Tutorial ArcGis Geostatistik_Maulana

8/10/2019 Tutorial ArcGis Geostatistik_Maulana

1/44

TUGAS PENDAHULUAN

TRANSLATE

MAULANA MALIK

D621 09 266

GEOSTATISTIK


2/44

Latihan 1: Membuat Suatu Permukaan dengan Menggunakan Parameter yang Umum

Sebelum kamu mulai pertama kamu harus menggunakan Arcmap dan geostatistical analis.

Mulai Arcmap dan memungkinkan geostatistical analis.

Klik tombol bintang pada jendela taskbar, menunjuk program, menunjuk arcgis,and clikarcmap. Di arcmap, klik perkakas, klick extensions,and memeriksa geostatistical analis. Ckik

menutup.

Tambahkan geostatistical analis toolbar ke arcmap

Klik view, menunjuk toolbars,and klik geostatistical analis.

Tambahkan data ke layer arcmap

Sekali ketika data telah ditambahkan, kamu dapat menggunakan arcmap untuk mengubah

data dan, jika perlu, untuk berubah kekayaan dari tiap lapisan ( symbology, dan seterusnya).

1.

klik pilihan data pada toolbar yang.

2. melayari kepada map/brosur kamu menginstall data pengajaran tambahan (

defaul alur instalasi adalah

3. C:\Arcgis\Arctutor\Geostatistict), menekan ctrl kunci [itu], kemudian klik dan

menyoroti [itu] ca_ozone_pts dan ca_outline datasets.

4. klik menambahkan.

5. klik ca_outline legenda lapisan di daftar isi untuk membuka selektor lambang

dialog bertinju6. klik tetesan warna menurun panah dan tidak klik apapun warna

7. klik ok pada selektor lambang dialog bertinju.


3/44

Ca-Outline Lapisan kini dipertunjukkan dengan jelas dengan garis besar kelihatan. Ini

mengijinkan kamu untuk lihat lapisan yang yuo akan menciptakan di (dalam) pengajaran

tambahan ini lapisan underneaththis.

Simpan peta mudirekomendasikan bahwa kamu [menyelamatkan;menabung] peta mu setelah masing-masing

berlatih.

7. klik simpan pada toolbar yang. Kamu akan harus menyediakan suatu nama untuk peta sebab

ini adalah pertama kali kamu sudah menyelamatkan itu menyarankan ramalan ozon map.mxd),

ke sehat ingatan di masa datang, klik simpan

Membuat permukaan dengan metode default.

Selanjutnya Anda akan membuat (interpolasi) permukaan konsentrasi ozon menggunakan

pengaturan default dari analyst geostatistik. Anda akan menggunakan database titik ozon dan

interpolasi nilai-nilai ozon pada lokasi di mana nilai tidak dikenal menggunakan kriging biasa.

Anda akan klik next di banyak kotak dialog di kotak dialog ini exercise.each akan dikunjungi

kembali dalam niat kemudian exercises.the dari latihan ini adalah untuk membuat permukaan

dengan menggunakan pilihan default.

1. Klik toolbar analis geostatistik, kemudian klik geoststistical wizard.

2. Klik panah input data dropdown dan klik ca_ozone_pts.

3. Klik panah atribut dropdoon dan klik atribut OZONE.

4. Klik kriging di kotak dialog metode

5. Klik berikutnya.


4/44

Secara default, kriging biasa dan peta prediksi akan dipilih di kotak dialog pilihan metode

geostatistik.

Perhatikan bahwa setelah memilih metode untuk memetakan permukaan ozon, Anda bisa klik

menyelesaikan sini untuk membuat permukaan dengan menggunakan parameters.however

default, langkah 6 sampai 10 akan mengekspos Anda untuk banyak dari kotak dialog yang

berbeda.

6. Klik next pada kotak dialog pilihan metode geostatistik.


5/44

7

Semivariogram/Kotak dialog Covariance Modeling mengijinkanmu untuk menguji hubungan

mengenai ruang antara poin-poin terukur. Kamu mengasumsikan sesuatu yang empunyai

hubungan dekat lebih mirip. Semivariogram mengijinkan kamu untuk menyelidiki asumsi ini.

Proses dari model pengepasan semivariogram yang diambil sebagai hubungan spasial yang

mengenai ruang dikenal sebagai variography.

7. Klik Next


6/44

Crosshairs menunjukkan sebuah lokasi yang belum terukur nilainya.Untuk memprediksi nilai

pada crosshairs kamu dapat menggunakan nilai pada lokasi yang telah terukur. Kamu tahu

bahwa nilai yang lokasi pengukurannya dekat adalah lebih mirip nilai yang terdapat pada

lokasi yang tidak terukur yang kamu sedang coba untuk diprediksi. Warna merah yang

ditunjuk pada gambar akan menjadi lebih berat (atau akan mempengaruhi nilai yang belum

diketahui) dari pada warna hijau yang di tunjuk pada gambar, sejak mereka dekat ke lokasi

yang sedang kamu prediksi. Gunakan petunjuk disekitar, dengan penyesuaian model di dalam

kotak dialog semivariogram modeling, kamu dapat memprediksi nilai lebih akurat untuk lokasi

yang belum diukur.

8. Klik Next


7/44

Kotak dialog The Cross Validation kamu berikan beberapa ide bagaimana baiknya prediksi

nilai model pada lokasi yag tidak diketahui. kamu akan memepelajari bagaimana menggunakan

grafik dan mengerti statistik pada Latihan 4.

9. Klik finish

kotak dialog The Output Layer Informastion memberikan informasi pada metode (dan

kumpulan parameter) yang akan digunakan untuk membuat Output Surface

10. Klik OK

Peta prediksi zona akan memperlihatkan atau memunculkan bagian atas layer dalam tabel

tersebut.

