Вэс факторы размещения: Преимущества и недостатки технологий солнечной электростанции и ветровой электростанции

Какие площади нужны для размещения солнечных и ветровых электростанций — исследование WWF

Часто приходится слышать, что «низкая плотность» солнечной и ветровой электроэнергии обусловливает слишком высокую потребность в земельных ресурсах для размещения объектов генерации, работающих на основе этих возобновляемых источников энергии. По данному вопросу даже ведутся оживлённые научные дискуссии, и тезис о «нехватке земли» является одним из аргументов противников развития ВИЭ.

На днях немецкое отделение Фонда дикой природы (WWF) опубликовало фундаментальное, на 162 страницах, исследование «Энергетическая система будущего II — Регионализация производства возобновляемой электроэнергии», в котором в том числе рассчитано, где и какие площади могут/должны быть задействованы в случае, если энергосистема ФРГ к 2050 году будет практически полностью, на 95%, работать на основе ВИЭ.

Над докладом работал ряд организаций, в том числе специализированная компания по территориальному планированию Bosch & Partner. То есть тема был исследована вдоль и поперёк.

Авторы проанализировали всю территорию страны, и установили, где могут быть размещены солнечные и ветровые электростанции, принимая во внимание всевозможные ограничения, будь то минимальные расстояния от границ поселений или вопросы зашиты природы и редких видов.

В работе рассматриваются два сценария развития ВИЭ. В базовом сценарии («Energiewende-Referenz») для размещения объектов возобновляемой генерации к 2050 году используется примерно 2,5% площади страны. При этом установленная мощность материковой ветроэнергетики к 2050 г достигнет 178 ГВт, офшорной ветроэнергетики – 51 ГВт, солнечной энергетики – 154 ГВт.

В сценарии более интенсивного развития солнечной энергетики («Fokus Solar») будет задействовано меньше – примерно 2%, поскольку предполагается в большей степени развивать кровельное направление сектора, и сократить, по сравнению с первым сценарием, мощности ветроэнергетики на суше. В данном сценарии к 2050 г установленная мощность материковой ветроэнергетики составит 115 ГВт, офшорной ветроэнергетики – 51 ГВт, солнечной энергетики – 313 ГВт.

Динамика развития и структура мощностей солнечной и ветровой энергетики в обоих сценариях изображены на графике (оранжевым цветом обозначены кровельные электростанции):

Оба сценария могут быть реализованы без каких-либо существенных земельных ограничений. По расчётам авторов для размещения солнечных и ветровых электростанций непригодно примерно 95% площади Германии в среднем (исключены населенные пункты, транспортная инфраструктура, болота и пустоши, леса районы, водные акватории и районы добычи полезных ископаемых). В то же время в базовом сценарии в отдельных регионах после 2045 года могут возникнуть «мягкие ограничения». Речь идёт о потенциальном конфликте между разными видами деятельности. В сценарии же более интенсивного развития солнечной генерации данные ограничения снимаются.

Важно отметить, что в исследовании WWF приводится крайне консервативная оценка площадей, которые могут быть отведены под солнечные и ветровые электростанции (5%). В более раннем исследовании немецкого Бюро по охране окружающей среды (Umweltbundesamt) фигурировала цифра 14%.

Пару слов о самой модели.

Поскольку в обоих сценариях предполагается активное развитие кровельной солнечной генерации, авторы прогнозируют, что число распределенных (домашних) накопителей энергии вырастет радикально. В первом сценарии их мощность к 2050 году вырастет до 46,8 ГВт, во втором – аж до 94,8 ГВт, и они станут одним из ключевых инструментов повышения маневренности энергосистемы.

Развитие других ВИЭ не прогнозируется, и структура мощностей всей возобновляемой энергетики выглядит вот так:

Угольная генерация полностью сворачивается к 2035 году.

К 2050 году в системе остаются внушительные мощности газовых электростанций – 19 ГВт в обоих сценариях, но их выработка будет незначительной.

Детальная структура мощностей и выработки в динамике по годам приведена на странице 148 и далее.

Подведем итоги.

Принципиальная структура энергетической системы будущего в ФРГ не подвергается сомнению. Это будет система с доминирующей долей ВИЭ, а именно ветровой и солнечной энергетики. В настоящее время немецкий закон о возобновляемых источниках энергии (EEG) предусматривает, что к 2050 году ВИЭ должны покрывать как минимум 80% потребления электроэнергии. Не исключено, что данная цель будет пересмотрена в сторону повышения.

Новое исследование ещё раз подтверждает, что такая энергосистема возможна и для её формирования нет пространственных ограничений.

Предыдущая статьяКомиссия по законопроектной деятельности одобрила законопроект о микрогенерацииСледующая статьяОбъект Power-to-Gas мощностью 100 МВт будет построен в Германии

Выполнение анализа пригодности для нового парка ветрогенераторов.

На этом уроке ветроэнергетическая компания из Колорадо пригласила вас найти на территории этого штата несколько потенциальных площадок для установки высокоэффективных ветряных турбин. Выбор подходящей площадки является ключом к успеху любого проекта по возобновляемым источникам энергии, играя решающую роль в финансовой отдаче и простоте строительства, а также текущих операций, технического обслуживания и общей безопасности. С помощью ArcGIS Online вы найдете и выберете потенциальные площадки, изучите факторы доступности и маршруты до выбранных местоположений и в обратном направлении и примите окончательное решение.

Этот урок тестировался последний раз 11 мая 2022 года.

Посмотреть готовый результат​

Требования

• Роль издателя или администратора в организации ArcGIS (получить бесплатную пробную версию)

План урока

Ветроэнергетическая компания из Колорадо поставила вам задачу определить несколько потенциальных мест в штате для установки высокоэффективных ветряных турбин Эти местоположения должны отвечать нескольким критериям:

• Расположены в штате Колорадо
• В округах с численностью населения по данным за 2010 год не меньше 20000
• В районах с классом силы ветра не ниже 4 (среднегодовые скорости ветра в этих районах на высоте 10 метров от земли обычно составляют не менее 5,6 м в секунду [12,5 миль/ч] и на высоте 50 метров от земли как правило 7,0 м/с [15,7 миль/ч.])
• В пределах 10 миль от существующих ЛЭП, которые имеют мощность не менее 400 киловольт (кВ)
• В пределах 5 миль от существующих ветровых электростанций, где установлены турбины с диаметром ротора не менее 100 футов

Чтобы соответствовать этим критериям, вы сохраните копию карты и изучите данные о населении, существующих ветровых электростанциях и ЛЭП, а также средних скоростях ветра по всему штату. Затем вы начнете строить запросы к этим слоям, чтобы сузить поиск до мест с нужными характеристиками. Наконец, вы объедините их в одном слое, на котором вы сможете выполнить анализ по разным критериям, чтобы найти несколько самых подходящих мест.

