¿Cómo realizar una interpolación de precipitación de área puntual en ARCGIS?

Se puede hacer. Puede consultar los documentos de introducción pertinentes.

1. Si utiliza el analista 3D, equivale a ingresar puntos de precipitación como puntos de elevación y luego convertirlos en terreno tridimensional. Vaya a Ayuda para encontrar extensiones, una de las cuales es Analista 3D, y observe la creación de superficies.

2. Si utiliza Geostatistical Analyst, vaya a Ayuda y busque el alcance, Geostatistical Analyst.

Además, ArcGIS Desktop proporciona archivos tutoriales introductorios detallados para estas dos funciones. Si desea instalar ArcGIS 9.0, puede encontrarlo en la carpeta C:\Program Files\ArcGIS\Documentation.

3D_Analyst_Tutorial.pdf

geo estadístico_Analyst_tutorial pdf

Básicamente puedes dominar estos dos archivos siguiendo los pasos que se indican en ellos.

Una vez encontré en Internet un curso de análisis geoestadístico traducido al chino, pero no se pudieron publicar las imágenes. Consulte el contenido.

Guía de ArcGIS Geostatistical Computer

Esta guía se basa en los instructores de análisis geoestadístico de ESRI y contiene seis ejercicios.

Ejercicio 1: Crear un perfil de concentración de ozono utilizando parámetros predeterminados.

Ejercicio 2: Inspección de datos

Ejercicio 3: Crear un perfil de concentración de ozono.

Ejercicio 4: Comparación de modelos

Ejercicio 5: Predicción de excedentes de contaminación - Crear un mapa de probabilidad de que la concentración de ozono exceda un cierto valor crítico

Ejercicio 6: Completo y Generar imagen del resultado final.

Datos del ejercicio:

Ruta d:\ArcGIS\arctutor\geostatistics.

Anotación de descripción del conjunto de datos

Esquema de California, EE. UU.

Ca_ozone_pts datos del punto de muestreo de ozono (unidad: ppm)

Ca_cities ciudades principales La referencia del mapa de ubicación explica el fenómeno de distribución de la contaminación.

Imagen decorativa Ca_Hillshade Mountain Shadow

Ca_NO2_pts Datos del punto de muestreo de NO2 para práctica libre (unidad: ppm).

Ca_ PM10_pts Datos del punto de muestreo de PM10 (unidad: ppm) práctica libre.

Ejercicio 1: Crear un perfil de concentración de ozono utilizando parámetros predeterminados.

Finalidad: Familiarizarse con el proceso general del trabajo estadístico.

1.1 Introducción al módulo de extensión estadística

El módulo de análisis geoestadístico de ArcGIS construye un puente entre la geoestadística y el SIG. Esto permite implementar fácilmente métodos geoestadísticos complejos en el software. Refleja la tendencia del desarrollo visual y orientado a las personas.

Las funciones geoestadísticas se pueden implementar en el módulo de análisis geoestadístico, que incluyen:

(1) ESDA: análisis exploratorio de datos espaciales, es decir, inspección de datos;

(2) Predicción de superficies (simulación) y modelado de errores;

(3) Verificación y comparación de modelos.

La geoestadística tiene su origen en Kriging. En ese momento, utilizó este método para predecir la distribución de minerales. Posteriormente fue mejorado y modificado por otros y desarrollado hasta convertirse en el método Kriging que se utiliza actualmente. Aunque existen otros métodos para el análisis de datos espaciales, como IDW (interpolación ponderada por distancia inversa), kriging es el método de análisis espacial más importante y comúnmente utilizado, y este método también es el método principal a continuación.

1.2 El proceso principal de predicción de superficies

El menú del módulo de extensión geoestadística de ArcGIS es muy simple, como se muestra en la figura siguiente, pero puede completar el proceso completo de análisis de datos espaciales. .

Proceso completo de análisis de datos espaciales o modelo de predicción de superficies normalmente. Para obtener datos, primero debe verificar los datos para conocer las características de los datos, como si se trata de una distribución normal, efecto de tendencia, anisotropía, etc.

(Esta función se completa principalmente con el menú Explorar datos y sus menús subordinados); luego, seleccione el modelo apropiado para la predicción de superficie, incluida la selección de modelos de semivariación y modelos de predicción, finalmente, verifique si el modelo es razonable o compare varios modelos; (las dos últimas funciones se completan principalmente con el menú Asistente geoestadístico...). La función del menú Crear subconjuntos... es dividir los datos del punto de muestreo en dos partes, una parte para muestras de entrenamiento y la otra parte para muestras de prueba.

