泛克里格插值.pptVIP

泛克里格插值 分位数图（Quantile Map） 图10.36 泛克里格插值分位数图 泛克里格插值 概率图（Probability Map） 图10.37 泛克里格插值概率图 泛克里格插值 标准误差预测图（Prediction Standard Error Map） 图10.38 泛克里格插值标准误差预测图 指示克里格插值 在很多情况下，并不需要了解区域内每一个点的属性值，而只需了解属性值是否超过某一阈值，则可将原始数据转换为（0，1）值，选用指示克里格法（Indicator Kriging）进行分析。ArcGIS中普通克里格插值包括2部分功能：创建概率图（Probability Map）和创建标准误差指示图（Standard Error of Indicator Map）。 指示克里格插值 概率图（Probability Map） 图10.39 指示克里格插值概率图 指示克里格插值 标准误差指示图（Standard Error of Indicators） 图10.40 指示克里格插值标准误差指示图 概率克里格插值 ArcGIS中普通克里格插值包括2部分功能：创建概率图（Probability Map）和创建标准误差指示图（Standard Error of Indicator Map）。 概率克里格插值 概率图（Probability Map） 图10.41 概率克里格插值概率图 概率克里格插值 标准误差指示图（Standard Error of Indicators） 图10.42 概率克里格插值标准误差指示图 析取克里格插值 如果原始数据不服从简单的分布（高斯或对数正态等），则可选用析取克里格法（Disjunctive Kriging），它可以提供非线性估值方法。ArcGIS中普通克里格插值包括4部分功能：创建预测图（Prediction Map）、创建概率图（Probability Map）、创建标准误差预测图（Prediction Standard Error Map）和创建标准误差指示图（Standard Error of Indicator Map）。 析取克里格插值 预测图（Prediction Map） 图10.43 析取克里格插值预测图 析取克里格插值 概率图（Probability Map） 图10.44 析取克里格插值概率图 析取克里格插值 标准误差预测图（Prediction Standard Error Map） 图10.45 析取克里格插值标准误差预测图 析取克里格插值 标准误差指示图（Standard Error of Indicators） 图10.46 析取克里格插值标准误差指示图 协同克里格插值 当同一空间位置样点的多个属性之间存在某个属性的空间分布与其它属性密切相关，且某些属性获得不易，而另一些属性则易于获取时，如果两种属性空间相关，可以考虑选用协同克里格法。协同克里格法把区域化变量的最佳估值方法从单一属性发展到二个以上的协同区域化属性。但它在计算中要用到两属性各自的半方差函数和交叉半方差函数，比较复杂。 协同克里格插值 预测图（Prediction Map） 图10.47 协同克里格插值预测图 寻找数据离群值 数据离群值分为全局离群值和局部离群值两大类。全局离群值是指对于数据集中所有点来讲，具有很高或很低的值的观测样点。局部离群值值对于整个数据集来讲，观测样点的值处于正常范围，但与其相邻测量点比较，它又偏高或偏低。 用直方图查找离群值 离群值在直方图上表现为孤立存在或被一群显著不同的值包围，直方图上最右边被选中的一个柱状条即是该数据的离群值，相应地，数据点层面上对应的样点也被刷光。但需注意的是，在直方图中孤立存在或被一群显著不同的值包围的样点不一定是离群值。 图10.14 离群值的直方图查找和图面显示 用半变异/协方差函数云识别离群值 如果数据集中有一个异常高值的离群值，则与这个离群值形成的样点对，无论距离远近，在半变异/协方差函数云图中都具有很高的值。如下图所示，这些点可大致分为上下两层，对于上层的点，无论位于横坐标的左端或右端（即无论距离远近）都具有较高的值。刷光上层的一些点，右图是对应刷光的样点对。可以看到，这些高值都是由同一个离群值的样点对引起的，因此，需要对该点进行剔除或改正。 图10.15 离群值的半变异/协方差函数云查找和图面显示 用Voronoi图查找局部离群值 用聚类和熵的方法生成的Voronoi图可用来帮助识别可能的离群值。熵值是量度相邻单元相异性的指标。通常，距离近的事物比距离远的事物具有更大的相似性。因此，局部离群值可以通过高熵值的区