Сохраните копию карты

В этом разделе вы откроете карту, иллюстрирующую текущие местоположения ветровых электростанций и потенциал мощности ветра по всему штату Колорадо. Карта ознакомит вас с объектами и атрибутами, которые вы будете использовать, чтобы найти новое место для установки высокоэффективной ветровой электростанции. После исследования этой карты вы сохраните свою собственную версию карты для дальнейшего анализа.

1. Перейдите на страницу сведений об элементе для веб-карты Wind Power Study in Colorado Starting Point.
2. Рядом с кнопкой Открыть в Map Viewer щелкните ниспадающее меню и выберите Открыть в Map Viewer Classic.
3. При необходимости нажмите Войти и войдите с использованием учетной записи вашей организации ArcGIS.
4. На панели Информация щелкните Ресурсы.
5. На ленте щелкните Сохранить и выберите Сохранить как.

6. В окне Сохранить карту в качестве Заголовка введите Optimal Wind Farm Locations.
7. Для Краткая информация введите Best locations for a new High-Efficiency wind farm.
8. Для Сохранить в папке , убедитесь, что сохраняете в своей папке.

9. Щелкните Сохранить карту.

   Копия карты сохранилась у вас в папке Ресурсы. Вы можете получить к ней доступ в любой момент через вкладку Ресурсы на начальной странице. Теперь у вас есть сохраненная карта и можно посмотреть на данные, с которыми будете работать.

Проверка данных ветровых электростанций

Карта содержит пять слоев: граница штата, округа Колорадо, местоположения текущих ветровых турбин, местоположения ЛЭП и средняя сила ветра на основе географического местоположения. Теперь вы оцените доступные данные, чтобы определить, достаточно ли их для выполнения перечисленных выше условий.

1. На панели Ресурсы включите слой Counties.

   Слой Counties содержит данные о населении для всех 64 округов штата Колорадо. В некоторых округах плотность населения выше, что означает более высокие потребности в электроэнергии. Поскольку строительство новых ЛЭП дорого стоит и вредит окружающей среде, вы хотите найти территории с высоким спросом на электроэнергию, чтобы снизить необходимость в создании дополнительных ЛЭП. Этот слой содержит данные, которые позволят вам проверить первый и второй критерии: что территория для новой ветровой электростанции находится в штате Колорадо и там достаточно высокая плотность населения.

2. Щёлкните несколько округов вдоль горного хребта к западу от Денвера, между Форт-Коллинзом и Пуэбло, и обратите внимание на их плотность населения.
3. Закройте всплывающее окно.
4. На панели Ресурсы отключите слой Counties и включите слои Wind Power Class и Wind Turbines in Colorado.
5. На панели Ресурсы перетащите слой Wind Turbines in Colorado вверх списка.
6. Наведите указатель мыши на слой Wind Power Class и нажмите Показать легенду.
7. Наведите курсор на слой Wind Power Class и щелкните Показать таблицу.
8. В появившейся таблице нажмите кнопку Опции и щелкните Показать/Скрыть столбцы.

9. Отметьте Все столбцы.
10. Закройте таблицу.
11. На панели Ресурсы отключите слой Wind Power Class, сняв соответствующую отметку.
12. На ленте щелкните Закладки и щелкните какие-нибудь места, чтобы их исследовать.
13. Щелкните закладку Limon.
14. Увеличивайте масштаб до тех пор, пока не увидите отдельные турбины.
15. Щелкните Измерить на ленте и выберите Расстояние.

16. Щелкните одну из турбин, а затем дважды щелкните турбину рядом с первой.
17. На панели Ресурсы для слоя Wind Turbines in Colorado щёлкните Показать таблицу, чтобы увидеть атрибуты слоя.

18. В таблице атрибутов найдите и исследуйте поле rotor_dia (диаметр ротора).
19. Щёлкните поле rotor_dia и выберите Сортировать по убыванию.
20. Закройте таблицу атрибутов, а на ленте щелкните Закладка и выберите закладку Colorado, чтобы уменьшить масштаб и увидеть весь штат.
21. Включите слой Platts Transmission Lines.

Комбинирование слоев для анализа

Так как у вас есть все необходимые данные, теперь вы можете приступать к анализу для выбора площадок. Чтобы убедиться в том, что все условия выполнены, вам надо объединить все слои в единый слой, к которому можно будет сделать запрос с помощью инструмента Найти существующие местоположения. Для подготовки к этому начнем комбинировать слои. Слою Counties с данными о населении и слою Wind Power Class нужны только запросы, поэтому сначала объединим их с помощью инструмента Наложение слоев. Требования к слоям Wind Turbines in Colorado и Platts Transmission Lines предусматривают, чтобы и турбины, и ЛЭП находились на определенном расстоянии от существующих объектов; поэтому, чтобы вычислить эти расстояния, вы будете использовать инструмент Создать буфер. Затем вы снова используете инструмент Наложение слоев, чтобы объединить эти слои.

1. На панели Ресурсы отключите слой Platts Transmission Lines и включите слой Wind Power Class.
2. Наведите курсор на слой Wind Power Class и щелкните Выполнить анализ.
3. На панели Выполнить анализ щелкните Анализ объектов.
4. Разверните Управление данными и выберите Наложение слоев.

5. На панели инструмента Наложение слоев убедитесь, что в опции Выберите входной слой установлен Wind Power Class.
6. В опции Выберите слой для наложения, выберите Counties, а для Выберите способ наложения щёлкните Объединение.

7. В опции Имя слоя результата, введите Union of Wind Power Class and Counties и добавьте свои инициалы, чтобы имя слоя получилось уникальным в организации. Нажмите Запустить анализ.
8. На панели Ресурсы включите слой Platts Transmission Lines и отключите слои Union of Wind Power Class and Counties, Wind Turbines in Colorado и Wind Power Class.

9. На панели Ресурсы наведите курсор на слой Platts Transmission Lines и щёлкните Фильтр.
10. В окне Фильтр создайте выражение VOLTAGE is at least 400.