Lo siguiente se describirá en base al proceso de predicción de superficie anterior.

(Nota: [1] Los datos utilizados en el ejemplo del artículo son los datos de aprendizaje aportados por el módulo de extensión de ArcGIS (muestras de contenido de ozono medidas en un lugar determinado), y estos datos se utilizan en el todo el proceso; [2] El artículo presenta principalmente el método de operación. Los métodos geoestadísticos y las teorías básicas involucradas generalmente no se explican. Puede consultar la información teórica geoestadística relevante. Algunos parámetros utilizados en la operación son nombres estándar en geoestadística.

Nuestra siguiente tarea es predecir la concentración de ozono en toda la región basándose en los datos de concentración de ozono medidos en un lugar determinado. Primero verifique las características de los datos, luego prediga el modelo de superficie con diferentes parámetros de acuerdo con las características de los datos, luego compare los procedimientos precisos de diferentes modelos, seleccione el mejor modelo y finalmente haga el gráfico de resultados.

Nuestra siguiente tarea es predecir la concentración de ozono en toda la región en función de los datos de concentración de ozono medidos en un lugar determinado. Primero verifique las características de los datos, luego prediga el modelo de superficie con diferentes parámetros de acuerdo con las características de los datos, luego compare los procedimientos precisos de diferentes modelos, seleccione el mejor modelo y finalmente haga el gráfico de resultados.

1.3 Pasos de la operación

(1) Crear un nuevo mapa en blanco.

(2) Agrega dos capas, Ca_outline y Ca_ozone_pts, con la función de agregar capas.

(3) Guarde el mapa y asígnele el nombre Mapa de pronóstico de ozono mxd.

(4) Verifique las geoestadísticas en el rango.

(5) Agregue la barra de herramientas Geostatistical Analyst a la barra de herramientas.

(6) Asistente de geoestadística

(7) Seleccione ozono en las propiedades y haga clic en Siguiente.

(8)Seleccione el método de perforación y haga clic en Siguiente.

(9) Utilice los parámetros predeterminados, siga presionando siguiente y finalmente presione finalizar para obtener el mapa de distribución de concentración de ozono.

Nota: Observa los cuadros de diálogo y gráficos que aparecen durante el proceso y piensa en sus funciones.

Ejercicio 2: Inspección de datos

Propósito: detectar la distribución de los datos; descubrir posibles tendencias en los datos; descubrir la autocorrelación espacial y los efectos direccionales entre los datos.

Inspección de datos, concretamente Análisis exploratorio de datos espaciales (ESDA)

Esta función se implementa principalmente a través del menú de exploración de datos.

El módulo de extensión proporciona una variedad de herramientas de análisis, utilizadas principalmente para análisis interactivos generando varias vistas. Como histograma, gráfico QQ, gráfico de semivariograma/covarianza, etc.

(1) El histograma muestra las características de distribución de probabilidad de los datos y los indicadores estadísticos generales.

geo Statistical Analyst->;Buscar datos->Histograma

Para los datos que se muestran en la siguiente figura, la mediana está cerca de la media y el índice máximo está cerca de 3 . Como puede verse en la figura, se puede considerar que se trata de una distribución aproximadamente normal. Kriging tiene la mayor precisión de predicción para datos normales y algunos métodos de análisis espacial requieren específicamente que los datos se distribuyan normalmente.

(2) Gráfico QQ normal: Analista geoestadístico-->;Buscar datos->Gráfico QQ normal

Comprueba la distribución normal de los datos. El principio del dibujo es utilizar la idea de dividir imágenes. Los gráficos QQ se pueden utilizar para comparar la distribución de datos existentes con la distribución normal estándar. La línea recta representa la distribución normal. Si los puntos de datos están más cerca de una línea recta, están más cerca de una distribución normal. Como puede verse en la figura, los datos están muy cerca de una distribución normal (se seleccionaron varios puntos de desviación en la esquina superior izquierda).

