Dan Regresi
Bagian 1: Bagian 1: Pemodel Ketergantungan Spasial
Data Curah Hujan
87
87. Lihat Help System on-line untuk Spatial Dependence Modeler untuk informasi lebih lanjut tentang bagaimana spesifikasi cutoff dan lag berinteraksi dan berdampak pada tampilan permukaan variogram.
F)
Kami sekarang akan mengeksplorasi pola variabilitas ini lebih lanjut dengan membuat variogram terarah. Kami akan mengubah parameter berulang kali dengan harapan mengungkap pola ketergantungan spasial dalam kumpulan data curah hujan.
Selanjutnya, klik tombol h-scatterplot, pilih lag 1 dan tekan Graph Lag.
H-scatterplot adalah teknik lain yang digunakan untuk mengungkap informasi tentang variabilitas kumpulan data dan digunakan untuk membuat grafik nilai atribut dari semua kemungkinan kombinasi pasangan data dalam jeda tertentu sesuai dengan parameter pemilihan pasangan yang ditetapkan oleh pengguna. Secara default, Gstat mendasarkan perhitungannya pada atribut data yang diubah menjadi residu kuadrat terkecil biasa dari pusat grafik permukaan. Derajat dibaca searah jarum jam mulai dari utara.
D)
Memindahkan kursor di atas grafik permukaan menunjukkan nilai lag yang mewakili jarak geografis, yaitu jarak pemisahan antara sampel berpasangan yang dipilih untuk perhitungan. Meskipun jarak dihitung berdasarkan koordinat spasial dari kumpulan data input, jarak dikelompokkan ke dalam interval dan diberi nomor urut untuk lag . Saat jarak tersebut ditentukan secara teratur, jarak di setiap piksel, atau lebar jeda, adalah sama. Ketika interval jarak ditentukan secara tidak teratur, setiap piksel dapat mewakili interval jarak atau lebar lag yang berbeda.
Ubah lagi parameter Lags dari tombol pilihannya. Ubah jumlah lag kembali ke 10, biarkan lebar lag di 40,718 dan ubah Cutoff%
kembali ke default 33,33. Sekarang ubah parameter Jenis Tampilan dari permukaan ke arah dan ubah Residual ke Raw. Terakhir, klik override omnidirectional di bagian kanan bawah kotak dialog. Tekan tombol Grafik.
Grafik arah yang dihasilkan adalah semivariogram omnidirectional. Setiap titik meringkas variabilitas yang dihitung untuk pasangan data yang dipisahkan oleh jarak yang berada dalam interval jarak yang ditentukan untuk lag, terlepas dari arah yang memisahkannya. Kurva omnidirectional merangkum grafik permukaan di sebelah kiri dengan memplot untuk setiap lag rata-rata variabilitas dari semua pasangan data dalam lag tersebut. Seperti yang Anda lihat, ada transisi mulus dari variabilitas rendah dalam kelambatan yang mencakup titik-titik yang berdekatan ke variabilitas tinggi dalam kelambatan yang mencakup titik-titik dengan jarak pemisahan yang lebih tinggi. Data curah hujan ini menunjukkan salah satu aksioma geografi yang paling mendasar: bahwa data yang berdekatan di ruang angkasa cenderung lebih mirip daripada data yang terpisah lebih jauh.
Pergi ke parameter Lags pada dialog Spatial Dependence Modeler. Dengan memasukkan tipe Regular lag ke dalam kotak lag, klik tombol Options (tombol kecil di sebelah kanan) untuk mengakses dialog spesifikasi lag interval reguler. Perhatikan bahwa jumlah kelambatan diatur ke default 10. Lebar kelambatan dihitung secara otomatis. Satuan referensi untuk RAIN adalah dalam kilometer, begitu juga dengan lebar lag. Klik pada mode manual. Ubah jumlah kelambatan menjadi 20, tetapi biarkan lebar kelambatan pada nilai standarnya. Klik Oke. Selanjutnya ubah Cutoff % menjadi bernilai 100. Lalu tekan tombol Graph.
C)
Dari dialog Pemodel Ketergantungan Spasial, klik opsi Stats On. Perhatikan ada dua halaman tab dari informasi ringkasan, Statistik Seri dan Statistik Lag, yang menggambarkan grafik arah yang saat ini difokuskan.