11. Щелкните Применить фильтр.
12. На панели Ресурсы наведите курсор на слой Platts Transmission Lines и щелкните Выполнить анализ.
13. На панели Выполнить анализ щелкните Анализ объектов.
14. Разверните По близости и выберите Создать буферы.

15. На панели инструмента Создать буферы для опции Выберите слой, содержащий объекты для построения буферных полигонов убедитесь, что задан слой Platts Transmission Lines.
16. Для Ввести размер буфера укажите 10 и подтвердите в качестве единиц Мили.

17. Разверните Параметры и измените Тип буфера на Слияние.

18. В Названии результирующего слоя введите 10-мильная зона вокруг линий электропередач и припишите свое имя или инициалы для того, чтобы быть уверенными в уникальности названия внутри вашей организации.
19. Нажмите Запустить анализ.
20. Отключите слои Platts Transmission Lines и Transmission Lines 10 Mi Zone.

Чтобы воспользоваться существующей инфраструктурой, теперь вам нужно найти места в пределах 5 миль от существующих ветровых электростанций.

Определение турбин, соответствующих критериям

Одним из критериев для местоположения новой площадки является то, что она должна находиться в пределах 5 миль от существующих ветряных электростанций с турбинами, диаметр ротора которых составляет не менее 100 футов. Как и ранее в этом уроке, для определения этих областей вы будете использовать инструменты фильтр и буфер.

1. На панели Ресурсы включите и наведите курсор на слой Wind Turbines in Colorado и щелкните Фильтр.
2. В окне Фильтр создайте выражение roto_dia is at least 100.

3. Щелкните Применить фильтр.
4. На панели Ресурсы отключите слой Wind Turbines in Colorado, наведите на него курсор и щелкните Выполнить анализ.
5. На панели Выполнить анализ щелкните Анализ объектов. Разверните По близости и выберите Создать буферы.
6. На панели инструмента Создать буферы введите следующие параметры:
7. Нажмите Запустить анализ.
8. На панели Ресурсы наведите курсор на слой Turbine 5 Mile Zone и щелкните Выполнить анализ.
9. На панели Выполнить анализ щелкните Анализ объектов. Разверните Управление данными и затем Наложение слоев.
10. На панели инструмента Наложение слоев задайте следующие параметры:




11. Нажмите Запустить анализ.
12. На ленте щелкните Сохранить и выберите Сохранить, чтобы сохранить карту.

Теперь вы совместите два объединенных слоя в один слой, содержащий всю необходимую информацию: класс ветровых электростанций и округа, а также 5-мильную и 10-мильную буферные зоны, благодаря которым можно будет сделать окончательный выбор площадки. Этот последний слой будет содержать все критерии, необходимые для выбора подходящих площадок, где можно рассмотреть возможность разработки и установки ветровых турбин большой мощности.

Поиск мест для ветровых электростанций

Теперь, когда вы объединили несколько слоев и отфильтровали их, можно использовать инструмент Найти существующие местоположения, который предназначен для выбора на изучаемой территории существующих объектов, которые соответствуют ряду критериев, которые вы указываете в одном слое. Эти критерии могут быть основаны на атрибутивных запросах (например, области с классам мощности ветра более 4) и пространственных запросах (например, области в пределах 10 миль от текущих ЛЭП с напряжением более 400).

1. На панели Ресурсы наведите курсор на слой Union of Turbine 5 Mile Zone and Transmission Lines 10 Mi Zone и щелкните Выполнить анализ.
2. На панели Выполнить анализ щелкните Анализ объектов. Разверните Управление данными и затем Наложение слоев.
3. На панели инструментов Наложение слоев введите следующее:




4. Нажмите Запустить анализ.
5. На панели Ресурсы наведите курсор на слой TargetSites и щелкните Выполнить анализ.
6. На панели Выполнить анализ щелкните Анализ объектов. Разверните Найти местоположения и щелкните Найти существующие местоположения.

7. На панели инструмента Найти существующее местоположение введите следующее:
8. В окне Добавить выражение первым должен быть слой TargetSites.

   Слой анализа (TargetSites) представляет собой исходный слой, в котором вы делаете выборку.

9. В качестве пространственного отношения выберите Полностью в пределах.
10. В качестве второго слоя выберите Turbine 5 Mile Zone и щелкните Добавить.
11. Щелкните Добавить выражение и убедитесь, что в качестве первого слоя подставлено TargetSites.
12. Выберите Полностью в пределах в качестве пространственного отношения и выберите Transmission Lines 10 Mi Zone в качестве второго слоя.
13. Щёлкните Добавить.
14. Щелкните Добавить выражение и постройте выражение TargetSites where STATE_NAME is Colorado.

15. Щёлкните Добавить.
16. Щёлкните Добавить выражение и постройте запрос TargetSites, где POP2010 больше, чем 20000, и щелкните Добавить.

    В списке окна запросов теперь четыре выражения. Последнее выражение, которое надо добавить, будет фильтровать только самые высокие скорости ветра.

17. Щёлкните Добавить выражение и постройте запрос TargetSites, где GRIDCODE находится между 4 и 7, и щёлкните Добавить.
18. В качестве Имя выходного слоя введите SuitableSites, добавьте свои инициалы и щелкните Запустить анализ.
19. На вкладке Ресурсы отключите все слои, кроме SuitableSites, State Linesи слоев базовой карты.
20. На ленте щелкните Закладки и изучите закладки Limon и NE Colorado.
21. Сохраните карту.

На следующем уроке вы построите маршруты по времени в пути к каждому объекту, чтобы сделать окончательные выводы. Так как транспортная доступность, а также доступность для обслуживающего персонала, очень важна, до площадки должно быть просто добраться.

Ранее вы исследовали критерии выбора местоположений для эффективных ветровых электростанций и подобрали две подходящие площадки в штате Колорадо. Выбор подходящей площадки является ключом к успеху любого проекта в области возобновляемых источников энергии и влияет на его финансовую жизнеспособность.

Затем вы выполните анализ времени в пути между потенциальными площадками и штаб-квартирой компании в Денвере. Это важно, поскольку инженеры и другие логистические сотрудники, участвующие в установке и обслуживании ветряных турбин, базируются в штаб-квартире компании, а не на удалённых стройплощадках. Следовательно, минимизация времени на пути и наличие быстрых и эффективных маршрутов доброса на новую площадку и обратно имеют решающее значение для успешного обслуживания и эксплуатации оборудования в таких местах.