(3) Gráfico de análisis de tendencias. Analista estadístico geográfico->Examinar datos->Análisis de tendencias

Solo cuando hay un cierto equilibrio de poder en sus datos puede usar alguna fórmula matemática para expresar el elemento aparentemente no aleatorio (determinismo). Las herramientas de análisis de tendencias le permiten descubrir si existen tendencias en el conjunto de datos de entrada.

Cada barra vertical en un gráfico de análisis de tendencias representa el valor (altura y posición) de un punto de datos. Estos puntos se proyectan en planos ortogonales en dirección este-oeste y norte-sur. Al proyectar los puntos, se puede obtener una línea de mejor ajuste (polinomio), que se puede utilizar para modelar tendencias en una dirección específica. Si la línea es recta, no hay tendencia.

La línea azul representa la dirección norte-sur y es horizontal, por lo que no hay tendencia en la dirección norte-sur. La línea verde representa la dirección este-oeste y tiene forma de "U" invertida. Puede equiparse con una curva de segundo orden y se eliminará cuando se realice la predicción de la superficie más adelante.

Haga clic en la flecha de rotación de dirección (flecha horizontal) en el lado derecho de Rotete para rotar el gráfico de tendencias y mostrar la tendencia en una dirección determinada con mayor claridad.

(4)Diagrama de Voronoi

Se utiliza para encontrar valores atípicos. Método de generación del diagrama de Voronoi: hay un punto de muestreo en cada polígono y la distancia desde cualquier punto del polígono hasta este punto es menor que la distancia desde otros polígonos hasta este punto. Después de generar un polígono, los puntos de muestra adyacentes a un punto de muestra tendrán bordes adyacentes al polígono del punto de muestra. Hay muchas formas de calcular los valores de los polígonos. El valor de muestra del polígono generado se puede usar como el valor del polígono (método simple), o el valor promedio de los puntos de muestra adyacentes se puede usar como el valor del polígono (método medio). El método de cálculo específico se puede seleccionar en el menú desplegable de tipo.

(5) Comprender la autocorrelación espacial y los efectos direccionales de los datos.

Analista estadístico geo->Buscar datos->Nube de semivariograma/covarianza

Función de semivariograma/covarianza.

Los gráficos pueden reflejar el grado de correlación espacial de los datos. La interpolación espacial solo es necesaria cuando los datos están correlacionados espacialmente. La abscisa del gráfico representa la distancia espacial entre dos puntos cualesquiera y la ordenada representa el valor del semivariograma de los dos puntos. La teoría de la autocorrelación espacial sostiene que cuanto más cercanas están las cosas, más similares son, por lo que cuanto menor sea el valor de x, menor debería ser el valor de y.

En el cladograma de función de semivariograma/covarianza, cada punto rojo representa un par de puntos de muestreo. A medida que aumenta la distancia entre los puntos de muestra, el valor del semivariograma también aumenta en consecuencia. Sin embargo, cuando alcanza una cierta distancia, el gráfico de nubes se aplana, lo que indica que no existe correlación entre los puntos de muestra más allá de esta distancia.

Haga clic y arrastre el cursor para resaltar los puntos seleccionados y luego regrese a la ventana del mapa. Puede ver que estos pares de puntos de muestra están conectados por líneas rectas, lo que indica que son un par de puntos de muestra.

Observe el efecto de dirección: seleccione la casilla de verificación "Mostrar dirección de búsqueda", haga clic y mueva el puntero de dirección a cualquier ángulo. La dirección en la que apunta el puntero determina qué muestras aparecerán en el semivariograma. Por ejemplo, si el lote está orientado de este a oeste, solo se mostrarán en el semivariograma aquellos pares de puntos que estén orientados de este a oeste entre sí. Esto le permite eliminar aquellos pares de puntos que no son de interés y examinar los efectos direccionales. en los datos.

Después de verificar, haga clic en el menú Seleccionar y luego haga clic en Borrar características seleccionadas para liberar los puntos de muestreo resaltados en el mapa.

Si desea calcular el valor de dos puntos cualesquiera, cuando hay muchos puntos de muestreo, la cantidad de datos será muy grande, por lo que los puntos de muestreo se agrupan por distancia y dirección. Los siguientes parámetros están configurados para este requisito: histéresis, valor de paso; El producto del valor del paso y el número de grupos de pasos debe ser menos de la mitad del rango de coordenadas del área del punto de muestreo. Como se muestra a continuación.

Los dos últimos gráficos son para dos conjuntos de datos.

