1.

Vizualizarea setului de date

In acest sens, am simbolizat setul de date dupa campul Temp_max, calculand totodata histograma
setului de date.

Fig. nr. – Vizualizarea setului de date si a histogramei setului de date (nr. binurilor = 30)

Astfel, potrivit histogramei, datele sunt uniform distribuite pe toata suprafata Americii de Nord.

2. Testarea normalitatii datelor

Acest test ne indruma spre a alege un interpolator adecvat, deterministic (pentru seturile de date care nu
au distributie normala) sau probabilistic (pentru seturile de date care au distributie normala).

In cadrul acestui pas, am aplicat testul Shapiro-Wilk pentru testarea normalitatii datelor. Astfel, daca
 Fig. nr. – Testarea normalitatii datelor in R Studio

Valoarea rezultata este de 2.2e-16, ceea ce ne transmite faptul ca p-value<0.00000000000000022,

insemnand ca setul de date nu are distributie normala, intrucat valoarea este mai mica de 0.05.

Astfel, voi alege un interpolator deterministic. Printre interpolatorii determinististici se numara: Global
Polynomial, Local Polynomial, Inverse Distance Weighted (IDW), Radial Basis Function (Spline), Topo to
Raster (interpolare DEM) si Natural Neighbour (varianta de interpolare de baza).

3. Indice Moran I

Urmatorul pas a fost calcularea indicelui Moran, prin utilizarea functiei Spatial Autocorrelation care
masoara autocorelatia spatiala a atributului Temp_Max utilizand Global Moran Index (indice statistic).

Valorile rezultate sunt:

Global Moran's I Summary Moran's Index: 0.263846

Expected Index: -0.000471

Variance: 0.059772

z-score: 1.081124

p-value: 0.279642
 Fig. nr. – Aplicarea instrumentului de autocorelare spatiala

Raportul rezultat arata astfel:

Fig. nr. – Raportul in format html al instrumentului aplicat pentru autocorelarea spatiala
 Fig. nr. – Raportul in format html al instrumentului aplicat pentru autocorelarea spatiala

4. Selectarea unei metode de interpolare in raport de tipul de distributie statistica

Intrucat p-value din cadrul testului Shapiro-Wilk are valoare <0.05, datele nu au o distributie normala, fapt
pentru care voi alege IDW (Inverse Distance Weighted) ca metoda de interpolare.

Am ales aceasta metoda din cadrul interpolatorilor deterministici disponibili intrucat datele sunt uniform
distribuite.
 Fig. nr. – Realizarea interpolarii de tip IDW in ArcGIS Pro

Aceasta metoda de interpolare consta in faptul ca cu cat distanta dintre puncte este mai mare, cu atat
ponderea puncutlui scade. IDW ia in considerare vecinii, si cu cat vecinii sunt mai apropiati, cu atat
valoarea acestora este mai importanta pentru punctul calculat.
 Fig. nr. – Rezultatul interpolarii de tip IDW pe intregul set de date

Parametrii alesi constau intr-o marime a celulei de 29542 m, oferita by-default prin introducerea setului
de date, indice de putere 2, radius de cautare variabil cu 12 puncte.
5. Validarea rezultatului

Pentru validarea rezultatului, am ales validarea prin utilizarea unui set de date diferit de cel folosit la
interpolare.

In acest sens, am exportat setul de date intreg in doua seturi de date, astfel incat sa am datele disitribuite
relative uniform. Aici am utilizat instrumentul Subset features, pentru a imparti setul de date in doua
seturi de date, folosind urmatorul raport procentual: 80%-20%.

Fig. nr. – Validarea datelor prin verificarea Temp_max din setul de date vectorial vs interpolarea de tip
IDW

Am ales cateva puncte din setul nr. 1, pentru care am identificat valoarea aproximata in interpolarea
aferenta setului de date nr. 1, le-am adaugat intr-un document si am extras valoarea Temp_max din
acelasi punct pentru interpolarea setului de date nr. 2, diferentele fiind ilustrate mai jos:

Valoare Set nr. Set nr. 1 - Set nr. 2 -

Raster 1- valoare valoare Diferenta Set 2 vs Set Diferenta puncte vs
principal puncte raster raster 1 (raster) in m raster (set 1) in m

18.1 18 17.98 16.75 -1.23 -0.02

17.12 16.7 16.72 17.5 0.78 0.02

17.13 17 17.02 18.01 0.99 0.02

14.1 14 14.05 14.53 0.48 0.05

16.44 15.6 15.7 17.8 2.1 0.1