林业科学  2014, Vol. 50 Issue (3): 76-82   PDF    
DOI: 10.11707/j.1001-7488.20140311
0

文章信息

朱光玉, 李新建, 陈振雄, 吕勇
Zhu Guangyu, Li Xinjian, Chen Zhenxiong, Lü Yong
稀少群团状植被自适应群团抽样适宜的单元大小
Appropriate Sample Unit Size of Adaptive Clustering Sampling for Rare and Clustering Vegetation
林业科学, 2014, 50(3): 76-82
Scientia Silvae Sinicae, 2014, 50(3): 76-82.
DOI: 10.11707/j.1001-7488.20140311

文章历史

收稿日期:2013-05-16
修回日期:2013-12-22

作者相关文章

朱光玉
李新建
陈振雄
吕勇

稀少群团状植被自适应群团抽样适宜的单元大小
朱光玉1, 李新建2, 陈振雄2, 吕勇1    
1. 中南林业科技大学 长沙 410004;
2. 国家林业局中南林业调查规划设计院 长沙 410014
摘要:样本单元面积大小不仅关系到自适应群团抽样调查的精度,而且影响其抽样成本,是影响自适应群团抽样应用推广的重要指标。以内蒙古磴口县乌兰布和沙漠边缘的稀少群团状典型植被(灌木和小乔木)为研究对象,提出以变动系数作为衡量抽样的效率指标,设计几种不同样本单元面积,通过500次重复模拟试验,从变动系数与样本单元大小的相关关系入手,对模拟结果进行比较分析,研究适宜的样本单元面积大小。结果表明:同一抽样总体,当初始样本量相同时,随着样本单元面积变大,变动系数将递减,渐渐趋于一个稳定的常数;对于分布稀少、群团状的灌木,进行自适应群团抽样调查时,其最小的适宜样本单元面积为100 m2,可以采用的适宜单元面积大小区间为100~200 m2;对于分布稀少、群团状的小乔木,进行自适应群团抽样调查时,其最小的适宜样本单元面积为200 m2,可以采用的适宜单元面积大小区间为200~300 m2
关键词乌兰布和沙漠    稀少群团状植被    Hansen-Hurwitz估计量    Horvitz-Thompson估计量    变动系数    
Appropriate Sample Unit Size of Adaptive Clustering Sampling for Rare and Clustering Vegetation
Zhu Guangyu1, Li Xinjian2, Chen Zhenxiong2, Lü Yong1     
1. Central South University of Forestry and Technology Changsha 410004;
2. Central South Forest Inventory and Planning Institute of State Forestry Administration Changsha 410014
Abstract: Sample unit size is an important effect factor for using adaptive cluster sampling,because which can affect the precision and the costs of adaptive cluster sampling.To find the appropriate sample unit size for adaptive cluster sampling,variation coefficient was first used as the criterion for evaluating efficiency of adaptive cluster sampling,simulation sampling was processed based on the rare and clustering population,which included typical shrubbery and small arbor at Ulanbuh desert edge,and the relation of variation coefficient and sample unit size had been analyzed to search for the appropriate sample unit size for adaptive cluster sampling.Several conclusion had been gained: when the sample unit size was increasing,the variation coefficient would be decreasing to a small constant with the population and equivalent sample size; the minimum appropriate sample unit size was 100 m2 for the rare and clustering shrubbery,and the appropriate sample unit size might be 100-200 m2; the minimum appropriate sample unit size was 200 m2 for the rare and clustering small arbor,and the appropriate sample unit size might be 200-300 m2.
Key words: Ulanbuh desert    rare and clustering vegetation    Hansen-Hurwitz estimator    Horvitz-Thompson estimator    variation coefficient    

对于稀少、群团状的总体,自适应群团抽样(adaptive cluster sampling,简称ACS)被认为是一种有效的估计,采用适应性抽样的设计比传统的抽样设计能获得更小的方差、更有效(Thompson,1990; 朱光玉等,2010a; 2010b; 2011; Seber et al.,1994; Thompson et al.,1996)。自从Thompson(1990)提出自适应群团抽样设计以来,该方法被广泛应用于生态学、林学、生物学、流行病学、环境科学、人口统计学和地质学等各个领域(Thompson,1990; Brown,1994; Seber et al.,1994; Thompson et al.,1996; Dryver et al.,1998; 张南松等,2000; 雷渊才等,2007; 朱光玉等,2010a; 2010b; 2011)。