(6) Gráfico de distribución del gráfico QQ ordinario

Evalúa la similitud de las distribuciones de dos conjuntos de datos. Traza valores de datos con el mismo valor de distribución acumulativo en dos conjuntos de datos.

(7) Nube de función de covarianza ortogonal.

La abscisa: la distancia entre dos puntos;

La ordenada: la covarianza ortogonal teórica del par de puntos muestrales correspondiente a la distancia entre los dos puntos.

Estos diagramas están relacionados entre sí y con las capas de ArcMap. Es decir, si selecciona algunos puntos de muestra en el mapa de análisis, también se seleccionarán en la capa ArcMap y otros mapas de análisis. Como se muestra a continuación.

Ejercicio 3: Elaborar un mapa de distribución de la concentración de ozono.

Propósito: Sobre la base de la inspección de datos, mejorar el mapa de concentración de ozono generado en el Ejercicio 1 a través de la predicción de la superficie y aprender ideas geoestadísticas básicas.

3.1 Haga un mapa de predicción de superficie:

A través de la inspección de datos anterior, se encuentra que los datos están cerca de una distribución normal, tienen correlación espacial, no tienen valores atípicos y tienen una tendencia en forma de "U" invertida en dirección este-oeste.

Se decidió utilizar el método kriging ordinario para la predicción de la superficie. Los siguientes pasos abordan estos datos.

Utilizarás el segundo menú del módulo geoestadístico, Analista geoestadístico.

Paso 1: Selecciona el panel "Seleccionar datos y método de entrada".

Seleccione los datos a utilizar y sus atributos: seleccione entre entradas y atributos respectivamente.

Seleccionar método de predicción: Seleccionar entre métodos. La elección del método de pronóstico depende de los resultados del análisis de datos. Ahora bien, si elige el método kriging (de hecho, el llamado método geoestadístico, los más importantes y más utilizados son varias variaciones del método kriging).

La verificación es una opción. Seleccione el método utilizado para probar los gráficos de predicción generados. Si desea utilizar el método de prueba, seleccione esta opción y configure el conjunto de datos de prueba y las propiedades. No seleccione esto si se verifican los resultados.

Paso 2: Panel de selección de método geoestadístico.

Seleccione el mapa de predicción en kriging ordenado, que utiliza kriging ordinario para generar un mapa de predicción de superficie. El kriging ordinario es el método de análisis geoestadístico más utilizado. Los otros son kriging simple, kriging universal, kriging indicador, kriging probabilístico y kriging disyuntivo. Las diferencias entre estos tipos de kriging se deben a diferencias en la forma del kriging y las características de sus datos.

Opciones de conversión: Convierte el conjunto de datos. Debido a que algunos métodos requieren la distribución normal de datos, si hay una gran brecha entre los datos y la distribución normal, puede elegir un método aquí para la conversión de datos.

El orden de las tendencias: si los datos tienen una tendencia en una determinada dirección, para mejorar la precisión de la predicción, la tendencia generalmente debe eliminarse. Seleccione aquí el orden de la ecuación de tendencia: lineal, de primer orden o sin tendencia, etc. La tendencia y la secuencia de los datos se obtienen durante la inspección de datos, es decir, analizándolos utilizando Análisis de tendencias en el menú Explorar datos.

Paso 3: Des-tendencia.

En el ejercicio 2, encontramos que hay una tendencia general en los datos, concretamente sureste-noroeste, que puede ajustarse mediante un polinomio de segundo orden. Esta tendencia se puede extraer de los datos y expresar mediante una fórmula matemática. Una vez eliminada la tendencia global, se puede realizar un análisis estadístico de los residuos de la superficie o de los componentes de variación de corto alcance de la superficie. Se volverá a agregar automáticamente antes de que se cree el gráfico de pronóstico final para producir resultados más significativos. El análisis una vez eliminada la tendencia global ya no se verá afectado por ella. Una vez que se agregan las tendencias globales, se puede generar un gráfico de pronóstico más preciso.

Este panel solo aparece si se seleccionó la opción Secuencia de tendencias en el segundo paso.

En el cuadro de diálogo Selección de método geoestadístico, haga clic en la flecha desplegable Orden de eliminación de tendencias y seleccione la segunda.

