GIS Lesson 2 for MSc RSAU-MTA

Transcript

1. 1 Упражнение 2 Часть 1 - Идентификация закономерностей (паттерн) Введение Статистический кластерный анализ может предназначен для минимизации субъективности визуального анализа картограмм за счет выявления значимых кластеров в пространственных данных (геоданных). Инструменты анализа горячих точек и анализа выбросов основаны на использовании статистики для идентификации пространственных закономерностей в данных, которые предоставляет инструмент-специфическую информацию об этих закономерностях. Для выявления статистически значимых пространственных кластеров с высокими значениями (горячие точки) и низкими значениями (холодные точки) применяется инструмент анализа горячих точек, основанный на статистике Getis-Ord Gi. Для выявления статистически значимых кластеров с высокими и низкими значениями, а также и для обнаружения пространственных выбросов или объектов, значения которых значительно отличаются от соседних, применяется инструмент анализа выбросов, который основан на использовании статистики Anselin Local Moran's I. На платформе ArcGIS представлен набор инструментов, основанных на традиционных и оптимизированных методах статистического кластерного анализа. Оптимизированные инструменты статистического кластерного анализа по умолчанию проводят анализ данных с целью оценки интеллектуальных значений, оптимизируя рабочий процесс анализа. Традиционные инструменты статистического кластерного анализа позволяют более гибко определять пространственные отношения в данных, обеспечивая больший контроль над процессом анализа. В этом упражнении предлагается использовать оптимизированные инструменты статистического кластерного анализа для исследования пространственных закономерностей в геоданных. Сценарий упражнения Программа дополнительной продовольственной помощи (SNAP) - это федеральная программа, которая помогает семьям покупать полноценные продукты питания для поддержания своего здоровья и благополучия. В этом упражнении вы выполните анализ горячих точек и анализ выбросов, чтобы найти значимые модели высокого и низкого участия SNAP. Эта информация может помочь лицам, принимающим решения, распределять ресурсы более эффективно и справедливо, обеспечивая доступность здоровой пищи для всех получателей SNAP.
2. 2 Шаг 1: Открыть проект ArcGIS Pro  Запустите ArcGIS Pro.  В нижнем левом углу стартовой страницы ArcGIS Pro щелкните «Открыть другой проект». Примечание: Если вы настроили ArcGIS Pro для запуска без шаблона проекта или с проектом по умолчанию, вы не увидите стартовую страницу. На вкладке «Проект» нажмите «Открыть», а затем - «Открыть другой проект».  В диалоговом окне «Открыть проект» перейдите к папке PatternDetection_SpaceTime, которую вы сохранили на своем компьютере.  Щелкните PatternDetection_SpaceTime.ppkx, чтобы выбрать его, а затем щелкните OK. Проект PatternDetection_SpaceTime.ppkx в ArcGIS Pro включает картограмму округов на континентальной территории США. Для идентификации избирательных округов используется процент населения, участвовавшего в программе SNAP в 2016 году. Программа SNAP - (Supplemental Nutrition Assistance Program), оператором которой является департамент сельского хозяйства США, направлена на предоставление льготы для приобретения продуктов питания с целью пополнения продовольственного бюджета нуждающихся семей при покупке здоровых пищевых продуктов, а также для движения в направлении самообеспечения). Для более детального знакомства с программой SNAP, а также получения дополнительных данных нужно пройти по следующей ссылке https://www.fns.usda.gov/snap/supplemental-nutrition-assistance-program Шаг 3. Проведите анализ горячих точек С помощью инструментов статистического кластерного анализа проводится анализ геоданные для выявления пространственных паттерн проявления высоких и низких значений исследуемого массива данных. В этом анализе предлагается провести анализ распределения слоя данных, обозначенных SNAPRate, который представляет собой долю населения, участвовавшего в программе SNAP в каждом из представленных округов.  На панели «Geoprocessing» (Геообработка) под полем поиска щелкните вкладку «Toolboxes» (Наборы инструментов). Примечание. Если вы закрыли панель «Geoprocessing» - тогда пройдите последовательно по следующим вкладкам «Analysis» (Анализ) > Geoprocessing > «Tools» (Инструменты).