11. klik layar di tabel tersebut untuk memperjelasnya. lalu klik lagi dan mengubah nama laya ke

"Default".


8/44

Nama yang sudah iubah akan membantu kamu membedakan layar ini dari yang lain. kamu akan

membuat ini pada latihan 4.

12. klik save pada toolbar ArcMap Standard

Pemberitahuan interpolasi berkelanjutan ke dalam laut. kamu akan mempelajari latihan 6

bagaimana membatasi prdiksi surfave untuk tinggal pada California

Metodologi Pencocokan Permukaan

Sekarang kamu bisa membuat peta dari konsentrasi ozon dan menyelesaikan latihan 1 pada

tutorial. Sementara itu hal tersebut merupakan tugas yang mudah dalam pembuatan sebuah

peta (permukaan) menggunakan analisis geostatistik, sangat penting bagi kalian untuk

mengikuti instruksi seperti yang tertera pada diagram berikut ini.

Data yang

mewakili

Mencari/men

emukan data

Penetapan

model yang

Perform

diagnostik

Membanding

kan model

Latihan 1

Menambahkan Layer dan menampilkannya pada ArcMap

Latihan 2

Menemukan property statistic dari datat mu. Tools ini dapat

digunakan untuk menemukan data, meskipun tidak

memungkinkan untuk membuat data permukaan.

Latihan 3

Pilih model dan buat permukaan. Pada tahap pencarian

data akan membantu dalam menentukan model yang

Latihan 4

Menaksir output data permukaan. Hal tersebut akan

membantu memahami seberapa bagus model yang telah

diprediksi dengan nilai yang tidak diketahui

Latihan 5

Jika terdapat lebih dari satu permukaan yang telah

dibuat, hasilnya dapat digabungkan dan membuat

sebuah keputusan yang memberikan prediksi yang

lebih bagus dengan nilai yang tidak diketahui


9/44

Anda akan mengikuti struktur proses dari tutorial latihan di bawah ini. Selain itu,

pada latihan 5, Anda akan membuat permukaan dari lokasi tersebut yang melebihi ambang

pada spesifikasi, pada latihan 6 Anda akan membuat layout presentasi akhir dari hasil analisa

pada tutorial.

Catatan bahwa Anda telah menampilkan langkah pertama dari proses ini, data yang

mewakili, pada latihan 1. Pada latihan 2, Anda akan menetukan data.

Latihan 2: Menjelajahi data Anda

Dalam latihan ini, Anda akan menjelajahi data Anda. Sebagai proses terstruktur pada halaman

sebelumnya menunjukkan bahwa untuk membuat keputusan yang lebih baik saat membuat

sebuah permukaan, terlebih dahulu Anda harus menjelajahi dataset Anda untuk mendapatkan

pemahaman yang lebih baik dari itu. Ketika menjelajahi data Anda, Anda harus mencari

kesalahan yang jelas dalam input data sampel yang secara drastis dapat mempengaruhi

permukaan prediksi output, pemeriksaan bagaimana data didistribusikan, pencarian tren

global, dll.Analis Geostatistik menyediakan banyak data-alat-alat eksplorasi.

Dalam tutorial ini Anda akan menjelajahi data Anda dalam tiga cara:

Memeriksa distribusi data Anda.

Mengidentifikasi tren dalam data Anda, jika ada.

Memahami autocorrection spasial dan pengaruh terarah.

Jika Anda menutup peta setelah Latihan 1, klik menu File dan klik Open. Pada kotak dialog,

klik panah Lihat dalam kotak dropdown dan arahkan ke folder tempat Anda menyimpan

dokumen peta (Ozone Prediction Map.mxd). klik Buka.

Memeriksa distribusi data Anda

Histogram

Metode interpolasi yang digunakan untuk menghasilkan permukaan memberikan hasil terbaik

jika data terdistribusi normal (kurva berbentuk lonceng). Jika data Anda miring (berat

sebelah), Anda dapat memilih untuk mengubah data untuk membuatnya normal. Dengan

demikian, penting untuk memahami distribusi data Anda sebelum membuat permukaan. Alat

Histogram frekuensi plot histogram untuk atribut dalam dataset, memungkinkan Anda untuk


10/44

memeriksa distribusi univariat (satu variabel) dari dataset untuk setiap atribut. Berikutnya,

Anda akan menjelajahi distribusi ozon untuk lapisan ca_ozone_pts.

1. Klik ca_ozone_pts, pindahkan ke bagian atas daftar isi, kemudian tempatkan ca_outline di

bawah ca_ozone_pts.

2. Klik toolbar Geaostatistical Analyst, tunjukkan ke Explore Data, dan klik Histogram.

Anda mungkin ingin mengubah ukuran kotak dialog Histogram sehingga Anda juga dapat

melihat peta, sebagai tampilan diagram berikutnya.

3. Klik tanda panah dropdown pada Layer dan klik ca_ozone_pts

4. Klik tanda panah dropdown pada Attribute dan klik OZONE

Distribusi atribut ozon digambarkan oleh histogram dengan rentang nilai dipyang

dibagi menjadi 10 kelas. Proporsi relatif (densitas) data dalam setiap kelas digambarkan

oleh ketinggian setiap bar


11/44

Umumnya, hal terpenting dari distribusi tersebut adalah nilai titik tengah, penyebaran,

dan simetrinya. Untuk pengujian cepatnya, jika rata-rata dan mediannya mendekati

nilai yang sama, anda memiliki sebuah bukti bahwa data mungkin telah terdistribusi

dengan normal

Histogram yang ditunjukkan di atas menunjukkan bahwa data adalah unimodal

(sebukit) dan hampir simetris. Hal ini muncul mendekati distribusi yang normal.

