Gegevens samenvatten

De toolset Gegevens samenvatten bevat tools die totale tellingen, lengtes, gebieden en eenvoudige beschrijvende statistieken van objecten en hun attributen berekenen binnen oppervlakken of dicht bij andere objecten.

• Punten aggregeren berekent statistieken over punten die binnen specifieke oppervlakken of bins vallen.
• Multivariabel grid bouwen genereert een grid met vierkante of zeshoekige bins en berekent waarden voor elke bin gebaseerd op de nabijheid van elke invoerlaag.
• Dataset beschrijven berekent een samenvatting van uw invoer, en kan optioneel een voorbeeld van uw invoerlaag genereren.
• Objecten samenvoegen berekent statistieken over objecten die een ruimtelijke, tijdelijke of attribuutrelatie delen met andere objecten.
• Traceringen reconstrueren berekent statistieken over punten of polygonen die behoren tot dezelfde tracering en reconstrueert invoer in traceringen.
• Attributen samenvatten berekent statistieken over objectgegevens of gegevens in tabelvorm die attributen delen.
• Samenvatten in berekent statistieken voor gebiedsobjecten en attributen die elkaar overlappen.

Punten aggregeren

Met behulp van een laag van puntobjecten en ofwel een laag van gebiedsobjecten of bins gedefinieerd door een gespecificeerde afstand, bepaalt deze tool welke punten binnen elk gebied vallen en berekent de tool de statistieken voor alle punten binnen elk gebied of bin. U kunt eventueel ook tijdsplitsing toepassen met deze tool.

Hier volgen enkele voorbeelden:

• Bereken aan de hand van bepaalde puntlocaties van criminele incidenten het aantal misdrijven per gemeente of ander administratieve regio.
• Zoek de hoogste en laagste maandinkomsten voor franchiselocaties aan de hand van 100-kilometer bins.

Multivariabel rooster bouwen

De Multivariabel rooster bouwen tool genereert een rooster met vierkante of zeshoekige bins en berekend variabelen voor elke bin gebaseerd op de nabijheid van een of meer invoerlaag.

Hier volgen enkele voorbeelden:

• Welk deel van de stad is het minst toegankelijk met het openbaar vervoer, gelet op de verschillende lagen van de infrastructuur van het openbaar vervoer?
• Wat is de naam van het waterlichaam dat het dichtst bij elke locatie in de V.S. ligt, gelet op de lagen van de waterwegen, zoals meren en rivieren?
• Waar in de V.S. is de variatie van het inkomen in de omliggende 50 mijl het grootst, gelet op een laag van inkomen per huishouden?

Dataset beschrijven

Vat invoerobjecten samen met statistieken, voorbeeldlagen en visualisatie. U kunt ervoor kiezen om een ​​voorbeeldlaag of een extentlaag uit te voeren.

Hier volgen enkele voorbeelden:

• Raadpleeg de berekende samenvattende statistieken om te begrijpen welke waarden uw dataset bevat.
• In plaats van de volledige dataset te tekenen, maakt u een subsetlaag om objecten en hun attributen te visualiseren wanneer deze aan een kaart worden toegevoegd.
• Bespaar tijd en middelen en voer analyses uit op een voorbeeldlaag voordat u analyse uitvoert op de volledige dataset.

Objecten samenvoegen

Door featurelagen of gegevens in tabelvorm te gebruiken, kunt u objecten samenvoegen gebaseerd op specifieke relaties tussen de invoerlagen of tabellen. Samenvoegingen worden bepaald door ruimtelijke, tijdelijke en attribuutrelaties en samenvattende statistieken kunnen optioneel worden berekend.

Hier volgen enkele voorbeelden:

• Voeg aan de hand van puntlocaties van criminaliteitsincidenten binnen een tijd de criminaliteitsdata toe, specificeer een ruimtelijke relatie van misdrijven binnen 1 kilometer van elkaar, en die binnen 1 uur na elkaar zijn ontstaan om te bepalen of er een reeks misdrijven dicht bij elkaar plaatsvond binnen een bepaalde tijd en ruimte.
• Voeg aan de hand van een tabel met postcodes met demografische informatie en gebiedseigenschappen die woongebouwen vertegenwoordigen de demografische informatie toe van de woningen, zodat iedere woning nu de informatie heeft.