Добавление примечаний к карте

Теперь, когда вы определили подходящие места для ветряных турбин, надо определиться с посещением стройплощадок и транспортными маршрутами между площадками и штаб-квартирой компании. Сначала, вы добавите примечания к карте, а затем проведете анализ времени вождения.

1. На ленте щелкните Закладки и выберите Limon.
2. На ленте щелкните Добавить и выберите Добавить слой примечаний карты.

3. В окне Добавить слой примечаний карты назовите примечания Optimal Wind Farm Sites и щелкните Создать.
4. На панели Добавить объекты щёлкните символ Кнопка.

5. На карте щелкните в любом месте на территории площадки ветряной станции Лаймон, чтобы поместить там кнопку.
6. Во всплывающем окне Точки в опции Заголовок введите Site 1- Limon.

7. Щелкните Изменить символ.
8. Щёлкните Использовать изображение.

9. В появившемся текстовом окне скопируйте и вставьте http://downloads.esri.com/learnarcgis/perform-a-site-suitability-analysis-for-a-new-wind-farm/wind-farm.png и нажмите Enter.
10. Щелкните OK, и нажмите Закрыть во всплывающем окне.
11. На ленте щелкните Закладки и выберите NE Colorado.

    Карта приблизится к северо-востоку Колорадо, и станет видна площадка Флеминг.

12. На панели Добавить объекты щелкните Кнопка и добавьте кнопку в любое место площадки ветряной станции Флеминг.
13. Во всплывающем окне Точки в опции Заголовок введите Site 2 — Fleming.
14. Щелкните Изменить символ.

    В появившемся окне стилей символов будет доступна пользовательская форма, которую вы загрузили для площадки Лаймон.

15. Щелкните форму мельницы и нажмите OK, чтобы обновить этот символ.

16. Во всплывающем окне Точки щёлкните Закрыть, чтобы сохранить эту точку.
17. На ленте щелкните Детали, чтобы вернуться на панель Содержание.
18. Сохраните карту.

Вычисление времени в пути

Теперь у вас есть точки, показывающие местоположения для каждой площадки, и можно приступать к анализу времени в пути. Вы готовы расчитать оптимальный маршрут посещения площадок.

1. На ленте щелкните Анализ.

2. На панели Выполнить анализ щелкните Анализ объектов. Разверните По близости и выберите Планировать маршруты.
3. На панели инструмента Планировать маршруты в опции Выберите точечный слой, представляющий остановки, которые необходимо посетить выберите Optimal Wind Farm Sites.
4. В опции Режим передвижения для маршрутов, выберите Время в пути и подтвердите параметры по умолчанию для даты и времени для всех маршрутов.
5. На ленте щелкните Закладки и выберите Denver State Capitol.

   Карта приблизится к зданию Капитолия штата в Денвере.

6. На панели инструмента Планировать маршруты в опции Маршруты начинаются на остановках щёлкните кнопку Рисование и щелкните здание Капитолия штата.

7. В разделе Маршруты завершаются на остановках отметьте Возврат в начало.

8. Продолжите ввод следующих параметров на панели инструмента Планировать маршруты:
9. В разделе Имя выходного слоя введите Routes to Optimal Wind Farm Sites и добавьте свои инициалы. Отметьте Включить слои маршрутов и при необходимости выберите папку, в которой будет сохранен результат.

10. На ленте щелкните Закладки и выберите Колорадо.
11. На панели инструмента Планировать маршруты щелкните Запустить анализ.

    На карту будет добавлено несколько слоев, показывающих маршруты движения к ветряным электростанциям. Затем вы измените базовую карту, чтобы она более четко отображала маршруты движения.

12. На ленте щёлкните Базовая карта и выберите Улицы.
13. На панели Ресурсы наведите курсор на слой Routes to Optimal Wind Farm Sites – Assigned Stops и щелкните Показать таблицу.

    Эта таблица содержит четыре записи, по одной для начальной и конечной точек и по одной для каждой рассматриваемой площадки. У вас расстояние и время может немного отличаться, в зависимости от того, где вы поместили примечания к карте.

14. Для слоя Routes to Optimal Wind Farm Sites щёлкните, Показать таблицу, чтобы увидеть атрибуты слоя.
15. Закройте таблицу.

Ваш анализ маршрута должен быть включен в отчет для клиента, вместе с рекомендуемой площадкой. Теперь вы оцените обе площадки и примете решение.

Рекомендация площадки

После первоначального обследования необходимо будет провести другие посещения для исследования почв, дренажа и других факторов. ГИС будет полезна для оценки климата, уклонов и аспектов, владения землей, исторических данных о распространении торнадо, эффективности существующих ветровых турбин, правовых аспектов, разрешений и других факторов. Когда эти факторы будут рассмотрены, вы можете сделать дополнительную рекомендацию о том, сколько турбин сможет вместить каждая площадка.

1. На панели Ресурсы наведите курсор на слой SuitableSites и щелкните Показать таблицу, чтобы увидеть атрибуты слоя.
2. На панели Содержание наведите курсор на слой Optimal Wind Farm Sites, щелкните кнопку Дополнительные опции и выберите Приблизить к.
3. На ленте щелкните Измерить и выберите Расстояние.
4. На карте щелкните площадку Лаймон, а затем щелкните Денвер. Запомните или запишите это расстояние в Результат измерения.

5. Щелкните площадку Флеминг, а затем щелкните Денвер и запишите это расстояние.

   Площадка возле Лимона ближе, приблизительно в 70 милях (113 километров) по прямой, по сравнению с приблизительно 133 милями (214 километров) для от площадки возле Флеминга. В других отношениях, таких как средняя скорость ветра и население на квадратный километр, эти площадки очень похожи.

6. Сохраните карту.

Вы рассмотрели логистику о посещениях площадок, используя в этом процессе пространственное мышление и ГИС.

Ранее вы вычислили время в пути до каждой из площадок. Теперь ваш клиент запросил предварительные результаты проведенного вами исследования поиска подходящих площадок под ветровую электростанцию. Один из лучших способов эффективно поделиться своими результатами — создать веб-приложение, позволяющее вашему клиенту изучать и анализировать ваши данные и результаты анализа.

