TUTORIAL ANALISIS GEOSTATISTIK ArcGIS

DALAM TUTORIAL INI

- Latihan 1: Membuat permukaan dengan menggunakan parameter standar
- Latihan 2: Menggali data Anda
- Latihan 3: Pemetaan konsentrasi ozon
- Latihan 4: Membandingkan model
- Latihan 5: Pemetaan kemungkinan ozon melebihi ambang batas kritis
- Latihan 6: Memproduksi peta akhir
Dengan Analis Geostatistik ArcGIS, Anda dapat dengan mudah membuat
permukaan kontinu, atau peta, dari titik sampel diukur disimpan dalam lapisan-titik
fitur, raster lapisan, atau dengan menggunakan poligon sentral. Titik sampel dapat
pengukuran seperti elevasi, kedalaman muka air, atau tingkat polusi, seperti yang
terjadi dalam tutorial ini. Bila digunakan bersama dengan ArcMap, Analis
Geostatistik menyediakan seperangkat alat untuk membuat permukaan yang dapat
digunakan untuk memvisualisasikan, menganalisis, dan memahami fenomena data
spasial.

Skenario Tutorial

Badan Perlindungan Lingkungan AS bertanggung jawab untuk memantau

konsentrasi ozon atmosfer di California. Konsentrasi ozon diukur pada stasiun
pemantauan di seluruh negara bagian. Lokasi stasiun yang ditampilkan di sini.
Tingkat konsentrasi ozon dikenal untuk semua stasiun, namun tingkat untuk setiap
lokasi di California juga kepentingan. Namun, karena biaya dan kepraktisan, stasiun
pemantauan tidak bisa berada di mana. Analis geostatistik menyediakan alat yang
membuat prediksi terbaik dengan memeriksa hubungan antara semua titik sampel
dan menghasilkan permukaan kontinu konsentrasi ozon, kesalahan standar
(ketidakpastian) prediksi, dan probabilitas bahwa nilai-nilai kritis terlampaui.
Pengenalan Tutorial ini
Data yang Anda perlukan untuk tutorial ini disertakan pada disk instalasi Analis
Geostatistik. Dataset diberikan oleh Badan Sumber Daya Udara California.
Datasetnya adalah sebagai berikut:
dataset Deskripsi
ca_outline Garis peta California
ca_ozone_pts sampel titik Ozone (ppm)
ca_cities Lokasi kota California utama
ca_hillshade Sebuah peta hillshade California
Dataset ozon (ca_ozone_pts) mewakili 1996 max-Imum delapan jam
konsentrasi rata-rata ozon di bagian per juta (ppm). Pengukuran dilakukan per jam
dan dikelompokkan ke dalam delapan jam blok. Data asli telah dimodifikasi untuk
tujuan tutorial dan tidak boleh dianggap data yang akurat. Dari sampel ozon titik
(pengukuran), Anda akan menghasilkan dua permukaan kontinu (peta),
memprediksi nilai konsentrasi ozon untuk setiap lokasi di negara bagian California
berdasarkan titik sampel yang Anda miliki. Peta pertama yang Anda buat hanya
akan menggunakan semua opsi default untuk menunjukkan Anda bagaimana
mudahnya untuk membuat permukaan dari titik sampel Anda. Peta kedua yang
Anda hasilkan akan memungkinkan Anda untuk menggabungkan lebih dari
hubungan spasial yang ditemukan di antara poin. Ketika membuat ini peta kedua,
Anda akan menggunakan spasial analisis data eksplorasi (ESDA) alat untuk
memeriksa data Anda. Anda juga akan diperkenalkan dengan beberapa pilihan
geostatistik yang dapat Anda gunakan untuk membuat permukaan seperti
menghapus tren dan model autokorelasi spasial. Dengan menggunakan alat ESDA
dan bekerja dengan parameter geostatistik, Anda akan dapat menciptakan
permukaan yang lebih akurat.
Sering kali, itu bukan nilai yang sebenarnya dari beberapa risiko kesehatan
kaustik yang menjadi perhatian tetapi jika di atas beberapa tingkat beracun. Jika hal
ini terjadi, maka tindakan segera harus diambil. Permukaan ketiga Anda buat akan
menilai probabilitas bahwa nilai ambang kritis ozon telah terlampaui.
Untuk tutorial ini, ambang kritis akan jika rata-rata maksimum ozon berjalan
di atas 0,12 ppm dalam jangka waktu delapan jam dalam satu tahun; maka lokasi
harus diawasi secara ketat. Anda akan menggunakan Analis Geostatistik untuk
memprediksi kemungkinan nilai-nilai yang memenuhi standar ini.
 Tutorial ini dibagi menjadi tugas individu yang de-ditandatangani untuk
membiarkan Anda menjelajahi kemampuan Analis Geostatistik pada kecepatan Anda
sendiri. Untuk mendapatkan bantuan tambahan, mengeksplorasi sistem ArcMap
Bantuan Online atau lihat Using ArcMap.
- Latihan 1 membawa Anda melalui mengakses Analis Geostatistik dan proses
menciptakan permukaan konsentrasi ozon untuk menunjukkan Anda
bagaimana mudahnya untuk membuat permukaan dengan menggunakan
parameter standar.
- Latihan 2 memandu Anda melalui proses eksplorasi data Anda sebelum Anda
membuat permukaan untuk melihat outlier dalam data dan untuk mengenali
tren.
- Latihan 3 menciptakan permukaan kedua yang mempertimbangkan lebih
dari hubungan spasial ditemukan pada Latihan 2 dan meningkatkan pada
permukaan yang Anda buat pada Latihan 1. Latihan ini juga
memperkenalkan Anda kepada beberapa konsep dasar geostatistik.
- Latihan 4 menunjukkan cara untuk membandingkan hasil dari dua
permukaan yang Anda buat pada Latihan 1 dan 3 untuk memutuskan yang
memberikan prediksi yang lebih baik dari nilai-nilai diketahui.
- Latihan 5 membawa Anda melalui proses pemetaan probabilitas bahwa ozon
melebihi ambang batas kritis, sehingga menciptakan permukaan ketiga.
- Latihan 6 menunjukkan Anda bagaimana untuk menyajikan permukaan
yang Anda buat pada Latihan 3 dan 5 untuk tampilan akhir, dengan
menggunakan fungsi ArcMap.
Anda akan memerlukan beberapa jam waktu difokuskan untuk
menyelesaikan tutorial. Namun, Anda juga dapat melakukan salah satu latihan saat
jika Anda inginkan, menyimpan hasil Anda setelah setiap latihan.

