NiVO / BY TECHNOGISAlemanha · Indonésia
Geoespacial

Amostragem estratificada para classes raras de cobertura do solo

Projete uma amostra probabilística independente que represente classes raras, preserve as probabilidades de inclusão e suporte precisão defensável e estimativas de área.

Amostragem estratificada para classes raras de cobertura do solo

Defina o objetivo da avaliação

Um mapa de cobertura do solo pode ter uma alta precisão geral, embora tenha um desempenho ruim em uma classe pequena, mas importante. Uma rara faixa de zona húmida ou área perturbada pode contribuir pouco para o total, mas ter grande importância para o projecto. Defina se a avaliação prioriza a precisão geral, classes específicas, estimativa de área ou detecção de alterações antes de escolher um desenho de amostra e alocar o esforço de revisão disponível.

Defina a unidade amostral e os estratos

Especifique se uma unidade de amostra é uma célula raster, um parcela de área fixa ou outra unidade espacial claramente definida. Estabeleça estratos a partir de informações documentadas, como classes mapeadas, reconhecendo ao mesmo tempo que os rótulos mapeados podem estar errados. Garanta que cada parte relevante da população tenha uma chance conhecida de seleção. Pontos convenientes escolhidos apenas ao lado de estradas acessíveis não se tornam uma amostra probabilística por serem amplamente distribuídos.

Amostragem de solo e vegetação na Namíbia
Amostragem de solo e vegetação na NamíbiaFonte: Tim Brunauer on behalf of Deutsche Gesellschaft für Internationale Zusammenarbeit (GIZ) · CC BY-SA 4.0

Aloque observações com um propósito claro

A estratificação pode alocar mais esforço de revisão para classes raras do que uma simples amostra proporcional à área proporcionaria. A alocação deve seguir as estimativas exigidas, a variabilidade esperada e as restrições práticas. Preserve o número de unidades e as probabilidades de seleção em cada estrato. A sobreamostragem de uma classe pequena é útil, mas tratar todas as observações amostradas como igualmente representativas da área total pode distorcer o resumo final.

Mantenha a interpretação de referência independente

Use evidências de referência adequadas em resolução espacial, data e qualidade de interpretação para a unidade que está sendo avaliada. Mantenha as observações de validação independentes do treinamento do modelo e registre casos ambíguos por meio de um protocolo acordado. Uma fotografia de campo tirada após uma mudança genuína na cobertura do solo pode não estabelecer o rótulo do mapa anterior. Revise as divergências cuidadosamente, em vez de presumir que o mapa ou o intérprete de referência estão sempre corretos.

Analise com o desenho amostral

Num hipotético inventário de habitat de plantação, retire uma amostra aleatória dentro de cada estrato documentado e garanta observações suficientes para avaliar significativamente uma classe ribeirinha estreita. Inspecione locais usando regras de referência consistentes e registre casos inacessíveis ou incertos sem substituí-los silenciosamente por locais convenientes. Aplique uma análise consistente com o desenho amostral, incluindo ponderação apropriada e relatórios de incerteza, em vez de apresentar proporções de amostras brutas como estimativas de área não enviesadas.

Documente incertezas e exceções

Forneça a base de amostragem, estratos, procedimento de seleção, informações de inclusão, protocolo de referência, observações rotuladas e método de análise. Relate o desempenho específico da classe juntamente com resumos gerais e explique incertezas ou desvios do projeto. A aceitação deve estabelecer uma avaliação rastreável do mapa, e não uma coleção de exemplos favoráveis. A revisão de classe rara é mais útil quando apoia decisões honestas sobre onde o mapa pode ser confiável e onde são necessárias mais evidências.

Referências técnicas

  1. Olofsson et al. good practices for area and accuracy assessment ↗
  2. Olofsson et al. stratified estimation and uncertainty ↗
← Todos os artigos

Artigos relacionados

Todos os artigos ↗
LET’S TAKE FLIGHT

Sua próxima missão
começa com uma conversa.

Fale com nossa equipe