3. 3  Разверните «Spatial Statistics Tools» (Инструменты пространственной статистики), а затем разверните «Mapping Clusters» (Картографические кластеры).  Щелкните «Optimized Hot Spot Analysis» (Оптимизированный анализ горячих точек). В результате на панели «Geoprocessing» откроется инструмент «Optimized Hot Spot Analysis».  На панели «Geoprocessing» установите следующие параметры:  «Input Features» (Объекты ввода): US_Counties  «Output Features» (Объекты вывода: SNAPHotSpots  «Analysis Field» (Поле анализа): SNAPRate  Разверните «Override Settings» (Настройки переопределения). Инструмент «Optimized Hot Spot Analysis» (Оптимизированный анализ горячих точек) для определения окрестностей каждого исследуемого объекта использует фиксированную полосу расстояний. Если эти расстояния не указано, то для идентификации в исследуемом наборе данных, или масштаба, или расстояний, на которых кластеризация этих данных наиболее выражена, этот инструмент использует встроенную функцию поэтапной пространственной автокорреляции. Если с помощью этого метода инструмент «Optimized Hot Spot Analysis» не может найти требуемое расстояние, то для продолжения анализа вычисляется среднее расстояние от каждого объекта исследуемого объекта до его 30-ти соседей. Для более глубокого знакомства с Incremental Spatial Autocorrelation (поэтапной пространственной автокорреляцией, см. Справку ArcGIS Pro: Incremental Spatial Autocorrelation (Spatial Statistics). Метод «fixed-distance band» (диапазон фиксированных расстояний) предназначен для выделения окрестностей пространственных объектов. Использование традиционных методов анализа горячих точек доступны с помощью инструмента «Hot Spot Analysis (Getis- Ord Gi*» (Анализа горячих точек ((Getis- Ord Gi*)). Для более глубокого знакомства с Incremental Spatial Autocorrelation (поэтапной пространственной автокорреляцией, см. Справку ArcGIS Pro об инструменте «Hot Spot Analysis (Getis- Ord Gi*» (Анализа горячих точек ((Getis- Ord Gi*)), см. Справку ArcGIS Pro: Hot Spot Analysis (Getis-Ord Gi*) (Spatial Statistics) (Анализ горячих точек (Getis-Ord Gi *)) (Пространственная статистика).  Нажмите «Run» (Выполнить). В результате проведенных расчетов будет сформирован новый слой данных, отображающий горячие точки в трех оттенках красного цвета, а также холодные точки в трех оттенках синего цвета. Различные оттенки обоих этих цветов соответствуют трем доверительным интервалам, отображающим достоверность/значимость выявленных закономерностей и при этом не являются случайным результатом.
4. 4 Для более восприятия полученных результатов с тем, чтобы убедиться в соответствии этих результатов цели проводимого исследования необходимо более глубоко погрузиться в детали проведенного анализа. Шаг 4. Просмотрите параметры анализа  В нижней части панели «Geoprocessing» щелкните «View Details» (Просмотреть подробности). В результате отобразится окно сообщения инструмента «Optimized Hot Spot Analysis tool», в котором подробно перечисляются этапы проведенных расчетов с использованием инструмента геообработки. Если для инструмента «Optimized Hot Spot Analysis tool» были выбраны значения по умолчанию, то проанализируйте в «Geoprocessing Details» значения параметров, использованных по умолчанию. Убедитесь, что эти значения соответствуют уровню и масштабу проведенного анализа.  Разверните «Messages» (Сообщения), а затем просмотрите «Geoprocessing details» (Детали геообработки) с тем, чтобы ответить на следующий вопрос. Какой диапазон расстояний был выбран для проведенного анализа? Для проведения анализа в использованном инструменте был использован, по умолчанию, диапазон расстояний порядка 150 км, рассчитанный, как среднее расстояние до 30 ближайших соседей всех включенных в анализ объектов. Это значение, принятое в итоге по умолчанию, представляет собой оценку требуемого параметра удобную для начала исследования представленного набора данных. Однако, в ряде случаев, это расстояние может не соответствовать масштабу, на котором необходимо провести анализ пространственных паттерн исследуемого набора данных. В представленном примере диапазон расстояний порядка 150 км достаточно груб, что не позволяет провести анализ закономерностей участия населения в программе SNAP на локальном уровне.
