A new prediction-based variance estimator for two-stage model-assisted surveys of forest resources

ارزیابی منابع جنگل با استفاده از داده های کمکی سنجیده شده از راه دور، به دلیل توانایی آنها در ارائه برآوردهای دقیق پارامترهای جنگل با هزینه کم، به طور فزاینده ای مهم می شود. در ارائه نتایج از چنین نظرسنجی، مهم است که ارائه نه تنها برآوردهای پارامترهای هدف، بلکه همچنین فواصل اطمینان آنها، که طیف وسیعی از ارزش ها را در بر می گیرد که در آن مقدار واقعی با سطح معینی از اعتماد قرار می گیرد. اگر چنین فاصله ای محدود باشد، برآوردهای نقطه ای از نظرسنجی می تواند بسیار قابل اعتماد باشد. در برآورد فاصله اطمینان، واریانس برآوردگر ابتدا باید محاسبه شود. عدم اطمینان، به عنوان مثال که برآوردگر به طور متوسط ​​با مقدار واقعی منطبق است، یک ویژگی مهم نیز برای برآوردگرهای واریانس است. یکی دیگر از ویژگی های مهم این است که برآوردگر واریانس خود دارای واریانس کم است، بخصوص در مواردی که برآوردهای واریانس به دست آمده با برآوردگر ممکن است کاملا مثبت نباشد. یکی از موارد مهم این است که زمانی که طرحهای دو مرحلهای برای اولین بار توزیع خوشههای نمونه در قالب نوارها استفاده میشوند، از آن دادههای کمکی مانند اندازهگیریهای حاصل از اسکن لیزر هواپیما به دست میآیند؛ داده های مزرعه پس از نمونه گیری از زیر نمونه در هر مرحله نمونه گیری می شوند. در این مقاله دو برآوردگر واریانس برای چنین نظرسنجی ها را مقایسه می کنیم. اولین برآوردگر یک برآوردگر استاندارد است که در کتابهای مرجع پیشنهاد شده بر روی نمونه گیری با کمک مدل ارائه شده است. برآوردگر دوم توسط نویسندگان پیشنهاد شده است و از داده های کمکی به میزان بیشتری استفاده می کند. از طریق شبیه سازی مونت کارلو، ما نشان می دهیم که هر دو برآوردگرهای واریانس تقریبا بی طرف هستند، اما برآوردگر جدید پایدارتر است (یعنی دارای واریانس تجربی کمتری) و نرخ پوشش ضریب اطمینان تجربی را فراهم می کند که بیشتر با نرخ پوشش اسمی همخوانی دارد.