影响自适应群团抽样设计的效率有多种因素,包括抽样设计的选择(简单随机抽样、分层抽样、两阶段抽样等)(Christman,2000)、网络结构的变化(Smith et al.,1995; Brown,1996; Thompson et al.,1996; Christman,1996a; 1996b)、网络数和网络大小(Brown,2003)、临界值的大小(Christman,1996b; 1997; Christman,2000; Smith et al.,2003)、邻域的定义(Brown,1994; Christman,1996b; 1997; Christman,2000; Brown,2003)、估计量的类型(Christman,1996b; 1997; Salehi,2003; Felix-Medina,2003)、单元大小(Christman,1996b; 1997)等。

稀少、群团状分布的植被是森林资源的重要组成部分,在采用自适应群团抽样估计这类森林资源总体时,不仅要考虑抽样调查的效率,而且要考虑抽样调查的成本。其中一个比较现实的问题就是在外业调查中调查单元面积大小的选取,针对不同的植被类型,样本单元多大比较合适?在初始样本量一定的前提下,样本单元越大,获取的抽样信息越多,抽样精度越高,同时抽样调查成本也会越高。基于此,本文针对乔木和灌木物种进行了自适应群团抽样模拟试验,设计了4种不同单元大小,利用变动系数,针对乌兰布和沙漠边缘典型的稀少、群团状植被(灌木和小乔木)进行了模拟研究与分析,对灌木和小乔木适宜单元面积大小的选取进行了探索,提出了灌木和小乔木物种自适应群团抽样适宜单元面积的大小,为稀少、群团状分布的森林资源外业调查样本单元大小的选取提供理论依据。

1 研究区概况与抽样设计 1.1 研究区概况

研究地点位于内蒙古自治区磴口县境内,地处内蒙古西部,属于黄河河套地区,灌溉农业发达,境内自然环境分割明显,西部为沙漠戈壁。研究区选在内蒙古西部磴口县巴彦高勒镇西南约8 km黄河西岸绿洲向乌兰布和沙漠过渡的沙漠区,中心点坐标为40°15'37.8″N,106°56'28.0″E,位于农垦区与沙漠交界处,分布有典型的沙地植被,是林业治沙技术试验区。根据研究区的生态系统结构、功能及其环境特点,在研究区选择具有典型代表性质的稀少且呈群团状的沙漠植被类型。研究区主要乔木树种有沙枣(Elaeagnus angustifolia),沙枣为人工林;主要灌木树种有白刺(Nitraria tangutorum)、梭梭(Haloxylon ammodendron)、柽柳(Tamarix chinensis)、花棒(Hedysarum scoparium)、盐爪爪(Kalidium foliatum)、柠条锦鸡儿(Caragana korshinskii)和沙蒿(Artemisia ordosica)等;主要草本植物有沙米(Agriophyllum squarrosum)、芦苇(Phragmites australis)和沙鞭(Psammochloa villosa)沙地旋覆花(Inula salsoloides)等(周培荣,1998)。

1.2 总体描述

以花棒、柽柳、沙枣作为研究总体,其目标变量为植被株数,总体面积为100 hm2。3种植被的坐标位置分布见图 123,对于单株,就是该株的坐标,对于丛状多株植被,则代表该丛植被的中心坐标。表 123表示3种总体在4种不同样本单元面积划分下的总体单元个数与单元平均值。

