Я создал карту средней плотности ядра, запустив KDE для точек, расположенных в одном и том же пространственном экстенте. Например, скажем, у нас есть три точечных шейп-файла, представляющих сеянцы в трех разных лесных промежутках одинаковой формы и размера. Я запустил KDE для каждого шейп-файла точек. Выход из KDE затем были сложены на основе пространственной протяженности, чтобы вычислить среднее в растровом калькулятора Arc, например: Float(("KDE1"+"KDE2"+"KDE3")/3). Вот конечный продукт:
Теперь я заинтересован в создании карты с изображением ошибки, связанной с усредненными значениями KDE. Я надеюсь использовать карту ошибок, чтобы визуально изобразить, сколько ошибок связано с горячими точками (например, является ли горячая точка SW полностью точками в одном зазоре?). Как мне создать карту ошибок, связанных с усредненными значениями KDE? Будет ли MSE самой подходящей мерой ошибки в этом случае?
Ответы:
Caveat
Стандартная ошибка - это полезный способ оценки неопределенности по выборочным данным, когда в данных нет систематической ошибки. Это предположение имеет сомнительную обоснованность в этом контексте, потому что (а) карты KDE локально будут иметь определенные ошибки, которые могут систематически сохраняться между слоями, и (б) потенциально огромный компонент неопределенности из-за выбора радиуса ядра (или «полосы пропускания»). ") не будет отражено вообще ни в одной данной коллекции этих карт.
Некоторые варианты
Тем не менее, изображать изменчивость среди набора связанных, размещенных («сложенных») карт - отличная идея - при условии, что вы помните только что описанные ограничения. Несколько мер локальной изменчивости были бы естественными в этой обстановке, в том числе:
Диапазон значений, выраженный либо аддитивно (максимум минус минимум) или мультипликативный (максимум делится на минимуме).
Дисперсия или стандартное отклонение значений. Мультипликативной версией этого будет дисперсия или стандартное отклонение логарифмов значений.
Надежная оценка дисперсии, такая как межквартильный диапазон (или отношение третьего к первому квартилю).
Во многих отношениях мультипликативные меры могут быть более подходящими для плотностей, потому что разница между (скажем) 100 и 101 деревьями на акр может быть несущественной, тогда как разница между 2 и 1 деревьями на акр может быть относительно важной. Оба демонстрируют одинаковый (аддитивный) диапазон 101-100 = 2-1 = 1, но их мультипликативные диапазоны 1,01 и 2,00 существенно различаются. (Обратите внимание, что мультипликативный диапазон всегда превышает 1, так что 2.00 в сто раз дальше от 1, чем 1.01).
вычисление
Вычисление этих мер требует некоторой формы местной статистики. Функциональность статистики ячеек в Spatial Analyst будет вычислять отклонения, диапазоны и стандартные отклонения. Местные квантили можно найти с рангом . Вместо суеты по поводу того, какие ряды использовать, выбирайте удобные рядом с квартилями. Чтобы найти их, пусть n будет числом сеток в стеке. Медиана имеет ранг (n + 1) / 2 - который может не быть целым числом, указывая, что его следует вычислять путем усреднения рангов n / 2 и n / 2 + 1, каждый из которых будет приближаться к медиане. Чтобы приблизить квартили, затем округлите (n + 1) / 2 до ближайшего целого числа, затем снова добавьте 1 и разделите на 2. Пусть это число будет r . использованиеr и n + 1 - r для рядов квартилей.
Например, если в стеке n = 6 сеток, (n + 1) / 2 округляется до 3 и (3 + 1) / 2 = 2 не требует округления. Используйте r = 2 и r = 6 + 1 - 2 = 5 для рангов. По сути, эта процедура возвращает второе самое низкое ( r = 2) и второе самое высокое ( r = 5) значение шести значений в каждой ячейке. Вы можете отобразить их разницу или соотношение.
источник