Ujung kanan dari distribusi menunjukkan adanya sedikit data relatif pada titik sampel

dengan nilai konsentrasi ozone yang besar

5. Klik pada bar histogram dengan rentang nilai ozone antara 0,162 0,175 ppm

Titik sampel pada rentangan ini akan ditunjukkan pada peta. Perlu diketahui bahwa

sampel ini berlokasi pada daerah Los Angeles

6. Klik untuk menutup kotak dialog

QQPlot normal

QQPlot adalah pembanding distribusi data dengan distribusi normal yang standar.

memberikan satu lagi ukuran normalitas data. Semakin dekat titik yang membentuk garis

lurus, makan semakin dekat distribusinya untuk terdistribusi dengan normal

1. Klik pada toolbar Geostatistical Analyst , pilih Explore Data, dan klik Normal QQPlot


12/44

Skala warna, yang merupakan jumlah semivariogram dihitung, menyediakan link

langsung antara nilai-nilai semivariogram empiris pada grafik dan mereka di permukaan

semivariogram. Nilai setiap "sel" di permukaan semivariogram adalah kode warna, dengan nilai

lebih rendah biru dan hijau. Tinggi nilai-nilai oranye dan merah. Nilai rata-rata untuk setiap sel

dari permukaan semivariogram diplot pada grafik semivariogram. Sumbu x pada grafik

semivariogram adalah jarak dari pusat sel ke pusat permukaan semivariogram. Nilai-nilai

semivariogram mewakili perbedaan. Untuk contoh kita, variogram setengah mulai rendah pada

jarak kecil (hal berdekatan lebih mirip) dan meningkat dengan meningkatnya jarak (hal-hal

menjadi lebih berbeda jauh terpisah). Melihat dari permukaan semivariogram bahwa

ketidaksamaan meningkat lebih pesat di barat daya ke arah timur laut daripada di tenggara ke

arah barat laut. Sebelumnya, anda dihapus tren kasar-besaran. Sekarang tampak bahwa saat

sekarang berada komponen arah ke autokorelasi pada skala yang lebih halus, sehingga kita

akan model yang berikutnya.

Asosiasi nilai

parameter

Model

variogram

an tersedia

Model

vario ram

Nilai

semivariogram

Skala warna

Permukaan

semivario ram

Nilai empiris

semivario ram


13/44


14/44

Memahami autokorelasi spasial dan pengaruh arah

Klik toolbar geostatistical analyst, arahkan ke eksplore data, dan klik semivariogram /covariance could.

1. Pilih layer pada data source dan klik ca_ozone_pts.

2. Klik panah dropdown dan klik OZONE pada attribute


15/44

Semivariogram / kovarians tersebut dapat memungkinkan Anda untuk menguji

autokorelasi spasial antara titik sampel yang diukur. Dalam autokorelasi spasial, diasumsikan

bahwa hal-hal yang dekat satu sama lain lebih sama. Semivariogram / kovarians memungkinkan

Anda memeriksa hubungan ini. Untuk melakukannya, nilai semivariogram, yang merupakan

perbedaan dikuadratkan antara nilai setiap pasangan lokasi, diplot pada sumbu y relatif

terhadap jarak yang memisahkan masing-masing pasangan pada sumbu-x.

Setiap daerah yang berwarna merah merupakan semivariogram / kovarians yang

mewakili sepasang lokasi. Karena lokasi dekat harus lebih sama, di semivariogram pada lokasi

yang dekat (paling kiri pada sumbu x-) harus memiliki nilai semivariogram kecil (rendah pada

sumbu y-). Sebagai jarak antara pasangan kenaikan lokasi (bergerak ke atas pada sumbu y-).

Namun, jarak tertentu tercapai di mana atasnya mendatar, menunjukkan bahwa hubungan

antara pasangan lokasi di luar jarak ini tidak lagi berkorelasi.

Lihat semivariogram, jika tampak bahwa beberapa data lokasi yang berdekatan

(mendekati nol pada x-axis) memiliki nilai semivariogram lebih tinggi (tinggi pada sumbu y-)

dari yang Anda harapkan, Anda harus menyelidiki pasangan ini dari lokasi untuk melihat

apakah ada kemungkinan bahwa data tidak akurat.


16/44

3. Klik dan drag pointer seleksi atas titik-titik ini menyoroti mereka. (Gunakan diagram

berikut sebagai panduan. Hal ini tidak penting untuk menyoroti poin tepat menampilkan

diagram).

Pasangan dari lokasi sampel yang dipilih dalam semivariogram yang disorot pada peta, dan

garis menghubungkan lokasi, menunjukkan pasangan.

Ada banyak alasan mengapa data valuaes yang berbeda lebih antara lokasi sampel

daerah los angeles dan kemungkinan area yang lain ada lebih banyak mobil dari pada di daerah

los angeles yang di daerah lain, yang selalu akan menghasilkan lebih banyak polusi,

memberikan kontribusi untuk lebih tinggi penumpukan ozon di daerah los angeles.

Selain trend global yang dibahas di bagian sebelumnya, ada juga kemungkinan

pengaruh arah akan mempengaruhi kelancaran arah data. Alasan untuk kelancaran arah

mungkin tidak diketahui, tetapi dapat diukur secara statistik. Pengaruh-pengaruh arah akan

mempengaruhi akurasi permukaan yang Anda buat pada latihan berikutnya. Namun, setelah

Anda tahu jika ada, analis geostatistik menyediakan alat untuk pengguna dalam proses

pengerjaan permukaan-penciptaan. Untuk mengeksplorasi pengaruh yang terarah pada awan

semivariogram, Anda menggunakan perangkat pencarian arah

5.Tampilakan Pemeriksaan arah pencarian.

6. Klik dan gerakkan pointer arah untuk setiap sudut.

Arah pointer menentukan pasang lokasi data yang diplot pada semivariogram tersebut.