图 1 花棒分布 Fig. 1 Distribution of Hedysarum scoparium
图 2 柽柳分布 Fig. 2 Distribution of Tamarix chinensis
图 3 沙枣分布 Fig. 3 Distribution of Elaeagnus angustifolia
表 1 花棒模拟试验总体参数 Tab.1 Simulation population experiment parameters of Hedysarum scoparium
表 2 柽柳模拟试验总体参数 Tab.2 Simulation population experiment parameters of Tamarix chinensis
表 3 沙枣模拟试验总体参数 Tab.3 Simulation population experiment parameters of Elaeagnus angustifolia
1.3 抽样设计和评价指标 1.3.1 重复抽样设计

针对研究区,在初始样本量相同的前提下,选取5种初始样本: n=50,n=100,n=150,n=200和n=250,均采用500次重复抽样次数。对4种不同的总体单元大小(总体单元面积分别为5 m×5 m,10 m×10 m,10 m×20 m,20 m×20 m),采用最初样本不放回的基于Hansen-Hurwitz估计量和基于Horvitz-Thompson估计量的自适应群团抽样进行了模拟抽样。

1.3.2 均值估计及其方差估计量

基于修正Hansen-Hurwitz(HH)的均值估计为:

$ {\hat \mu _{{\text{HH}}}} = \frac{1}{{{n_1}}}\sum\limits_{i = 1}^{{n_1}} {{w_i}}, $

其方差无偏估计为:

$ {\rm{\hat Var}}({\hat \mu _{{\text{HH}}}})= \frac{{N - {n_1}}}{{N{n_1}({n_1} - 1)}}\sum\limits_{i = 1}^{{n_1}} {{{({w_i} - {{\hat \mu }_{{\text{HH}}}})}^2}} . $

基于修正Horvitz-Thompson(HT)的均值估计为:

$ {\hat \mu _{{\text{HT}}}} = \frac{1}{N}\sum\limits_{i = 1}^N {\frac{{{y_i}{I_i}}}{{{\pi _i}}}}, $

其方差无偏估计为:

$ {\rm{\hat Var}}({\hat \mu _{{\text{HT}}}}) = \frac{1}{{{N^2}}}\left[ {\sum\limits_{j = 1}^K {\sum\limits_{k = 1}^K {y_j^*y_k^*(\frac{{{\pi _{jk}} - {\pi _j}{\pi _k}}}{{{\pi _j}{\pi _k}}}){I_j}{I_k}} } } \right]. $

上述公式中相关的参数含义及其具体计算见Thompson(1990)。其中n1 为初始样本单元; wi为单元i所在的网络均值; N为总体单元数; yi为单元i所在的网络单元值之和; yj*yk*分别表示单元jk所在的网络单元值之和; IiIjIk表示单元ijk是否被选中的随机变量,选中则为1,否则等于0;πiπjπk表示单元ijk所在网络的包含概率; πjk表示单元jk的联合交叉包含概率。

1.3.3 重复抽样统计量

重复抽样次数(times of resampling)简称重复次数,用rep表示,第i次重复抽样的均值估计量及其方差估计量用μivi(i=1,2,…,rep)表示。$E({\mu _i})= \sum\nolimits_{i = 1}^{{\text{rep}}} {{\mu _i}/{\text{rep}}} $表示重复抽样所得均值估计量的均值,$E({v_i})= \sum\nolimits_{i = 1}^{{\text{rep}}} {{v_i}/{\text{rep}}} $表示重复抽样所得vi的均值。E(vi)的数值越小,抽样精度越高。

1.3.4 变动系数

变动系数(variation coefficient,简称 CV)定义如下:

$ \begin{gathered} {\text{C}}{{\text{V}}^2} = E({v_i})/{E^2}({\mu _i}); \hfill \\ {\text{CV}} = \sqrt {E({v_i})/{E^2}({\mu _i})} . \hfill \\ \end{gathered} $

变动系数越小,说明模拟抽样效果越好。

1.3.5 研究的理论可行性分析

同一抽样总体,当初始样本量相同、单元面积大小不同时,所抽取的单元包含的总体信息也不一致。通常,单元面积越大,所包含的总体信息越多,抽样精度越高,抽样效果越好,随着抽样单元面积的增加,变动系数将变小,渐渐趋于一个稳定的常数。然而单元面积越大,所产生的外业调查经费也会越高。因此,对于同一种抽样方法,抽样调查精度与费用往往是相互矛盾的。当抽样单元面积大小增加到一定程度时,会出现一个转折点(或者区间),在此点(或区间)之前,随着单元面积大小的增加,抽样精度会急剧增加,在这个点(区间)之后,随着抽样单元面积大小的增加,抽样精度增加幅度会很小,甚至趋于零。因此,利用此点(或者区间),可以找到适宜的抽样单元面积大小。

