ArcGIS地统计分析电子教案.ppt

《ArcGIS地统计分析电子教案.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、ArcGIS地统计分析（3）利用Tools中的AddXYData功能，将气象站Excel数据表导入ArcGIS，然后ExportData，输出为点图层。为了提高精度，加入陕西省周边临近站点，查看陕西省内和周边站点的分布情况，选择60km作为缓冲距离，对省界生成缓冲区，保留省内（96个）和缓冲区范围内（52个）共148个站点一、ExploreData(探索性数据分析)探索性数据分析是为了让用户更深入地认识研究对象，从而对与其数据相关的问题做出更好的分析与决策。探索性数据分析可以确定数据属性，探测数据分布、查找异常值、分析全局变化趋势、研究空间自相关和理解多种数据集之间相关性。在地统

2、计分析中，克里格插值方法建立在一定的假设基础上。普通克里格法、简单克里格法和泛克里格法等都假设数据服从正态分布。如果数据不服从正态分布，需要进行一定的数据变换，使其服从正态分布。正态分布的检验可以通过直方图和正态QQPlot分布图完成。1.Histogram（直方图）Histogram（直方图）指对采样数据按一定的分级方案进行分级，统计采样点落入各个级别中的比例，并通过柱状图表现出来。直方图可以直观的反映采样数据分布特征与规律。2.QQPlot分布图QQPlot分布图是可以将现有数据的分布与标准正态分布对比，从而来分析和评价现有数据。如果数据图形越接近一条直线，则它越接近于服从正

3、态分布。1．NormalQQPlot分布图（正态QQPlot分布图）2．GeneralQQPlot分布图（普通QQPlot分布图）3.TrendAnalysis（趋势分析）全局趋势分析可以通过TrendAnalysis（趋势分析）工具来实现。地物的空间趋势反映了空间物体在空间区域上变化的主体特征。形成以数据某一属性值为高度的三维透视图，从而帮助用户从不同视角分析采样数据集的全局趋势。样点的位置由X、Y和Z三个值来决定。X、Y确定样点平面坐标，Z值则是样点数据的某一属性值。三维透视图中的每个黑线就代表了样点的位置和高度，位置就是样点X、Y平面坐标，高度即样点数据的某一属性值的大小。

4、在东西方向，数据点分布较为分散，拟合曲线（绿线）接近水平，没有明显的趋势；而在南北方向，数据点相对集中，拟合曲线（蓝线）倾斜，显示出很强的线性趋势，这个趋势是降水量变化的全局趋势，即纬度增加，降雨量减少。4.VoronoiMapVoronoi地图（泰森多边形）是由样点以及样点周围的一系列多边形所组成。多边形生成的要求就是多边形内任何位置距这一样点的距离都比到其他样点的距离要近。5.Semivariogram/CovarianceCloud（半变异/协方差函数云）半变异／协方差函数云表示的是数据集中所有样点对的半变异值和协方差，并把它们用两点间距离的函数来表示，用此函数作图来表示。

5、描述空间自相关及方向变异大部分的地理现象都具有空间相关特性，即距离越近的两事物越相似。如果存在空间自相关，那么该变量本身存在某种数学模型。半变异/协方差函数云图就是这种关系的定量化表示。半变异函数有三个表征空间变异特征的参数:基台值（still）、块金值（nugget)和变程（range）6.CrosscovarianceCloud（正交协方差函数云）正交协方差函数云表示的是两个数据集中所有样点对的理论正交协方差，用于多数据集协变分析。通过分析多因素（数据集）关联特征，在地统计空间分析中可以有效利用这种相关特征增强建模效果，如协同克里格插值分析。二、GeostatisticalW

6、izard地统计分析向导（插值）在GeostatisticalAnalyst中打开GeostatisticalWizard对话框，进行插值方法的选择。在ArcGIS中提供了反距离加权法（IDW）、全局多项式法（GPI）、局部多项式法（LPI）、径向基函数法（RBF）、克里格（Kriging）和协同克里格（Co-Kriging）几种插值方法。插值方法分类插值方法按其实现的数学原理可以分为两类，一类是确定性插值方法；另一类是地统计插值，也就是克里格插值。确定性插值方法以研究区域内部的相似性（如反距离权重法）、或者以平滑度为基础（如径向基函数法）由已知样点来创建表面。反距离权重法以插

7、值点与样本点间的距离为权重进行加权平均，离插值点越近的样本点赋予的权重越大。反距离权重法插值精度评价方法交叉验证：假设其中一个站点的要素值未知，通过周围n-1个站点的值来估算，然后轮流改变未知站点，最后计算所有站点实际观测值与估计值的各项误差。ArcGIS地统计模块中的各种插值方法，采用交叉验证的方式计算出各种误差，符合以下标准的模型最优：误差平均值（Mean）、误差标准平均值（MeanStandardized）最接近于0；均方根预测误差（Root-Mean-Square）最小；