Latihan 1: Membuat permukaan dengan menggunakan parameter

standar.
sebelum memulainya, kamu harus memulai ArcMap dan mengizinkan Analisis
Geostatistik.

Memulai ArcMap dan mengizinkan Analisis Geostatistik

Klik tombol Start pada taskbar Windows, arahkan ke All Programs, arahkan ke
ArcGIS, kemudian klik ArcMap. Di ArcMap, klik Tools, klik Extensions, kemudian
memeriksa Geostatistical Analyst. Klik Close.
Menambahkan toolbar Analis Geostatistik untuk ArcMap
Klik View, menunjuk ke Toolbars, kemudian klik Geostatistical Analyst.
Menambahkan lapisan data ke ArcMap
Sebelum data ditambahkan, kita menggunakan AcMap untuk melihat data dan jika
perlu digunakan untuk mengubah property layar (simbol).
- Klik dan tambahkan data di Standard toolbar.
- Arahkan ke folder dimana menginstal data tutorial ( dalam situasi standar ad
di C: \ArcGIS \ ArcTutor \Geostatistik) tahan tombol Ctrl, kemudian klik dan
sorot ca_ozone_pts dan dataset ca_outline.
- Klik Add.
- Klik legenda ca_outline layer di daftar isi untuk membuka kotak dialog
symbol selector.
- Klik panah Fill Color drop-down dan klik No Color.
- Klik OK di kotak dialog Symbol Seletor.