5. 5 Для идентификации на уровне округа локальных закономерностей в исследуемом наборе данных необходимо уменьшить в два раза диапазон расстояний (порядка 75 км). Для этого:  Закройте окно сообщения инструмента «Optimized Hot Spot Analysis tool».  На панели «Geoprocessing» при необходимости разверните «Override Settings» «Параметры переопределения».  В разделе «Distance Band» (Диапазон расстояний) введите 75, а затем рядом с полем «Feet» (Футы» щелкните стрелку вниз и выберите «Kilometers» (Километры).  Нажмите «Run». Картограмма, появившаяся в результате нового расчета с уменьшенным значением диапазона расстояний, отображает пространственные закономерности с более высокой подробностью. По всей видимости, использованный диапазон расстояний позволяет усвоить больше информации, необходимой для анализа локальных закономерностей конкретного региона. Шаг 5. Интерпретация результатов  На панели «Contents» найдите слои SNAPHotSpots и US_States.  Перетащите слой US_States так, чтобы он располагался над слоем SNAPHotSpots.  При необходимости разверните слой SNAPHotSpots для отображения легенды с тем, чтобы ответить на следующий вопрос. Какие статистически значимые пространственные закономерности были идентифицированы в результате проведенного анализа? Результаты проведенного пространственного статистического анализа обеспечивают достоверной информацией, необходимой для идентификации территориальных кластеров, население которых активной участвует в программе SNAP. Эту информацию можно так же использовать в
6. 6 дальнейших исследованиях по доступности территорий идентифицированных кластеров магазинов, которые принимают участие в программе SNAP и продают здоровые пищевые продукты.  Сохраните проект. Шаг 6. Анализ выбросов Результат «Outlier Analysis» (анализ выбросов) необходим для идентификации объектов, значения которых статистически значимо отличаются от аналогичных объектов, расположенных в их окрестностях. В результате Таким образом этот анализ предоставляет дополнительную информацию о пространственных закономерностях исследуемых данных.  В верхнем левом углу панели «Geoprocessing» нажмите кнопку «Назад» , а затем выполните поиск выброса.  Откройте инструмент «Optimized Outlier Analysis tool» (Оптимизированный анализ выбросов). Подобно инструменту «Optimized Hot Spot Analysis», инструмент «Optimized Outlier Analysis tool» проводит анализ исследуемого слоя данных для оценки расстояние до соседей, которое подходит для этого анализа. Традиционный инструмент анализа выбросов, Cluster And Outlier Analysis (Anselin Local Moran's I), предоставляет больше возможностей для управления параметрами подобного анализа. Для более глубокого знакомства с инструментом Cluster And Outlier Analysis (Anselin Local Moran's I), см. Справку ArcGIS Pro: Cluster and Outlier Analysis (Anselin Local Moran's I) (Spatial Statistics).  Установите следующие параметры:  «Input Features» (Объекты ввода): US_Counties  «Output Features» (Объекты вывода: SNAPOutliers  «Analysis Field» (Поле анализа): SNAPRate Поле «Performance Adjustment» определяет необходимое количество перестановок для создания требуемого для проведения анализа случайного распределения. После этого этот инструмент проводит сравнение пространственного распределения указанного слоя данных со случайно сгенерированными значениями. Рекомендуется оставить без изменений установленных по умолчанию значений для сбалансированности точности результатов, а также времени, необходимого для обработки данных, Для более глубокого знакомства с перестановками см. Справку ArcGIS Pro: How Cluster and Outlier Analysis (Anselin Local Moran's I) works (Как работает анализ кластеров и выбросов (Anselin Local Moran's I)).  Разверните «Override Settings» (Настройки переопределения). Для сравнения результатов анализа горячих точек и анализа выбросов, необходимо использовать результаты расчетов, полученные при одном и том же диапазоне расстояний.
