R veya ArcGIS'de uzay-temporal enterpolasyon?

ArcGIS 9.3'te Ters Ağırlıklı Mesafe aracını kullanarak bir dizi noktadan ortalama yağış değerini hesaplamaya çalışıyorum.

Benim sorunum şudur: her noktanın kendi zaman serileri vardır, bu nedenle enterpolasyon süreci tüm yıllar boyunca devam edebilmelidir (tabiri caizse yineleme).

Örnek bir öznitelik tablosu aşağıdadır:

ID X Y Name Rain1990 Rain1991 Rain1992 Rain1993 .... Rain2010

1 xx1 yy1 AA 1210 1189 1863 1269 ......  
2 xx2 yy2 BB 1492 1502 2187 1923 ......
......

Biri bana bunun nasıl yapılacağını gösterebilir mi?

Düzenleme 1: Sonunda ArcGIS maske ızgarası, veri dosyaları ve tüm noktaların konumlarını gerektiren C ++ kodunu kullanarak bunu yaptım.

Düzenleme 2: Son zamanlarda bu enterpolasyon görevini yapmak için R kullandım. Ya kullanabilirsiniz hydroTSM, gstatya da spacetimepaketler. Aşağıdaki birkaç örnek bağlantı:

http://spatial-analyst.net/wiki/index.php?title=Spatial_interpolation_exercises_%28NL%29

http://www.geostat-course.org/Topic_Bivand_2012

Düzenleme 3: Gelecekteki okuyucular için aşağıda çalışan bir örnek eklendi

— Tung
kaynak

Bu yardımcı olacak mı? Zaman serisi

— Brad Nesom

R'de yapılabilir, ancak doğrudan ArcMap'ta yapmanın basit bir yolu olduğunu hayal ediyorum. OP'nin tek istediği, ayrı değişkenler (yıllar) boyunca tekrarlamak ve her bir ayrı değişken için enterpolasyonlu raster hesaplamaktır. Bu örnekteki değerlerin ardışık yıllar olması hiçbir fark yaratmaz.

— Andy W

Cevabınız için teşekkürler. Aslında IDW aracını sağ tıkladığınızda bir toplu iş seçeneği var, ancak saatlik veya günlük verileriniz varsa yine de oldukça sıkıcı bir iş. KR

— Tung

@ thecatalyst - Toplu IDW aracı işi yaparsa, yanıt olarak göndermelisiniz. Sıkıcı olsa da, nadiren (yıllık yağış tahminleri nadir olduğu için) diğer çözümleri aramak için çok az neden vardır.

— Andy W

@Andy: Eğer sınırlı sayıda varsa toplu iş aracı yardımcı olacaktır, ancak biraz gerçekçi olmayan kullanma fikrini yapmak yüzlerce veri var. Hala bu sorunun çözümünü arıyorum. KR

— Tung

Yanıtlar:

Bunu bir modele "Özellik Seçimi" yineleyicisi ekleyerek çözdüm. (ModelBuilder Penceresinde, Ekle-> Yineleyiciler menüsü altında.)

Zaman alanınızı "gruplama ölçütü" değişkeniniz olarak kullanın. Bunu yaparak, model özellik sınıfınızdaki her defasında bir kez yinelenir.

Ardından tercih ettiğiniz enterpolasyon aracını (spline, IDW, her neyse) yineleyiciden özellik çıktısına ekleyin. Modeli çalıştırın, birkaç hafta tatile gidin ve geri döndüğünüzde, özellik sınıfında zaman noktalarınız olduğu kadar çok ızgaraya sahip olacaksınız.

Bu çözümün, özellik kümenizdeki her kayıt için tek bir zaman noktasını gösteren bir tarih veya sayısal alana sahip ayrık zaman örnekleme noktalarınız olduğunu varsaydığını unutmayın. "Başlangıç zamanı" ve "bitiş zamanı" biçimini kullanıyorsanız, bu kadar basit olmayabilir.

Ayrıca, çıktı dosya adınızda (veya benzersiz bir dosya adı oluşturmanın başka bir yolunda) "% n%" değişkenini kullanmayı unutmayın, aksi takdirde her yinelemeyi raster olarak yazabilirsiniz. Daha fazla bilgi için, bkz. Help.arcgis.com/en/arcgisdesktop/10.0/help/index.html#//… veya sadece google "ModelBuilder sistem değişkenleri ile satır içi değişken değiştirme örnekleri"

TY. Bunu yapmanın farklı bir yolu olduğunu bilmek güzel. Şerefe!