Lapisan ca_outline sekarang ditampilkan secara transparan dengan hanya

garis besar terlihat. Hal ini memungkinkan Anda untuk melihat lapisan yang akan
Anda buat dalam tutorial ini di bawah lapisan ini. Dianjurkan agar Anda menyimpan
peta Anda setelah setiap latihan.
- Klik tombol Save di Standard toolbar.
Anda harus memberikan nama untuk peta karena ini adalah waktu terlebih
dulu Anda sudah menyimpannya (Ozon Map.mxd Prediksi disarankan).
Untuk menyimpan di masa depan, klik Save.
Membuat permukaan dengan aplikasi standar.
Selanjutnya Anda akan membuat (interpolasi) permukaan ozon konsentrasi
menggunakan pengaturan standar dari Geostatistical Analyst. Anda akan
menggunakan dataset ozon titik (ca_ozone_pts) sebagai dataset input dan
interpolasi nilai-nilai ozon pada lokasi di mana nilai tidak dikenal menggunakan
kriging biasa. Anda akan klik Next pada banyak kotak dialog, sehingga menerima
default. Jangan khawatir tentang rincian kotak dialog dalam latihan ini. Setiap kotak
dialog akan ditinjau kembali dalam latihan nanti. Tujuan dari latihan ini adalah
untuk menciptakan permukaan menggunakan pilihan standar.
1. Klik panah Geostatistical Analyst drop-down dan klik Geostatistical
Wizard.

Geostatistical Wizard : pilih Input Data dan kotak dialog Methods.

2. Klik panah Input data drop-down dan klik ca_ozone_pts.
3. Klik panah Attribute drop-down dan klik OZONE attribute.
4. Klik kriging pada kotak list Metode.
5. Klik Next.
Pada keadaan standar, metode Ordinary Kriging dan Prediction Map akan
diseleksi pada kotak dialog Geostatistial Method Selection.
Perhatikan bahwa setelah memilih metode untuk memetakan permukaan
ozon, Anda bisa klik Finish untuk membuat permukaan dengan
menggunakan parameter standar. Namun, langkah 6 sampai 10 akan
mengekspos Anda untuk banyak dari kotak dialog yang berbeda.
6. Klik Next pada kotak dialog Geostatistical Method Selection.
 Para semivariogram / Kovarian Modeling kotak dialog memungkinkan
Anda untuk menguji hubungan spasial antara titik yang diukur. Anda
menganggap hal-hal yang dekat lebih sama. Semivariogram ini memungkinkan
Anda untuk menjelajahi asumsi ini. Proses fitting model semivariogram saat
menangkap hubungan spasial yang dikenal sebagai variografi.
7. Klik Next.

Garis bidik menunjukkan lokasi yang tidak memiliki nilai yang diukur.
Untuk memprediksi nilai pada garis bidik, Anda dapat menggunakan nilai-
nilai di lokasi yang diukur. Anda tahu bahwa nilai-nilai dari lokasi terdekat
diukur paling seperti nilai dari lokasi yang tidak terukur yang Anda mencoba
 untuk memprediksi. Titik-titik merah pada gambar di atas akan dilakukan
pembobotan (atau mempengaruhi nilai tidak diketahui) lebih dari titik-titik
hijau karena mereka lebih dekat ke lokasi Anda memprediksi. Menggunakan
titik-titik di sekitarnya, dengan model dipasang pada kotak dialog
semivariogram / Kovarian Pemodelan, Anda dapat memprediksi nilai yang
lebih akurat untuk lokasi yang tidak terukur.
8. Klik Next.

Kotak dialog Cross Validation memberi Anda gambaran mengenai seberapa baik
model memprediksi nilai-nilai di lokasi yang tidak diketahui. Anda akan belajar
bagaimana menggunakan grafik dan memahami statistik di Latihan 4.
9. Klik Finish
Kotak dialog Method Summary merangkum informasi dari metode
(terasosiasi dengan parameter) yang akan digunakan untuk membuat
output surface.
10. Klik OK.
Prediksi peta ozon akan dilihat di layer paling atas dari daftar isi.
11. Klik lapisan dalam daftar isi untuk memilihnya, lalu klik lagi dan
mengubah nama layer untuk "Default".
Perubahan nama ini akan membantu Anda membedakan lapisan ini dari
yang akan Anda buat pada Latihan 4.
 12. Klik Save pada toolbar ArcMap Standard.
Perhatikan bahwa ada interpolasi menerus ke laut. Anda akan belajar
pada Latihan 6 cara untuk membatasi permukaan prediksi untuk tetap
dalam California.

