Önyükleme kullanabilir miyim, neden ya da neden olmasın?


10

Şu anda uydu görüntülerini kullanarak biyokütle tahminleri üzerinde çalışıyorum. Sorumun arka planını hızlı bir şekilde tanımlayacağım ve üzerinde çalıştığım istatistiksel soruyu açıklayacağım.

Arka fon

Sorun

Fransa'da bir bölgede biyokütle tahmin etmeye çalışıyorum. Benim yanıt steamwood hacim yoğunluğudur (içinde biyokütle daha fazla ya da daha az orantılıdır) (... ahşap yoğunlukları bağlı olarak).m3/ha

Sahip olduğum bağımsız değişkenler, bu alan üzerinde ölçülen yansımalardan türetilen bitki örtüsü endeksleridir (çalışmada kullanılan uydu, bunu bilenler için MODIS'tir). Bu indeksler örneğin NDVI, EVI, vb. Endekslerin haritalarına sahibim ve haritaların çözünürlüğü 250m.

Bu endekslerle aynı orman tipindeki (biyom ve iklim) hacim arasında güçlü korelasyonlar vardır. Bu yüzden hacmi bildiğim envanter parsellerinde bu göstergelere (aslında onların zaman serilerine) karşı hacim yoğunluğunu gerilemeye çalışıyorum.

Orman envanterleri

Bu arazilerdeki hacim aşağıdaki örnekleme yöntemiyle tahmin edilmektedir:

  1. Envanter düğümleri, alanı kapsayan düzenli bir ızgaraya yerleştirilir.
  2. Her düğüme bir grafik eklenir ve bu grafikte envanter işlemi (ağaç türleri, hacimler, gölgelik yüksekliği vb.) Oluşur. Tabii ki sadece envanter grafiğiyle ilgileniyorum ve bitki örtüsü endekslerimin değerleri, grafiği içeren pikselin değeridir.
  3. Bir arsadaki envanter işlemi aşağıdaki gibidir:

    http://i.stack.imgur.com/DeHdC.png

    • 15m yarıçaplı çemberde> 37,5 cm çapında ağaçların ölçüsü
    • 9m yarıçaplı dairede çapı> 22,5 cm olan ağaçların ölçüsü
    • 6m yarıçaplı dairede çapı> 7.5cm olan ağaçların ölçüsü

Daha sonra hacim yoğunluğu, genleşme faktörleri kullanılarak hesaplanır.

Her grafik için ölçülen tüm ağaçların verilerine erişebiliyorum.

Dahası, her bir ağaç için, allometrik denklemlerin kullanımı nedeniyle hacim üzerinde bir belirsizlik var (% 10 diyelim).

İstatistikler önemli olduğunda ...

Regresyonlarımın daha doğru olması için, her bir hacim tahmini için bu önlemin varyansını / CI'sine ihtiyacım var. Bu, IMO'ya, örneklenen ağaç sayısına ve bulunan hacim yoğunluğuna bağlıdır.

İki problemim var:

  1. Bitki örtüsü endekslerimin 250m'lik bir piksel üzerinde ölçüldüğü gerçeği nasıl hesaplanır?

    Hacim yoğunluğunun bir piksel üzerinde sabit olduğunu ve bu pikseli bir envanter çizimiyle örneklediğimi varsayabilirim.

  2. Hacim yoğunluğumun değişkenliğini nasıl tahmin edebilirim?

    Bence ağaç popülasyonunda önyükleme yapabilirim. Ancak ölçülen toplam ağaç sayım oldukça az olabilir (7'den 20'ye ...). Dahası, boyutlarına bağlı olarak farklı dairelerdeki ağaçları ölçtüğümü nasıl dikkate alabilirim? Tüm bir piksele bakıyorsam değişkenlik nasıl değişmeli?

Ayrıca, bir ormanı simüle etmek için Monte Carlo Simülasyonunu kullanabileceğimi ve sonra neler olduğunu görmek için bu ormanı parsellerle rastgele örnekleyebileceğimi düşünüyordum ...

Güçlü bir istatistiksel geçmişim yok, bu yüzden biraz kayboldum!

Yanıtlar:


1

Verilerinizi çok iyi anlamıyorum, ancak nadir olaylar için daha iyi çalışan multinomiyal bootstrap'a bir alternatifin pertürbasyon / vahşi bootstrap olduğunu söyleyebilirim. Pertürbasyon son derece esnektir ve çoğu zaman iid olmayan verileri işleyebilir, ancak bazen cdf'yi doğru şekilde tahmin etmek için büyük bir incelik gerekir. Önyükleme formülünü doğru bir şekilde belirlemeyi başarırsanız, özellikle yoğunluk tahminlerini kararsız hale getirebilecek seyrek veri kümeniz göz önüne alındığında, daha önce önerilen düzeltme yönteminden daha az varsayım yapar ve muhtemelen daha az önyargılı olursunuz.


0

Eğer bu soruna yaklaşmak zorunda kalsaydım, ilk olarak şöyle başardım:

  1. kaynak verilerin bir haritasına bakmak
  2. yüzeyde bir çeşit 2d düzleştirme yapmaya çalışarak, AIC ile bilgilendirmeye çalışın
  3. Düzlemin yerinde türevini hesaplar ve girişteki varyasyonu delta yöntemini kullanarak çıktıdaki varyasyonla ilişkilendirir
  4. Yaklaşımı doğrulamak / doğrulamak için bunun sonuçlarını bazı "bilinen" değerlerle karşılaştırın

İlgili bağlantılar: http://www.stanford.edu/class/cme308/notes/TaylorAppDeltaMethod.pdf http://www.ingentaconnect.com/content/klu/stco/2010/00000020/00000004/00009140?crawler=true

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.