Vol. 2 (2021): Proceedings of the 3rd BYMAT Conference
Artículos

A multi-objective sampling design for spatial prediction problem

Elaheh Lotfian
Tarbiat Modares University
Mohsen Mohammadzadeh
Tarbiat Modares University
Cover for TEMat monográficos, 2 (2021): Proceedings of the 3rd BYMat Conference

Publicado 28/08/2021

Palabras clave

  • spatial sampling,
  • spatial prediction,
  • multi-objective optimization,
  • uncertainty

Cómo citar

Lotfian, Elaheh, y Mohammadzadeh, Mohsen. «A multi-objective sampling design for spatial prediction problem». En: TEMat monográficos, 2 (2021): Proceedings of the 3rd BYMAT Conference, págs. 163-166. ISSN: 2660-6003.URL: https://temat.es/monograficos/article/view/vol2-p163.

Resumen

El muestreo espacial juega un papel crucial en muchos campos, como la clasificación de imágenes, los estudios geoestadísticos y la contaminación atmosférica, con respecto a las limitaciones de recursos, tiempo y tecnología. En el muestreo espacial, se elige un conjunto de ubicaciones de la muestra de forma que la predicción espacial en las ubicaciones no observadas sea óptima. Mientras que muchos estudios se centran en una sola función objetivo, como la varianza y la entropía del predictor, en los problemas aplicados interesa más de un objetivo. En este estudio, el problema de optimización del muestreo espacial con coste mínimo se investiga tanto desde la perspectiva de la estimación del covariograma como de la varianza de kriging. Para ello, se ha considerado un problema de optimización bi-objetivo de muestreo de suelos. La primera función objetivo es el error total medio y la segunda función objetivo es el coste de la distancia recorrida por el muestreador. El error total medio es la suma de la varianza ordinaria de kriging y las incertidumbres de los parámetros estimados del covariograma. Se aplica a este problema el algoritmo genético de ordenación no dominante-II y el método de Taguchi. Los resultados muestran el buen funcionamiento de este algoritmo en el muestreo espacial multiobjetivo para las predicciones espaciales.