Публикация результатов в виде веб-приложения

Веб-приложение представляет собой настроенную карту, которую вы можете представить клиенту, где, по вашему мнению, лучше всего членам комиссии будет удобно рассматривать слои с условными обозначениями, чтобы понять проблему и решение. Чтобы создать веб-приложение, вы опубликуете свою карту и выберете настраиваемый шаблон приложения. Сначала вы выберете слои, которые хотите включить в приложение. Они должны донести ваш рассказ до участников комиссии, не перегружая их избыточной информацией.

1. На панели Содержание убедитесь, что включены следующие слои:
2. Сохраните карту.
3. На ленте нажмите Общий доступ.
4. В окне Общий доступ отметьте Для всех (общий).
5. В разделе Встроить эту карту щелкните Создать веб-приложение.
6. На вкладке Настраиваемые приложения щёлкните категорию Презентация карты.

   Вам нужно, чтобы карта была основным направлением вашего приложения, но вы также хотите показать легенду и описание карты. Хорошо подходит шаблон ArcGIS Instant Apps Minimalist.

7. Щелкните Minimalist и в появившейся панели выберите Создать веб-приложение.
8. В окне Создать новое веб-приложение в качестве заголовка введите Wind Turbines in Colorado Impact Study. В качестве Краткой информации введите Optimal Wind Farm Sites.
9. Щелкните Готово.

   Веб-приложение создаётся. Откроется окно конфигурации ArcGIS Instant Apps для шаблона Minimalist, которое содержит настройки приложения и интерактивный предварительный просмотр приложения. По умолчанию шаблон Minimalist включает боковую панель, на которой отображаются легенда и сведения о карте. Приложение также имеет заголовок с параметрами общего доступа, инструментами навигации по карте и инструментом поиска для поиска местоположений на карте.




10. При необходимости дважды щелкните Далее, а затем нажмите Понятно, чтобы выйти из тура.
11. Щелкните кнопки Легенда и Детали, чтобы отобразить боковые панели в предварительном просмотре приложения.
12. На панели Экспресс-установки щелкните Шаг 2. О приложении .
13. Рядом с лентой щелкните Быстрая, чтобы отключить Быструю установку.
14. В окне Отключить экспресс-режим щелкните Продолжить.
15. Щелкните О приложении.
16. На панели О приложении в разделе Редактировать содержание подробной информации щелкните Редактировать.

17. В появившемся текстовом окне скопируйте и вставьте следующее описание, отформатировав его при необходимости маркерами:
18. Нажмите OK.
19. Если необходимо, в предварительном просмотре приложения щелкните вкладку Детали.
20. Щелкните Опубликовать, и в окне Общий доступ щелкните Подтвердить.

    По завершении публикации появится сообщение об успешном завершении, а значок Черновое изменится на значок Опубликовано с датой и временем публикации. Откроется окно Публикация, в котором есть ссылка, которую можно отправить клиенту и по которой ваш клиент сможет получить доступ к вашему приложению.

21. Щелкните Запустить, чтобы открыть приложение в другом окне.
22. Изучение приложения и слоев

    Вы можете поделиться этим приложением с компанией, которая наняла вас, чтобы показать им потенциальные места и маршруты движения из Денвера.

23. Вернитесь в окно дизайнера приложений и закройте окно Публикация. Щелкните Выход. При появлении запроса подтвердите, что хотите выйти.

    Появится страница элемента приложения, на которой вы можете добавить дополнительные сведения, например — описание приложения, условия использования и любые другие необходимые данные.

На этом уроке вы изучали пространственные отношения и провели анализ пригодности местоположений. Вы запустили ряд функций пространственного анализа, определили как удобнее посещать выбранные площадки и подготовили веб-приложение, чтобы сообщить результаты клиенту.

Еще больше уроков вы найдете в Галерее уроков Learn ArcGIS.

Авторские права третьих лиц

Данные, использованные для этого урока, были получены из Атласа возобновляемой энергии (RE), подготовленного Национальной лабораторией возобновляемых источников энергии (NREL).

Отправьте нам свое мнение

Отправьте нам свой отзыв об этом уроке. Расскажите нам, что вам понравилось, а что нет. Если в уроке что-то не работает, сообщите нам, что именно, а также название раздела и номер шага, на котором вы столкнулись с проблемой. Используйте эту форму, чтобы отправить нам отзыв.

Share and repurpose Learn ArcGIS content

Sharing and reusing Learn ArcGIS lessons are encouraged. Learn ArcGIS material is governed by a Creative Commons license (CC BY-SA-NC). See the Terms of Use page for details about adapting this lesson for your use.

Хотите учиться дальше?​

Весовой коэффициент, статистический вес: определение, использование

Определения статистики > Весовой коэффициент

Содержание :

1. Вес и весовой коэффициент.
2. Использование при отборе проб.
3. Использование в ядерной медицине.
4. Функция веса

Статистический вес — это сумма, присваиваемая для увеличения или уменьшения важности элемента. Веса обычно даются для тестов и экзаменов в классе. Например, за итоговый экзамен можно получить в два раза больше баллов (вдвое больше «веса»), чем за контрольную работу в классе.

Весовой коэффициент — это вес, присвоенный точке данных, чтобы присвоить ей более низкое или более высокое значение в группе. Обычно он используется для расчета средневзвешенного значения, чтобы придать меньшее (или большее) значение членам группы. Он также используется при статистическом отборе проб для корректировки проб и в ядерной медицине для расчета эффективных доз.

Весовые коэффициенты используются при выборке, чтобы сделать выборку соответствующей генеральной совокупности. Например, предположим, что вы взяли выборку населения, в которой было 41% женщин и 59% мужчина. Вы знаете из данных переписи, что женщины должны составлять 51% населения, а мужчины 49%. Чтобы убедиться, что у вас репрезентативная выборка, вы можете добавить немного больше «веса» к данным о женщинах. Чтобы рассчитать, какой вес вам нужен, разделите известный процент населения на процент в выборке. Для этого примера:

• Женщины известной популяции (51) / Женщины выборки (41) = 51/41 = 1,24.
• Известная популяция мужчин (49) / выборка мужчин (59) = 49/59 = 0,83.

Весовые коэффициенты широко используются в радиологии и ядерной медицине для расчета эффективных доз для процедур. Расчеты взвешивающих факторов ткани (иногда называемых радиологическими весовыми коэффициентами) учитывают тот факт, что разные части тела поглощают излучение с разной скоростью.