2 结果与分析

对研究区1 km2分布稀少、群团状的典型灌木花棒和柽柳与乔木沙枣,在初始样本量相同的前提下,设计4种不同的总体单元大小(5 m×5 m,10 m×10 m,10 m×20 m,20 m×20 m),采用最初样本不放回的基于Hansen-Hurwitz估计量自适应群团抽样(HHACS)和基于Horvitz-Thompson估计量的自适应群团抽样(HTACS)进行了模拟抽样,得到重复抽样的均值和方差估计。基于此,从变动系数入手,对变动系数与样本单元面积大小的相关关系进行分析研究。

2.1 模拟抽样均值估计

选取初始样本量n=250进行模拟试验,2种抽样方法的模拟抽样均值估计结果见表 4。基于Hansen-Hurwitz估计量自适应群团抽样的模拟结果表明:对于花棒,其均值估计相对误差绝对值最大值为4.62%,最小值为0.19%; 对于柽柳,其均值估计相对误差绝对值最大值为2.00%,最小值为0.03%; 对于沙枣,其均值估计相对误差绝对值最大值为1.00%,最小值为0.28%。基于Horvitz-Thompson估计量的自适应群团抽样的模拟结果表明:对于花棒,其均值估计相对误差绝对值最大值为6.14%,最小值为1.40%; 对于柽柳,其均值估计相对误差绝对值最大值为1.82%,最小值为0.78%; 对于沙枣,其均值估计相对误差绝对值最大值为0.67%,最小值为0.24%。

表 4 3种植被样本单元株数密度均值估计 Tab.4 Mean density estimator for three kinds of vegetation
2.2 模拟抽样均值方差估计

2种抽样方法的模拟抽样均值方差估计结果见表 5。基于Hansen-Hurwitz估计量自适应群团抽样的模拟结果表明:对于花棒,其均值方差估计值最大值为0.073 62,最小值为0.003 30; 对于柽柳,其均值估计相对误差绝对值最大值为1.359 41,最小值为0.030 36; 对于沙枣,其均值估计相对误差绝对值最大值为0.163 66,最小值为0.003 21。基于Horvitz-Thompson估计量的自适应群团抽样的模拟结果表明:对于花棒,其均值估计相对误差绝对值最大值为0.053 30,最小值为0.003 26; 对于柽柳,其均值估计相对误差绝对值最大值为0.216 02,最小值为0.026 29; 对于沙枣,其均值估计相对误差绝对值最大值为0.012 01,最小值为0.002 30。

表 5 3种植被样本单元株数密度均值方差估计 Tab.5 Mean density variance estimator for three kinds of vegetation
2.3 变动系数与单元大小的相关关系分析

选取5种初始样本: n=50,n=100,n=150,n=200和n=250,由模拟抽样对总体均值估计和方差估计,结合$E({v_i})= \sum\nolimits_{i = 1}^{{\text{rep}}} {{v_i}/{\text{rep}}} $4,可以得到4种不同样本单元面积大小、2种自适应群团抽样估计的变动系数(表 6)。

表 6 变动系数与样本单元大小的相关关系 Tab.6 Relation of the variation coefficient and sample unit size

表 6分析可知,随着单元面积的增加,变动系数发生有规律性的变化。由图 456,可以更加直观观测变动系数随单元面积的变化而变化的客观规律。

图 4 花棒变动系数 Fig. 4 Variation coefficient of Hedysarum scoparium
图 5 柽柳变动系数 Fig. 5 Variation coefficient of Tamarix chinensis
图 6 沙枣变动系数 Fig. 6 Variation coefficient of Elaeagnus angustifolia

