Підсумування даних

Набір інструментів «Підсумування даних» містить інструменти, що розраховують загальну кількість, довжину, площу, а також базову описову статистику об'єктів та їх атрибутів в межах областей або поруч з іншими об'єктами.

• Агрегувати точки розраховує статистику по точках, які знаходяться в межах визначених областей або контейнерів.
• Побудувати багатозмінну сітку генерує сітку квадратних або шестикутних контейнерів та розраховує значення для кожного контейнера на основі наближеності кожного вхідного шару.
• Описати набір даних розраховує зведення вхідних даних та може за потреби генерувати зразок вхідного шару.
• Об’єднати об'єкти розраховує статистику по об'єктах, що мають спільне просторове, часове або атрибутивне відношення з іншими об'єктами.
• Реконструювати треки розраховує статистику по точках або полігонах, які належать до одного треку, та реконструює вхідні дані в треки.
• Підсумувати атрибути розраховує статистику по векторних або табличних даних зі спільними атрибутами.
• Підсумування в межах обчислює статистику для площадних об'єктів та атрибутів, які накладаються один на одного.

Aggregate Points

Використовуючи шар точкових об’єктів та або шар площадних об'єктів, або контейнери, визначені указаною відстанню, цей інструмент визначає, які точки укладаються в кожну область або контейнер та обчислює статистику по всіх точках кожної області або контейнера. З цим інструментом можна додатково застосовувати часові зрізи.

Нижче наведені приклади:

• З урахуванням місць розташування точок правопорушень підрахуйте кількість правопорушень по кожному округу або іншому адміністративному району.
• Знайти найбільший і найменший місячний дохід для місць розташування торгових підприємств за штатом, використовуючи 100-кілометрові контейнери.

Build Multi-Variable Grid

Інструмент «Побудувати сітку з декількома змінними» генерує сітку квадратних або шестикутних контейнерів та обчислює змінні для кожного контейнера на основі наближеності одного або більше вхідних шарів.

Нижче наведені приклади:

• Маючи кілька шарів інфраструктури громадського транспорту, визначити, яка частина міста найменш досяжна для громадського транспорту?
• Маючи шари водних шляхів, таких як озера і ріки, визначити, яка назва водойми, найближчої до будь-якого місця розташування в США?
• Маючи шар доходів домогосподарств, визначити, де в США найбільша різниця в доходах у радіусі 50 миль?

Describe Dataset

Підсумовує вхідні об’єкти за допомогою статистики, шарів зразків і візуалізації. За вибором результат надається як шар зразків або шар екстенту.

Нижче наведені приклади:

• Посилання на обчислену сумарну статистику, щоб дізнатися, які значення містить набір даних.
• Замість відображення всього набору даних створюється шар підмножини для візуалізації об’єктів і їх атрибутів, якщо вони додані до карти.
• Зекономити час і ресурси та виконати аналіз на шарі зразків перед виконанням аналізу на всьому наборі даних.

Join Features

Використання векторного шару або табличних даних для приєднання об’єкта або запису, що має задані відношення між вхідними шарами або таблицями. Просторові, часові і атрибутивні відношення можуть бути використані для приєднання об’єктів, а також для додаткового обчислення сумарної статистики.

Нижче наведені приклади:

• Маючи точкові місця розташування випадків злочинів за період часу, з’єднати дані по злочинах з ними же, вказавши просторові відношення злочинів у межах 1 кілометра одне від одного і які трапились в межах 1 години одне від одного, щоб визначити, чи відбувалася послідовність злочинів у близькості по відстані і часу.
• Маючи таблицю поштових кодів з демографічною інформацією і площадні об’єкти, які представляють житлові будинки, з’єднати демографічну інформацію з інформацією про помешкання, так що кожний житловий будинок буде містити інформацію.

Реконструювати треки

Використовуючи часовий шар точкових або полігональних об'єктів, який представляє поточний момент часу, цей інструмент визначає, які вхідні об’єкти належать треку, впорядковуючи вхідні об’єкти послідовно в часі. Опціонально обчислюється статистика для вхідних об’єктів в межах кожного треку.

Нижче наведені приклади:

• Маючи точкові місця розташування вимірів урагану, обчислити середню швидкість вітру, а також максимальний тиск вітру урагану.
• Використовуючи GPS-вимірювання суден, реконструювати маршрути суден у вигляді ліній.