Misalnya, jika pointer menghadap ke arah timur-barat, hanya pasang lokasi data yang timur

atau barat satu sama lain akan diplot pada semivariogram tersebut. Hal ini memungkinkan

Anda untuk menghilangkan pasangan data yang tidak tertarik dan untuk mengeksplorasi

pengaruh arah pada data.


17/44


18/44


19/44

akan mampu menciptakan suatu permukaan yang lebih akurat sebab kamu mengetahui bahwa

ada atrend di dalam data yang kamu dapat melakukan penyesuaian untuk di dalam sisipan.

Latihan 3 : Pemetaan dan Konsentrasi Ozon

Pada latihan 1,kamu harus menggunakan parameter awal untuk Peta Konsentrasi Ozon.

Kamu tidak memperhitungkan sitaf statistik (properti) dari data sampelnya. Misalnya,dari

data eksplorasi dalam latihan 2. Tampak bahwa data menunjukkan Trend. Ini dapat tergabung

kedalam proses interpolasi atau penambahan.

Pada latihan ini kamu akan :

Memperbaiki Peta Konsentrasi Ozon seperti yang tertulis pada latihan 1.

Kemuadian,memperkenalkan dasar dari konsep geostatistik.Kamu akan menggunakan metode interpolasi kriging lagi seperti biasanya dan kamu akan

menggabungkannya di dalam model kamu untuk membuat prediksi yang terbaik.

1. Klik Geostatistical Analyst pada tolbar lalu klik Geostatistical Wizard.

2. Klik Input Data pada bagian bawah dan klik CA_OZONE_PTS.

3. Klik Attribute dibagian bawah panah dan klik Ozone Atribute.

4. Klik Kriging pada kotak metode.

5. Kemudian Klik Next.

Dari data eksplorasi pada latihan 2,kamu dapat menentukan bahwa ada kecenderungan global(meluas) dalam data kamu setelah perbaikan dengan alat analisis,kamu menemukan bahwa

permintaan kedua polinimoal tampak wajar dan Trendnnya berasal dari tenggara kebarat daya

tersebut. Kecenderungan ini dapat dipresentasikan dengan rumus matematika serta dapat

dihapus dari data. Sekali Trend tersebut dihapus,analisis statistiknya akan dilakukan pada

variasi permukaan. Trend secara otomatis akan ditambahkan kembali sebelum permukaan

akhir dibuat,sehingga prediksi akan menghasilkan hasil yang sangat bagus atau maksimal.

Dengan menghapus Trend,analisis yang ikut tidak akan terpengaruhi oleh Trend dan setelah

ditambahkan kemabli ke permukaan yang lebih akurat akan diproduksi.


20/44

6. Metode seleksi geostatistik pada kotak dilog, klik Order Of Tren Removal lalu pilih

second

Perintah kedua polynomial akan dicocokkan curva U- shaped terdeteksi di arah

southwest ke northeast pada kotak dialog Trend Analysis pada latihan 2

7. Klik next pada metode seleksi geostatistik pada kotak dialog

Sesuai default, analisis geostatistik peta peta arah global pada datatest. Permukaan

menunjukan perubahan paling cepat pada arah southwest ke northeast dan berubah

sedikit demi sedikit pada arah northwest - southeast ( karena berbentuk lonjong).

Arah hanya akan dihilangkan jika ada pambenaran yang dilakukan. Arah southwest ke

northeast dapat di lambangkan dengan ozon terpasang antara pegunungan dan pesisir pantai.

Arah ketinggian dan angin yang besar sebagai factor nilai nilai udara dingin sacara relative di

pegunungan dan pesisir pantai. Tingginya konsentrasi pada manusia juga memimpin untuk

tingginya polusi antara pegunungan dan pesisir pantai. Variasi arah northwest menuju

southeast lebih lambat disebabkan oleh tingginya populasi sekitar Los Angles dan kurang lebih

memanjang hingga San Francisco. Oleh sebab itu, kita dapat menghilangkan arah arah ini.


21/44

8. Klik next pada kotak dialog Detrending.

Pemodelan Semivariogram / Kovarian

Dalam Cloud semivariogram / Kovarian pada latihan 2, Anda menjelajahi autokorelasi spasial

keseluruhan dari poin yang diukur. Untuk melakukannya, Anda memeriksa semivariogram,

yang menunjukkan perbedaan-kuadrat dari nilai-nilai antara setiap pasangan titik pada jarak

yang berbeda. Tujuan dari pemodelan Semivarian / Kovarian adalah untuk menentukan yang

paling cocok untuk model yang akan melewati titik-titik dalam semivariogram tersebut (garis

kuning dalam diagram).

semivariogram adalah fungsi yang berhubungan semivarian (atau perbedaan) titik data dengan

jarak yang memisahkan mereka. Representasi grafis yang dapat digunakan untuk memberikan

gambaran mengenai korelasi spasial titik data dengan sekitarnya.

Kotak dialog Pemodelan semivariogram / Kovarian memungkinkan Anda untuk memodelkan

hubungan spasial dalam dataset. Secara default, parameter optimal untuk model semivariogram

spherical dihitung. Analis Geostatistik pertama menentukan ukuran lag baik untuk

mengelompokkan nilai-nilai semivariogram. Ukuran lag adalah ukuran jarak kelas di mana

sepasang lokasi dikelompokkan untuk mengurangi banyaknya kombinasi angka yang mungkin.

Ini disebut Binning. Sebagai hasil dari Binning, perhatikan bahwa ada poin lebih sedikit di

semivariogram ini dari yang ada di latihan 2. Sebuah jarak lag yang baik juga dapat membantu

mengungkapkan korelasi spasial. Kotak dialog menampilkan nilai-nilai semivariogram sebagai

permukaan dan sebagai scatterplot yang berhubungan dengan jarak. Kemudian mencocokan

model semivariogram spherical (paling cocok untuk semua arah) dan nilai-nilai parameter yang

terkait, yang biasanya disebut nugget, jangkauan, dan ambang parsial.