图 456表明: 1)2种抽样方法的变动系数与单元大小的相关关系呈相同的变化趋势; 2)花棒和柽柳总体的模拟研究中,变动系数变化规律也是一致的,即变动系数随着样本单元面积的增加变动系数变小,样本单元面积小于100 m2时,变动系数随样本单元面积的增加急剧变小,样本单元面积大于100 m2以后,随着样本单元面积的增加,变动系数缓慢增加,增加的幅度越来越小,渐渐趋于一个很小的常数; 3)沙枣总体的模拟研究中,变动系数随着样本单元面积的增加也呈递减趋势,样本单元面积小于200 m2时,变动系数随样本单元面积的增加急剧变小,样本单元大于200 m2以后,随着样本单元面积的增加,变动系数缓慢增加,增加的幅度越来越小,渐渐趋于一个很小的常数。

3 结论与讨论

通过对沙漠边缘稀少、群团状的典型灌木(花棒、柽柳)和小乔木(沙枣)进行自适应群团抽样的模拟抽样研究,提出采用变动系数作为衡量自适应群团抽样适宜样本单元面积大小选取的指标,得到变动系数随着样本单元面积大小增加而递减的规律: 同一抽样总体,当初始样本量相同、单元面积大小不同时,所抽取的单元包含的总体信息也不一致,单元面积越大,所包含的总体信息越多,抽样精度越高,抽样效果越好,因此,随着样本单元面积的增加,变动系数将变小,渐渐趋于一个稳定的常数。然而单元面积越大,所产生的外业调查经费也会越高。因此,对于同一种抽样方法,抽样调查精度与费用往往是相互矛盾的。当抽样单元面积大小增加到一定程度时,会出现一个转折点(或者区间),在此点(或区间)之前,随着单元面积大小的增加,抽样精度会急剧增加,在这个点(区间)之后,随着抽样单元面积大小的增加,抽样精度增加幅度会很小,甚至趋于零。因此,利用此点(或者区间),可以找到适宜的抽样单元面积大小。

1)对于分布稀少、群团状的灌木(如花棒、柽柳),进行自适应群团抽样调查时,其最小的适宜样本单元面积为100 m2,可以采用的适宜单元面积大小区间为100~200 m2。因为在单元面积小于100 m2时,变动系数随着单元面积的增加急剧变小,抽样精度大幅提高,当单元大小变为100 m2以后,变动系数随着单元面积的增加缓慢变小,抽样精度提高的幅度急剧变小,慢慢趋于一个很小的常数,而此时抽样调查的成本会随着单元大小的增加而大幅增加。

2)对于分布稀少、群团状的小乔木(如沙枣),进行自适应群团抽样调查时,其最小的适宜样本单元面积为200 m2,可以采用的适宜单元面积大小区间为200~300 m2。因为在单元面积小于200 m2时,变动系数随着单元面积的增加急剧变小,抽样精度大幅提高,当单元面积大于200 m2以后,变动系数随着单元面积的增加缓慢变小,抽样精度提高的幅度急剧变小,慢慢趋于一个很小的常数,而此时抽样调查的成本会随着单元面积的增加而大幅增加。

3)5种不同初始样本的结果趋于一致,说明模拟试验结果适用性强。

分析所得的结果能为稀少、群团状植被野外实际调查提供重要的理论依据,利用所得研究结果既能保证抽样估计精度,又能节省野外调查成本。

本文中的沙枣是人工林,但是在研究区中其分布是稀少、群团状的,因此,在一定程度上能代表沙漠边缘稀少、群团状的小乔木;但沙枣并不一定是沙漠边缘典型分布稀少、群团状的小乔木。然而,从抽样的角度来看,只要是稀少、群团状分布的植被,即可选择自适应群团抽样。因此,选人工沙枣作为研究对象,其研究结论依然是可靠的,研究结果是有理论和实际参考价值的。

影响适宜单元面积大小的还有抽样调查成本,因此,建议在调查经费充足的情况下,选取的外业调查单元面积可以稍大于前面所提的适宜面积。在外业调查经费不是很充足的情况下,建议选用本文所提的适宜面积。