Metodologi Surface-fitting
Anda sekarang telah menciptakan peta konsentrasi ozon dan menyelesaikan
Latihan 1 dari tutorial. Meskipun adalah tugas sederhana untuk membuat peta
(permukaan) dengan menggunakan Analis Geostatistik, penting untuk mengikuti
proses terstruktur seperti berikut: Metodologi Surface-fitting.
 Anda akan berlatih proses terstruktur dalam latihan berikut tutorial. Selain
itu, dalam Latihan 5, Anda akan membuat permukaan lokasi tersebut yang melebihi
ambang batas yang ditentukan, dan pada Latihan 6, Anda akan membuat layout
presentasi akhir hasil analisis yang dilakukan dalam tutorial. Perhatikan bahwa Anda
telah melakukan langkah pertama dari proses ini, yang mewakili data, dalam
Latihan 1. Dalam Latihan 2, Anda akan menjelajahi data.
Latihan 2: Mengeksplorasi data Anda
Dalam latihan ini, Anda akan menjelajahi data Anda. Sebagai proses
struktur-tured pada halaman sebelumnya menunjukkan, untuk membuat keputusan
yang lebih baik saat membuat permukaan terlebih dahulu Anda harus menjelajahi
dataset Anda untuk mendapatkan pemahaman yang lebih baik dari itu. Ketika
menjelajahi data Anda, Anda harus mencari kesalahan jelas dalam input data
sampel yang secara drastis dapat mempengaruhi permukaan prediksi output,
memeriksa bagaimana data didistribusikan, mencari tren global, dan sebagainya.
Analis geostatistik menyediakan banyak data eksplorasi alat. Dalam tutorial ini,
Anda akan menjelajahi data Anda dalam tiga cara:
- Memeriksa distribusi data Anda.
- Mengidentifikasi tren dalam data Anda, jika ada.
- Memahami autokorelasi spasial dan pengaruh terarah. Latihan 2: Menggali
data Anda.
Jika Anda menutup peta setelah Latihan 1, klik menu File dan klik Open. Pada kotak
dialog, klik Look in drop-down dan arahkan ke folder tempat Anda menyimpan
dokumen peta (Ozon Prediksi Map.mxd), kemudian klik Open.

Meneliti distribusi data.

Histogram
Metode interpolasi yang digunakan untuk menghasilkan sur-wajah
memberikan hasil terbaik jika data terdistribusi normal (kurva berbentuk lonceng).
Jika data Anda miring (miring), Anda dapat memilih untuk mengubah data untuk
membuatnya normal. Dengan demikian, penting untuk memahami distribusi data
Anda sebelum membuat permukaan. Plot alat Histogram fre-quency histogram
untuk atribut dalam dataset, memungkinkan Anda untuk memeriksa distribusi (satu
variabel) univariat untuk setiap atribut dalam dataset. Berikutnya, Anda akan
menjelajahi distribusi ozon untuk lapisan ca_ozone_pts.
1. Klik ca_ozone_pts, memindahkannya ke bagian atas daftar isi, kemudian
tempat ca_outline bawah ca_ozone_pts.
 Pilih layer ca_ozone_pts dengan mencentang kotak cek tersebut.
2. Klik panah Geostatistical Analyst drop-down, untuk mengeksploitasi data,
kemudian klik Histogram.

Anda mungkin ingin mengubah ukuran kotak dialog Histogram sehingga

Anda juga dapat melihat peta, sebagai diagram berikut menunjukkan.
3. Klik panah Layer drop-down dan klik ca_ozone_pts.
4. klik panah Attribute drop-down dan klik OZONE.