Cutoff menentukan jarak pemisahan pasangan maksimum sebagai persentase dari panjang diagonal sudut persegi pembatas titik data.
(Perhatikan bahwa ini didasarkan pada lokasi data dan bukan koordinat x dan y minimum dan maksimum dari file dokumentasi.) Dengan menentukan 100, Gstat akan menghitung semivarians untuk semua pasangan data, mengesampingkan yang ditentukan
Informasi ini penting untuk mengungkap detail tentang keterwakilan masing-masing kelambatan. Kami akan kembali ke masalah ini sebentar lagi. Untuk saat ini, catat jumlah pasangan yang terkait dengan setiap lag seperti yang ditunjukkan dalam Statistik Lag.
e)
jumlah lag dan lebar lag. dengan
lebar lag default 40.718 km, untuk 20 lag dan untuk jarak tempuh maksimum sekitar 814 km. Grafik iogram semivar simetris terbalik di sisi kanan dan kiri. Pola variabilitas rendah menonjol di arah timur-barat.
Grafik permukaan ini sekarang menunjukkan semua kemungkinan pasangan dalam kumpulan data yang dipisahkan ke segala arah
169 H)
al. Kami memilih opsi Data mentah di atas untuk memplot atribut curah hujan aktual di h-scatterplot daripada residu. Sumbu x merepresentasikan atribut sampel dari (ekor) dan sumbu y merepresentasikan atribut sampel ke (kepala). Dalam hal ini, h-scatterplot menunjukkan lag pertama semua pasangan data dan atributnya dalam jarak 40,718 km satu sama lain. Mengingat ringkasan Statistik Lag untuk grafik ini, kita tahu bahwa 395 pasang diplot pada lag pertama. Ini adalah jumlah pasangan yang sangat tinggi untuk satu lag. Biasanya, kumpulan data sampel jauh lebih kecil, sehingga mereka juga menghasilkan pasangan data sampel yang lebih sedikit.
Ini juga merupakan kasus bahwa variogram omnidirectional didasarkan pada lebih banyak pasangan daripada yang terarah.
Kotak yang muncul untuk titik data berisi koordinat sistem referensi dari data tersebut. Informasi ini dapat digunakan untuk memeriksa titik-titik dalam konteks distribusi data hanya dengan kembali ke tampilan awal RAIN dan mencarinya. Ketika ada sedikit pasangan data dalam suatu lag, pasangan outlier dapat berdampak signifikan pada ringkasan variabilitas untuk lag tersebut. Penyimpangan dapat terjadi karena beberapa alasan, tetapi seringkali hal itu disebabkan oleh pengelompokan pasangan yang dihasilkan dari set parameter lag, bukan dari sampel data tunggal yang tidak valid yang mendistorsi distribusi. Seseorang diperingatkan untuk tidak menghapus sampel data dari kumpulan, karena dapat berhasil berkontribusi pada kelambatan lain saat dipasangkan dengan sampel pada jarak lain. Sejumlah keputusan dapat dibuat tentang outlier. Lihat Mengelola Distribusi Tidak Sempurna di Sistem Bantuan on-line untuk Pemodel Ketergantungan Spasial untuk informasi selengkapnya tentang metode penanganan outlier. Dalam kasus kumpulan data RAIN, tingginya jumlah pasangan data per lag membuat pasangan outlier tidak memiliki pengaruh yang kuat pada keseluruhan perhitungan variabilitas untuk setiap lag.
G)
Biasanya, mengungkap kontinuitas spasial adalah proses yang membosankan yang memerlukan manipulasi signifikan dari data sampel dan parameter lag dan jarak.
Dengan Spatial Dependence Modeler, dimungkinkan untuk secara interaktif mengubah lebar lag, jumlah lag, arah, dan toleransi arah, menggunakan transformasi data, dan memilih di antara sekumpulan besar metode pemodelan untuk estimator statistik. Tujuannya adalah untuk menentukan pola variabilitas spasial untuk permukaan asli, yaitu, area yang diukur dengan data sampel, bukan untuk menghasilkan variogram yang terlihat bagus dan plot hambur-h yang sempurna. Untuk melaksanakan tujuan ini dengan sukses dengan informasi yang terbatas memerlukan banyak pandangan dari variabilitas/kontinuitas dalam kumpulan data. Ini secara signifikan akan meningkatkan pemahaman dan pengetahuan Anda tentang kumpulan data dan permukaan yang diukur oleh kumpulan tersebut.
