La estrategia de muestreo que se utiliza para recopilar datos puede tener un impacto en su capacidad para estimar el valor de un atributo de un lugar desconocido, sobre todo si la muestra que se utiliza para la interpolación no incluye lugares de alta variabilidad. Aunque el muestreo sea exhaustivo (censo o tomar una muestra en todos los lugares posibles) asegura puntos de muestreo en lugares con cambios rápidos, pero puede ser un enorme desperdicio de recursos si el área de estudio contiene lugares con pocos cambios, es necesario saber si en realidad se debe ir al campo para recoger datos. Por esta razón, nos centraremos en la discusión de estrategias para el muestreo no exhaustivo.
Las estrategias de muestreo, pueden ser sistemáticas o aleatorias. Una muestra sistemática comienza en un lugar específico y luego coloca adicionales adicionales que están a cierta distancia definida desde el punto de partida (por ejemplo, cada cien metros), que resulta en una malla regular de puntos de muestreo. También es posible definir sistemáticamente líneas (transectos) o áreas (cuadrantes) de cualquier tipo de estrategia de muestreo. Aunque este tipo de muestreo es uno de los más fáciles de poner en práctica, y asegura una distribución uniforme de puntos de muestra a través del área de interés, hay dos principales desventajas de utilizar este método. La primera es que si hay algún tipo de marcada periodicidad en el atributo que está trabajando (por ejemplo, árboles espaciados regularmente que fueron plantadas en hileras), y esta periodicidad no coincide con el intervalo de muestreo, es posible que la interpolación a partir de esta muestra perdería el patrón completo y generar una cantidad sustancial de error. La segunda desventaja es que puede ser muy ineficiente, mediante la recopilación de un gran número de muestras en las zonas con poca variación en el atributo en el que está interesado. Dada la frecuencia es alto el costo (en términos de tiempo y dinero) para colectar los datos en el campo, es importante tratar de maximizar el valor de cada punto de muestreo.
Una forma de evitar cualquier sesgo que pueda ser introducido en la muestra a través de un muestreo sistemático es utilizar una estrategia de muestreo aleatorio. En la versión más simple de muestreo aleatorio, un número predeterminado de puntos se selecciona dentro de un área de estudio en particular. Estos lugares son elegidos al azar mediante la asignación de números a todos los puntos posibles dentro del área de interés, y luego elegir los números aleatorios usando un generador de números aleatorios para determinar qué puntos se utilizan en la muestra. Aunque esta estrategia generalmente evita el sesgo, depende en gran medida del número de muestras y la variabilidad en la zona de estudio. Por ejemplo, si hay un pequeño número de muestras, la mala suerte puede concentrarse en las muestras de un área de baja variabilidad, dejando pocos puntos para proporcionar información sobre las zonas de alta variabilidad. Esta estrategia también puede dar lugar a largos tiempos de viaje entre los sitios de muestreo y puede no proporcionar ninguna información en absoluto sobre pequeñas áreas, pero importantes características de los datos.
Es posible aumentar la eficacia de una estrategia de muestreo mediante la estratificación basado en alguna característica que es relevante para la variable de la cual se está tratando de recopilar datos y luego realizar el muestreo sistemático o aleatorio, ya sea dentro de los diferentes estratos. Un ejemplo de la estratificación de un área de estudio podría ser cuando se trata de comprender los patrones de vegetación que se producen en una zona determinada. En este caso, se puede elegir para estratificar el área de estudio basado en zonas de elevación o de aspecto para asegurarse de que recoja muestras de todos los aspectos y todas las elevaciones. La estratificación también puede ayudar a eliminar las situaciones áreas pequeñas, sin embargo, las áreas importantes no lo hacen en la muestra. Por último, si la estratificación del área de estudio basado en una estimación de la cantidad de variabilidad en su atributo de interés, también puede crear de manera efectiva lo que se conoce como una estrategia adaptativa de muestreo – se utiliza un menor número de muestras para las zonas de menor variabilidad y más muestras para áreas de mayor variabilidad.
Trabajo original creado por GEOG 486 – Cartography and Visualization