농지 공간격자 자료의 층화랜덤샘플링: 농업시스템 기후변화 영향 공간모델링을 위한 국내 농지 최적 층화 및 샘플 수 최적화 연구 A stratified random sampling design for paddy fields: Optimized stratification and sample allocation for effective spatial modeling and mapping of the impact of climate changes on agricultural system in Korea원문보기
공간 샘플링은 공간모델링 연구에 활용되어 샘플링 비용을 줄이면서 모델링의 효율성을 높이는 역할을 한다. 농업분야에서는 기후변화 영향을 예측하고 평가하기 위한 고해상도 공간자료 기반 모델링에 대한 연구 수요가 빠르게 증가하고 있으며, 이에 따라 공간 샘플링의 필요성과 중요성이 증가하고 있다. 본 연구는 국내 농지 공간샘플링 연구를 통해 농업분야 기후변화연구의 공간자료 활용의 효율성을 제고하고자 하였다. 본 연구는 층화랜덤샘플링을 기반으로 하였으며, 1 km해상도의 농지 공간격자자료 모집단(11,386개 격자)에 대해서 RCP 시나리오별(RCP 4.5/8.5) 연대별(2030/2050/2080년대) 공간샘플링을 설계하였다. 국내 농지는 기상 및 토양 특성에 따라 계층화 되었으며, 샘플링 효율 극대화를 위해 최적 층화 및 샘플 배정 최적화를 수행하였다. 최적화는 작물수량, 온실가스 배출량, 해충 분포 확률을 포함하는 16개 목표 변수에 대해 주어진 정밀도 제한 내에서 샘플 수를 최소화하는 방향으로 진행되었다. 샘플링의 정밀도와 정확도 평가는 각각 변동계수(CV)와 상대적 편향을 기반으로 하였다. 국내 농지 공간격자 모집단 계층화 및 샘플 배정 및 샘플 수 최적화 결과, 전체 농지는 5~21개 계층, 46~69개 샘플 수 수준에서 최적화되었다. 본 연구결과물들은 국내 농업시스템 대표 공간격자로써 널리 활용될 수 있을 것으로 기대된다. 또한, 기후변화 영향예측 공간모델링 연구들에 활용되어 샘플링 비용 및 계산 시간을 줄이면서도 모델의 효율성을 높이는 데에 기여할 수 있다.
공간 샘플링은 공간모델링 연구에 활용되어 샘플링 비용을 줄이면서 모델링의 효율성을 높이는 역할을 한다. 농업분야에서는 기후변화 영향을 예측하고 평가하기 위한 고해상도 공간자료 기반 모델링에 대한 연구 수요가 빠르게 증가하고 있으며, 이에 따라 공간 샘플링의 필요성과 중요성이 증가하고 있다. 본 연구는 국내 농지 공간샘플링 연구를 통해 농업분야 기후변화연구의 공간자료 활용의 효율성을 제고하고자 하였다. 본 연구는 층화랜덤샘플링을 기반으로 하였으며, 1 km 해상도의 농지 공간격자자료 모집단(11,386개 격자)에 대해서 RCP 시나리오별(RCP 4.5/8.5) 연대별(2030/2050/2080년대) 공간샘플링을 설계하였다. 국내 농지는 기상 및 토양 특성에 따라 계층화 되었으며, 샘플링 효율 극대화를 위해 최적 층화 및 샘플 배정 최적화를 수행하였다. 최적화는 작물수량, 온실가스 배출량, 해충 분포 확률을 포함하는 16개 목표 변수에 대해 주어진 정밀도 제한 내에서 샘플 수를 최소화하는 방향으로 진행되었다. 샘플링의 정밀도와 정확도 평가는 각각 변동계수(CV)와 상대적 편향을 기반으로 하였다. 국내 농지 공간격자 모집단 계층화 및 샘플 배정 및 샘플 수 최적화 결과, 전체 농지는 5~21개 계층, 46~69개 샘플 수 수준에서 최적화되었다. 본 연구결과물들은 국내 농업시스템 대표 공간격자로써 널리 활용될 수 있을 것으로 기대된다. 또한, 기후변화 영향예측 공간모델링 연구들에 활용되어 샘플링 비용 및 계산 시간을 줄이면서도 모델의 효율성을 높이는 데에 기여할 수 있다.
Spatial sampling design plays an important role in GIS-based modeling studies because it increases modeling efficiency while reducing the cost of sampling. In the field of agricultural systems, research demand for high-resolution spatial databased modeling to predict and evaluate climate change impa...
Spatial sampling design plays an important role in GIS-based modeling studies because it increases modeling efficiency while reducing the cost of sampling. In the field of agricultural systems, research demand for high-resolution spatial databased modeling to predict and evaluate climate change impacts is growing rapidly. Accordingly, the need and importance of spatial sampling design are increasing. The purpose of this study was to design spatial sampling of paddy fields (11,386 grids with 1 km spatial resolution) in Korea for use in agricultural spatial modeling. A stratified random sampling design was developed and applied in 2030s, 2050s, and 2080s under two RCP scenarios of 4.5 and 8.5. Twenty-five weather and four soil characteristics were used as stratification variables. Stratification and sample allocation were optimized to ensure minimum sample size under given precision constraints for 16 target variables such as crop yield, greenhouse gas emission, and pest distribution. Precision and accuracy of the sampling were evaluated through sampling simulations based on coefficient of variation (CV) and relative bias, respectively. As a result, the paddy field could be optimized in the range of 5 to 21 strata and 46 to 69 samples. Evaluation results showed that target variables were within precision constraints (CV<0.05 except for crop yield) with low bias values (below 3%). These results can contribute to reducing sampling cost and computation time while having high predictive power. It is expected to be widely used as a representative sample grid in various agriculture spatial modeling studies.