Mengingat banyaknya data sampel dan sifat variabilitas curah hujan yang halus, tugas kita agak lebih mudah. Kita masih perlu melihat berbagai perspektif. Kami sekarang akan menyempurnakan analisis kami menggunakan grafik arah yang dihasilkan untuk arah yang berbeda, dan kemudian kami akan menilai hasilnya.
Untuk mengetahui seberapa padat pasangan data diplot, Anda dapat memperbesar grafik dengan menggunakan tombol zoom.
Dari dialog Pemodel Ketergantungan Spasial, tutup grafik h-scatterplot. Dengan Stats Off, lihat grafik permukaan. Dari model permukaan, kita dapat melihat bahwa arah kontinuitas maksimum sekitar 95º. Dengan Display Type pada directional, ubah Cutoff % kembali ke 100, lalu pilih tombol opsi Lags, ubah jumlah lag menjadi 40 dan kurangi lebar lag menjadi 20. Klik OK. Kemudian hapus centang opsi override omnidirectional dan masukkan sudut Directional 95º, baik dengan mengetik atau memilihnya dengan kursor Anda. Turunkan
Setiap titik mewakili pasangan data dari kumpulan data curah hujan yang telah dipilih untuk lag ini. Untuk kembali ke grafik asli, tekan tombol zoom 100%.
Bentuk awan dari titik-titik yang diplot mengungkapkan seberapa mirip (yaitu, kontinu) nilai data pada interval jarak tertentu. Jadi, jika nilai data yang diplot pada jarak dan arah tertentu berkorelasi sempurna, titik-titik tersebut akan diplot pada garis 45 derajat. Demikian pula, semakin tersebar awan, semakin tidak kontinu data sampel ketika dikelompokkan menurut parameter yang ditetapkan. Coba pilih kelambatan yang lebih tinggi untuk diplot. Biasanya dengan lag yang lebih tinggi, pasangan menjadi lebih tersebar dan berbeda satu sama lain dalam atributnya. Karena kita menggunakan semivariogram omnidirectional, jumlah pasangan tidak dibatasi oleh arah, dan akibatnya, penyebarannya menjadi kurang jelas. Mengingat banyaknya pasangan yang dihasilkan dari kumpulan data curah hujan, tingkat penyebaran kurang terlihat saat memeriksa kelambatan berikutnya.
Saya)
Perhatikan, bagaimanapun, bahwa adalah mungkin untuk melihat pasangan yang outlier relatif terhadap yang lain. Outlier bisa menjadi penyebab kekhawatiran.
Latihan 3-5 Geostatistik
Untuk melihat titik data yang merupakan pasangan individu, gunakan tombol kiri mouse untuk mengklik titik data pada grafik. Jika kotak kueri tidak muncul, Anda belum berhasil mengklik suatu titik. Coba lagi.
Langkah pertama dalam menganalisis outlier adalah mengidentifikasi pasangan aktual yang membentuk titik tersebut.
Anda harus memperhatikan dari tiga rangkaian arah, 5º, 95º, dan omnidirectional, bahwa rangkaian 95º memiliki variabilitas kontinu terendah pada peningkatan jarak pemisahan. Dalam arah ortogonal pada 5º, variabilitas meningkat jauh lebih cepat dengan menggunakan jarak lag yang sama. Seri omnidirectional mirip dengan rata-rata di semua arah dan karena itu berada di antara dua seri dalam kasus ini. Perbandingan grafik arah dengan grafik permukaan adalah logis. Seri 5º dan 95º mengungkapkan tingkat perbedaan dengan arah, yaitu anisotropi dan trending. Arah kontinuitas spasial minimum (5º) dan maksimum (95º) yang ditunjukkan oleh variogram sangat berbeda. Tingkat ketergantungan spasial lintas jarak lebih besar pada arah barat-timur. Dari pengetahuan kami tentang daerah tersebut, kami dapat memastikan bahwa angin yang bertiup di bagian Afrika ini pada bulan Juli memang membawa hujan dari selatan ke utara, menurunkan hujan semakin sedikit saat bergerak ke utara.
