Interpoler les points (Map Viewer – analyse raster)

L’outil Interpoler les points prend des données avec des valeurs à chaque point et utilise une méthode d’interpolation, qui tient compte de l’erreur d’estimation du semi-variogramme sous-jacent par des simulations répétées, pour produire des rasters de valeurs prévues et de valeurs d’erreur de prévision.

Les sorties correspondent à des couches d'imagerie hébergées.

En savoir plus sur le fonctionnement du krigeage bayésien empirique

Exemples

Voici les quelques exemples d’applications de cet outil :

  • Un réseau de gestion de la qualité de l’air possède des capteurs qui mesurent les niveaux de pollution à certaines localisations. Cet outil permet de prévoir les niveaux de pollution aux localisations non pourvues de capteurs, telles que les localisations où vivent les populations à risque (écoles ou hôpitaux, par exemple).
  • Prévoyez les concentrations de métaux lourds dans les récoltes en fonction d'échantillons prélevés sur des plants individuels.
  • Prévoyez les niveaux nutritifs du sol (azote, phosphore, potassium, etc.) et d’autres indicateurs (comme la conductivité électrique) afin d’étudier leur impact sur le rendement des récoltes et prescrivez des quantités précises de fertilisants pour chaque endroit du champ.
  • Les applications météorologiques sont notamment la prévision des températures, des précipitations et des variables associées (par exemple, les pluies acides).

Remarques sur l’utilisation

L’outil Interpoler les points comporte des configurations pour les couches en entrée, les paramètres d’interpolation et les couches de résultat.

Couches en entrée

Le groupe Input layers (Couches en entrée) comprend les paramètres suivants :

  • Input Point Features (Entités ponctuelles en entrée) identifie les entités à interpoler.

  • Interpolate field (Champ à interpoler) contient les valeurs de données à interpoler. Le champ doit être numérique.

Paramètres d’interpolation

Le groupe Interpolation settings (Paramètres d’interpolation) inclut les paramètres suivants :

  • Optimize for (Optimiser pour) spécifie votre préférence entre des prévisions précises et la vitesse de calcul.

    Cet outil utilise l’outil de géotraitement Krigeage bayésien empirique pour effectuer l’interpolation. Les paramètres fournis à l'outil Krigeage bayésien empirique sont contrôlés par le paramètre Optimiser pour. Plus les prévisions sont précises et plus leur calcul est long. Les options disponibles sont les suivantes :

    • Speed (Vitesse) : la méthode d’interpolation est optimisée pour des calculs plus rapides : elle utilise moins de simulations et emploie les options et les configurations les plus efficaces.
    • Balance (Équilibre) : le modèle d’interpolation est équilibré entre vitesse et précision grâce à des options et des configurations standard. Il s’agit de l’option par défaut.
    • Accuracy (Précision) : le modèle d’interpolation est optimisé pour des calculs précis et exacts : il utilise le plus de simulations possible, ainsi que les options et les configurations les plus complexes.

    Le tableau suivant répertorie les valeurs de paramètre utilisées dans l’outil Krigeage bayésien empirique pour chaque option :

    ParamètreVitesseEquilibrePrécision

    Data transformation type

    AUCUNE

    AUCUNE

    EMPIRICAL

    Type de modèle de semi-variogramme

    POWER

    POWER

    K_BESSEL

    Maximum number of points in each local model

    50

    75

    200

    Local model area overlap factor

    1

    1,5

    3

    Number of simulated semivariograms

    30

    100

    200

    Search neighborhood (Min neighbors) (Voisinage de recherche (Nbre min. de voisins))

    8

    10

    15

    Search neighborhood (Max neighbors) (Voisinage de recherche (Nbre max. de voisins))

    8

    10

    15

  • Le paramètre Output Cell Size (Taille de cellule en sortie) spécifie la taille de cellule du raster en sortie.

    Les unités disponibles sont les pieds, les miles, les mètres et les kilomètres.

  • Le paramètre Transform Data (Transformer les données) transforme les données en une distribution normale avant l’analyse. Si les valeurs des données ne semblent pas distribuées normalement (en forme de cloche), il est conseillé de procéder à une transformation.