— Tung

Bu iş parçacığının IDW aracı tarafından yanıtlandığı anlaşılıyor, ancak başlangıç yılını talep edip girdiyseniz ve daha sonra model oluşturucusunda bir satır içi değişken kullanarak yıl alanları arasında yineleme yapsaydınız, modellemeyi işlemek için daha zarif bir yol olurdu .

Not: @AndyW ile hem IDW kullanarak çözdüyseniz, kendinize bir cevap olarak gönderin ve "onay işareti ile işaretleyin"

— CDBrown
kaynak

RRastgele yağış verilerini kullanarak kendi çözümümü ekle

library(tidyverse)
library(sp) # for coordinates, CRS, proj4string, etc
library(gstat)
library(maptools)

# Coordinates of gridded precipitation cells
precGridPts <- ("ID lat long
                1 46.78125 -121.46875
                2 46.84375 -121.53125
                3 46.84375 -121.46875
                4 46.84375 -121.40625
                5 46.84375 -121.34375
                6 46.90625 -121.53125
                7 46.90625 -121.46875
                8 46.90625 -121.40625
                9 46.90625 -121.34375
                10 46.90625 -121.28125
                11 46.96875 -121.46875
                12 46.96875 -121.40625
                13 46.96875 -121.34375
                14 46.96875 -121.28125
                15 46.96875 -121.21875
                16 46.96875 -121.15625
                ")

# Read precipitation cells
precGridPtsdf <- read.table(text = precGridPts, header = TRUE)

Sp nesnesine dönüştürme

sp::coordinates(precGridPtsdf) <- ~long + lat # longitude first

Bir uzamsal referans sistemi (SRS) veya koordinat referans sistemi (CRS) ekleyin.

# CRS database: http://spatialreference.org/ref/epsg/
sp::proj4string(precGridPtsdf) <- sp::CRS("+proj=longlat +ellps=WGS84 +datum=WGS84")
str(precGridPtsdf)
#> Formal class 'SpatialPointsDataFrame' [package "sp"] with 5 slots
#>   ..@ data       :'data.frame':  16 obs. of  1 variable:
#>   .. ..$ ID: int [1:16] 1 2 3 4 5 6 7 8 9 10 ...
#>   ..@ coords.nrs : int [1:2] 3 2
#>   ..@ coords     : num [1:16, 1:2] -121 -122 -121 -121 -121 ...
#>   .. ..- attr(*, "dimnames")=List of 2
#>   .. .. ..$ : chr [1:16] "1" "2" "3" "4" ...
#>   .. .. ..$ : chr [1:2] "long" "lat"
#>   ..@ bbox       : num [1:2, 1:2] -121.5 46.8 -121.2 47
#>   .. ..- attr(*, "dimnames")=List of 2
#>   .. .. ..$ : chr [1:2] "long" "lat"
#>   .. .. ..$ : chr [1:2] "min" "max"
#>   ..@ proj4string:Formal class 'CRS' [package "sp"] with 1 slot
#>   .. .. ..@ projargs: chr "+proj=longlat +ellps=WGS84 +datum=WGS84 +towgs84=0,0,0"

UTM 10N'ye Dönüştür

utm10n <- "+proj=utm +zone=10 ellps=WGS84"
precGridPtsdf_UTM <- spTransform(precGridPtsdf, CRS(utm10n))

Poisson dağılımı kullanılarak oluşturulan varsayımsal yıllık yağış verileri.

precDataTxt <- ("ID PRCP2016 PRCP2017 PRCP2018
                1 2125 2099 2203
                2 2075 2160 2119
                3 2170 2153 2180
                4 2130 2118 2153
                5 2170 2083 2179
                6 2109 2008 2107
                7 2109 2189 2093
                8 2058 2170 2067
                9 2154 2119 2139
                10 2056 2184 2120
                11 2080 2123 2107
                12 2110 2150 2175
                13 2176 2105 2126
                14 2088 2057 2199
                15 2032 2029 2100
                16 2133 2108 2006"
)

precData <- read_table2(precDataTxt, col_types = cols(ID = "i"))