Tantangan variogram terarah adalah menentukan apa yang dapat dipelajari tentang data sampel dan apa yang diukurnya.
Dalam hal ini, kami berharap pengukuran curah hujan dari stasiun yang berdekatan satu sama lain serupa. Lebih jauh lagi, kami juga
mengharapkan pengukuran yang dipisahkan dalam arah barat ke timur, terutama pada perkiraan arah 95º, agak mirip pada jarak yang jauh ketika hujan bergerak dari pantai menuju Sahel.
Toleransi sudut hingga 5º (dibahas di bagian selanjutnya). Lalu tekan Grafik. Setelah selesai membuat grafik, Anda dapat menekan Redraw untuk meninggalkan hanya seri grafik terakhir.
J)
Sebelum melanjutkan, kami akan menerima deskripsi variabilitas ini sebagai cukup untuk menyarankan karakter keseluruhan kontinuitas spasial untuk curah hujan di daerah ini. Setelah kami memutuskan bahwa kami memiliki informasi yang cukup, kami dapat menyimpannya dan
menggunakannya untuk merancang model dalam modul Model Fitting. Kami ingin menyimpan tidak hanya informasi kami tentang kesinambungan maksimum, tetapi juga secara terpisah menyimpan informasi tentang kesinambungan minimum. Di bagian selanjutnya, kita akan membahas mengapa sumbu tersebut relevan. Kami telah memutuskan bahwa arah 95º adalah sumbu kontinuitas spasial maksimum dan 5º adalah sumbu kontinuitas minimum. Kami akan menyimpan setiap arah ditambah grafik omnidirectional, ke file variogram yang secara khusus mewakili variogram sampel (eksperimental). Setiap file variogram menyimpan informasi yang digunakan untuk membuat semivariogram sampel, serta nilai variabilitas (V(x)) untuk setiap lag, jumlah pasangan data, dan jarak pemisahan rata-rata.
l)
Selanjutnya, klik Stats On dan pilih tab Lag Statistics. Perhatikan bahwa jeda pertama, interval 20 km, hanya memiliki satu pasangan data pada jarak pisah 11,26 km. Beberapa kelambatan pertama mungkin kurang dapat diandalkan dibandingkan kelambatan selanjutnya.
Secara umum, kami mencoba mencapai setidaknya 30 pasang per lag untuk menghasilkan rata-rata yang mewakili setiap lag. Ubah lagi parameter lag menggunakan tombol opsi Lags dan masukkan 20 untuk jumlah lag dan tingkatkan lebar lag menjadi 40. Cutoff % harus diatur menjadi 100. Tekan OK, lalu Grafik. Jika sudah selesai membuat grafik, perhatikan perbedaan antara kedua rangkaian tersebut kemudian klik Redraw.
Dari opsi Seri dialog Pemodel Ketergantungan Spasial, pilih seri 95º, lalu tekan tombol Simpan. Simpan file variogram dengan nama RAIN-MAJOR-95 dan tekan OK. Selanjutnya pilih variogram untuk 5º di kotak opsi Series (mengklik Redraw tidak diperlukan) dan simpan sebagai RAIN-MINOR-5, dan ulangi untuk variogram omni directional dengan menyimpannya sebagai RAIN-OMNI.
k)
Sebagian besar data lingkungan menunjukkan beberapa kesinambungan spasial yang dapat dijelaskan relatif terhadap jarak dan arah. Seringkali, mengungkap pola ini tidak semudah contoh curah hujan, bahkan dengan kesalahan yang terkait. Seseorang perlu menghabiskan banyak waktu untuk memodelkan arah yang berbeda dengan banyak jarak dan jeda yang berbeda, mengonfirmasi hasil dengan pengetahuan tentang distribusi data, dan mencoba estimator atau transformasi data yang berbeda. Ini adalah praktik yang baik untuk melihat kumpulan data dengan estimator statistik yang berbeda juga. Estimator kuat dari semivariogram berguna ketika jumlah pasangan data dalam kelambatan yang mewakili jarak pemisahan yang dekat sedikit. Kovariogram harus selalu diperiksa
Selanjutnya, dengan hanya menunjukkan arah 95º pada grafik, ubah sudut arah menjadi 5º, dan tekan Grafik lagi. Jangan menggambar ulang. Kemudian pilih opsi override omnidirectional dan tekan Graph. Hanya rangkaian 95º, 5º, dan omnidirectional yang harus ditampilkan dalam grafik.
