Räumlich-zeitliche Interpolation in R oder ArcGIS?

12

Ich versuche, den durchschnittlichen Niederschlagswert aus einer Reihe von Punkten mithilfe des Werkzeugs "Inverse Weighted Distance" in ArcGIS 9.3 zu berechnen.

Mein Problem ist folgendes: Jeder Punkt hat seine eigenen Zeitreihen, daher sollte der Interpolationsprozess für alle Jahre ausgeführt werden können (sozusagen eine Art Iteration).

Es folgt eine Beispielattributtabelle:

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 ......
......

Kann mir jemand zeigen, wie das geht?

Bearbeiten 1: Zum Schluss habe ich C ++ - Code verwendet, für den ArcGIS-Maskenraster, Datendateien und Speicherorte aller Punkte erforderlich waren.

Edit 2: Ich habe kürzlich R verwendet, um diese Interpolationsaufgabe auszuführen. Sie können entweder hydroTSM, gstatoder spacetimePakete verwenden. Einige Beispiellinks unten:

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

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

Edit 3: Ein funktionierendes Beispiel für zukünftige Leser wurde hinzugefügt

arcgis-desktop r interpolation spatial-statistics time-series Tung
quelle
Hilft das? Zeitreihe
Brad Nesom
Dies könnte in R geschehen, aber ich stelle mir vor, es gibt eine einfache Möglichkeit, dies direkt in ArcMap zu tun. Das OP möchte lediglich die einzelnen Variablen (Jahre) durchlaufen und das interpolierte Raster für jede einzelne Variable berechnen. Die Tatsache, dass die Werte in diesem Beispiel aufeinanderfolgende Jahre sind, macht keinen Unterschied.
Andy W
Danke für deine Antwort. Eigentlich gibt es eine Batch-Option, wenn Sie mit der rechten Maustaste auf das IDW-Tool klicken, aber dennoch ist es eine ziemlich mühsame Aufgabe, wenn Sie stündliche oder tägliche Daten haben. KR
Tung
@thecatalyst - Wenn das Batch-IDW-Tool die Aufgabe erledigt, sollten Sie es als Antwort posten. Obwohl es mühsam sein kann, gibt es wenig Grund, nach anderen Lösungen zu suchen, wenn es selten ist (da jährliche Niederschlagsschätzungen selten sind).
Andy W
@Andy: Das Batch-Tool würde helfen, wenn Sie eine begrenzte Anzahl haben, aber ich habe Hunderte von Daten, die die Idee, es zu verwenden, ein wenig unrealistisch machen. Ich bin immer noch auf der Suche nach der Lösung dieses Problems. KR
Tung

Antworten:

3

Ich habe dies gelöst, indem ich einen "Feature Selection" -Iterator in ein Modell eingefügt habe. (Im ModelBuilder-Fenster unter Einfügen-> Iteratoren.)

Verwenden Sie Ihr Zeitfeld als "Gruppieren nach" -Variable. Auf diese Weise wird das Modell für jedes Mal in Ihrer Feature-Class einmal wiederholt.

Verbinden Sie dann Ihr bevorzugtes Interpolationswerkzeug (Spline, IDW, was auch immer) mit der Feature-Ausgabe des Iterators. Führen Sie das Modell aus, machen Sie ein paar Wochen Urlaub, und wenn Sie zurückkommen, haben Sie so viele Raster, wie Sie Zeitpunkte in der Feature-Class haben.

Bei dieser Lösung wird davon ausgegangen, dass Sie über diskrete Zeitabtastpunkte mit einem Datums- oder numerischen Feld verfügen, das einen einzelnen Zeitpunkt für jeden Datensatz in Ihrem Feature-Set angibt. Wenn Sie das Format "Startzeit" und "Endzeit" verwenden, ist dies möglicherweise nicht so einfach.


quelle
1
Vergessen Sie auch nicht, die Variable "% n%" in Ihrem Ausgabedateinamen zu verwenden (oder eine andere Möglichkeit, einen eindeutigen Dateinamen zu generieren), da Sie sonst möglicherweise Ihr Raster bei jeder Iteration überschreiben. Weitere Informationen finden Sie unter help.arcgis.com/de/arcgisdesktop/10.0/help/index.html#//… oder bei Google "Beispiele für die Inline-Variablensubstitution mit ModelBuilder-Systemvariablen"
TY. Gut zu wissen, dass es einen anderen Weg gibt. Prost!
Tung
2

Es scheint, dass dieser Thread vom IDW-Tool beantwortet wird. Wenn Sie jedoch das Startjahr anfordern und eingeben und dann mit einer Inline-Variablen in Model Builder durch die Jahresfelder iterieren, ist dies eine elegantere Möglichkeit, die Modellierung zu handhaben .

PS: Ich stimme @AndyW zu, dass Sie, wenn Sie es mit dem IDW gelöst haben, selbst als Antwort posten und dann "mit dem Häkchen markieren".

CDBrown
quelle
1

Meine eigene Lösung mit R& zufälligen Niederschlagsdaten hinzufügen

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)

In ein sp-Objekt konvertieren

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

Fügen Sie ein räumliches Bezugssystem (SRS) oder ein Koordinatenbezugssystem (CRS) hinzu. 

# 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"

Umstellung auf UTM 10N

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

Hypothetische jährliche Niederschlagsdaten, die mithilfe der Poisson-Verteilung generiert wurden. 

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"))

Füge den Prec-Datenrahmen mit dem Prec-Shapefile zusammen

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

Zusammenführen des Niederschlagsdatenrahmens mit dem Niederschlags-Shapefile (UTM)

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")))

Definieren Sie die Ausdehnung für die räumliche Interpolation. Machen Sie es in jeder Richtung 4 km größer

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

Erstellen Sie das gewünschte Raster mit einer Auflösung von 1 km

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

Interpolieren mit Inverse Distance Weighted (IDW)

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)

Plotinterpolationsergebnisse

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
quelle