Distribusi atribut ozon digambarkan oleh histogram dengan

rentang nilai dipisahkan menjadi 10 kelas. Frekuensi data di dalam kelas
masing-masing diwakili oleh puncak setiap batang. Umumnya, fitur
 penting dari distribusi adalah nilai pusat, penyebaran, dan simetri.
Sebagai cek cepat, jika mean dan median sekitar nilai yang sama, Anda
memiliki salah satu bukti bahwa data dapat terdistribusi secara normal.
Histogram sebelumnya menunjukkan bahwa data unimodal (satu
punuk) dan cukup simetris. Tampaknya menjadi dekat dengan distribusi
normal. Akhir hak distribusi menunjukkan adanya sejumlah kecil titik
sampel dengan nilai konsentrasi ozon besar.
5. Klik bar histogram dengan nilai-nilai ozon mulai 0,162-0,175 ppm.
Perhatikan bahwa sumbu x nilai telah Rescaled dengan faktor 10 untuk
membuat mereka lebih mudah dibaca. Titik sampel di dalam kisaran ini
dipilih pada peta. Perhatikan bahwa titik-titik sampel yang terletak di
wilayah Los Angeles.
6. Klik close untuk menutup kotak dialog.

Plot Normal QQ
Plot QQ adalah di mana Anda membandingkan distribusi data ke distribusi
normal standar, menyediakan ukuran lain normalitas data. Semakin dekat titik
adalah garis lurus ke dalam grafik, semakin dekat sampel data mengikuti distribusi
normal.
1. Klik panah Analyst Geostatistical drop-down, arahkan ke Explore Data,
kemudian klik Normal QQPlot.

2. Klik panah Layer drop-down dan klik ca_ozone_pts.

3. Klik Attribute drop-down arrow dan klik OZONE.
 Sebuah plot QQ umum adalah grafik dimana quantiles dari dua
distribusi yang diplot terhadap satu sama lain. Untuk dua distribusi
identik, plot QQ akan menjadi garis lurus. Oleh karena itu, adalah
mungkin untuk memeriksa normalitas data ozon dengan memplot
quantiles bahwa data versus quantiles dari suatu distribusi normal
standar. Dari plot QQ normal di atas, Anda dapat melihat bahwa plot
adalah sangat dekat untuk menjadi garis lurus. Keberangkatan utama
dari baris ini terjadi pada nilai-nilai tinggi konsentrasi ozon (yang dipilih
dalam plot histogram, sehingga mereka dipilih di sini juga). Klik panah
layer drop-down dan klik ca_ozone_pts.
Jika data tidak menunjukkan distribusi normal baik dalam plot QQ
histogram atau normal, mungkin perlu untuk mengubah data untuk
membuatnya sesuai dengan distribusi normal sebelum menggunakan
teknik tertentu interpolasi kriging.
4. Klik Exit pada kotak dialog.

Mengidentifikasi tren global dalam data Anda

Jika tren tersebut ada dalam data Anda, itu adalah nonrandom (menghalangi
ministik) komponen permukaan yang dapat direpresentasikan dengan rumus
matematika. Sebagai contoh, sebuah bukit landai dapat diwakili oleh pesawat.
Sebuah lembah akan diwakili oleh formula yang lebih kompleks (polinomial orde
kedua) yang menciptakan bentuk U. Formula ini dapat menghasilkan representasi
permukaan yang Anda inginkan. Bagaimanapun, banyak kali rumus yang terlalu
halus untuk secara akurat menggambarkan permukaan karena lereng bukit tidak
ada pesawat yang sempurna juga bukan sebuah lembah berbentuk U yang
sempurna. Jika permukaan tren tidakcukup menggambarkan permukaan cukup baik
untuk Anda terutama perempuan lar butuhkan, Anda mungkin ingin menghapus
dan melanjutkan dengan analisis Anda, pemodelan residu, yang adalah apa yang
tetap af-ter tren akan dihapus. Ketika pemodelan residu, Anda akan menganalisis
variasi jarak pendek di permukaan. Ini adalah bagian yang tidak ditangkap oleh
pesawat yang sempurna atau bentuk sempurna .Tren Analyst Tools memungkinkan
Anda untuk mengidentifikasi ada / tidaknya tren dalam dataset masukan.
1. klik panah Geostatistical Analyst drop-down, untuk mengeklorasi
data,kemudian klik Trend Analyst.
2. Klik panah Layer drop-down dan klik ca_ozone_pts.