Prec veri çerçevesini Prec shapefile ile birleştir

precGridPtsdf <- merge(precGridPtsdf, precData, by.x = "ID", by.y = "ID")
precdf <- data.frame(precGridPtsdf)

Yağış veri çerçevesini Yağış şekil dosyası (UTM) ile birleştir

precGridPtsdf_UTM <- merge(precGridPtsdf_UTM, precData, by.x = "ID", by.y = "ID")

# sample extent
region_extent <- structure(c(612566.169007975, 5185395.70942594, 639349.654465079, 
                             5205871.0782451), .Dim = c(2L, 2L), .Dimnames = list(c("x", "y"
                             ), c("min", "max")))

Mekansal enterpolasyonun kapsamını tanımlayın. Her yönde 4 km daha büyük yapın

x.range <- c(region_extent[1] - 4000, region_extent[3] + 4000)
y.range <- c(region_extent[2] - 4000, region_extent[4] + 4000)

1km çözünürlükte istediğiniz ızgarayı oluşturun

grd <- expand.grid(x = seq(from = x.range[1], to = x.range[2], by = 1000), 
                   y = seq(from = y.range[1], to = y.range[2], by = 1000))   

# Convert grid to spatial object
coordinates(grd) <- ~x + y
# Use the same projection as boundary_UTM
proj4string(grd) <- "+proj=utm +zone=10 ellps=WGS84 +ellps=WGS84"
gridded(grd) <- TRUE

Ağırlıklı Ters Mesafe (IDW) kullanarak enterpolasyon

idw <- idw(formula = PRCP2016 ~ 1, locations = precGridPtsdf_UTM, newdata = grd)  
#> [inverse distance weighted interpolation]

# Clean up
idw.output = as.data.frame(idw)
names(idw.output)[1:3] <- c("Longitude", "Latitude", "Precipitation")

precdf_UTM <- data.frame(precGridPtsdf_UTM)

İnterpolasyon sonuçlarını çizin

idwPlt1 <- ggplot() + 
  geom_tile(data = idw.output, aes(x = Longitude, y = Latitude, fill = Precipitation)) +
  geom_point(data = precdf_UTM, aes(x = long, y = lat, size = PRCP2016), shape = 21, colour = "red") +
  viridis::scale_fill_viridis() + 
  scale_size_continuous(name = "") +
  theme_bw() +
  scale_x_continuous(expand = c(0, 0)) +
  scale_y_continuous(expand = c(0, 0)) +
  theme(axis.text.y = element_text(angle = 90)) +
  theme(axis.title.y = element_text(margin = margin(t = 0, r = 10, b = 0, l = 0))) 
idwPlt1

### Now looping through every year 
list.idw <- colnames(precData)[-1] %>% 
  set_names() %>% 
  map(., ~ idw(as.formula(paste(.x, "~ 1")), 
               locations = precGridPtsdf_UTM, newdata = grd)) 

#> [inverse distance weighted interpolation]
#> [inverse distance weighted interpolation]
#> [inverse distance weighted interpolation]

idw.output.df = as.data.frame(list.idw) %>% as.tibble()
idw.output.df

#> # A tibble: 1,015 x 12
#>    PRCP2016.x PRCP2016.y PRCP2016.var1.pred PRCP2016.var1.var PRCP2017.x
#>  *      <dbl>      <dbl>              <dbl>             <dbl>      <dbl>
#>  1    608566.   5181396.              2114.                NA    608566.
#>  2    609566.   5181396.              2115.                NA    609566.
#>  3    610566.   5181396.              2116.                NA    610566.
#>  4    611566.   5181396.              2117.                NA    611566.
#>  5    612566.   5181396.              2119.                NA    612566.
#>  6    613566.   5181396.              2121.                NA    613566.
#>  7    614566.   5181396.              2123.                NA    614566.
#>  8    615566.   5181396.              2124.                NA    615566.
#>  9    616566.   5181396.              2125.                NA    616566.
#> 10    617566.   5181396.              2125.                NA    617566.
#> # ... with 1,005 more rows, and 7 more variables: PRCP2017.y <dbl>,
#> #   PRCP2017.var1.pred <dbl>, PRCP2017.var1.var <dbl>, PRCP2018.x <dbl>,
#> #   PRCP2018.y <dbl>, PRCP2018.var1.pred <dbl>, PRCP2018.var1.var <dbl>

— Tung
kaynak