Summarize Attributes

Використовуючи об’єкти або табличні дані, цей інструмент підсумовує статистику указаних полів.

Нижче наведені приклади:

• Маючи місця розташування продуктових магазинів з полем COMPANY_NAME, підсумувати магазини за іменем компанії, щоб визначити статистику для кожної компанії.
• Маючи таблицю продуктових магазинів з полями COMPANY_NAME і COUNTY, підсумувати магазини за іменем компанії і округу, щоб визначити статистику для кожної компанії в кожному окрузі.

Detect Incidents

Цей інструмент працює з часовим шаром точок, ліній, областей і таблиць, який представляє поточний момент часу. Використовуючи послідовно впорядковані об’єкти, які називають треки, цей інструмент визначає, які об’єкти є інцидентами інтересу. Інциденти визначаються за заданими вами умовами.

Нижче наведені приклади:

• Маючи атрибут швидкості вітру, виявити вимірювання урагану, які відповідають урагану категорії 4.
• Використовуючи GPS-вимірювання руху судна з полем, яке представляє швидкість судна, знайти вимірювання, які в 1,5 разів перевищують середнє значення п’яти попередніх вимірювань.

Пошук місць розташування житла

Цей інструмент працює є наборами даних треків; він містить шар точок з активованим часом для пошуку місць, де перебувають об’єкти в межах заданих відстані і тривалості.

Нижче наведені приклади:

• Підвищити ефективність заходів з охорони довкілля за допомогою аналізу шляхів міграції тварин. Використовуйте цей інструмент для виявлення місць масового проживання тварин як потенційних заповідних територій для охорони біорізноманіття.
• Використовуючи місця розташування GPS для автомобілів, знайти місця, де сповільнюється рух, та вжити заходи з підвищення безпеки руху.

Аналіз закономірностей

Ці інструменти забезпечують ідентифікацію, представлення у кількісній формі та візуалізацію просторових закономірностей в даних.

• Розрахунок щільності бере відомі кількості деяких явищ та розповсюджує ці кількості по карті.
• Пошук гарячих точок ідентифікує статистично значущу кластеризацію у просторовій закономірності даних.
• Пошук кластерів точок виконує пошук кластерів точкових об’єктів у навколишньому шумі на основі їх просторового розподілу.
• Класифікація на основі лісу і регресія створює моделі і будує прогнози за допомогою адаптації метода контрольованого машинного навчання довільного лісу Лео Бреймана.
• Генералізована лінійна регресія створює прогнози або моделі залежної змінної в термінах її відношення до набору пояснювальних змінних.
• Географічно зважена регресія створює моделі з використанням локальної форми лінійної регресії, яка використовується для моделювання просторово неоднорідних відношень.

Calculate Density

Інструмент «Розрахунок щільності» створює карту щільності із точкових об’єктів, розповсюджуючи по карті відомі кількості деякого феномену (представленого як атрибути точок). В результаті буде отримано шар областей, які представляють щільність.

Нижче наведені приклади:

• Обчислення щільностей лікарень в межах округу. Результуючий шар покаже області з високою та низькою доступністю до лікарень. Цю інформацію можна використовувати для визначення місць побудови нових лікарень.
• Ідентифікація областей, які знаходяться в зоні високого ризику лісових пожеж, базується на історичних місцях розташування лісових пожеж.
• Визначення місць розташування спільнот, які розташовані далеко від основних автомагістралей, для планування прокладання нових доріг.

Find Hot Spots

Інструмент «Пошук гарячих точок» визначає наявність будь-якої статистично значущої кластеризації у просторовій закономірності даних.

• Чи дійсно точки (місця правопорушень, дерева, ДТП) кластеризовані? Як в цьому переконатися?
• Чи дійсно ви знайшли статистично значущу гарячу точку (для витрат, дитячої смертності, постійно високих результатів контрольних показників), або при зміні способу присвоєння символів ситуація на карті змінюється?

Forest-Based Classification and Regression

Інструмент Класифікація на основі лісу і регресія створює моделі і будує прогнози за допомогою адаптації метода контрольованого машинного навчання довільного лісу Лео Бреймана.

