Pobierz prezentację
Pobieranie prezentacji. Proszę czekać
OpublikowałTomasz Pasierbek Został zmieniony 10 lat temu
1
GEOSTATYSTYKA I ANALIZA PRZESTRZENNA Wykład dla III roku Geografii specjalność - geoinformacja
Alfred Stach Instytut Geoekologii i Geoinformacji Wydział Nauk Geograficznych i Geologicznych UAM
2
Typowy przebieg analizy geostatystycznej
Pozyskanie i wstępna weryfikacja danych Eksploracja danych: nieprzestrzenna i przestrzenna Budowa probalistycznego modelu struktury przestrzennej analizowanego cechy Weryfikacja modelu. Estymacja i ocena jej jakości. Symulacje. Optymalizacja
3
Eksploracyjna analiza danych
Ogólne informacje o danych źródłowych: ogólna charakterystyka zjawiska/zjawisk generującego przestrzenną/czasową zmienność analizowanej cechy/cech typ próbkowania: przestrzenny i czasowy relacja lokalizacji próbek do głównych czynników zmienność przestrzennej / czasowej analizowanej cechy / cech jednolitość metodyki; źródła i rozmiary błędów pomiarowych
4
Eksploracyjna analiza danych
Nieprzestrzenna jednej zmiennej: typ rozkładu: jedno-, wielomodalny typ rozkładu: symetryczny (potencjalnie normalny), asymetryczny (skośny) istnienie danych globalnie odstających (ekstremów) Nieprzestrzenna dwóch zmiennych: typ i siła korelacji zmiennych ilościowych istotność różnic grup zmiennej/ych ilościowych wyróżnionych względem zmiennej jakościowej
5
Próba losowa – zmienna b3n_02
Rozkład w przybliżeniu symetryczny, dwumodalny (?). Występowanie wartości ekstremalnych (globalnie odstających).
6
Relacja b3N_02 i b3N_04
7
Zmienna b3N_02 w klasach SWIR
8
Eksploracyjna analiza danych
Przestrzenna jednej zmiennej: typ próbkowania istnienie danych lokalnie odstających; potencjalne przyczyny ogólny pogląd na zmienność przestrzenną, wykorzystanie prostej automatycznej procedury interpolacji istnienie efektu proporcjonalności lokalnej średniej/wariancji rozgrupowanie danych przy próbkowaniu preferencyjnym
9
Losowa stratyfikowana
Typ próbkowania Zastosowana metoda poboru próbek ma podstawowe znaczenie dla wyboru metody i jakości estymacji Profilowa Regularna Losowa Izoliniowa Losowa stratyfikowana Preferencyjna (skupiona)
10
Poligon Hørbyebreen zmienna b1_03b
Lokalizacja punktów pomiarowych Powierzchnia rzeczywista
11
Polygony Thiessen’a Poligony Thiessen’a (Voronoi): Metoda wektorowa
Założenie, że wartości cechy w nie opróbowanych lokalizacjach są równe wartościom dla najbliżej położonego punktu pomiarowego Metoda wektorowa Regularnie rozmieszczone punkty dają w tej metodzie regularną siatkę poligonów Punkty rozproszone (nieregularnie rozrzucone) powodują powstanie siatki nieregularnych poligonów
12
Konstrukcja poligonów Thiessen’a
13
Poligon Hørbyebreen zmienna b1_03b
Powierzchnia rzeczywista Interpolacja – poligony Thiessena
14
Traingulacja (TIN) Inna metoda wektorowa często stosowana do tworzenia cyfrowych modeli rzeźby terenu (digital terrain models - DTM) Sąsiadujące punkty są łączone liniami (krawędziami), i w efekcie powstaje siatka nieregularnych trójkątów Obliczenia rzeczywistej odległości między punktami danych w przestrzeni trójwymiarowej przy pomocy trygonometrii Obliczenia interpolowanej wartości z położenia na płaszczyźnie przechodzącej przez trzy sąsiadujące ze sobą punkty pomiarowe