Traceringen reconstrueren

Aan de hand van een tijdgestuurde laag van punt- of polygoonobjecten die voor een moment in de tijd staan, kan met deze tool bepaald worden welke invoerobjecten bij een track horen waarbij de invoer op volgorde van tijd wordt gezet. Statistieken worden optioneel berekend voor de invoerobjecten binnen elke tracering.

Hier volgen enkele voorbeelden:

• Aan de hand van puntlocaties en tijd van orkaanmetingen, worden de gemiddelde windsnelheid en max winddruk van de orkaan gemeten.
• Gebruik GPS-metingen van schepen om vaarroutes als lijnen te reconstrueren.

Attributen samenvatten

Deze tool gebruikt object- of tabelgegevens om de statistieken voor gespecificeerde velden samen te vatten.

Hier volgen enkele voorbeelden:

• Aan de hand van de locaties van supermarkten met een veld COMPANY_NAME worden de winkels samengevat op bedrijfsnaam om de statistieken van elk bedrijf te bepalen.
• Aan de hand van een tabel van supermarkten met de velden COMPANY_NAME en COUNTY, worden de winkels samengevat op bedrijfsnaam en provincie om de statistieken van elk bedrijf in elke provincie te bepalen.

Samenvatten in

Zoekt naar gebieden (en delen van gebieden) die overlappen tussen twee lagen en berekent statistieken over de overlapping.

Hier volgen enkele voorbeelden:

• Er is een kaartlaag met stroomgebieden en een laag met landgebruikgebieden per type landgebruik; bereken het totale oppervlak van het landgebruiktype voor elk stroomgebied.
• Vat de gemiddelde waarde van vrije percelen in elke stad samen op basis van een laag met percelen in een provincie en een laag met stadsgrenzen.

Incidenten Detecteren

Deze tool werkt met een tijdgeschakelde laag van punten, lijnen, gebieden of tabellen die een tijdsmoment vertegenwoordigen. Met behulp van opeenvolgend geordende functies, oftewel tracks, bepaalt deze tool welke objecten interessante incidenten zijn. Incidenten worden bepaald door de voorwaarden die u opgeeft.

Hier volgen enkele voorbeelden:

• Detecteer orkaanmetingen van orkanen in de categorie 4 op basis van een windsnelheidsattribuut.
• Aan de hand van GPS-metingen van scheepsbewegingen met een veld dat de snelheid van het schip vertegenwoordigt metingen vinden die groter zijn dan 1,5 keer het gemiddelde van de voorgaande vijf metingen.

Woonlocaties zoeken

Deze tool werkt met trackdatasets en bestaat uit een tijdgestuurde laag punten om te zoeken, waar objecten binnen een bepaalde afstand en duur liggen.

Hier volgen enkele voorbeelden:

• Het verbeteren van het behouden van diersoorten door de bewegingspatronen van dieren te analyseren. Het gebruiken van deze tool om populaire verblijfplaatsen van dieren te ontdekken als potentiële beschermde gebieden om biodiversiteit te behouden.
• Het gebruik van GPS-locaties voor voertuigen, het zoeken en adresseren waar vertraging voorkomt om de verkeersveiligheid te bevorderen.

Gelijksoortige locaties zoeken

Op basis van de criteria die u opgeeft vind gelijksoortige locaties door de overkeenkomsten van locaties in de gekozen laag te meten met een of meer referentielocatie(s).

Hier volgen enkele voorbeelden:

• Zoek de 10 winkels die het meest op elkaar lijken door het aantal werknemers en de jaaromzet te onderzoeken.
• Zoek de 100 steden die het meest op elkaar lijken door de relatie te onderzoeken tussen bevolking, jaarlijkse groei en belastinginkomsten.

Patronen analyseren

Deze tools identificeren, kwantificeren en visualiseren ruimtelijke patronen in uw data.