Весовой коэффициент ткани (W _T ) присваивается частям тела, при этом более радиочувствительным частям присваиваются более высокие весовые коэффициенты.
Эффективная доза = значения доз для отдельных органов * W _Т .

Весовые коэффициенты ткани (ICRP):

• W _T = 0,12: желудок, толстая кишка, легкое, красный костный мозг, грудь, оставшиеся ткани,
• Вт _Т = 0,08: гонады,
• W _T = 0,04: мочевой пузырь, пищевод, печень, щитовидная железа,
• W _T = 0,01: поверхность кости, кожа, головной мозг, слюнные железы.

Сначала вы можете прочитать это: Что такое функция?

А весовая функция — это специальная функция, позволяющая придать больший «вес» или влияние некоторым элементам набора. Весовые функции часто используются для измеренных данных и могут использоваться как для дискретных, так и для непрерывных переменных.

Специальная весовая функция w(a): = 1 представляет невзвешенную ситуацию, когда все элементы имеют одинаковый вес.

Функция дискретного веса

Допустим, вы суммируете набор значений; значения конкретной функции f на A. Тогда мы могли бы записать сумму как:

Если мы хотим взвесить наши значения с помощью функции веса w :A→ R+, сумма будет:

Причины Используйте функции взвешивания

Существует ряд причин, по которым вы можете выбрать использование функций взвешивания. Если вы используете различные измерительные инструменты и знаете, что часть вашего набора данных является более точной, чем другая часть, использование весовых функций может вам помочь.0006 улучшить соответствие , когда вы оцениваете неизвестные параметры или выбираете кривую для представления модели.

Вы также можете взвешивать, чтобы компенсировать предвзятость (ошибки). Если мы знаем, что некоторые точки данных более предвзяты, чем другие, имеет смысл присвоить им меньший вес при определении вашей модели.

Иногда весовая функция не имеет ничего общего с ошибками измерения или недостаточной точностью из-за систематической ошибки. В инженерных приложениях весовые функции используются для отражения относительного влияния различных сил или параметров. Например, сила, действующая с большого расстояния, потребует меньшего веса, чем сила, действующая с близкого расстояния. Конечно, весовые функции также можно использовать, когда мы работаем с фактической силой, действующей на объект под действием различных весов.

Ссылки

Агрести А. (1990) Категориальный анализ данных. Джон Уайли и сыновья, Нью-Йорк.
Гоник, Л. (1993). Мультяшный путеводитель по статистике. HarperPerennial.
Коц, С.; и др., ред. (2006), Энциклопедия статистических наук, Wiley.
Справочник инженерной статистики NIST. 4.4.5.2. Учет непостоянных изменений в данных. Получено с https://www.itl.nist.gov/div898/handbook/pmd/section4/pmd452.htm 13 июля 2019 г.
Справочник по инженерной статистике NIST. 4.6.3.4 Взвешивание для улучшения посадки. Получено с https://www.itl.nist.gov/div898/handbook/pmd/section6/pmd634.htm от 13 июля 2019 года. «Весовой коэффициент, статистический вес: определение, использование» От StatisticsHowTo.com : Элементарная статистика для всех нас! https://www.statisticshowto.com/weighting-factor/

————————————————— ————————-

Нужна помощь с домашним заданием или контрольным вопросом? С Chegg Study вы можете получить пошаговые ответы на свои вопросы от эксперта в данной области. Ваши первые 30 минут с репетитором Chegg бесплатны!

Комментарии? Нужно опубликовать исправление? Пожалуйста, Свяжитесь с нами .

1. Как работают различные методы взвешивания – Методы Pew Research Center

Исторически опросы общественного мнения основывались на возможности корректировки своих наборов данных с использованием основного набора демографических данных – пола, возраста, расы и этнической принадлежности, уровня образования и географического региона. – скорректировать любые диспропорции между выборкой обследования и генеральной совокупностью. Все эти переменные коррелируют с широким спектром взглядов и моделей поведения, представляющих интерес для исследователей. Кроме того, они хорошо измеряются в крупных высококачественных государственных обследованиях, таких как обследование американского сообщества (ACS), проводимое Бюро переписи населения США, что означает, что надежные контрольные показатели населения легко доступны.

Но достаточны ли они для уменьшения систематической ошибки отбора ⁶ в онлайн-опросах? Два исследования, в которых сравнивались взвешенные и невзвешенные оценки онлайн-выборок, показали, что во многих случаях демографическое взвешивание лишь минимально снижало предвзятость, а в некоторых случаях даже усугубляло предвзятость. ⁷ В предыдущем исследовании Pew Research Center, в котором сравнивались оценки девяти различных онлайн-выборок и американской панели тенденций, основанной на вероятности, выборка, которая показала наименьшее среднее отклонение по 20 контрольным показателям (выборка I), использовала ряд переменных в его процедура взвешивания выходит за рамки базовой демографии и включает такие факторы, как частота использования Интернета, регистрация избирателей, партийная идентификация и идеология. ⁸ В выборке I также применялся более сложный статистический процесс, включающий три этапа: сопоставление, последующая корректировка склонности и, наконец, ранжирование (методы подробно описаны ниже).

Настоящее исследование основано на этом предыдущем исследовании и пытается определить, в какой степени включение различных корректирующих переменных или более сложных статистических методов может улучшить качество оценок из выборок онлайн-опросов. Для этого исследования исследовательский центр Pew провел три крупных опроса, в каждом из которых приняли участие более 10 000 респондентов, в июне и июле 2016 года. В каждом опросе использовалась одна и та же анкета, но разные поставщики онлайн-панелей. Каждому поставщику было предложено создать выборки с одинаковым демографическим распределением (также известным как квоты), чтобы до взвешивания они имели примерно сопоставимые демографические составы. Опрос включал вопросы о политических и социальных взглядах, потреблении новостей и религии. Он также включал множество вопросов, взятых из высококачественных федеральных опросов, которые можно было использовать либо для целей сравнительного анализа, либо в качестве корректирующих переменных. (См. Приложение A для полной методологической информации и Приложение F для анкеты.)