7. 7  Обновите «Distance Band» диапазон расстояний) до 75 километров, нажмите «Run». Примечание. Перестановки в инструменте «Optimized Outlier Analysis» (Оптимизированный анализ выбросов) позволяют проводить сравнение значений исходного слоя данных с со слоем случайно сгенерированных данных. В связи с использованием при формировании случайно сгенерированных данных генератора случайных чисел получаемые результаты могут незначительно отличаться от представленного выше рисунка. На этом рисунке пространственные объекты, выделенные ярко красными и синими цветами, соответствуют т.н. кластерам с пространственными выбросами. Объекты с высокими значениями, окруженные областями с низкими значениями, называются выбросами High-Low и отображаются красным цветом. Объекты с низкими значениями, окруженные областями с высокими значениями, называются Low-High выбросами и отображаются синим цветом. Розовым и голубым цветами обозначены кластеры признаков со статистически значимыми высокими значениями (розовый) и статистически значимыми низкими значениями (голубой). Эти кластеры обычно совпадают с горячими и холодными точками, идентифицируемыми посредством инструмента «Optimized Hot Spot Analysis» (Оптимизированный анализ горячих точек). Шаг 7: Интерпретация результатов Выше были получены результаты пространственного анализа с использованием двух разных методов (Hot Spot Analysis и Outlier Analysis) идентификации пространственных паттерн (закономерностей). Для оценки полученных обоими методами результатов их можно сравнить между собой. Это позволит получить дополнительное представление о пространственных закономерностях исследованных данных.  На панели «Contents» найдите слои SNAPOutliers и US_States.
8. 8  Перетащите слой US_States и расположите его поверх слоя SNAPOutliers.  На вкладке «Appearance» (Внешний вид) в группе «Effects» (Эффекты) нажмите «Swipe» (Провести).  На панели «Contents» выберите слой SNAPOutliers.  На картограмме перетащите указатель влево, вправо или вверх и вниз для проведения сравнения результатов анализа горячих точек и анализа выбросов. Используя анализ горячих точек и анализ выбросов были идентифицированы статистически значимые кластеры с высоким уровнем участия в программе SNAP. Эта информация может помочь в распределении ресурсов SNAP в районах, где была отмечена пониженное участие в этой программе. Таким образом эти результаты могут способствовать принятию решений, направленных на более эффективное и справедливое распределение имеющихся ресурсов.
9. 9 Часть 2 - Исследование паттерн данных с помощью анализа пространственно- временных шаблонов ВВЕДЕНИЕ Инструменты анализа пространственно-временных закономерностей основаны на использовании статистических методов для включения пространственных и временных характеристик данных для понимания и раскрытия заключенных в них закономерностей пространственно-временных паттерн. Первым шагом в исследовании пространственно-временных паттерн является создание пространственно-временного куба массива исследуемых данных. Куб пространство-время является структурой агрегации данных в многомерный куб (netCDF). Указанная агрегация массива пространственно- временных данных в бины (ячейки) куба «Пространство-Время» реализуется с помощью кубической структуры, в которой координаты x и y представляют координаты плоскости, к которой привязаны данные соответствующих одномоментных слоев, а координата t представляет собой координату времени, соответствующую этим слоям. Для создания пространственно-временного куба можно использовать три инструмента из набора инструментов Space Time Pattern Mining. Выбор конкретного инструмента во многом зависит от свойств исследуемого набора данных, а также задачи, для которой ищется решение. Сценарий упражнения Ранее был проведен анализ горячих точек и анализ выбросов для локализации на территории США областей со статистически значимым высоким участием в программе SNAP в 2016 году. Для продолжения анализа предлагается использовать инструменты извлечения пространственно- временных закономерностей для оценки трендов характеристики этого участия. Шаг 1: Интерпретация результатов На этом шаге необходимо открыть пакет проекта ArcGIS Pro, который ранее был использован для упражнения этого раздела. Примечание. Если вы не загрузили пакет проекта, следуйте инструкциям на шаге «Загрузить файлы данных упражнения» из предыдущего упражнения.  Запустите ArcGIS Pro.  В нижнем левом углу стартовой страницы ArcGIS Pro щелкните «Открыть другой проект». Примечание: Если вы настроили ArcGIS Pro для запуска без шаблона проекта или с проектом по умолчанию, вы не увидите стартовую страницу. На вкладке «Проект» нажмите «Открыть», а затем - «Открыть другой проект».  Перейдите к папке PatternDetection_SpaceTime, которая ранее была сохранена.