Cobalah untuk menyesuaikan dengan semivariogram lag kecil (jarak) memungkinkan untuk

menggunakan ukuran yang berbeda dan mereparasi bin model spherical standar dengan

mengubah ukuran lag dan jumlah lag.

9. Ketik Ukuran nilai Lag baru dari 12000.

10. klik kotak input dan ketik 10 untuk Jumlah Lag.

Mengurangi ukuran lag berarti bahwa Anda secara efektif memperbesar untuk model detail

dari variasi lokal antara titik sampel terdekat. Anda akan melihat bahwa dengan ukuran lag

lebih kecil, semivariogram fifted (garis kuning) naik tajam dan kemudian tingkat berhenti.

Rentang ini adalah jarak di mana batasan tingkat . Hal ini merata dari semivariogrammenunjukkan bahwa ada autokorelasi sedikit di luar jangkauan.


22/44

Nilai parameterdiasosiasikan

Model

semivariogram

tersedia

Semivariogram

permukaan

Dilengkapi

semivariogram

model

Nilai semivariogram

Nilai

semivariogram

empiris

Color scale

Dengan menghapus tren, semivariogram akan memodelkan autokorelasi spasial antara titik

data tanpa harus mempertimbangkan tren dalam data. Kecenderungan akan secara otomatis

ditambahkan kembali ke perhitungan sebelum permukaan akhir yang dihasilkan.

Skala warna, yang merupakan nilai semivariogram dihitung, menyediakan link

langsung antara nilai-nilai semivariogram empiris pada grafik dan di permukaan

semivariogram. Nilai dari setiap "sel" di permukaan semivariogram adalah kode warna, dengan

nilai nilai yang lebih rendah biru dan hijau dan yang lebih tinggi orange dan merah. Nilai rata-

rata untuk setiap sel dari permukaan semivariogram diplot pada grafik semivariogram. Sumbu

x pada grafik semivariogram adalah jarak dari pusat sel ke pusat permukaan semivariogram.Nilai semivariogram mewakili perbedaan. Sebagai contoh kita, semivariogram mulai rendah

pada jarak kecil (hal yang berdekatan yang lebih mirip) dan meningkat dengan meningkatnya

jarak (hal-hal menjadi lebih berbeda jauh terpisah). Perhatikan dari permukaan semivariogram

bahwa ketidaksamaan meningkat lebih pesat di barat daya ke arah timur laut daripada di

tenggara ke arah barat laut. Sebelumnya, Anda hapus tren kasar-besaran. Sekarang tampak

bahwa ada komponen arah untuk korelasi otomatis pada skala yang lebih halus, sehingga kita

akan mengetahui model yang berikutnya.

Directional semivariograms


23/44

Pengaruh yang terarah akan mempengaruhi poin dari semivariogram dan model yang

akan cocok. Dalam arah tertentu hal lebih dekat mungkin lebih mirip daripada arah yang lain.

Pengaruh arah disebut anisotropi, dan analis geostatistik dapat menjelaskan hal tersebut.

Anisotropi dapat disebabkan oleh angin, limpasan, struktur geologi, atau berbagai proses.Pengaruh arah dapat diukur secara statistik dan dicatat ketika membuat peta.

Kita dapat menjelajahi perbedaan dalam titik data untuk arah tertentu alat pencarian arah. Hal

ini memungkinkan kita untuk menguji pengaruh arah pada grafik semivariogram. Hal tersebut

tidak mempengaruhi permukaan output. Langkah-langkah berikut menunjukkan cara

untuk mencapai hal tersebut

11..memeriksa arah pencarian. Perhatikan pengurangan jumlah nilai semivariogram.

Hanya titik-titik dalam arah pencarian yang akan ditampilkan.

12. klik dan tahan kursor pada garis tengah ke arah pencarian. Pindahkan arah alat

pencarian. Ketika anda mengubah arah pencarian, perhatikan bagaimana perubahan

semivariogram. Hanya nilai dalam arah pencarian permukaan semivariogram yang

akan diplot pada grafik semivariogram atas.


24/44

Untuk benar-benar menjelaskan pengaruh arah pada model semivariogram untuk

perhitungan permukaan, Anda harus menghitung semivariogram anisotropical atau

model kovarians

13. memeriksa Anisotropi

Elips biru pada permukaan semovariogram menunjukkan jangkauan

semivariogram pada arah yang berbeda. Dalam hal ini sumbu utama terletak sekitar ke

arah Baratlaut-SSE.

Anisotropi sekarang akan dimasukkan ke dalam model untuk menyesuaikanpengaruh arah dari autokorelasi di permukaan keluaran

ketik parameter berikut untuk arah pencarian untuk membuat pointer arah bertepatan dengan

sumbu kecil dari allipse anisotropical:

sudut arah: 236,0


25/44

sudut toleransi: 45,0

bandwidth (tertinggal): 3.0

dicatat bahwa bentuk kurva semivariogram meningkat lebih cepat untuk nilai ambang

tersebut. x dan y koordinat dalam meter, sehingga berbagai arah ini adalah sekitar 74 km.

ketik parameter berikut untuk arah pencarian untuk membuat pointer arah bertepatan dengan

sumbu utama elips anisotropical:

sudut arah: 340.0

sudut toleransi: 45,0

bandwidth (tertinggal): 3.0

model semivariogram meningkat lebih secara bertahap, kemudian mendatar. kisaran arah ini

adalah 114 km. dataran tinggi bahwa model semivariogram mencapai di kedua langkah 14 dan 15

adalah sama dan dikenal sebagai ambang jendela. rentang adalah jarak di mana model

semivariogram mencapai nilai pembatas (ambang jendela). di luar jangkauan, ketidaksamaan

antara titik menjadi konstan dengan jarak lag meningkat. lag ditentukan oleh jarak antara

pasang poin.