В этом исследовании сравниваются два набора корректирующих переменных: основные демографические данные (возраст, пол, уровень образования, расовая и латиноамериканская этническая принадлежность и группа переписи населения) и более широкий набор переменных, который включает как основные демографические переменные, так и дополнительные переменные, о которых известно, что связаны с политическими взглядами и поведением. Эти дополнительные политические переменные включают партийную идентификацию, идеологию, регистрацию избирателей и идентификацию как евангелистского христианина, и предназначены для корректировки более высоких уровней гражданской и политической активности и демократического уклона, наблюдаемых в предыдущем исследовании Центра.

Анализ сравнивает три основных статистических метода взвешивания данных опроса: ранжирование, сопоставление и взвешивание склонности. В дополнение к тестированию каждого метода в отдельности, мы протестировали четыре метода, в которых эти методы применялись в различных комбинациях, всего семь методов взвешивания:

• Сгребание
• Соответствующий
• Взвешивание склонности
• Сопоставление + взвешивание склонности
• Сопоставление + рейкинг
• Взвешивание склонностей+ Рейтинг
• Соответствие + Взвешивание склонности + Рейкинг

Поскольку разные процедуры могут быть более эффективными при больших или меньших размерах выборки, мы смоделировали выборки обследования разных размеров. Это было сделано путем взятия случайных подвыборок респондентов из каждого из трех (n = 10 000) наборов данных. Размеры подвыборок варьировались от 2000 до 8000 с шагом 500. ⁹ Каждый из методов взвешивания применялся дважды к каждому набору данных смоделированного обследования (подвыборке): один раз с использованием только основных демографических переменных и один раз с использованием как демографических, так и политических показателей. ¹⁰ Несмотря на использование разных поставщиков, эффекты каждого протокола взвешивания в целом были одинаковыми для всех трех образцов. Поэтому для упрощения отчетности результаты, представленные в этом исследовании, усреднены по трем выборкам.

Как мы объединили несколько опросов для создания синтетической модели населения

Часто исследователи хотели бы взвесить данные, используя цели населения, полученные из нескольких источников. Например, Исследование американского сообщества (ACS), проводимое Бюро переписи населения США, обеспечивает высококачественные демографические показатели. Дополнение к Текущему обследованию населения (CPS) по голосованию и регистрации обеспечивает высококачественные показатели регистрации избирателей. Никакие правительственные опросы не измеряют партийность, идеологию или религиозную принадлежность, но они измеряются в таких опросах, как Общий социальный опрос (GSS) или Исследование религиозного ландшафта исследовательского центра Pew Research Center (RLS).

Для некоторых методов, таких как сгребание, это не представляет проблемы, поскольку они требуют только сводных показателей распределения населения. Но другие методы, такие как сопоставление или взвешивание склонности, требуют набора данных на уровне случая, который содержит все корректирующие переменные. Это проблема, если переменные берутся из разных обследований.

Чтобы преодолеть эту проблему, мы создали «синтетический» набор данных о населении, в который были включены данные из ACS и добавлены переменные из других эталонных обследований (например, CPS и RLS). В этом контексте «синтетический» означает, что некоторые данные были получены в результате статистического моделирования (вменения), а не непосредственно из ответов участников опроса. ¹¹

Первым шагом в этом процессе было определение переменных, которые мы хотели добавить в ACS, а также любых других вопросов, которые были общими для различных эталонных опросов. Затем мы взяли данные для этих вопросов из разных эталонных наборов данных (например, ACS и CPS) и объединили их в один большой файл с делами или записями интервью из каждого опроса, буквально сложенными друг над другом. Некоторые вопросы, такие как возраст, пол, раса или штат, были доступны во всех контрольных опросах, но другие имеют большие пробелы с отсутствующими данными для случаев, которые получены из опросов, в которых они не задавались.

Следующим шагом было статистическое заполнение пробелов в этом большом, но неполном наборе данных. Например, во всех записях ACS отсутствовала регистрация избирателей, которую это обследование не измеряет. Мы использовали метод множественного вменения с помощью цепных уравнений (MICE), чтобы заполнить недостающую информацию. ¹² MICE заполняет вероятные значения на основе статистической модели с использованием общих переменных. Этот процесс повторяется много раз, и с каждой итерацией модель становится более точной. В конце концов, все случаи будут иметь полные данные по всем переменным, использованным в процедуре, при этом вмененные переменные будут следовать тому же многомерному распределению, что и обследования, в которых они были фактически измерены.

В результате получается большой набор данных на уровне случая, содержащий все необходимые корректирующие переменные. Для этого исследования этот набор данных затем был отфильтрован только для тех случаев из ACS. Таким образом, демографическое распределение точно совпадает с распределением ACS, а другие переменные имеют значения, которые можно было бы ожидать при данном конкретном демографическом распределении. Мы называем этот окончательный набор данных «синтетической популяцией», и он служит шаблоном или масштабной моделью всего взрослого населения.

Этот синтетический набор данных населения использовался для сопоставления и взвешивания склонности. Он также использовался в качестве источника для распределения населения, используемого при сгребании. Этот подход гарантировал, что все взвешенные оценки опроса в исследовании были основаны на одной и той же информации о населении. Подробную информацию о процедуре см. в Приложении B.

Ранжирование

Для опросов общественного мнения наиболее распространенным методом взвешивания является итеративный пропорциональный подбор, который чаще называют ранжированием. При ранжировании исследователь выбирает набор переменных, для которых известно распределение генеральной совокупности, и процедура итеративно корректирует вес для каждого случая до тех пор, пока распределение выборки не совпадет с генеральной совокупностью для этих переменных. Например, исследователь может указать, что выборка должна состоять из 48 % мужчин и 52 % женщин, 40 % со средним образованием или ниже, 31 % с окончанием какого-либо колледжа и 29% выпускники колледжа. В ходе этого процесса веса будут корректироваться таким образом, чтобы соотношение полов для взвешенной выборки обследования соответствовало желаемому распределению населения. Затем веса корректируются таким образом, чтобы группы образования находились в правильной пропорции. Если поправка на образование приводит к смещению распределения по полу, то веса корректируются снова, чтобы мужчины и женщины были представлены в желаемой пропорции. Процесс повторяется до тех пор, пока взвешенное распределение всех весовых переменных не совпадет с заданными целями.

Рейтинг популярен, потому что его относительно просто реализовать, и он требует только знания предельных пропорций для каждой переменной, используемой при взвешивании. То есть можно отдельно взвешивать пол, возраст, образование, расу и географический регион без необходимости предварительно знать долю населения для каждой комбинации характеристик (например, долю мужчин в возрасте от 18 до 34 лет). , белые выпускники колледжей, живущие на Среднем Западе). Рейтинг — это стандартный метод взвешивания, используемый Pew Research Center и многими другими социологами.