15
Widok izometryczny (rzut 3W)
Konstrukcja TIN dana c dana b Interpolowana wartość x a b c Widok izometryczny (rzut 3W) Widok w planie
16
Rzeczywista powierzchnia z lokalizacjami punktów pomiarowych
Przykład TIN Rzeczywista powierzchnia z lokalizacjami punktów pomiarowych Wynikowa siatka TIN
17
Poligon Hørbyebreen zmienna b1_03b
Powierzchnia rzeczywista Interpolacja – TIN
18
Przestrzenna średnia ruchoma
Metoda mająca zastosowanie zarówno dla danych wektorowych, jak i rastrowych: Bardzo popularna w GIS Oblicza nieznaną wartość cechy dla określonej lokalizacji na podstawie zakresu wartości dla najbliżej lezących punktów pomiarowych Kryteria „sąsiedztwa” do obliczeń są określane za pomocą reguły wprowadzanej przez operatora: Wielkość, kształt sąsiedztwa i/lub charakter danych
19
Przestrzenna średnia ruchoma (PŚR) – przykłady definicji sąsiedztwa
20
Przykład PŚR (sąsiedztwo koliste)
Rzeczywista powierzchnia z punktami danych Powierzchnia modelowana dla sąsiedztwa o promieniu 11 Powierzchnia modelowana dla sąsiedztwa o promieniu 21 Powierzchnia modelowana dla sąsiedztwa o promieniu 41
21
Poligon Hørbyebreen zmienna b1_03b
Powierzchnia rzeczywista Interpolacja – średnia ruchoma
22
Interpolacja metodą średniej ważonej odległością (IDW – inverse distance weighted)
W metodzie IDW rola otaczających punkt estymowany danych jest w liczonej średniej zróżnicowana w zależności od odległości Zj- wartość cechy Z estymowanej w punkcie j Zi – wartość cechy Z zmierzona w punkcie i (jednym z n punktów danych w otoczeniu) hij – efektywna odległość między punktami i i j - wykładnik potęgowy – waga odległości
23
Poligon Hørbyebreen zmienna b1_03b
Powierzchnia rzeczywista Interpolacja – IDW ( = 2)
24
Powierzchnie trendu Wykorzystanie regresji wielomianowej aby dopasować metodą najmniejszych kwadratów powierzchnię do punktów danych Zazwyczaj operator może decydować o stopniu wielomianu stosowanego w dopasowaniu powierzchni Wraz ze wzrostem stopnia wielomianu dopasowywana powierzchnia staje się coraz bardziej skomplikowana Nie zawsze wielomian wyższego stopnia generuje powierzchnię bardziej dokładną – jest to uzależnione od charakteru danych Im niższy błąd RMS tym lepiej interpolowana powierzchnia odwzorowuje punkty danych Najczęściej stosuje się wielomiany od 1 do 3 rzędu
25
Typowe funkcje równań trendu
Planarna: z(x,y) = A + Bx + Cy Bi-liniowa: z(x,y) = A + Bx + Cy + Dxy Kwadratowa: z(x,y) = A + Bx + Cy + Dx2 + Exy + Fy2 Sześcienna: z(x,y) = A + Bx + Cy + Dx2 + Exy + Fy2 + Gx Hx2y + Ixy2 + Jy3
26
Dopasowanie powierzchni trendu wielomianem pierwszego stopnia
Punkty interpolowane Punkty danych
27
Przykłady powierzchni trendu
Rzeczywista powierzchnia z lokalizacją pomiarów Trend planarny Trend kwadratowy Trend sześcienny Jakość dopasowania (R2) = 92,72 % Jakość dopasowania (R2) = 45,42 % Jakość dopasowania (R2) = 82,11 %
28
Poligon Hørbyebreen zmienna b1_03b
Powierzchnia rzeczywista Interpolacja – wielomian (1 st.)
29
Poligon Hørbyebreen zmienna b1_03b
Powierzchnia rzeczywista Interpolacja – wielomian (2 st.)
30
Poligon Hørbyebreen zmienna b1_03b
Powierzchnia rzeczywista Interpolacja – wielomian (3 st.)