Kemudian seseorang harus menilai keandalan informasi yang ditafsirkan dari sejumlah perspektif. Dari perspektif statistik, kami umumnya berasumsi bahwa satu pasangan data dalam lag tidak cukup. Namun, kami mungkin memiliki informasi tambahan yang memvalidasi bahwa pasangan data tunggal merupakan perkiraan yang masuk akal untuk jarak pemisahan yang dekat. Mengingat skala data sampel yang luas, kita tahu bahwa tingkat generalisasi tertentu tentang permukaan dari data sampel tidak dapat dihindari. Kami meminta Anda memplot semivariogram lain menggunakan lebar lag yang lebih lebar, sebagian, agar lebih konsisten di seluruh lag yang lebih rendah.
Dari menu GIS Analysis/Surface Analysis/Geostatistics, pilih Spatial Dependence Modeler. Pilih ELEVASI sebagai variabel file vektor.
Ubah parameter Lags dengan menekan tombol opsi Lags. Pilih opsi Manual lalu masukkan 75 untuk jumlah lag dan 36 untuk lebar lag.
Tekan OK. Ubah Cutoff % menjadi 100, lalu tekan Graph.
Kami akan memeriksa dengan cermat anisotropi melalui penggunaan variogram permukaan pada kumpulan data elevasi.
171 Latihan 3-5 Geostatistik
Permukaan elevasi yang diwakili oleh sampel ELEVASI terukur jelas jauh lebih kompleks dalam hal kontinuitas spasialnya daripada yang kita lihat sebelumnya dengan kumpulan data curah hujan kita. Namun, kami akan melanjutkan analisis kumpulan data ELEVASI untuk mengantisipasi agar model yang sesuai dapat dikembangkan. Kami akan mulai dengan berfokus pada jarak pemisahan yang dekat.
memverifikasi stabilitas semivariogram apapun. Hasil yang tidak konsisten menunjukkan kesalahan sebelumnya dalam penilaian seseorang ketika semivariogram sampel diterima sebagai representasi yang baik dari variabilitas spasial. Kami sarankan Anda mencobanya dengan RAIN untuk latihan. Untuk demonstrasi pemasangan model, kami memiliki cukup informasi dan pengetahuan tentang kumpulan data kami untuk percaya bahwa arah 95º memberi kami kemampuan yang cukup untuk mendapatkan pola kontinuitas spasial dari kumpulan data curah hujan kami. Namun, sebelum kita melanjutkan ke langkah berikutnya, kita akan menggunakan kumpulan data dengan karakter yang berbeda untuk terus mendemonstrasikan cara menginterpretasikan hasil di Spatial Dependence Modeler.
N) Ubah kembali parameter Lags dengan memilih tombol opsi Lags. Masukkan 16 untuk jumlah lag dan 45 untuk jarak lag. Ubah Cutoff%
kembali ke 33,33 dan tekan Grafik.
Demonstrasi berikutnya dari Modeler Ketergantungan Spasial menggunakan kumpulan data yang mewakili 227 titik data sampel ketinggian di pantai Massachusetts, AS. Kumpulan data ini digunakan untuk lebih menyoroti eksplorasi deskripsi yang jelas tentang anisotropi menggunakan alat tampilan Pemodel Ketergantungan Spasial.
Anda harus memperhatikan pola elips memanjang di tengah dan ke arah sekitar 45º, di mana ketergantungan spasial cenderung menurun secara seragam. Keseragaman ini menunjukkan bahwa kusen, atau tingkat variabilitas maksimum, kira-kira sama di semua arah. Anda juga akan melihat, bagaimanapun, bahwa dalam arah yang berbeda, jarak pemisahan titik belok di mana keseragaman ini tercapai, yaitu rentangnya, berbeda. Pola elips menunjukkan bahwa kisaran bervariasi dengan arah. Ini menunjukkan bahwa anisotropi geometrik hadir dalam struktur spasial penelitian
daerah.
