نمونه برداري به روش ابر مكعب لاتين در منابع طبيعي در محيط نرم افزار R

Latin hypercube sampling in natural resources using R

نمونه برداري فرايندي است كه هدف هاي متعدد از جمله پيش گويي در زمان يا مكان هاي بدون مشاهده را به دنبال دارد. بنابراين با توجه به محدوديت هاي مالي، زماني و منابع در دسترس، راهبرد نمونه برداري موثر، يكي از مسائل هر متخصص در منابع طبيعي و كشاورزي به شمار مي رود. از اين رو همواره متخصصان در جستجوي تكنيك هاي بهينه نمونه برداري هستند. روش اَبَرمكعب لاتين يك روش نمونه برداري تصادفي طبقه بندي است كه در آن نمونه ي موردنظر از توزيع چندمتغيره ي كميت هاي موردمطالعه استخراج مي شود. در اين شيوه، يك پوشش كامل از دامنه ي تغييرات هر يك از متغيرها بر اساس طبقه بندي حداكثري توزيع هاي حاشيه اي حاصل مي شود. ضرورت اين روش در منابع طبيعي و مباحث مربوطه، در نظر گرفتن مقادير حدي در نقشه ها يا متغيرهاي ورودي است كه در نمونه برداري هاي مرسوم اين مقادير بنا به دلايلي در نظر گرفته نمي شود. در اين تحقيق، اين روش به عنوان يك راهبرد نمونه برداري با در نظر گرفتن داده هاي كمكي موجود (شيب هاي طولي و عرضي) در برآورد فرسايش پذيري خاك در زيرحوضه هاي زوجي كچيك استان گلستان مورد بحث قرار مي گيرد. در واقع، موقعيت نمونه ها به گونه اي انتخاب مي شوند كه توزيع حاشيه اي متغيرها از حداكثر لايه بندي برخوردار باشند. در اين راستا، نحوه ي اجراي اين روش با تعداد نمونه ي معلوم و يكسان 60 عدد (تعيين شده مبتني بر يك روش دنباله اي) در هريك از زيرحوضه هاي با شكل هاي متفاوت، اما مساحت تقريباً مساوي، در محيط نرم افزار R با استفاده از بسته تخصصي lhs ارائه مي شود. نتايج نشان داد كه متوسط فاصله ي نمونه ها در زيرحوضه ي شاهد و نمونه به ترتيب برابر 639 و 693 متر بوده كه داراي اختلاف 54 متري نسبت به هم هستند.

Background and Objectives: In sampling strategies numerous goals like prediction in space and time is of importance. A great number of limitations including time, cost and available resources make sampling so important for all experts. Therefore, experts are searching for sampling optimization techniques and considering co-variables is one of the methods of such a problem solving. So, in cases of restricted primary variables, choosing the best auxiliary covariates is very important. In contrast to geographical space sampling that may not be a good representative of interested variable, feature space sampling is of great interest. Feature space sampling obtains samples with good coverage in both spaces. Latin Hypercube Sampling (LHS) is a stratified random procedure that provides an efficient way of sampling variables from their multivariate distributions. It provides a full coverage of the range of each variable by maximally stratifying the marginal distribution. Materials and Methods: This study presents the conditioned Latin hypercube as a sampling strategy of an area with prior information (profile and plan curvature) as exhaustive ancillary data of soil erodibility in a paired sub-catchment of Golestan province. In reality, soil sample locations are chosen so that each variable by maximally stratify the marginal distribution. For both sub-catchments, 60 samples were chosen using sequential-based method in each subcatchment by LHS package in R. Covariables point map by 20m intervals considered as input distribution to run LHS a maximum likelihood applied for estimation of distribution parameters. Results: Results showed that the average of spatial distances for LHS for control and sample sub-catchments is 639 and 693 m, respectively. The highest frequency of sampling intervals for control and sample sub-catchments belongs to 400-600 and 600-800 m elevation categories, respectively. Conclusion: LHS provides a full coverage of the range of each variable by maximally stratifying the marginal distribution and consider their extreme values. In conventional method of sampling that is based on minimum mapping unit, extreme values overlooked. Therefore, presenting a design-based sampling method based on marginal distribution with emphasis on feature space sampling is the main results of this research.