Haga clic en Siguiente en el cuadro de diálogo Selección de método geoestadístico. Haga clic en el botón Siguiente en el cuadro de diálogo Selección de método geoestadístico.

Los óvalos de la figura anterior representan el conjunto de datos globales, con los cambios más rápidos del suroeste al noreste y cambios relativamente suaves del noroeste al noroeste.

Haga clic en Siguiente en el cuadro de diálogo de eliminación.

Paso 4: Modelado de semivariograma/covarianza.

Con la tendencia eliminada, los semivariogramas pueden modelar la autocorrelación espacial entre puntos de datos sin tener en cuenta las tendencias de los datos. Esta tendencia se utiliza en los cálculos antes de generar la superficie final.

La función principal de este paso es el modelado de semivariogramas, que es una etapa importante en el proceso de predicción. En este panel, puede configurar una serie de opciones relacionadas con el ajuste del semivariograma y los parámetros del semivariograma. Esta es una parte clave de la predicción de Kriging.

La parte del semivariograma/covarianza muestra el modelo de la suma ajustada, y la línea amarilla es la curva del semivariograma.

Sección de modelo: Los modelos 1, 2 y 3 muestran que se pueden utilizar múltiples funciones generales para ajustar y semivariogramar modelos. Si los datos son anisotrópicos, debe seleccionar la anisotropía (de hecho, la mayoría de los datos espaciales son anisotrópicos y la isotropía es solo relativa). Cuando se selecciona esta opción, las líneas amarillas se volverán múltiples, lo que indica la función de adaptación multidireccional.

Cuando se selecciona la opción Mostrar dirección de búsqueda, significa que solo se buscan semivariogramas en una dirección específica.

Valor de pepita: Valor de pepita, uno de los parámetros de la función, es decir, el valor y en el que la función se cruza con el eje y.

Modelado de errores: si hay errores de medición en los datos (como motivos del instrumento), seleccione esta opción y la superficie prevista será mucho más suave.

En la figura anterior, Lag Size representa el tamaño del paso y Number representa el número de grupos de tamaño de paso.

El modelo esférico predeterminado se puede montar utilizando diferentes pasos y grupos. Reducir el tamaño del paso significa que los detalles a evitar entre puntos de muestreo adyacentes se pueden amplificar y simular de manera efectiva.

Paso 5: Busca en el panel vecino.

Define un círculo (o elipse) y utiliza sus puntos para predecir los valores de puntos desconocidos.

Además, para evitar desviaciones en direcciones específicas, puedes dividir el círculo (o elipse) en varios sectores pequeños, y primero tomar el mismo número de puntos en cada sector. Puede especificar el número de puntos, radio o ejes mayor/menor y el número de sectores del círculo o elipse utilizados para la predicción en el cuadro de diálogo de arriba.

Los puntos resaltados en la ventana Vista de datos representan el peso (%) de cada punto relevante en la predicción del punto desconocido. Cuanto mayor sea el peso de un punto, mayor será su impacto en la predicción de valores conocidos.

La función principal de este panel es establecer cómo buscar puntos de medición cercanos al predecir el valor de un determinado punto. Hay dos opciones principales: Vecinos y Formas de búsqueda.

Vecinos a: número máximo de búsquedas. Los puntos de muestra que están demasiado lejos del punto de predicción no tienen sentido para la predicción.

Incluir al menos: un número mínimo de puntos muestrales.

Forma: Establece cómo buscar puntos de muestra, con ilustraciones.

Paso 6: Panel de validación cruzada.

En este panel podemos ver la precisión de las predicciones. Hay cuatro gráficos; por ahora, ilustraremos con el gráfico de "pronóstico" situado más a la izquierda.

La abscisa del gráfico es el valor medido real y la ordenada es el valor previsto. La situación ideal es que los datos sean una línea de 1:1, que es la línea de puntos en el gráfico.

Los términos de error de predicción en la parte inferior izquierda son algunos valores estadísticos del error de predicción, que bien pueden reflejar la calidad de la predicción. Entre ellos, media: 0,0005718 (error de predicción promedio); raíz cuadrática media: 0,01154 (desviación estándar promedio de predicción): 0,01456 (desviación estándar de predicción promedio), estandarización media: 0,02688 (desviación estándar promedio); media cuadrática: 0,8463 (error de predicción cuadrática media estandarizada). Cuanto más pequeños sean los primeros cuatro términos, mejor, y cuanto más cerca esté el último término de 1, mejor.

