GEOSTATISTIKA - cvičení č. 4: Strukturní analýza a tvorba spojitých povrchů
metodou krigování
Zadání:
V programu ArcMap vytvořte mapu prostorového rozložení minimální a maximální teploty
vzduchu v měsíci říjnu roku 2000. Využijte extenze Geostatistical Analyst a níže zmíněné
interpolační metody:
• Kriging (Ordinary, Simple, Universal)
Vstupní data:
• Locations.txt (nepravidelná síť)
• Oregon_Met_Data.txt
• Oregon_DEM_1650m_point.shp (pravidelná síť)
Využijte soubor typu Shapefile z prvního cvičení nebo si vytvořte nový. Data jsou na ISu
v prvním cvičení (GEOST_01).
Poznámky:
 Metodami průzkumové analýzy (Geostatistical Analyst – Explore Data) doplňte Vaše
poznatky o povaze vstupních dat ze cv. 2 a 3. Zjistěte, zda vstupní data mají normální
rozdělení, zda obsahují trend a je vhodné je podrobit transformaci, zda obsahují
outliery, jestli pole bodů vykazuje izotropii atp. Výsledků explorační analýzy využijte při
volbě vhodného teoretického modelu při strukturní analýze.
 Pomocí nástroje Geostatistical Wizard zvolte metodu interpolace krigování
(Kriginig/CoKriging) a v rámci ní metodou tzv. základního krigování (Ordinary Kriging)
vytvořte mapu interpolovaných hodnot. Nastavte případnou transformaci dat.
 V následné strukturní analýze proveďte několik nastavení parametrů vhodného
teoretického modelu semivariogramu. Prozkoumejte případnou anizotropii Vašich
vstupních dat. Vašim cílem je nalézt vhodný teoretický model semivariogramu, jehož
parametry budou vstupovat do vlastní interpolace metodou krigování jako váhy. Volte
různé modely, hodnoty dosahu (range), prahu (sill) a zbytkového rozptylu (nugget).
Volit můžete též hodnoty vzdálenosti (lag), na kterou se spojují obdobně vzdálené body
při výpočtu empirických hodnot semivariancí a také počet hodnot lag.
 Vhodnost nastavení parametrů semivariogramu kontrolujte hodnotami průměrné
chyby predikce (Mean Prediction Error) – ideálně nula, průměrné čtvercové chyby
(Root Mean Square Prediction Error) – čím menší, tím lepší odhad, průměrné
směrodatné chyby atd.
 Pro nejvhodnější kombinaci parametrů vytvořte mapy predikovaných hodnot DTM i T
(max a min).
 Vytvořte mapu směrodatné chyby predikce (pravým tlačítkem na vytvořený
korigovaný povrch Change Output to Prediction Standard Error). Z ní určete, která
část zpracovávaného území vykazuje největší chyby predikce. Analogicky se vrátíte
k původní mapě.
 Výsledek interpolace obou povrchů dosazený metodou krigování porovnejte
s výsledky interpolací stejných dat jinými metodami (cv. 2 a 3). Vyzkoušejte nástroj
Compare… pro srovnání interpolovaných povrchů.