31
Eksploracyjna analiza danych
Przestrzenna jednej zmiennej: typ próbkowania istnienie danych lokalnie odstających; potencjalne przyczyny ogólny pogląd na zmienność przestrzenną, wykorzystanie prostej automatycznej procedury interpolacji istnienie efektu proporcjonalności lokalnej średniej/wariancji rozgrupowanie danych przy próbkowaniu preferencyjnym
32
Efekt proporcjonalności średniej lokalnej do wariancji lokalnej
33
Zmienna b1_03b: populacja i próbkowanie losowe
34
Zmienne b1_03b i g-swir03b - populacja
35
Statystyki zmiennej b1_03b w grupach swir_03b
36
Zmienne b1_03b i g-swir03b - populacja
I etap próbkowania preferencyjnego: 200 losowych próbek wszystkich zmiennych II etap próbkowania preferencyjnego: usunięcie z 200 próbek losowo 100 próbek zmiennej b1_03b III etap próbkowania preferencyjnego: dodanie 150 próbek losowo wybranych, lecz jedynie w obrębie grupy 2 g-swir03b
37
Statystyki zmiennej b1_03b: populacja oraz próbkowania – losowe i preferencyjne
38
Efekt proporcjonalności: relacja między lokalną średnią, a lokalną wariancją
Próbka losowa, zmienna b3n_03b Próbka losowa, zmienna b1_03b
39
Efekt proporcjonalności: relacja między lokalną średnią, a lokalną wariancją
Próbka preferencyjna, zmienna b3n_03b Próbka preferencyjna, zmienna b1_03b
40
Eksploracyjna analiza danych
Przestrzenna jednej zmiennej: typ próbkowania istnienie danych lokalnie odstających; potencjalne przyczyny ogólny pogląd na zmienność przestrzenną, wykorzystanie prostej automatycznej procedury interpolacji istnienie efektu proporcjonalności lokalnej średniej/wariancji rozgrupowanie danych przy próbkowaniu preferencyjnym
41
Analizowane przedziały widma (kanały)
(światło zielone) Kanał 2: 0,63 – 0,69 µm (światło czerwone) Kanał 3: 0,78 – 0,86 µm (bliska podczerwień)
42
Próbkowanie: etap I - systematyczne
43
Próbkowanie: etap II - preferencyjne
44
Próbkowanie, a statystyki opisowe – kanał 1
45
Wyjście z problemu – statystyki ważone
Średnia arytmetyczna Średnia ważona
46
Rozgrupowanie poligonalne (polygon declustering)
47
Rozgrupowanie komórkowe (cell declustering)
Średnia arytmetyczna » 276,58 n=2 n=8 Średnia ważona = 1011,55/4 » 252,94
48
Rozgrupowanie komórkowe (cell declustering)
49
Zmienna zregionalizowana (ang. regionalized variable)
Zmienna zregionalizowana to podstawowe pojęcie geostatystyki, które zostało zaproponowane przez G. Matherona w 1965 r. Jest to zmienna rozłożona w przestrzeni, używana do opisu zjawisk zachodzących na pewnym obszarze. Zmienne zregionalizowane mają właściwości pośrednie między zmiennymi losowymi i zmiennymi deterministycznymi Z jednej strony charakteryzują się wzajemną korelacją związaną z przestrzennym rozkładem danego zjawiska, z drugiej zaś strony mogą być traktowane lokalnie, jako zmienne losowe - mające określony rozkład prawdopodobieństwa
50
Zmienna zregionalizowana (ang. regionalized variable)
Dwoistą naturę zmiennych zregionalizowanych wyraża najlepiej funkcja losowa zmiennej przestrzennej Z(x), będąca zbiorem zmiennych losowych, w różnych położeniach. Ma ona następujące własności: lokalnie w danym punkcie wartość z(x) funkcji losowej Z(x) traktowana jest jako pewna realizacja zmiennej losowej, w dowolnej parze punktów x. oraz x+h zmienne losowe Z(x.) oraz Z(x.+h) są związane pewną zależnością korelacyjną wynikającą z przestrzennej ciągłości badanego zjawiska. Przykładami zmiennych zregionalizowanych mogą być: zanieczyszczenie określoną substancją na pewnym obszarze, jasność spektralna pikseli na zdjęciu satelitarnym, temperatura powietrza, wilgotność gleby, natężenie określonego procesu społecznego lub gospodarczego na badanym obszarze.
Podobne prezentacje
© 2024 SlidePlayer.pl Inc.
All rights reserved.