样本单元面积变化的同时,总体网络的结构也会发生变化,而总体的网络结构在一定程度上会影响自适应群团抽样的效率(Smith et al.,1995; Brown,1996; Thompson et al.,1996; Christman,1996a; 1996b),这也是一个值得进一步研究的方向。

参考文献(References)
[1] 雷渊才,唐守正.2007.适应性群团抽样技术在森林资源清查中的应用.林业科学, 43(11): 132-138. (1)
[2] 张南松,祝增荣,胡秉民.2000.应用二阶适应性整群抽样估计害虫密度.浙江大学学报: 农业与生命科学版,26(6): 617-620.(1)
[3] 周培荣.1998.磴口县志.呼和浩特:内蒙古人民出版社.(1)
[4] 朱光玉,雷渊才.2010a.两阶段自适应群团抽样在沙漠边缘植被调查中的比较. 林业科学,46(6): 71-77.(2)
[5] 朱光玉,吕 勇.2011.珍稀植物花棒自适应群团抽样的比较研究. 中国农学通报,27(19): 68-73.(2)
[6] 朱光玉,唐守正,雷渊才.2010b.不跨越边界基于Horvitz-Thompson估计量的分层自适应群团抽样. 林业科学,46(7): 1-6.(2)
[7] Brown J A.1994.The application of adaptive cluster sampling to ecological studies.University of Otago Press,Dunedin,86-97.(2)
[8] Brown J A.1996.The relative efficiency of adaptive cluster sampling for ecological surveys.Mathematical and Information Sciences Report Series B: 96/08,Massey University,Palmerton North,Department of Statistics.(2)
[9] Brown J A.2003.Designing an efficient adaptive cluster sample. Environmental and Ecological Statistics,10(1): 95-105.(2)
[10] Christman M C.1996a.Comparison of efficiency of adaptive sampling in some spatially clustered populations.ASA Proceedings of the Section on Statistics and the Environment,122-126.(2)
[11] Christman M C.1996b.Efficiency of adaptive sampling designs for spatially clustered populations.Technical Report,Department of Statistics, Stanford University.(5)
[12] Christman M C.1997.Efficiency of some sampling designs for spatially clustered populations.Environmetrics,8(1): 145-166.(4)
[13] Christman M C.2000.A review of quadrat-based sampling of rare,geographically clustered populations.Journal of Agricultural,Biological,and Environmental Statistics,5(2): 168-201.(1)
[14] Christman M C,Pontius J S.2000.Bootstrap confidence intervals for adaptive cluster sampling.Biometrics,56(2): 503-510.(2)
[15] Dryver A L,Thompson S K.1998.Improving unbiased estimators in adaptive cluster sampling. ASA Proceedings of the Section on Survey Research Methods,727-731.(1)
[16] Felix-Medina M H.2003.Asymptotics in adaptive cluster sampling.Environmental and Ecological Statistics,10(1): 61-82.(1)
[17] Salehi M M.2003.Comparison between Hansen-Hurwitz and Horvitz-Thompson estimators for adaptive cluster sampling.Environmental and Ecological Statistics,10(1): 115-127.(1)
[18] Seber G A F,Thompson S K.1994.Environmental adaptive sampling.In Handbook of Statistics: Environmental Statistics,12:201-220. (2)
[19] Smith D R,Conroy M J,Brakhage D H.1995.Efficiency of adaptive cluster sampling for estimating density of wintering waterfowl. Biometrics,51(2): 777-788.(2)
[20] Smith D R,Villella R F,Lemarié D P. 2003.Application of adaptive cluster sampling to low-density populations of freshwater mussels. Environmental and Ecological Statistics,10(1): 7-15.(1)
[21] Thompson S K.1990.Adaptive cluster sampling.Journal of the American Statistical Association,85(412): 1050-1059. (3)
[22] Thompson S K.1996.Adaptive cluster sampling based on order statistics.Environmetrics,7(2): 123-133.
[23] Thompson S K,Seber G A F.1996.Adaptive Sampling.John Wiley & Sons.(4)