    • Désactivé : aucune transformation n’est appliquée. Il s'agit du paramètre par défaut.
    • Activé : une transformation vers la distribution normale est appliquée.
  • Le paramètre Size of Local Models (Taille des modèles locaux) spécifie le nombre de points dans chaque modèle local.

    Si la valeur est élevée, l'interpolation sera globale et stable, mais des effets à petite échelle risquent d'être ignorés. Avec de petites valeurs, l'interpolation sera plus locale et des effets à petite échelle ont plus de chances d'être capturés, mais l'interpolation risque d'être instable.

  • Le paramètre Number of Neighbors (Nombre de voisins) spécifie le nombre de voisins à utiliser lors du calcul de la prévision dans une cellule raster particulière.

Couches de résultats

Le groupe Result layers (Couches de résultat) comprend les paramètres suivants :

  • Le paramètre Output raster name (Nom raster en sortie) spécifie le nom de la couche raster en sortie créée et ajoutée à la carte.

    Le nom doit être unique. Si une couche du même nom existe déjà dans votre organisation, l’outil échoue et vous êtes invité à utiliser un autre nom.

  • Le paramètre Output prediction error (Erreur de prévision en sortie) indique si un raster des erreurs standard des prévisions interpolées est créé. Les erreurs de prévision sont utiles, car elles fournissent des informations sur la fiabilité des valeurs prévues. Ce paramètre est facultatif.

    Si un raster des erreurs standard des prévisions interpolées est demandé, il prend le même nom que la valeur du paramètre Output raster (Raster en sortie), mais avec le terme Errors (Erreurs) ajouté.

  • Le paramètre Save in folder (Enregistrer dans un dossier) indique le nom d’un dossier de My content (Mon contenu) dans lequel est enregistré le résultat.

Environnements

Les paramètres d’environnement d’analyse sont des paramètres supplémentaires qui affectent les résultats d’un outil. Vous pouvez accéder aux paramètres d’environnement d’analyse de l'outil à partir du groupe de paramètres Environment settings (Paramètres d'environnement).

Cet outil respecte les environnements d'analyse suivants :

Sorties

Cet outil comprend les sorties suivantes :

  • Couche raster des prévisions calculées avec une distribution de semi-variogramme empirique générée par la fusion des semi-variogrammes individuels issus des distributions de semi-variogramme dans le voisinage du point.

  • Couche raster des erreurs standard des prévisions interpolées.

    • Selon une règle simple, la valeur vraie est comprise entre deux erreurs standard de la valeur prévue dans 95 % des cas. Par exemple, supposons qu’une nouvelle localisation obtienne une valeur prévue de 50 avec une erreur standard de 5.
    • Cela signifie que la meilleure estimation de la valeur vraie à cette localisation est de 50, mais qu’elle peut raisonnablement descendre à 40 ou monter à 60.
    • Pour calculer cette plage de valeurs raisonnables, multipliez l'erreur standard par 2, ajoutez cette valeur à la valeur prévue pour obtenir la limite supérieure de la plage et soustrayez-la de la valeur prévue pour obtenir la limite inférieure de la plage.

Conditions d’utilisation

Cet outil requiert les licences et configurations suivantes :

Bibliographie

  • Chilès, J-P. et P. Delfiner (1999). Chapitre 4 de Geostatistics: Modeling Spatial Uncertainty. New York : John Wiley & Sons, Inc.
  • Krivoruchko, K. (2012). « Empirical Bayesian Kriging », ArcUser Fall 2012.
  • Krivoruchko, K. (2012). « Modeling Contamination Using Empirical Bayesian Kriging », ArcUser Fall 2012.
  • Krivoruchko, K. et A. Gribov (2014). « Pragmatic Bayesian kriging for non-stationary and moderately non-Gaussian data », Mathematics of Planet Earth. Proceedings of the 15th Annual Conference of the International Association for Mathematical Geosciences, Springer 2014, pp. 61-64.
  • Krivoruchko, K. et A. Gribov (2019). « Evaluation of empirical Bayesian kriging », Spatial Statistics Volume 32. https://doi.org/10.1016/j.spasta.2019.100368.
  • Pilz, J. et G. Spöck (2007). « Why Do We Need and How Should We Implement Bayesian Kriging Methods », Stochastic Environmental Research and Risk Assessment 22 (5):621–632.

Ressources

Référez-vous aux ressources suivantes pour en savoir plus :