Нижче наведені приклади:

• Є дані про наявність морських водоростей, а також ряд екологічних пояснювальних змінних, представлених як атрибути, збагачені за допомогою сітки з декількома змінними для розрахунку до заводів вгору за течією і великих портів. Поява морських водоростей у майбутньому може бути передвіщена на основі майбутніх прогнозів для тих самих екологічних пояснювальних змінних.
• Припустимо, у вас є дані по врожайності на сотнях ферм по всій країні, а також інші атрибути на кожній із цих ферм (кількість працівників, площа в акрах тощо). Використовуючи фрагменти цих даних, ви можете надати набір об’єктів, які представляють ферми, врожайність на яких невідома (але є всі інші змінні), і виконати прогнозування врожайності.
• Вартість житла можна спрогнозувати на основі цін на будинки, які були продані в поточному році. Ціна будинків при продажі, а також інформація про кількість спалень, відстань до шкіл, близькість автомагістралей, середній дохід і число злочинів, може бути використана для прогнозу продажної вартості аналогічних будинків.

Generalized Linear Regression

Інструмент «Генералізована лінійна регресія» створює прогнози або моделі залежної змінної в термінах її відношення до набору пояснювальних змінних. Цей інструмент можна використовувати для підгонки неперервної (МНК), бінарної (логістичної) і лічильної (Пуасонової) моделей.

Нижче наведені приклади:

• Які демографічні характеристики впливають на високий ступінь використання громадського транспорту?
• Чи є позитивний взаємозв’язок між вандалізмом і крадіжками зі зломом?
• Які змінні ефективно передбачають число викликів служби порятунку? З відомим прогнозом на майбутнє, яким буде очікувана потреба у ресурсах для аварійно-рятувальних служб?
• Які змінні впливають на низький рівень народжуваності?

Географічно зважена регресія

Цей інструмент виконує географічно зважену регресію (GWR), яка є локальною формою лінійної регресії, використовуваної для моделювання просторово неоднорідних відношень.

Нижче наведені приклади:

• Чи відношення між освітньою підготовкою та доходом стале по всій область, що вивчається.
• Які ключові змінні пояснюють високу частоту лісових пожеж?
• У яких районах діти отримують високі екзаменаційні оцінки? Які характеристики представляються пов’язаними? Де яка характеристика є найбільш важливою?

Керування даними

Ці інструменти використовуються для щоденного керування географічними та табличними даними.

• Приєднати дані приєднує дані до існуючого розміщеного шару об’єктів.
• Розрахувати поле створює нове поле або модифікує існуюче поле та створює новий шар у вашому вмісті.
• Вирізати шар копіює об'єкти, що перетинають визначену область інтересу.
• Копіювати в сховище даних копіює дані в ArcGIS Data Store та створює шар у вашому вмісті або копіює дані в спільний ресурс файлу великих даних.
• Злиття кордонів об’єднує області зі спільним кордоном або значенням атрибуту.
• Об’єднати шари копіює всі об'єкти з двох шарів у єдиний результуючий шар.
• Накладення шарів комбінує два або більше шарів у єдиний шар.

Merge Layers

Об’єднує два векторних шари для створення одиночного вихідного шару. Усі поля із приєднуваного шару включаються за замовчуванням, або ж можна визначити результуючу схему, задавши власні правила об’єднання.

Нижче наведені приклади:

• Об’єднати три шари з демографічною інформацією із Англії, Уельсу і Шотландії, щоб отримати одиночний шар для Великобританії.
• Об’єднати два шари з інформацією про ділянки в суміжних тауншипах, зберігши тільки ті поля, які мають однакову назву та тип у двох шарах.

Overlay Layers

Об’єднує два або більше шарів в один шар. Накладення використовується для відповіді на одне з найголовніших запитань географії, «Що знаходиться поверх чого?»

Нижче наведені приклади:

• Які ділянки знаходяться в межах зони затоплення в останні 100 років? («В межах» — це інший спосіб сказати «поверх»).
• Який тип землекористування відповідає якому типу ґрунту?
• Які свердловини знаходяться в межах занедбаних військових баз?

Enrich From Multi-Variable Grid

Ефективно приєднує атрибути сітки з декількома змінними до точкового шару, що дозволяє швидко додавати великі і різноманітні колекції інформації до точкових даних для використання в подальшому просторовому аналізі.

Нижче наведено приклад:

• Маючи шар, який містить мільйони випадків аварій в електромережах, збагатити шар інцидентів інформацією про типове застосування, екологічні ризики і стан інфраструктури для вивчення відношення між цими факторами і частотою аварій в електромережах.