WARSZTATY Geostatystyka Studia Podyplomowe GIS 5 edycja Zjazd 12: 09-10.04.2016 Gdańsk Lena Szymanek Jacek Urbański
Narzędzia Eksploracyjna analiza danych Analizy geostatystyczne Tworzenie podzbiorów punktów Estymacje Symulacje Walidacja, tworzenie podzbiorów etc. Operacje na dynamicznych warstwach powstałych w wyniku analizy geostatystycznej 2
Zad. 1 Eksploracyjna analiza danych Przeprowadź eksploracyjną analizę danych 1. Dane: na podstawie Jura Data Set*-Swiss Federal Institute of Technology Lausanne 347 punktów rozrzuconych w przestrzeni koncentracja 7 metali ciężkich w powierzchniowej warstwie gleby: kadm, kobalt, chrom, miedź, nikiel, ołów, cynk skategoryzowane dane dotyczące wykorzystania gruntów: 1 las, 2 pastwisko, 3 łąka, 4 - grunty uprawne 2. Podział: Metals_prediction: 247 do estymacji Metals_validation: 100 do walidacji rezultatów estymacji * Goovaerts, P. 1997. Geostatistics for Natural Resources Evaluation. Oxford Univ. Press, New-York Dane: Metals_prediction, Metals_validation, Granica 3
Zad. 1 Eksploracyjna analiza danych Przeprowadź eksploracyjną analizę danych 2. Porównaj rozkłady danych Cu, Cr i Co Histogram: skośność, kurtoza -> można włączyć kilka okien jednocześnie Czy dane wymagają transformacji? Który parametr ma rozkład bimodalny? Czy występują wartości odstające (outliers)? 3. QQ-Plot 4. Trend 5. Semivariogram/Covariance Cloud > narzędzie interaktywne 4
Zad. 2 Modelowanie semiwariogramu Przeprowadź modelowanie semiwariogramu wraz z analizą błędu estymacji 1. Dane z zad. 1: Cr, landuse 2. Jak wygląda model danych skategoryzowanych landuse? 3. Zbuduj model semiwariogramu dla Cr Liczba i wielkość lagu -> reguła kciuka Modele: np. Spherical + Nugget Wzór modelu, eksport modelu 4. Określ sąsiedztwo 5. Sprawdź średni błąd estymacji i RMSS-> Cross Validation 6. Sprawdź błąd na podstawie zbioru danych testowych-> PM->Validation lub GA Layer to Points 7. Wypróbuj inny model (np. Gaussian), zmień parametry sąsiedztwa i porównaj wyniki - > PM-> Compare Uwaga: upewnij się, że dane są w odwzorowaniu wiernoodległościowym. 5
Zad. 3 Mapa wartości przewidywanej i błędu Przeprowadź estymację wartości przewidywanej zawartości Cr w glebie z danych punktowych oraz wykonaj mapę błędu 1. Dane z zad. 1: Cr, 2. Model z zad. 2 3. Przeprowadź estymację 4. Gdzie na estymowanym obszarze są największe błędy estymacji? 5. Wyeksportuj mapę konturową -> GA Layer to Contour 6. Wyeksportuj mapę rastrową -> GA Layer to Grid (z ustaw. maskowania w Environments) Uwaga: zmiana zakresu przestrzennego estymacji poprzez zmianę Extent we właściwościach warstwy geostatystycznej 6
Zad. 3 Mapa wartości przewidywanej i błędu Przeprowadź estymację wartości przewidywanej zawartości Cr w glebie z danych punktowych oraz wykonaj mapę błędu 1. Mapa błędu: lub 2. Menu kontekstowe warstwy geostatystycznej: Change output to a prediction standard error 7
Zad. 4 Mapa prawdopodobieństwa Utwórz mapę prawdopodobieństwa, że zawartość miedzi w glebie (Cu) < 60 1. Dane z zad.1: Cu 2. Wykonaj estymację metoda krigingu zwykłego (Ordinary kriging) 3. Ponieważ dane Cu mają rozkład log-normalny, to wykonaj ponownie estymację z uwzględnieniem transformacji, wyniki porównaj (też z danymi źródłowymi) 4. Porównaj mapę wartości przewidywanych i mapę prawdopodobieństwa i zidentyfikuj obszary o najmniejszym prawdopodobieństwie wynikającym: z wartości punktów z rozkładu punktów 8
Zad. 4 Mapa prawdopodobieństwa Utwórz mapę prawdopodobieństwa, że zawartość miedzi w glebie (Cu) < 60 9
Zad. 5 Mapa kwantyli Na podstawie danych punktowych z Zad.1 (Cr) przeprowadzić kriging zwykły (Ordinary kriging) i oblicz: 1. Mapę kwantyli 0.9 2. Mapę kwantyli 0.1 Kwantyl 0.1 Kwantyl 0.9 Mapa wartości przewidywanej 10% -owe prawdopodobieństwo, że wartości są niższe od pokazanych 10
Zad. 6 Kriging indykatorowy Utwórz mapę użytkowania gruntów na podstawie danych punktowych Przygotowanie danych 11
Kriging indykatorowy - - mapy prawdopodobieństwa Zad. 6 L1 - las Uwaga na extent! L2- pastwisko 1 L3 - łąka L4 grunty uprawne 12
Mapa prawdopodobieństwa maksymalnego Zad. 6 Kriging indykatorowy GA Layer To Grid 10x10 13
Obliczenia Zad. 6 Kriging indykatorowy Con( Abs("L1" - "rlmax") < 0.0000001, 1, 0) Con( Abs("L2" - "rlmax") < 0.0000001, 2, 0) Con( Abs("L3" - "rlmax") < 0.0000001, 3, 0) Con( Abs("L4" - "rlmax") < 0.0000001, 4, 0) " + "s3" + "s4" "s1" + "s2" + "s3" + "s4 14
Mapy występowania Zad. 6 s2- pastwisko s1 - las 1 s4 grunty uprawne s3 - łąka 15
Mapa wynikowa Zad. 6 Kriging indykatorowy 16
Ćwiczenia 1. Dla zbioru SST_predict ustal, który z podanych niżej parametrów/modeli może dać najlepsze wyniki estymacji (kriging zwykły): z trendem czy bez z log-tranformacją czy bez Spherical + Nugget Effect czy Rational Quadratic (kroswalidacja) z zasięgiem (Range): 20000 czy 60000 z progiem 3 czy 6 dla sąsiedztwa: 1 sektor, max. 20, min. 8 4 sektory z 45 offsetem, max. 5, min. 2 Dla wybranego modelu przeprowadź walidację. Wykonaj mapę wartości przewidywanej i mapę błędu. 2. Stosując wybrany model oblicz powierzchnię obszaru, gdzie prawdopodobieństwo (estymacja metodą Ordinary kriging), że temperatura > 16 C, jest większe od 0,8. Będzie to obszar pozostający poza wpływem jesiennego upwellingu. Dane: SST_predict, SST_valid 17