10. 10  Щелкните PatternDetection_SpaceTime.ppkx, для его выбора, а затем щелкните OK.  На панели «Catalog» (Каталог) разверните «Maps» (Карты).  В разделе «Maps» (Карты) щелкните правой кнопкой мыши Space-Time Pattern Mining 2D и выберите «Open» (Открыть). Подобно картограмме идентификации закономерностей, эта картограмма результатов двумерного пространственно-временного анализа закономерностей иллюстрирует уровни участия в программе SNAP в 2016 год для округов на территории США. Эта картограмма основана на таблице статистических показателей (ее символ с названием SNAP_Country_Rates представлен на панели «Contents» (Содержание)) участия в программе SNAP в период с 2000 по 2016 год. Шаг 2: Создание куба «Пространство-Время» Прежде чем анализировать пространственные и временные паттерны исследуемого набора данных, необходимо создать соответствующий куб «Пространство-Время». Для этого анализа будут использованы слои атрибута «SNAP_Country_Rates», который меняется во времени, но имеет фиксированные местоположения. В этом случае для создания куба «Пространство-Время» необходимо использовать инструмент «Create Space Time Cube From Defined Locations» (Создать куб пространства-времени из определенных местоположений).  На панели «Geoprocessing» (Геообработка) найдите и откройте инструмент «Create Space Time Cube From Defined Locations» (Создать куб пространства-времени из заданных местоположений». Подсказка: если вы закрыли панель «Geoprocessing» (Геообработка) то ее можно найти по следующему пути: «Analysis» tab > «Geoprocessing» group > Tools (вкладка «Анализ»> группа «Геообработка»> «Инструменты»). Входными данными для этого инструмента может быть класс пространственных объектов с повторяющимися формами или класс пространственных объектов с одним набором форм и связанной таблицей, содержащей атрибуты, соответствующие определенному периоду времени. Для этого будет использован класс пространственных объектов округов, а также связанную с ним таблицу характеристик участия в программе SNAP каждого из округов с 2000 по 2016 год.  Для параметров ввода выберите US_Counties.
11. 11  Для идентификации места записи файла с кубом «Пространство- Время» используйте US_SNAPRate_1 Yr_STN.  В качестве идентификатора местоположения выберите CountylD.  Для отображения связанной таблицы выберите SNAP_County_Rates.  В качестве идентификатора связанного местоположения выберите CountylD. CountylD - это поле в классе пространственных объектов US_Counties и в таблице SNAP_County_Rates. Это поле включает те же значения, которые используются для привязки годовых характеристик участия в программе SNAP таблицы SNAP_County_Rates к географическому положению округов в классе пространственных объектов US_Counties.  Не устанавливайте опциональный флажок «Time Step Alignment» (Агрегация во времени). Агрегирование во времени используется, когда производится обработка данных с более часто повторяющимися слоями данных, нежели в этом случае. Например, если данные собирались ежемесячно, а для анализа требуется оценка годовых трендов. В этом же случае исследуются годовые тренды участия в программе SNAP, которым соответствуют данные ежегодных статистических анализов.  В поле «TimeofYear» (Время) выберите «TimeofYear» (Время года). Поле времени указывает поле из связанной таблицы, которое содержит метку времени, связанную с каждой записью в таблице.  В поле «Time Step Interval» (Интервал временного шага) введите 1 и обновите второй параметр на «Years» (Годы) Поскольку нам не потребовалось использовать агрегирование во времени, то интервал шага по времени должен соответствовать временным интервалам исследуемых данных (ежегодно). Для выравнивания временного шага оставьте значение по умолчанию. Выравнивание временного шага определяет, где агрегирование, если необходимо, начнется и закончится. Вам не нужно агрегировать данные для этого куба. Для получения дополнительной информации о выравнивании временных шагов см. Справку ArcGIS Pro: How Creating, a Space Time Cube works (Как создать и как работает куб пространства- времени).  Для «Variables» (переменные) в поле «Field» установите значение SNAPRate.  Оставьте пустым поле «Bins With to Space-Time Neighbors» (Соседи пространственно-временных бинов).
