gan apgaismojuma apstākļos.

Teorētiski atstarošanas vērtības ļauj salīdzināt jebkuru attēlu no jebkura sensora, un jums vajadzētu būt NDVI starp -1 un 1 neatkarīgi no platformas, kuru izmanto attēlu iegūšanai, un neatkarīgi no iegūšanas apstākļiem. No otras puses, spilgtums ir pilnībā atkarīgs no sensora un ainas.

Jūs varat ļaut USGS veikt visus atstarošanas aprēķinus jūsu vietā. Lejupielādējot ainas no Earth Explorer, varat izvēlēties landat atstarošanas produktu. Jūs pasūtāt vajadzīgo ainu (tā ir bezmaksas) un pēc tam saņemat e-pastu, kad esat gatavs. Tas būtu veids, kā es ietu uz priekšu un darītu NDVI.

Tātad atbilde ir, tas ir atkarīgs. Jūs neko nedarāt nepareizi, ja jūs vienkārši interesē apskatīt vienu ainu. Ja vēlaties salīdzināt, labāk izmantot atstarošanas vērtības.

Es neuzsāku, kā Landsat 7 NDVI un Landsat 8 NDVI nesalīdzina, jo nedaudz atšķiras katra instrumenta izmantotie spektrālie logi.


Zemes izmantošanas / zemes seguma maiņas modelēšana, izmantojot attālās uzrādes un ģeogrāfiskās informācijas sistēmas: Seijas baseina, Turcija, gadījumu izpēte

Zemes izmantojuma un zemes seguma (LULC) izmaiņas ietekmē vairākus dabiskos vides faktorus, tostarp augsnes eroziju, hidroloģisko līdzsvaru, bioloģisko daudzveidību un klimatu, kas galu galā ietekmē sabiedrības labklājību. Tāpēc LULC izmaiņas ir svarīgs zemes apsaimniekošanas aspekts. Viena metode, ko izmanto LULC izmaiņu analīzei, ir matemātiskās modelēšanas pieeja. Šajā pētījumā Cellular Automata un Markov Chain (CA-MC) modeļi tika izmantoti, lai prognozētu LULC izmaiņas Seihanas baseinā Turcijā, kas, iespējams, notiks līdz 2036. gadam. Tika izmantoti 1995., 2006. un 2016. gadā iegūti satelītu multispektrāli attēli. klasificēts, izmantojot objektu klasifikācijas metodi, un izmantots kā CA-MC modeļa ievades dati. Pēc tam simulējamā modeļa parametru noteikšanai tika izmantota pēcklasifikācijas salīdzināšanas tehnika. Lai izveidotu pārejas varbūtības matricu un zemes piemērotības kartes, tika izmantota Markova ķēdes analīze un daudzkritēriju novērtēšanas (MCE) metode. Modelis tika apstiprināts, izmantojot Kappa indeksu, kas sasniedza kopējo līmeni 77%. Visbeidzot, LULC izmaiņas tika kartētas 2036. gadam, pamatojoties uz pārejas noteikumiem un pārejas apgabala matricu. LULC prognoze 2036. gadam uzrādīja apdzīvoto vietu klases pieaugumu par 50% un atvērto telpu klasē par 7%, salīdzinot ar 2016. pārskata gada LULC statusu. Arī lauksaimniecības zemes pieaugums ir par 8%. iespējams, ka tas notiks 2036. gadā. Tiek prognozēts arī aptuveni 4% krūmu zemes pieaugums un 5% mežu platību samazinājums.

Šis ir abonementa satura priekšskatījums, piekļuve caur jūsu iestādi.


Skatīties video: Ms Excel. Vienkārši aprēķini