• Dichtheid berekenen gebruikt bekende hoeveelheden van een bepaald fenomeen en spreidt deze hoeveelheden over de kaart.
• Met Hotspots zoeken wordt statistisch significante clustering in het ruimtelijke patroon van uw gegevens geïdentificeerd.
• De tool Puntclusters zoeken zoekt clusters van puntobjecten binnen omringende ruis gebaseerd op hun ruimtelijke distributie.
• De tool Classificatie en regressie op basis van bossen creëert modellen en genereert voorspellingen met behulp van een aanpassing van het willekeurige-bos-algoritme van Leo Breiman, een gemonitorde machine-learning-methode.
• Gegeneraliseerde lineaire regressie genereert voorspellingen of creëert een afhankelijke variabele in termen van de relatie met een reeks verklarende variabelen.
• Geografisch gewogen regressie maakt modellen met behulp van een lokale vorm van lineaire regressie die wordt gebruikt om ruimtelijk van elkaar verschillende relaties te modelleren.

Dichtheid berekenen

De tool Dichtheid berekenen maakt een dichtheidskaart vanaf puntobjecten door bekende hoeveelheden van een bepaald fenomeen (voorgesteld als attributen van de punten) over de kaart te verspreiden. Het resultaat is een laag van gebieden die de dichtheid weergeven.

Hier volgen enkele voorbeelden:

• Dichtheid berekenen van ziekenhuizen binnen een bepaalde streek. De resultaatlaag geeft gebieden weer met hoge en lage toegankelijkheid tot ziekenhuizen en deze informatie kan worden gebruikt om te bepalen waar nieuwe ziekenhuizen moeten worden gebouwd.
• Gebieden identificeren met een hoog risico op bosbranden op basis van historische locaties van bosbranden.
• Gemeenschappen lokaliseren die zich ver van belangrijke snelwegen bevinden om te kunnen plannen waar nieuwe wegen moeten worden gebouwd.

Puntclusters zoeken

De Puntclusters zoeken-tool zoekt clusters van puntobjecten binnen omringende ruis gebaseerd op hun ruimtelijke distributie.

Hier volgen enkele voorbeelden:

• Clusters zoeken van huishoudens met ongedierte om gericht verdelgingsacties uit te kunnen voeren.
• Informeren en handelen met betrekking tot reddings- en evacuatiebehoeften op basis van de grootte en locatie van de clusters met behulp van tweets met geolocatie die natuurrampen of terroristische aanvallen volgen.

Hotspots zoeken

De tool Hotspots zoeken bepaalt of er sprake is van statistisch significante clustering in het ruimtelijke patroon van uw gegevens.

• Zijn uw punten (misdaadgevallen, bomen, verkeersongevallen) echt geclusterd? Hoe zeker bent u daarvan?
• Hebt u echt een statistisch significante hotspot gevonden (voor uitgaven, kindersterfte, consistent hoge testscores) of zou uw kaart een ander verhaal vertellen wanneer u de symbolen ervan zou wijzigen?

Classificatie en regressie op basis van bossen

De tool Classificatie en regressie op basis van bossen modelleert en genereert voorspellingen met behulp van een aanpassing van het willekeurige bosalgoritme van Leo Breiman, dit is een gemonitorde machinaal lerenmethode.

Hier volgen enkele voorbeelden:

• U hebt gegevens over het voorkomen van zeegras en een aantal verklarende omgevingsvariabelen die worden weergegeven als beide attributen zijn verrijkt met behulp van een multivariabel grid om de afstanden tot fabrieken stroomopwaarts en grote havens te berekenen. Het toekomstige voorkomen van zeegras kan worden voorspeld op basis van toekomst projecties met diezelfde verklarende omgevingsvariabelen.
• Stel dat u van honderden boerderijen in het land gewasopbrengstgegevens hebt, samen met andere attributen op elk van die boerderijen (aantal werknemers, aantal hectaren enzovoort). Met behulp van deze gegevens kunt u een reeks objecten opgeven voor bedrijven waar u geen gewasopbrengst hebt (maar wel alle andere variabelen) en een voorspelling doen over de gewasopbrengst.
• Eigendomsprijzen kunnen worden voorspeld op basis van de prijzen van huizen die in het lopende jaar verkocht werden. De verkoopprijs van verkochte woningen, samen met informatie over het aantal slaapkamers, de afstand tot scholen, de nabijheid van belangrijke snelwegen, het gemiddelde inkomen en het aantal misdrijven kunnen worden gebruikt om verkoopprijzen van vergelijkbare huizen te voorspellen.