12. 12 Переменные - это поля с изменяющимися во времени значениями атрибутов. Если в исследуемых данных отсутствует значение для определенного бина, то можно дать указание, что с ним делать. Это решение зависит от исследуемых данных и решаемой задачи. Если, например, производится анализ преступности, а бин пуст, это может означать, что в этом месте в течение определенного времени не было совершено никаких преступлений, или это может означать, что, возможно, данные просто не собирались. Если пустой бин означает отсутствие преступлений, то он должен содержать нулевое значение. Если пустой бин является результатом отсутствия данных, то этот бин не следует использовать в анализе или его можно заполнить путем усреднения соседствующих с ним в пространстве и времени соседних бинов.  Нажмите «Run» (Выполнить). В результате вычислений с помощью инструмента «Create Space Time Cube From Defined Locations» (Создать куб пространства-времени из заданных местоположений» создается файл формата netCDF (не отображается), который сохраняется в указанном в параметре ранее месте (US_SNAPRate_1 Yr_STN). Соответствующий путь можно найти после запуска инструмента в параметре Output Space Time Cube. После окончания расчетов в окне сообщений инструмента отобразится надпись об успешном завершении работы инструмента. В ряде случае в этом сообщении могут быть указаны предупреждения о необходимости сбора дополнительных данных.  Щелкните «View Details» (Посмотреть подробности). В данном случае в отображенном предупреждение указано на наличие 28-ми записей с нулевыми значениями, что соответствует 28-ми пустым бинам в созданном кубе. Ранее в параметрах инструмента было выбрано заполнение недостающих интервалов с помощью соседних пространственно-временных бинов. Можно также просмотреть сообщения инструмента с тем, чтобы убедиться в заполнении соответствующих бинов результатами пространственно-временной интерполяции.  В окне сообщений инструмента сверните заголовки «Error And Warnings» (Ошибки и предупреждения) и «Parameters» (Параметры).  Разверните окно «Messages» (ообщения), а затем прокрутите до раздела «Location» (Местоположение). Согласно позиции «Total Observations», 28 из 52 785 наблюдений были рассчитаны с использованием соседних бинов. Таким образом количество рассчитанных бинов совпадает с количеством бинов с нулевыми значениями (28). Это указывает на то, что инструмент смог успешно рассчитать недостающие значения в пустых бинах. В то же самое время общее количество «Locations» (местоположения) - 9, что означает на факт, что некоторые из отсутствующих значений в 28-ми бинах соответствуют одному и тому же местоположению, но в разные годы.  Закройте окно сообщений инструмента.
13. 13 Шаг 3. Двумерная визуализация куба «Пространство-Время» Визуализацию результатов создания куба «Пространство-Время» можно проводить в 2D и 3D. Каждая из этих визуализаций дает собственное представление о массиве исследуемых данных.  На панели «Contents» (Содержание)» выключите слой US_Counties.  На панели «Geoprocessing» (Геообработка) нажмите кнопку «Back» (Назад», а затем найдите и откройте инструмент «Visualize Space Time Cube In 2D» (Визуализировать куб пространство-время в 2D».  Для входного куба Пространство-Время нажмите кнопку «Browse» (Обзор).  Найдите US_SNAPRate_1Yr_STN.nc и нажмите «ОК». Примечание: Входной куб Пространство-Время (файл netCDF) можете найти по тому же пути к файлу, который был указан в соответствующем параметре выходного пространственно-временного куба.  Для переменной куба « Cube Variable » выберите SNAPRATE_NONE_SPACE_TIME_NEIGHBORS. Переменная куба - это переменная или переменные, которые вы указали при создании куба.  Для «Display Theme» (тема отображения) выберите «Trends» (Тренды). Примечание. Параметры отображаемой темы различаются в зависимости от результатов анализа пространственно-временных закономерностей, который были выполнены с помощью куба. Список всех возможных тем отображения см. В Справке ArcGIS Pro: визуализировать куб пространства-времени в 2D.  Установите флажок «Enable Time Series Pop-Ups» (Включить всплывающие окна временных рядов).  Для «Output Features» (Вывод объектов) введите US_SNAPRate_1Yr_STN_Trends2D. В данном инструменте для анализа трендов используется метод непараметрической статистики Манна-Кендалла. С помощью этого инструмента происходит локализация областей, в которых участие в программе SNAP со временем увеличился (фиолетовый цвет) или снизился (зеленый цвет). Различные оттенки этих цветов показывают, насколько не случайны оценки указанных тенденций увеличения или уменьшения, а также представляют собой значимые закономерности.
