(1) 다단계 프로그레시브 공간 샘플링 네트워크 프레임 워크 설계
현재 공간 샘플링 네트워크의 설계에는 주로 모형 기반 방법과 설계 기반 방법이 포함됩니다. 모델 기반 접근 방식은 주로 통계학의 샘플링 모델과 최적화 모델을 사용하여 크리킨 최소 분산 원리, WM 원리 등을 포함한 샘플링 네트워크 설계 규칙을 사용하여 샘플링 네트워크를 자동으로 생성합니다. ). 설계 기반 접근 방식은 주로 연구 영역에 대한 전문가의 사전 지식을 바탕으로 샘플링 지점을 수동으로 배치하여 샘플링 네트워크를 형성합니다. 두 방법 모두 몇 가지 단점이 있습니다. 모델 기반 방법은 불안정합니다. 설계 기반 방법은 전문가의 주관적 의식의 영향을 받습니다. 이를 바탕으로 본 연구에서는 모델 기반 방법과 설계 방법 기반 장점을 결합한 다단계 공간 샘플링 네트워크 프레임워크 설계 기술을 제시했습니다. 샘플링 네트워크 설계 과정에서 객관적인 불확실성과 주관적 불일치의 영향을 제거하기 위한 것입니다. 샘플링 네트워크가 연구 영역의 지역 특성을 객관적으로 반영하고 샘플링 및 모니터링 정확도를 높입니다.
다단계 프로그레시브 공간 샘플링 네트워크 프레임워크 설계 기술은 연구 지역 내 모니터링 샘플 레이아웃의 유무를 충분히 고려합니다. 먼저 샘플 모델에 따라 최적의 샘플 양을 자동으로 계산하여 샘플 레이아웃을 완료합니다. 그런 다음 전문가의 사전 지식과 공간 샘플링 데이터를 기반으로 샘플링 네트워크를 최적화하고 비정상적인 점을 제거하여 샘플링 정확도와 효율성을 높입니다.
(2) 최상의 샘플량을 얻으십시오.
전반적으로 일정 수의 샘플을 추출하면 샘플의 평균과 분산이 전체 평균과 분산을 잘 추정하는 데 사용될 수 있습니다. 즉, 샘플 추출의 평균은 전체 평균에 근접할 수 있는 충분한 정확도와 큰 확률을 가지고 있습니다.
연구한 속성에 통계적 정규성이 있을 경우 통계 공식을 구성하고 전문가의 지도 아래 (연구 영역에 대한 전문가의 사전 지식, 사전 샘플링 데이터 등) 할 수 있습니다. ), 샘플 수요 신뢰 한계 하에서 합리적인 샘플 수를 도출 할 수 있습니다.
황폐화 된 황무지의 원격 탐사 정보 추출에 관한 연구
형식 중: η는 샘플링 정확도입니다. μ는 전반적인 평균입니다. σ 는 표준 편차입니다. Xn 은 n 번째 샘플링 지점입니다.
위의 샘플 양은 지정된 샘플링 정밀도의 최소 샘플 양으로, 샘플링 정확도를 보장하고 샘플링 효율성을 높입니다.
(3) 샘플링 포인트 배치
기존의 공간 샘플링 네트워크 설계는 연구 지역 및 모니터링 지표에 대한 전문가의 사전 지식에 의존하여 일정한 분포 방식에 따라 샘플링 점의 레이아웃을 수동으로 결정합니다. 일반적인 분포 방법에는 리본 분포 방법과 형상 분포 방법이 있습니다. 여기서 형상 분포 방법에는 메쉬 분포 방법, 동심원 분포 방법 및 부채꼴 분포 방법이 있습니다. 샘플링 이론과 지질통계학 이론이 발달하면서 간단한 무작위 샘플링 모델, 시스템 샘플링 모델 및 계층형 샘플링 모델이 광범위하게 적용되었습니다.
1. 단순 무작위 샘플링
단순 임의 샘플링은 총 N 개 단위 중에서 무작위로 N 개 단위를 샘플로 선택하여 가능한 각 샘플이 선택될 확률이 같도록 하는 것입니다. 단순 무작위 샘플링은 반복 샘플링과 반복되지 않는 샘플로 나뉩니다. 반복 샘플에서 각 추출 단위는 여전히 전체로 분류되며 샘플의 단위는 여러 번 추출될 수 있습니다. 반복되지 않는 샘플에서 추출된 단위는 전체적으로 다시 배치되지 않으며 샘플의 단위는 한 번만 추출할 수 있습니다. 간단한 무작위 샘플링의 구체적인 방법은 추첨법과 난수 표법이다.
2. 시스템 샘플링
시스템 샘플링은 순수 무작위 샘플링의 변형입니다. 먼저 1 ~ n 부터 전체 번호를 매깁니다. 샘플링 거리 K=N/n(N 은 전체 단위 수, n 은 샘플량). 그런 다음 1 ~ K 에서 난수 k 1 을 샘플의 첫 번째 단위로 선택하고 k 1+K 를 선택합니다. 시스템 샘플링은 샘플의 대표성을 낮추므로 주기적인 편차를 방지해야 합니다.
3. 계층 샘플링
분류 샘플 또는 유형 샘플이라고도 하며 전체 단위를 특정 특성별로 하위 전체 (레벨) 로 나눈 다음 각 레벨에서 단순 임의 샘플에서 샘플을 형성합니다. 전체를 동질층으로 나누어 각 층에서 무작위로 샘플링하거나 시스템 샘플을 샘플링합니다. 계층화 된 샘플링은 과학적 그룹화 방법과 샘플링 방법을 결합하여 각 샘플링 레벨 변동성의 영향을 줄이는 것이 특징입니다. 샘플링은 샘플 샘플이 충분히 대표적임을 보장합니다.
계층 샘플링은 균질층의 샘플링 방법에 따라 일반 계층 샘플링과 계층 비율 샘플로 나눌 수 있습니다. 일반 계층 샘플링은 샘플의 가변성을 기준으로 각 계층에 대한 샘플 양을 결정합니다. 가변성이 큰 도면층 샘플링은 많고 가변성이 작은 도면층 샘플링은 적습니다. 샘플의 가변성을 미리 알 수 없는 경우 일반적으로 계층적 비율 샘플링을 사용합니다.
계층 샘플링의 결과는 단순한 무작위 샘플링보다 더 정확하고, 구성 및 관리가 용이하며, 집단의 각 계층에서 개인을 추출할 수 있도록 보장합니다. 이렇게 하면 전체 전체 매개변수 값뿐 아니라 각 계층의 상황도 개별적으로 추정할 수 있으므로 계층 샘플링 기술을 사용하는 경우가 많습니다.
위의 모델은 공간 샘플링 영역에 적용됩니다. 공간 관련 계수를 도입하여 샘플 점 사이의 공간 구조를 표현하고, 기존 샘플 모델과 함께 최적의 샘플 양을 동적으로 계산하고, 샘플 점 배열을 수행하고, 전문가의 지도 하에 배열된 샘플 점을 최적화합니다. 샘플 점 레이아웃이 지표 공간 구조와 기본적으로 일치하도록 하여 샘플링 정확도를 높입니다.