26/44

di antara sepasang point. Point dipisahkan oleh lag distance yang lebih besar daripada range

dengan ruang yang tidak saling berhubungan. Nugget menggambarkan kesalahan pengukuran

dan atau variasi microscale (variasi pada ukuran ruang yang cukup baik untuk di deteksi).

Mungkin ini untuk menaksir kesalahan pengukuran jika kamu memiliki multiple observation

per lokasi atau kamu dapat memisahkan nugget ke dalam kesalahan pengukuran dan

memeriksa variasi microscale dengan kotak pemeriksaan the Nugget Error Modeling.

16. Klik Next

Sekarang kamu mempunyai model yang sesuai untuk melukiskan ruang auto korelasi, tarik

hitungan detrending dan directional influencer ke dalam data. Informasi ini, bersamaan dengan

konfigurasi dan pengukuran pada sekitar lokasi-lokasi prediksi yang digunakan untuk

membuat prediksi. Tetapi bagaimana cara lokasi man-measured dapat digunakan untuk

kalkulasi?

Ini adalah praktek umum untuk membatasi data yang digunakan dengan mendefinisikan

sebuah lingkaran (atau elips) untuk menyertakan poin yang digunakan untuk memprediksi

nilai di lokasi yang tidak terukur.

Selain itu, untuk menghindari bias dalam arah tertentu, lingkaran (atau elips) dapat dibagi

menjadi sektor dari yang jumlah yang sama dengan poin yang dipilih. Dengan menggunakan


27/44

kotak dialog lingkungan pencarian, Anda dapat menentukan jumlah poin (maksimal 200), jari-

jari (atau sumbu mayor / minor), dan jumlah sektor lingkaran (atau elips) yang akan digunakan

untuk prediksi.

Titik yang disorot di jendela tampilan data memberikan indikasi beban yang akan

dihubungkan dengan setiap lokasi dalam prediksi nilai yang tidak diketahui. Dalam contoh ini,

empat lokasi (merah) memiliki bobot lebih dari 10 persen. Semakin besar beban semakin

banyak dampak yang dimiliki lokasi pada prediksi nilai yang tidak diketahui.

17. klik di dalam tampilan grafik untuk memilih lokasi prediksi (dimana crosshair bertemu)

catat perubahan dalam pemilihan lokasi data (bersama-sama dengan beban yang terkait)

yang akan digunakan untuk menghitung nilai di lokasi prediksi.

18. untuk tujuan tutorial ini, ketik koordinat berikut di kotak Uji Lokasi masukan X = -

2044968 dan Y 208630,37

19. periksa bentuk kotak centang dan ketik 90 pada kotak Angle input. Perhatikan

bagaimana perubahan bentuknya. Namun untuk menjelaskan pengaruh arah, ubah sudut

kembali menjadi 338,

20. Hapus tanda centang pada kotak shape - analisis geostatistik akan menggunakan nilai

default (dihitung dalam dialog semivariogram / kovarians sebelumnya).

21. Klik next pada kotak dialog didekatnya.

Sebelum Anda benar-benar membuat model permukaan, Anda berikutnya menggunakan

dialog cross-validation untuk melakukan diagnosa pada parameter untuk menentukan

"seberapa baik" model selanjutnya.


28/44

Meramalkan kemungkinan nilai ozone

Secara standar, analisis geostatistik menginterpolasi nilai dari variabel yang dipilih pada lokasi

manapun yang terletak dalam area yang ditetapkan oleh batas utara-selatan dan timur-barat

dari titik sampel data. Akan tetapi, peta dari ozon yang diprediksi tidak menjangkau tingkat

geografis dari California. Untuk mengatasi masalah ini kita akan meramalkan kemungkinan

nilai (memprediksi nilai diluar dari batas kotak standar) untuk kedua permukaan.

1. Klik kanan pada layer indikator kriging pada tabel isian dan klik properties. Klik pada

tab extent.untuk mengatur extent: pilih custom extent yang dimasukkan dibawah dan

ketik nilai berikut untuk extent yang tampak, kemudian klik OK

left -2400000 right -1600000

top 860000 bottom-400000

ulangi langkah ini pada layer yang ingin dihilangkan

Mengklip layer ke outline Negara bagian California

Sekarang kita akan mengklip layer ke outline CA yang kita inginkan pada pemetaan tingkatan

ozon dengan Negara bagian California dan ini akan menghasilkan peta yang lebih menarik.

1. Klik kanan Layers dan klik Properties


29/44

2. Klik tab data frame

3. Periksa kemungkinan klip untuk membentuk check box

4. Klik specify Shape

5. Klik Outline of features

6. Klik layer dropdown dan klik ca_outline

7. Klik OK

8. Klik OK untuk menutup dialog boxdata Frame Properties

22. klik tab Plot QQ untuk menampilkan plot QQ.

Dari QQplot Anda dapat melihat bahwa beberapa nilai jatuh sedikit di atas garis dan

beberapa sedikit di bawah garis, tapi poin terbanyak jatuh sangat dekat dengan garis lurus

putus-putus, menunjukkan bahwa kesalahan prediksi yang dekat dengan yang

terdistribusi normal.

23. untuk menyorot lokasi untuk titik tertentu, klik pada baris yang berhubungan dengan

tempat tujuan dalam tabel. Titik yang dipilih akan disorot dalam warna hijau pada

scattergram

24.opsional, klik save validasi silang untuk menyimpan tabel untuk hasil analisis lebih lanjut


30/44

25. klik finish

Lapisan output informasi kotak dialog memberikan ringkasan dari model yang akan

digunakan untuk membuat permukaan

26. klik ok

Peta ozon diprediksi akan muncul sebagai lapisan atas di ArcMap

Secara standar, lapisan mengasumsikan nama metode kriging yang digunakan untuk

menghasilkan permukaan/latar.