3. Klik panah Attribute drop-down dan klik OZONE.

Setiap tongkat vertikal dalam plot analisis kecenderungan merupakan lokasi
dan nilai (tinggi) dari setiap titik data. Poin yang diproyeksikan ke pesawat
tegak lurus, seorang timur-barat dan pesawat utara-selatan. Sebuah garis
paling cocok (polinomial) ditarik melalui titik-titik yang diproyeksikan, tren
model yang dalam arah tertentu. Jika baris yang datar, ini akan
menunjukkan bahwa akan ada kecenderungan tidak. Namun, jika Anda
melihat garis hijau muda pada gambar di atas, Anda dapat melihatnya
 dimulai dengan nilai-nilai rendah dan meningkat ketika bergerak timur
sampai tingkat keluar. Ini menunjukkan bahwa data tampaknya
menunjukkan tren yang kuat dalam arah timur-barat dan yang lebih lemah
dalam arah utara-selatan.
4. klik Rotate Projection scroll bar dan putar ke kiri sampai 30 derajat.
Rotasi ini memungkinkan Anda untuk melihat bentuk dari tren timur-barat
lebih jelas. Anda dapat melihat bahwa proyeksi itu benar-benar
menunjukkan bentuk U terbalik. Karena tren ini berbentuk U, polinomial
orde kedua adalah pilihan yang baik untuk digunakan untuk tren global.
Meskipun tren sedang dipamerkan pada bidang proyeksi timur-barat, karena
poin itu diputar 30 derajat, kecenderungan yang sebenarnya adalah timur
laut ke barat daya. Tren ini mungkin disebabkan oleh fakta bahwa polusi
rendah di pantai, tetapi lebih jauh ke pedalaman ada populasi manusia besar
yang lancip off lagi di pegunungan. Anda akan menghapus tren di Latihan
4.
5. klik Exit pada kotak dialog.

Memahami autokorelasi spasial dan pengaruh arah

1. klik Geostatistical Analyst drop-down, arahkan Explore Data, kemudian klik
Semivariogram/covarians awan.

2. klik Layer drop-down dan klik ca_ozone_pts.