Konsep elips adalah hal yang penting untuk dipertahankan saat menggunakan alat geostatistik IDRISI. Elips bisa
Seperti yang kita lihat dengan kumpulan data curah hujan pada latihan sebelumnya dan akan kita lihat dengan kumpulan data elevasi, kontinuitas ketergantungan spasial bervariasi dalam arah yang berbeda. Kedua set data menunjukkan anisotropi dalam pola kontinuitas spasialnya. Dalam kasus RAIN, ingatlah dari variogram permukaan area yang lebih gelap dengan variabilitas minimum dan bentuknya yang memanjang. Bentuk anisotropi ketika terlihat pada variogram permukaan dapat disimpulkan idealnya sebagai pola elips. Di luar tepinya, variabilitas spasial terlalu besar untuk memiliki korelasi signifikan yang terukur antar lokasi. Jarak di mana tepi ini didefinisikan adalah jangkauan . Ketika variogram terarah (yang seperti profil atau irisan variogram permukaan) memiliki nilai V(x) yang bertransisi antara area yang bergantung secara spasial dan tidak bergantung, mereka menampilkan perkiraan rentang, yaitu tepi elips untuk a kumpulan arah tertentu. Ketika variogram terarah mewakili satu arah, jangkauannya seperti satu titik pada elips. Penggambaran elips yang halus secara hipotetis adalah penggambaran rentang untuk semua variogram arah yang jumlahnya tak terhingga. Lihat Sistem Bantuan online untuk Pemodel Ketergantungan Spasial untuk informasi lebih lanjut tentang topik ini.
M)
Data Ketinggian
88
88. Ratick, SJ dan W. Du, 1991. Analisis Ketidakpastian untuk Kenaikan Permukaan Laut dan Evaluasi Kerusakan Banjir Pesisir. Worcester, MA, Institut Sumber Daya Air, Pusat Dukungan Sumber Daya Air, Korps Insinyur Angkatan Darat Amerika Serikat. Ratick, SJ, A. Solow, J. Eastman, W. Jin, H. Jiang, 1994. Sebuah Metode untuk Memasukkan Ketidakpastian Topografi dalam Pengelolaan Efek Banjir Terkait dengan Perubahan Iklim Badai. Laporan Tahap I ke Departemen Perdagangan AS, Program Perubahan Ekonomi Global, Administrasi Oseanografi dan Atmosfer Nasional.
P)
dijelaskan oleh sumbu mayor dan minornya dan sudut arah, dan dengan komponen ini, rumus matematika sederhana dapat menurunkan nilai rentang, atau nilai jarak dari pusat elips ke tepi elips, sepanjang sudut arah lainnya. Kita dapat menggambarkan model anisotropi dengan memperkirakan sudut arah sepanjang sumbu utama elips berorientasi dan nilai rentang untuk sumbu mayor dan minor. Untuk tujuan kita, jangkauan semivariogram dari arah kontinuitas maksimum adalah sumbu utama elips, dan jangkauannya untuk arah kontinuitas minimum adalah sumbu minor. Memindahkan kursor di sekitar elips di dalam variogram permukaan, Anda akan melihat bahwa sumbu utama tampaknya terjadi pada sekitar 42º, yang berarti arah minor tegak lurus sekitar 132º. Kami sekarang akan membuat grafik dua arah ini.
Ubah Toleransi Sudut menjadi 17º dan Sudut Arah menjadi 42º. Tekan Grafik. Tekan Redraw saat grafik selesai ditampilkan. Sekarang ubah toleransi Angular menjadi 22.5º dan sudut Directional menjadi 132º lalu tekan Graph.
Q)
Di sini, kami mengakhiri diskusi kami tentang interpretasi anisotropi dengan alat tampilan di Spatial Dependence Modeler. Untuk tujuan latihan Pemasangan Model, kami akan menyimpan dua deskripsi variabilitas untuk ELEVASI ini.