В этом исследовании взвешивающие переменные ранжировались в соответствии с их маргинальными распределениями, а также с помощью двусторонней перекрестной классификации для каждой пары демографических переменных (возраст, пол, раса и этническая принадлежность, образование и регион).

Сопоставление

Сопоставление — это еще один метод, который был предложен в качестве средства корректировки онлайн-выборок. Он включает в себя начало выборки случаев (т. е. опросов), которая является репрезентативной для генеральной совокупности и содержит все переменные, которые будут использоваться при корректировке. Эта «целевая» выборка служит шаблоном того, как выглядела бы выборка для обследования, если бы она была выбрана случайным образом из генеральной совокупности. В этом исследовании целевые выборки были выбраны из нашего синтетического набора данных о населении, но на практике они могли поступать из других высококачественных источников данных, содержащих нужные переменные. Затем каждый случай в целевой выборке сопоставляется с наиболее похожим случаем из онлайн-выборки. Когда будет найдено наиболее близкое совпадение для всех случаев в целевой выборке, все несопоставленные случаи из онлайн-выборки отбрасываются.

Если все пойдет хорошо, оставшиеся совпавшие случаи должны представлять собой набор, очень похожий на целевую популяцию. Тем не менее, всегда существует риск того, что в целевой выборке будут случаи, не имеющие хорошего совпадения в данных обследования, — случаи, когда наиболее похожий случай имеет очень мало общего с целевым. Если таких случаев много, согласованная выборка может в конечном итоге не очень походить на целевую совокупность.

Существует множество способов как измерить сходство между отдельными случаями, так и выполнить само сопоставление. ¹³ Используемая здесь процедура использовала целевую выборку из 1500 случаев, которые были выбраны случайным образом из синтетического набора данных о населении. Чтобы выполнить сопоставление, мы временно объединили целевую выборку и данные онлайн-опроса в один набор данных. Затем мы подгоняем статистическую модель, которая использует корректирующие переменные (только демографические или демографические + политические переменные), чтобы предсказать, какие случаи в комбинированном наборе данных были получены из целевой выборки, а какие — из данных опроса.

В качестве модели использовалась процедура машинного обучения, называемая случайным лесом. Случайные леса могут включать большое количество весовых переменных и могут находить сложные взаимосвязи между корректирующими переменными, о которых исследователь может не знать заранее. В дополнение к оценке вероятности того, что каждый случай относится либо к целевой выборке, либо к обследованию, случайные леса также определяют меру сходства между каждым случаем и каждым другим случаем. Мера сходства случайного леса учитывает, сколько общих характеристик имеют два случая (например, пол, раса и политическая партия), и придает больший вес тем переменным, которые лучше всего различают случаи в целевой выборке и ответы из набора данных обследования. ¹⁴

Мы использовали эту меру сходства в качестве основы для сопоставления.

Окончательная совпадающая выборка выбирается путем последовательного сопоставления каждого из 1500 случаев в целевой выборке с наиболее похожим случаем в наборе данных интерактивного опроса. Каждое последующее совпадение ограничено теми случаями, которые не были сопоставлены ранее. После определения 1500 лучших совпадений оставшиеся варианты опроса отбрасываются.

Для всех размеров выборки, которые мы смоделировали для этого исследования (n = от 2000 до 8000), мы всегда сопоставляли целевую выборку из 1500 случаев. При моделировании, которое началось с выборки из 2000 случаев, 1500 случаев были сопоставлены, а 500 случаев были отброшены. Точно так же для моделирования, начинающегося с 8000 случаев, 6500 были отброшены. На практике это было бы очень расточительно. Однако в данном случае это позволило нам сохранить размер окончательного сопоставленного набора данных постоянным и измерить, как изменяется эффективность сопоставления, когда отбрасывается большая доля случаев. Чем больше начальная выборка, тем больше потенциальных совпадений для каждого случая в целевой выборке — и, как мы надеемся, тем ниже вероятность некачественных совпадений.

Взвешивание склонности

Ключевой концепцией вероятностной выборки является то, что если респонденты опроса имеют разные вероятности выбора, взвешивание каждого случая с помощью , обратного его вероятности выбора, устраняет любую предвзятость, которая может возникнуть в результате наличия разных типов людей. представлены в неправильной пропорции. Тот же принцип применяется к онлайн-образцам подписки. Единственное отличие состоит в том, что для вероятностных обследований вероятности отбора известны из плана выборки, тогда как для добровольных обследований они неизвестны и могут быть только оценены.

Для этого исследования эти вероятности были оценены путем объединения онлайн-выборки со всем синтетическим набором данных населения и подгонки статистической модели для оценки вероятности того, что случай исходит из синтетического набора данных населения или онлайн-выборки. Как и в случае сопоставления, для расчета этих вероятностей использовались случайные леса, но это также можно сделать с помощью других моделей, таких как логистическая регрессия. ¹⁵ Каждому случаю онлайн-подписки был присвоен вес, равный оценочной вероятности того, что он поступил из синтетической совокупности, разделенной на расчетную вероятность того, что он пришел из онлайн-выборки. Случаи с низкой вероятностью попадания в онлайн-выборку были недопредставлены по сравнению с их долей в популяции и получили большие веса. Случаи с высокой вероятностью были чрезмерно представлены и получили меньший вес.

Как и в случае сопоставления, использование модели случайного леса должно означать, что взаимодействия или сложные отношения в данных автоматически обнаруживаются и учитываются в весах. Однако, в отличие от сопоставления, ни один из кейсов не выбрасывается. Потенциальным недостатком подхода, основанного на склонности, является возможность сильной изменчивости весов, что может привести к большей изменчивости оценок (например, к большим погрешностям).

Комбинации корректировок

Некоторые исследования показали, что первый этап корректировки с использованием сопоставления или взвешивания по склонности, за которым следует второй этап корректировки с использованием ранжирования, может быть более эффективным для снижения систематической ошибки, чем любой отдельный метод, применяемый сам по себе. ¹⁶ Ни сопоставление, ни взвешивание склонности не заставят выборку точно соответствовать генеральной совокупности по всем параметрам, но модели случайного леса, используемые для создания этих весов, могут уловить взаимосвязи между корректирующими переменными, которые пропустила бы сортировка.