Spatial sampling design plays an important role in GIS-based modeling studies because it increases modeling efficiency while reducing the cost of sampling. In the field of agricultural systems, research demand for high-resolution spatial databased modeling to predict and evaluate climate change impacts is growing rapidly. Accordingly, the need and importance of spatial sampling design are increasing. The purpose of this study was to design spatial sampling of paddy fields (11,386 grids with 1 km spatial resolution) in Korea for use in agricultural spatial modeling. A stratified random sampling design was developed and applied in 2030s, 2050s, and 2080s under two RCP scenarios of 4.5 and 8.5. Twenty-five weather and four soil characteristics were used as stratification variables. Stratification and sample allocation were optimized to ensure minimum sample size under given precision constraints for 16 target variables such as crop yield, greenhouse gas emission, and pest distribution. Precision and accuracy of the sampling were evaluated through sampling simulations based on coefficient of variation (CV) and relative bias, respectively. As a result, the paddy field could be optimized in the range of 5 to 21 strata and 46 to 69 samples. Evaluation results showed that target variables were within precision constraints (CV<0.05 except for crop yield) with low bias values (below 3%). These results can contribute to reducing sampling cost and computation time while having high predictive power. It is expected to be widely used as a representative sample grid in various agriculture spatial modeling studies.
Aoyama H. 1954. A study of stratified random sampling. Ann.？Inst. Stat. Math. 6:1-36.
Ballin M and G Barcaroli. 2013. Joint determination of optimal？stratification and sample allocation using genetic algorithm.？Surv. Methodol. 39:369-393.
Bethel J. 1989. Sample allocation in multivariate surveys. Surv.？Methodol. 15:47-57.
Folberth C, H Yang, X Wang and KC Abbaspour. 2012. Impact of？input data resolution and extent of harvested areas on crop？yield estimates in large-scale agricultural modeling for maize？in the USA. Ecol. Model. 235:8-18.
Gonzalez JM and JL Eltinge. 2010. Optimal survey design: A review. pp. 4970-4983. In: Section on Survey Research Methods - JSM. American Statistical Association. Alexandria, VA.
Goyal H, C Sharma and N Joshi. 2017. An integrated approach of？GIS and spatial data mining in big data. Int. J. Comput. Appl.？169:1-6.
Hatfield JL, J Antle, KA Garrett, RC Izaurralde, T Mader, E Marshall, ... and L Ziska. 2020. Indicators of climate change in？agricultural systems. Clim. Change 163:1719-1732.
Hijmans RJ, SE Cameron, JL Parra, PG Jones and A Jarvis.？2005. Very high resolution interpolated climate surfaces for？global land areas. Int. J. Climatol. 25:1965-1978.
Joo YS, HJ Jung and BJ Kim. 2009. Cluster analysis with Korean？weather data: Application of model-based Bayesian clustering method. J. Korean Data Inf. Sci. Soc. 20:57-64.
McCallion T. 1992. Optimum allocation in stratified random sampling with ratio estimation as applied to the northern Ireland？December agricultural sample. J. R. Stat. Soc. Ser. C-Appl.？Stat. 41:39-45.
Metzger MJ, RG Bunce, RH Jongman, R Sayre, A Trabucco and？R Zomer. 2013. A high-resolution bioclimate map of the？world: a unifying framework for global biodiversity research？and monitoring. Glob. Ecol. Biogeogr. 22:630-638.
Moore FC, ULC Baldos and T Hertel. 2017. Economic impacts？of climate change on agriculture: a comparison of process-based and statistical yield models. Environ. Res. Lett.？12:065008.
Perlman J, RJ Hijmans and WR Horwath. 2014. A metamodelling？approach to estimate global N 2 O emissions from agricultural？soils. Glob. Ecol. Biogeogr. 23:912-924.
Schmitt LM. 2001. Theory of genetic algorithms. Theor. Comput.？Sci. 259:1-61.
Stein A and C Ettema. 2003. An overview of spatial sampling？procedures and experimental design of spatial studies for？ecosystem comparisons. Agric. Ecosyst. Environ. 94:31-47.
Tonnang HE, BD Herve, L Biber-Freudenberger, D Salifu, S Subramanian, VB Ngowi, ... and C Borgemeister. 2017. Advances？in crop insect modelling methods - Towards a whole system？approach. Ecol. Model. 354:88-103.
Van Bussel LG, F Ewert, G Zhao, H Hoffmann, A Enders, D？Wallach, ... and F Tao. 2016. Spatial sampling of weather？data for regional crop yield simulations. Agric. For. Meteorol.？220:101-115.
Wang JF, RP Haining and ZD Cao. 2010. Sample surveying to estimate the mean of a heterogeneous surface: reducing the？error variance through zoning. Int. J. Geogr. Inf. Sci. 24:523-543.
Wang JF, A Stein, BB Gao and Y Ge. 2012. A review of spatial？sampling. Spat. Stat. 2:1-14.
Yeo IK. 2011. Clustering analysis of Korea's meteorological data. J.？Korean Data Inf. Sci. Soc. 22:941-949.
Zhang J, H Tian, H Shi, J Zhang, X Wang, S Pan and J Yang. 2020.？Increased greenhouse gas emissions intensity of major？croplands in China: Implications for food security and climate？change mitigation. Glob. Change Biol. 26:6116-6133.
Zhao G, H Hoffmann, J Yeluripati, S Xenia, C Nendel, E？Coucheney, ... and F Ewert. 2016. Evaluating the precision of？eight spatial sampling schemes in estimating regional means？of simulated yield for two crops. Environ. Model. Softw.？80:100-112.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.