3. klik Attribute drop-down dan klik OZONE.
 Semivariogram / kovarians awan memungkinkan Anda untuk menguji
autokorelasi spasial antara titik sampel diukur. Dalam autokorelasi spasial,
diasumsikan bahwa hal-hal yang dekat satu sama lain lebih sama.
semivariogram / kovarians awan memungkinkan Anda memeriksa hubungan
ini. Untuk melakukannya, nilai semivariogram, yang merupakan perbedaan
kuadrat antara nilai setiap pasangan lokasi, diplot pada sumbu y relatif
dengan jarak memisahkan masing-masing pasangan pada sumbu-x.
Setiap titik merah di semivariogram / kovarians awan merupakan
sepasang lokasi. Karena lokasi yang dekat satu sama lain harus lebih sama,
di semivariogram pada lokasi yang dekat (paling kiri pada sumbu x-) harus
memiliki kecil semivariogram nilai (rendah pada sumbu y-). Sebagai jarak
antara pasangan meningkat lokasi (bergerak tepat di sumbu x), nilai-nilai
semivariogram juga harus meningkatkan (bergerak ke atas pada sumbu y).
Namun, jarak tertentu tercapai di mana awan mendatar, menunjukkan
bahwa hubungan antara pasangan lokasi di luar jarak ini tidak lagi
berkorelasi.
Melihat 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.
4. Klik dan drag pointer selection atas titik-titik ini untuk memilih mereka.
(Gunakan diagram berikut sebagai panduan Hal ini tidak penting untuk
memilih titik titik diagram yang tepat.
 Pasangan dari lokasi sampel yang dipilih dalam semivariogram disorot pada
peta, dan garis menghubungkan lokasi, menunjukkan pairing.There yang
banyak alasan untuk perbedaan nilai data antara lokasi sampel antara
daerah Los Angeles dan daerah lainnya. Salah satu kemungkinan adalah
bahwa ada lebih banyak mobil di daerah Los Angeles daripada di daerah
lain, yang akan invari-dengan kemampuan menghasilkan lebih banyak
polusi, memberikan kontribusi untuk penumpukan ozon lebih tinggi di
daerah Los Angeles. Selain tren global yang dibahas di bagian sebelumnya,
ada juga mungkin pengaruh mempengaruhi arah data. Alasan untuk
pengaruh-pengaruh direksional mungkin tidak diketahui, tetapi mereka
dapat secara statistik diukur. Pengaruh-pengaruh arah akan mempengaruhi
keakuratan dari permukaan yang Anda buat pada latihan berikutnya.
Namun, setelah Anda tahu jika ada, Analis Geostatistik menyediakan alat
untuk account untuk itu dalam proses permukaan-penciptaan. Untuk
mengeksplorasi pengaruh Director, nasional di awan semivariogram, Anda
dapat menggunakan Search Direction Tools.
5. Cek Show search direction.
6. Klik dan pindahkan ke banyak sudut di directional pointer.
Arah pointer menghadap menentukan yang 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 Anda jika tidak tertarik dan untuk mengeksplorasi
pengaruh arah pada data.
7. Klik dan tarik Selection tool bersama pasangan dengan nilai-nilai
semivariogram tertinggi untuk memilih mereka di plot dan di peta. (Gunakan
 diagram berikut sebagai panduan Hal ini tidak penting untuk memilih titik
titik yang tepat dalam diagram atau menggunakan arah pencarian yang
sama.)

Anda akan melihat bahwa sebagian besar lokasi terkait (mewakili pasang
titik pada peta), terlepas dari jarak, sesuai dengan salah satu titik sampel
dari wilayah Los Angeles. Mengambil pasang lebih banyak poin, pada jarak
tertentu, mempertimbangkan menunjukkan bahwa bukan hanya pasang
poin dari wilayah Los Angeles ke pantai yang nilai semivariogram tinggi.
Banyak pasang lokasi data dari wilayah Los Angeles ke daerah pedalaman
lain juga memiliki nilai semivariogram tinggi. Hal ini karena nilai-nilai ozon di
daerah Los Angeles yang jauh lebih tinggi daripada di tempat lain di
California.
8. Klik Exit pada kotak dialog.
9. Klik Selection dan klik Clear Selected Features untuk menghapus titik yang
dipilih pada peta.

Dalam latihan ini Anda pelajari

- Data ozon dekat dengan distribusi normal. Hal ini unimodal dan cukup
simetris di sekitar garis mean / median seperti yang terlihat di histogram.
 - Plot QQ normal menegaskan kembali bahwa data terdistribusi secara
normal, karena titik-titik dalam plot menciptakan garis cukup lurus, dan
transformasi tidak diperlukan.
- Menggunakan alat Analisis Trend, Anda melihat bahwa data menunjukkan
tren dan, setelah disempurnakan, mengidentifikasi bahwa tren akan menjadi
yang terbaik sesuai dengan polinomial orde kedua ke arah tenggara-barat
laut (sekitar 340 derajat).
- Awan semiovariogram / kovarians digambarkan bahwa nilai tinggi
konsentrasi ozon di Los Angeles menciptakan nilai semivariance tinggi
dengan lokasi terdekat serta jauh.
- Permukaan semivariogram menunjukkan ada autokorelasi spasial dalam
data.
Mengetahui bahwa tidak ada outlier (atau salah) titik sampel dalam dataset
dan distribusi dekat dengan normal, Anda dapat melanjutkan dengan kepercayaan
diri untuk interpolasi permukaan. Juga, Anda akan dapat menciptakan permukaan
yang lebih akurat karena Anda tahu bahwa ada kecenderungan dalam data bahwa
Anda dapat menyesuaikan dalam interpolasi.