27. klik nama layer untuk menyorotnya, kemudian klik lagi dan mengubahnya menjadi "trend

removed".


31/44

Anda juga dapat membuat Prediksi Kesalahan Standar permukaan untuk memeriksa

kualitasprediksi.

28. klik kanan pada layer "Trend Removed" yang anda buat dan klik Create Prediction Standard

Error Map.

29. klik save pada Standard toolbar.

Prediction Standard Errors mengukur ketidakpastian untuk setiap lokasi di permukaan yang

Anda buat. Sebuah Aturan yang sederhana adalah bahwa 95 persen dari waktu, nilai

sebenarnya dari permukaan akan berada dalam interval yang dibentuk oleh nilai prediksi 2

kali standard error prediksi, jika data terdistribusi normal. Perhatikan pada permukaan

Prediction Standard Error pada lokasi dekat titik sampel umumnya memiliki kesalahan yang

lebih rendah.

Permukaan yang Anda buat pada Latihan 1 hanya menggunakan standar-standar dari AnalisGeostatistik, tanpa pertimbangan tren di permukaan, penggunaan ukuran lag lebih kecil, atau

penggunaan model semivariogram anisotropik. Prediksi permukaan yang Anda buat dalam

latihan ini mengambil pertimbangan dari kecenderungan tren global dalam data, penyesuaian

ukuran lag, dan penyesuaian dengan pengaruh arah lokal (anisotropi) dalam semivariogram

tersebut

Dalam Latihan 4, Anda akan membandingkan dua model untuk melihat mana yang

memberikan prediksi yang lebih baik dari nilai yang tidak diketahui.


32/44

Catatan: Sekali lagi, Anda melihat bahwa interpolasi terus ke laut. Anda akan belajar pada

Latihan 6 bagaimana untuk membatasi prediksi permukaan untuk tetap sampai California.

Latihan 4: membandingkan model Menggunakan Analis GeostaticalAnda dapat membandingkan hasil dari dua permukaan yang dipetakan. Hal ini memungkinkan

Anda untuk membuat keputusan untuk yang memberikan prediksi yang lebih akurat tentang

konsertrasi ozon berdasarkan cross-validasi statistik.

1. Klik kanan "Trend removed" lapisan, arahkan ke Bandingkan .... Anda akan membandingkan

"Trend removed" lapisan dengan lapisan default Anda dibuat dalam Latihan 2. Karena

kesalahan prediksi akar-mean-square lebih kecil untuk layer Trend removed, kesalahan stan-

dardizedprediction akar-mean-square adalah lebih dekat satu untuk lapisan Trend removed,

dan kesalahan prediksi rata-rata juga lebih dekat ke nol untuk layer Trend removed , Anda

dapat menyatakan dengan beberapa bukti bahwa model Trend removed lebih baik dan lebih

valid. Dengan demikian, Anda dapat menghapus layer standar karena Anda tidak lagi

membutuhkannya.

2. Klik Close pada kotak dialog Validasi Perbandingan Cross.

3. Klik kanan layer Default dan klik remove.

4. Klik layer Trend removed dan memindahkannya ke bagian bawah stabil isi sehingga Anda

dapat melihat titik sampel dan garis besar dari California.

5. Klik Save pada toolbar Standard.

Anda sekarang telah mengidentifikasi permukaan prediksi terbaik, tapi mungkin ada jenis lain

permukaan yang mungkin Anda ingin ciptakan.

TUGAS 5: PEMETAAN PROBABILITAS NILAI AMBANG BATAS OZON

Pada tugas 1 dan 3 anda menggunakan Kriging biasa untuk pemetaan konsentrasi ozon

di California menggunakan parameter perbedaan. Di dalam langkah proses pembuatan, harus

dilakukan dengan menggunakan sebuah peta prediksi ozon untuk mengidentifikasi wilayah

tidak aman karena itu sangat penting untuk memahami prediksi yang tidak pasti. Sebagai

contoh, perkiraan nilai ambang batas ozon 0,12 ppm untuk periode 8 jam, dan anda akan

menentukan jika beberapa lokasi melampaui nilai ini. Untuk membantu memutuskannya, anda

dapat menggunakan Geostatistical Analyst untuk pemetaan probabilitas dari nilai ambang

batas ozon.


33/44

Sementara Geostatistical Analyst menyiapkan serangkaian metode yang dapat

melakukan tugas ini, untuk tugas ini anda akan menggunakan teknik indikator Kriging. Teknik

ini tidak memerlukan dataset untuk menyesuaikan pada distribusi khusus. Nilai-nilai data

diganti menjadi seri 0s dan 1s menurut nilai-nilai data yang ada di bawah atau di atas ambangbatas. Jika ambang batas di atas 0,12 ppm digunakan, beberapa nilai di bawah amabang batas

ini akan ditunjukkan dengan nilai 0, sedangkan nilai-nilai yang di atas ambang batas akan

ditunjukkan dengan nilai dari 1. Indikator Kriging menggunakan sebuah model semivariogram

yang dihitung dari dataset 0-1.

1. Klik toolbar Geostatistical Analyst dan klik Geostatistical Wizard

2. Klik Layer dan klik ca_ozone_pts

3. Klik Attribute dan klik OZONE attribute

4. Klik Kriging pada kotak metode

5. Klik Next pada kotak dialog Choose Input Data and Method

6. Klik Indikator Kriging; catatan bahwa Probability Map dipilih

7. Atur nilai Primary Threshold menjadi 0,12

8. Klik Exceed

9. Klik Next pada kotak dialog Geostatistical Method Selection


34/44


35/44


36/44

itu telah jelas dari peta yang dekat los angels kemungkinan bisa melebihi pendekatan

target kita. tetapl, diatas rata-rata, di bawah 0.12 ppm untuk setiap delapan jam

sepanjang tahun masa.