Los elementos de la parte inferior derecha contienen datos como el error y la desviación estándar de cada punto.

Paso 7: Panel de información de la capa de datos (información de la capa de salida)

Este panel muestra los parámetros establecidos durante el proceso de predicción de datos y se pueden ver.

Haga clic en Aceptar para generar el gráfico de pronóstico.

En la operación real, a menudo es necesario repetir el proceso anterior y combinarlo con experiencia para obtener un gráfico de predicción que sea lo más preciso posible y pueda explicarse razonablemente.

Ejercicio 4: Comparación de modelos

Propósito: Combinado con estadísticas de validación cruzada, determinar qué conjunto de resultados de predicción es más preciso bajo diferentes modelos y parámetros.

En términos generales, a veces algunos parámetros son difíciles de juzgar, por lo que se generarán varias superficies de predicción y luego se comparará la precisión de diferentes superficies y se seleccionará la que tenga la mayor precisión como resultado. . (La superficie kriging normal es la superficie prevista generada por el método del proceso anterior. La superficie predeterminada es la superficie prevista obtenida con los parámetros predeterminados).

Haga clic con el botón derecho en el método kriging normal y seleccione Comparar. ., Aparecerá el siguiente panel de inspección. A va seguido de la superficie de predicción que se va a comparar. A partir de los parámetros de predicción a continuación, es fácil ver que la precisión del método kriging ordinario es significativamente mayor que la del método predeterminado.

Ejercicio 5: Predicción de la superación de la contaminación: cree un mapa de probabilidad de que la concentración de ozono supere un determinado valor crítico.

Este ejercicio utiliza kriging indicador.

(1) Haga clic en Analista geoestadístico->;

(2)Seleccione Ca_ozone_pts.

(3)Seleccione ozono en los atributos.

(4) Elija el método Kriging como método.

(5) Haga clic en Siguiente en Seleccionar datos y métodos de entrada.

(6) Seleccionar el método kriging de instrucción.

(7) El valor umbral principal de od se establece en 0,12 ppm.

(8) Haga clic para seleccionar más allá del radio.

(9) Haga clic en Siguiente en el cuadro de diálogo Selección de método geoestadístico.

(10) Haga clic en "Siguiente" en "Selección de corte adicional".

(11) La anisotropía puntual representa la direccionalidad de los datos.

(12) Establezca el tamaño del paso en 25000 y el número de grupos en 10.

(13) termina en el punto de validación cruzada.

(14) Haga clic en "Aceptar" en "Información de la capa de salida".

(15) El gráfico muestra la probabilidad de que el valor previsto supere la concentración de ozono de 0,12 ppm.

Ejercicio 6: Completar y generar el diagrama de resultados final.

De forma predeterminada, el mapa de predicción generado se muestra como un rectángulo según el rango de coordenadas de los datos muestreados. (Como se muestra arriba) Ahora necesita mostrar su rango hasta el límite estatal. La idea es extrapolar la superficie de predicción para cubrir todo el límite estatal y luego usar el límite estatal para limitar la superficie al límite estatal.

El primer paso: la extrapolación.

Haga clic con el botón derecho en el nombre de la superficie prevista en la tabla de contenido de ArcMap.

Seleccione Propiedades en el menú contextual.

Haga clic en la página Rango en el panel Propiedades de capa;

Seleccione el rango personalizado ingresado a continuación en el menú desplegable Establecer rango en.

Luego establezca el rango de coordenadas en el elemento de rango visible a continuación. (Establecido a la izquierda: -240000, derecha: -1600000, arriba: 860000, abajo: -400000).

El resultado después de la configuración se muestra en la figura.

Haga clic en "Aceptar" para obtener los resultados:

Paso 2: Restricción de rango.

Haga clic derecho en la capa en la tabla de contenido de ArcMap.

Seleccione Propiedades,

Haga clic en el marco de datos,

Seleccione la casilla de verificación antes de habilitarla en el elemento Recortar para dar forma y luego haga clic en Especificar forma... , Especifique Gráfico restringido como ca_outline en el panel Recorte del marco de datos, haga clic en Aceptar y luego haga clic en Aceptar.

Los resultados se muestran a continuación.

Puedes continuar configurando la escala y la leyenda en el futuro, así que no entraré en detalles aquí. (Fin)