14. 14  Нажмите «Run» (Выполнить).  Увеличьте область, отображаемую на картограмме, а затем щелкните по территории одного из округов. В результате появится всплывающее окно временного ряда. Всплывающие окна временных рядов включают диаграмму, которая визуализирует тренды временных рядов каждого округа. Это позволяет использовать соответствующую диаграмму для лучшего понимания общей тенденции участия округа в программе SNAP, а также для оценки годовых показателей участия в программе SNAP.
15. 15  Закройте всплывающее окно. Шаг 4. Визуализируйте пространственно-временной куб в 3D Для 3D визуализации куба необходимо использовать определенную сцену. Такие сцены позволяют визуализировать данные и анализировать необходимые геоданные в интерактивной трехмерной среде.  На панели «Catalog» (Каталог) в разделе «Map» (Карты) щелкните правой кнопкой мыши по «Space-Time Pattern Mining 3D» (Пространственно-временной массив данных 3D), а затем выберите «Open Local View» (Открыть локальное представление). В результате появится сцена, масштабированная на всю континентальную территорию США.
16. 16  На панели Геообработка найдите и откройте инструмент «Visualize Space Time Cube In 3D» (Визуализировать куб пространство-время в 3D), а затем установите следующие параметры:  «Input Space Time Cube» (Входной пространственно- временной куб): US_SNAPRate_1Yr_STN.nc Подсказка: используйте кнопку «Browse» (Обзор)  «Cube Variable» (Переменная куба): SNAPRATE_NONE_SPACE_TIME_NEIGHBORS  «Display Theme» (Тема отображения): «Value» (значение)  «Output Features» (Характеристики вывода): US_SNAPRate_1Yr_STN_Value3D  Щелкните «Run» (Выполнить). Примечание. Отображение 3D-слоя может занять несколько минут. На время обработки 3D-визуализации может влиять несколько факторов, в том числе видеокарта используемого компьютера и количество отображаемых функций. Если слой не отображается в течение нескольких минут, попробуйте увеличить масштаб отображаемого объекта для уменьшения одновременно отображаемых функций.
17. 17 По окончании расчетов на сцене появится трехмерный слой показателей участия в программе SNAP. В каждом отображенном столбце представлены параметры участия в программе SNAP по отдельным округам во времени. Для проведения визуального анализа можно масштабировать и панорамировать полученную сцену.  На вкладке «Map» (Карта) в группе «Navigate» (Навигация) щелкните «Bookmarks» (Закладки) и выберите «View Values» (Просмотр значений).  На отображаемой сцене щелкните по одну из бинов
18. 18 В появившемся всплывающем окне отображена информацию об идентифицируемом округе, а также параметрах участия его жителей в программе SNAP за указанный год. Создание и визуализация куба Пространство-Время преобразует массив табличных данных в интерактивное трехмерное представление. С его помощью достаточно удобно анализировать уровни участия в программе SNAP каждого отдельного округа, а также какие изменения произошли за представленных в этих данных время. После этого можно также выявить имеющуюся в этом массиве данных статистически значимую кластеризация.  Закройте всплывающее окно, а затем сохраните проект. Шаг 5: Проведите анализ возникающих горячих точек В настоящем разделе для оценки статистически значимого отличия объект и его окрестностей от исследуемой области будет использован инструмент «Emerging Hot Spot Analysis» (анализ возникающих горячих точек) для анализа пространственных и временных характеристик соседствующих объектов. Этот анализ позволяет провести анализ статистически значимой кластеризации во времени и в пространстве территорий с высокими и низкими уровнями участия в программе SNAP.  Вверху окна сцены щелкните вкладку 2D-карты Space-Time Pattern Mining.  На панели «Content» (Содержание) отключите слой US_SNAPRate_1Yr_STN_Trends2D.  На вкладке «Map» (Карта) в группе «Navigation» (Навигация) щелкните «Bookmarks» (Закладки» и выберите «Contiguous US (континентальные США».  На панели «Geoprocessing» (Геообработка) найдите и откройте инструмент «Emerging Hot Spot Analysis» (Анализ возникающих горячих точек).  Для входного куба Пространство-Время перейдите к файлу US_SNAPRate_1 Yr_STN.nc.  Для «Analysis Variable» (переменная анализа) выберите SNAPRATE_NONE_SPACE_TIME_NEIGHBORS.  Для «Output Features» (объекты вывода) введите US_SNAPRate_1Yr_STN_EHS.