19. clik dan tahan indicator kriging layer.drag layer dan memposisikan kembali antara ca

_outline dan kecenderungan untuk menghapus layer.

20. clik save pada toolbar standar untuk menyimpan peta mu. latihan 6 akan

memperlihatkan kepada kamu bagaimana kamu dapat menggunakan functionality di

dalam Arcmap untuk menghasilkan suatu secara kartografis memuaskan peta dasar

permukaan yang kamu buat pada Latihan 3 dan kemungkinan permukaan yang kamu

buat pada latihan ini.

Ekstrapolasi nilai ozon

secara default, analis geostatistik interpolates nilai dari variabel yang dipilih pada setiap lokasi

yang terletak dalam wilayah didefinisikan oleh utara-selatan dan timur-barat batas data sampel

titik. Namun, peta ozon diprediksi tidak mencakup luasnya geografis california (lapisan

ca_outline). untuk mengatasi masalah ini Anda akan ekstrapolasi nilai (memprediksi nilai-nilai

luar kotak standar berlari) untuk kedua permukaan.


37/44

1. Klik kanan layer Indikator Kriging dalam daftar isi dan klik properties. klik tab sejauh

mana. Dalam Mengatur sejauh: pilih sebagian kustom dimasukkan di bawah dan ketik nilai

berikut untuk Tingkat Terlihat, kemudian klik ok:

Kiri : -2400000 Kanan : -1600000

Atas : 860000 Bawah : -400000

ulangi langkah ini untuk menghapus layer tren

Kliping lapisan untuk garis California State

Anda sekarang akan klip lapisan ke lapisan ca_outline seperti Anda hanya tertarik pada

pemetaan tingkat ozon dalam negara bagian California dan ini akan menghasilkan peta lebih

menarik.

1. klik kanan layer dan klik properties


38/44

2. klik tab data frame

3. memeriksa klip memungkinkan untuk membentuk kotak centang

4. klik menentukan bentuk

5. klik garis besar fitur

6. klik layer dropdown dan klik ca_outline

7. klik ok

8. klik ok untuk menutup Frame data kotak dialog Properties

Mementukan lokasi Kota Los Angeles


39/44

1. Klik tombol Add pada data toolbar Standar.

2. 2. Arahkan ke folder di mana Anda menginstal tutorial data (jalur instalasi defaultadalah

C: \ ArcGIS \ ArcTutor \ geostatistik), kemudian klik ca_cities.

3.

Klik add Sebuah peta lokasi kota-kota di California akan ditampilkan.4. Klikkanan layer ca kota danklik Atribut terbuka Table.

5. Gulir ke table dan menemukan AreaName disebut Los Angeles. Klik baris ini. Kota

Los Angeles akan disorot pada peta.

6. Klik untuk menutup tabel atribut.

7.

Klik Zoom In alat pada toolbar Tools dan memperbesar di Kota Los Angeles.

Perhatikan bahwa daerah dengan konsentrasi ozon tertinggi adalah

sebenarnya terletak hanya di sebelah timur Los Angeles.

4. Klik kanan layer ca_cities dan klik Open Attribute Table

5. Geser display pada table dan temukan nama daerah bernama Los Angeles klik pada baris.

6. Klik close attribute table


40/44

7. Klik zoom in tool pada toolbar tools dan perbesar kota Los Angeles

Notice bahwa daerah ini memiliki konsentrasi ozon paling tinggi khususnya yang terletak di

bagian barat Los Angeles


41/44

Membuat Suatu Tampilan

1. Klik View pada main menu kemudian klik layout view

2.

Klik the map to highlight it3. Klik dan drag sudut bagian bawah sebelah kiri dari Data Frame untuk mengubah

ukuran peta.

4. Klik Insert pada menu Utama dan klik Data Frame. Sebuah Data Frame yang baru

dimasukkan pada peta. Sekarang kita meng-copy semua layer pada data frame pertama ke

dalam data frame yang baru untuk menampilkan sebuah peta nilai oson, yang memperbesar

area Los Angeles.


42/44

5. Klik kanan Trend layer yang dihapus dan klik Copy.

6. Klik kanan New Data Frame pada table of contents dan klik Paste Layer(s).

Ikuti langkah 5 dan 6 untuk semua layer yang lain.

7. Klik dan drag New Data Frame untuk menyetel semua lembar.

4. Klik hillshade dan pindahkan ke bagian bawah dari daftar isi.

5. Klik kanan pada Trend removed layer pada tabel new data frame klik properties.


43/44

6. Klik display tab.

7. Pada tabel transparency, pilih type 30%

8. Klik OK

Hillshade telah tampil secara parsial dibawah trend removed layer

Menambahkan elemen peta

1. Klik insert pada menu utama dan klik legend


44/44

2. Pindahkan legend pada bagian sudut kiri bawah dari tampilan.

3. Klik insert dan tambahkan panah utara, skala bar dan teks.

Diagram berikut menunjukkan peta jadi Anda bisa menghasilkan dengan menggunakan fungsi

ArcMap lihat menggunakan ArcMap jika perlu untuk belajar tentang memasukkan elemen ke

layout

Peta tersebut menunjukkan bahwa daerah los angeles memiliki tingkat diprediksi tertinggi

ambang ozon (0,12 ppm) pada setidaknya satu delapan jam periode 1996. Karena ini adalah

kasus dalam analisis (tapi ingat data asli telah diubah), Anda mungkin Tidakkah untuk fokus

pada daerah-daerah dan menganalisis pengukuran deret waktu ozon untuk secara akurat

mengidentifikasi daerah beresiko potensial.

Documents

Tutorial ArcGis Geostatistik_Maulana