Gegeneraliseerde lineaire regressie

De tool Gegeneraliseerde lineaire regressie genereert voorspellingen of modelleert een afhankelijke variabele in termen van de relatie met een reeks verklarende variabelen. Deze tool kan worden gebruikt voor continue (OLS), binaire (logistische) modellen en telmodellen (Poisson).

Hier volgen enkele voorbeelden:

• Welke demografische kenmerken dragen bij aan veelvuldig gebruik van het openbaar vervoer?
• Bestaat er een positieve relatie tussen vandalisme en inbraak?
• Welke variabelen voorspellen effectief het aantal oproepen naar de noodnummers? Rekening houdend met de toekomstige voorspellingen, wat is de verwachte vraag naar noodhulpbronnen?
• Welke variabelen hebben invloed op lage geboortecijfers?

Geografisch gewogen regressie

Deze tool voert Geografisch gewogen regressie (Geographically Weighted Regression, GWR) uit, wat een lokale vorm van lineaire regressie is die wordt gebruikt om ruimtelijk van elkaar verschillende relaties te modelleren.

Hier volgen enkele voorbeelden:

• Is de relatie tussen opleidingsniveau en inkomen consistent in het onderzoeksgebied?
• Wat zijn de kernvariabelen die de hoge frequentie bosbranden verklaren?
• Waar liggen de districten waar kinderen hoge testscores behalen? Welke kenmerken lijken hiermee te maken te hebben? Waar is elk kenmerk het belangrijkst?

Data beheren

Deze tools worden gebruikt voor het dagelijkse beheer van geografische en tabulaire gegevens.

• Data toevoegen voegt data toe aan een bestaande gehoste objectlaag.
• Veld Berekenen maakt een nieuw veld of wijzigt een bestaand veld en maakt een nieuwe laag aan in uw content.
• Cliplaag kopieert objecten die een gedefinieerd interessegebied doorsnijden.
• Kopiëren naar Data Store kopieert data naar uw ArcGIS Data Store en creëert een laag in uw content of kopieert data naar een big data-databestand.
• Grenzen oplossen voegt gebieden samen die een gemeenschappelijke grens of een gemeenschappelijke attribuutwaarde hebben.
• Lagen samenvoegen kopieert alle objecten van twee lagen naar één enkele resultaatlaag.
• Overlay lagen combineert twee of meer lagen tot één enkele laag.

Lagen samenvoegen

Combineert twee featurelagen om een ​​enkele resultaatlaag te maken. Alle velden van de samengevoegde laag worden standaard opgenomen, of u kunt aangepaste samenvoegingsregels opgeven om het resulterende schema te definiëren.

Hier volgen enkele voorbeelden:

• Voeg drie lagen samen met demografische informatie uit Engeland, Wales en Schotland om een ​​enkele laag Groot-Brittannië te maken.
• Combineer twee lagen met pakketinformatie voor aangrenzende wijken, waarbij alleen de velden worden behouden met dezelfde naam en hetzelfde type in de twee lagen.

Overlay lagen

Maakt van twee of meer lagen één enkele laag. Overlappen wordt gebruikt om een antwoord te bieden op een van de basisvragen in de geografie: 'Wat ligt boven op wat?'

Hier volgen enkele voorbeelden:

• Welke percelen bevinden zich binnen het 100-jarige overstromingsgebied? (Binnen betekent hierbij hetzelfde als boven op.)
• Welk bodemgebruik ligt boven op welk bodemtype?
• Welke bronnen bevinden zich binnen verlaten militaire basissen?

Verrijken vanuit multivariabele grid

Voegt op efficiënte wijze attributen samen vanuit een multivariabele grid naar een puntlaag, zodat u snel een grote en diverse verzameling informatie kunt toevoegen aan puntgegevens voor gebruik in verdere ruimtelijke analyse.

Het volgende is een voorbeeld:

• In geval van een laag met miljoenen stroomuitvalincidenten, verrijkt u de incidentobjecten met informatie over normaal gebruik, milieurisico's en infrastructuuromstandigheden om de relatie tussen deze factoren en stroomuitvalfrequentie te bestuderen.