Akan tampak bahwa kedua arah tampaknya bertransisi ke variabilitas konstan (yaitu, non-ketergantungan) pada tingkat yang hampir sama, pada V(x) kira-kira sama dengan 25. Kisarannya berbeda. Namun, mengingat toleransi sudut saat ini dan lebar jeda, ketidakteraturan semivariogram membuat sulit untuk memperkirakan di mana rentang anisotropi terjadi. Kami akan mengubah toleransi sudut lagi, menggunakan sekumpulan parameter yang dipilih setelah menyelidiki berbagai toleransi.
Pilihan lain untuk menstabilkan variogram adalah dengan meningkatkan parameter lebar lag sambil mempertahankan sudut toleransi yang lebih rendah. Jika ini menghasilkan hasil yang stabil, maka ini bisa mengarah pada estimasi kisaran yang lebih baik untuk sumbu utama. Seseorang diperingatkan tentang penggunaan sudut toleransi tinggi saat memeriksa anisotropi dalam arah tertentu.
Satu risiko menggeneralisasi dengan menggabungkan lebih banyak pasangan menggunakan sudut toleransi lebar. Terutama ketika anisotropi ekstrim, seperti yang terlihat di sini, menggabungkan efek anisotropik pasangan data dari sudut di kedua ujung rentang sudut untuk arah kontinuitas maksimum akan membuat semivariogram yang anisotropi sebenarnya, seperti yang diperkirakan dari jangkauan, diremehkan. Demikian pula, dalam arah minor, ini bisa berarti perkiraan kisaran anisotropik yang terlalu tinggi.
Kami hanya menyentuh opsi yang tersedia di Pemodel Ketergantungan Spasial. Jangan ragu untuk bereksperimen dengan opsi lain, terutama dengan kumpulan data RAIN dan ELEVATION. Kami belum membuat penilaian pasti tentang kumpulan data dan tentang apa yang mereka wakili. Kami mendorong Anda untuk berlatih mengembangkan penilaian Anda sendiri tentang kumpulan data dan apa yang mungkin ditampilkannya. Semivariogram sampel yang dibuat di sini tidak hanya deskriptif, tetapi akan digunakan selanjutnya
Dengan menggunakan parameter lag di atas, (jumlah lag pada 16, lebar lag 45, dan Cutoff % disetel ke 33,33) ubah Tipe Tampilan menjadi terarah. Untuk grafik pertama, tentukan sudut Directional 42º, ubah toleransi Sudut menjadi 5º, lalu tekan Grafik. Saat model dibuat grafiknya, ubah sudut Directional menjadi 132º dan tekan Graph lagi.
Perhatikan bahwa semivariogram baru muncul "berperilaku lebih baik." Ini lebih jelas ketika setiap rangkaian arah mencapai titik transisinya, tetapi mereka mencapai level ini pada rentang yang berbeda. Kami memvariasikan toleransi sudut untuk menunjukkan pentingnya. Toleransi sudut adalah rentang sudut untuk mengelompokkan pasangan data di kedua sisi arah yang ditentukan. Jadi 22,5º di kedua sisi 132º, misalnya, merupakan rentang sudut dari 109,5º hingga 154,5º, atau total 45º. Dengan grafik, orang harus memperhatikan bahwa pelebaran sudut toleransi menstabilkan semivariogram dalam arti membuat transisi dalam pembacaan variabilitas menjadi lebih lancar. Juga, perhatikan bahwa sudut toleransi yang lebih lebar sedikit menggeser kisaran, dalam kasus arah minor kemungkinan meningkatkannya, dan dalam arah mayor, menurunkannya. Memperluas sudut toleransi, dalam arti tertentu, merata-ratakan rentang elips anisotropik dengan memasukkan pasangan data dari jangkauan yang lebih luas. Bahayanya adalah menurunkan perkiraan jangkauan untuk arah kontinuitas maksimum.
Hai)
Anda seharusnya hanya menampilkan sudut 42º dan 132º terakhir di grafik. Perhatikan warna setiap sudut. Pilih opsi seri untuk arah 42º, tekan Save dan beri nama file ELEVATION-MAJOR. Selanjutnya pilih seri arah 132º terakhir yang digrafik dengan mengklik opsi Seri, tekan Simpan dan beri nama file ELEVASI MINOR.