19. 19  Для «Conceptualization Of Spatial Relationships» (концептуализация пространственных отношений) убедитесь, что выбрано «Fixed Distance» (фиксированное расстояние).  Для параметра «Neighborhood Distance» (дистанция до соседа) установите 75 километров. При сопоставлении результатов расчетов с использованием этого инструмента с результатами, полученными другими инструментами «Space-Time Pattern Mining or Pattern Detection» (интеллектуальный анализ пространственно-временных закономерностей или обнаружения закономерностей) для обеспечения сопоставимости параметров анализа необходимо использовать ту же концепцию пространственных отношений, а также диапазоны расстояний.  Поле «Number Of Spatial Neighbors» (Число пространственных соседей) оставьте пустым. Параметр «Number Of Spatial Neighbors» (Число пространственных соседей) используется вместе с параметром «Conceptualization Of Spatial Relationships» (Концептуализация пространственных отношений) для анализа окрестностей каждого объекта. Обычно он используется с «К Nearest Neighbors Conceptualization Of Spatial Relationships» (концептуализация пространственных отношений ближайших соседей). При использовании с фиксированным расстоянием назначенный диапазон расстояний используется для определения окрестностей до момента пока не достигается указанное число пространственных соседей. При этом диапазон расстояний будет расширяться до указанного числа пространственных соседей.  В поле «Neighborhood Time Step» (шаг соседства по времени) оставьте значение по умолчанию. «Neighborhood Time Step» (шаг соседства по времени) определяет временную окрестность. Использование временного шага 1 включает объект, его окрестность, а также объект и соседство по предыдущему году.  В поле «Define Global Window» (определения глобального окна) оставьте значение по умолчанию. В инструменте «Hot Spot Analysis» (Анализе горячих точек) характеристики объекта и его окрестности сравниваются с исследуемой областью. В инструменте «Emerging Hot Spot Analysis» (Анализе возникающих горячих точек) проводится сравнение характеристик объекта и его окрестности со всем кубом, а также бинами в пределах временного шага соседства или бинами в пределах того же временного шага. Для получения дополнительной информации см. Справку ArcGIS Pro: Анализ возникающих горячих точек.  Нажмите «Run» (Выполнить).
20. 20 Оценка результатов, полученных в каждом местоположении ежегодно оценивается на основе результатов по его горячим и холодным точкам, а затем для удобной интерпретации результатов производится классификация по ряду категорий (усиливающаяся горячая точка, стойкая холодная точка и т. д.), отображаемая соответствующими символы слоя.  Откройте вкладку веб-браузера и перейдите в раздел Справка ArcGIS Pro: How Emerging Hot Spot Analysis works (Как работает анализ возникающих горячих точек).  Просмотрите используемые символы для визуализации результатов анализа возникающих горячих точек, названия паттерн, а также шаблона. ВОПРОС 1. Какие закономерности можно обнаружить в результате этого анализа? Категории анализа возникающих горячих точек основаны на закономерностях, обнаруженных трендов. Для более детального понимания почему каждому отдельному местоположению была присвоена соответствующая категория необходимо провести визуализацию соответствующей информацию в 3D. Эту же визуализацию можно использовать для более детального знакомства с конкретной областью проводимых исследований.  Закройте вкладку веб-браузера и вернитесь в ArcGIS Pro.  Сохраните проект.
21. 21 ЗАДАНИЕ КАЖДОМУ ОТДЕЛЬНОМУ СТУДЕНТУ 1. Выбрать округ в соответствии со своим номером в списке группы, умноженным на 10-ть и провести с помощью Visualize Emerging Hot Spot Analysis in 3D анализ трендов участия жителей этого округа в программе SNAP 2. Представить отчет по шаблону: Цель-Задачи-Объект-Метод- Результаты-Выводы-Заключение с описанием соответствующих шагов и использованных инструментов, подкрепленных скриншотами и их объяснениями УСПЕХОВ ЗАМ