Muestreo Espacial Puntos (SH, GH, GFC, AL, KM, Estr_Pts-AL, Estr_Pol-AL) QGIS 4 compatibility

QGIS plugin implementing seven spatial point sampling methods over a point layer (sampling frame) and a polygon study area. The Hilbert Space-Filling Curve is the core of the SH and GH methods: as a continuous line that traverses the study area preserving spatial locality, it guarantees that points close in curve order are also geographically close. This improves spatial coverage and representativeness of SH and GH compared to simple random sampling. Simple Random Sampling (AL) prioritizes statistical validity over spatial coverage — it is the only method where standard SRS formulas (variance, confidence intervals) apply directly without design correction. GFC uses NW-to-SE row ordering and KM uses 2D geographic proximity. Estr_Pts-AL and Estr_Pol-AL select randomly within JSON-defined strata. The full Hilbert ordering of the frame is computed in all methods and available as a diagnostic reference in the HTML report. Sampling methods: - Systematic Hilbert (SH): fixed-interval selection along the Hilbert curve. Produces dispersed patterns (NNI > 1.2). - Hilbert Groups (GH): 1D stratification on the Hilbert order. k=0: automatic group count (k=min(ceil(sqrt(n)), floor(sqrt(N))), min. 2 groups). - Simple Random Sampling (AL): random selection without replacement. Hilbert ordering used for diagnostic reporting only. - Row-Column Groups (GFC): sequential 1..N numbering of points following a NW-to-SE row traversal; partitioned into k equal groups with random selection within each group. No external dependencies. Produces a row-by-row line layer (Salida: Orden NO-SE). - K-Means Groups (KM): 2D spatial clustering. Point selection based entirely on geographic proximity. Requires scikit-learn. - Stratified by Points JSON (Estr_Pts-AL): variable sample sizes per stratum defined by a categorical field of the points layer (e.g. cover type). Random selection within each stratum. - Stratified by Polygon JSON (Estr_Pol-AL): variable sample sizes per stratum defined by a field of the polygon layer (e.g. buffer ID, parcel ID). Random selection within each polygon. Key features: - Edge correction (pullback): moves points away from the polygon boundary so sampling plots remain entirely within the area. - Minimum inter-point distance enforced with spatial index O(n log n). - Corrected NNI (IVMC) computed natively in Python — no external Processing calls. Correction factor based on real polygon area. - HTML report with quality metrics, proportionality validation per group, comparative ranking, and total runtime. - Result layers loaded as invisible by default. - Supports grids of 50,000+ points (Hilbert Order = 10). - Compatible with QGIS 3.28 LTR, 3.44 LTR and 4.0 (Qt5 / Qt6). Optional dependencies: - shapely: bundled with QGIS 3.44 LTR and 4.0. Earlier versions: pip install shapely (OSGeo4W Shell) - scikit-learn: required for K-Means Groups only. pip install scikit-learn (OSGeo4W Shell) Requirement: projected CRS in metres (e.g. UTM, CRTM05 EPSG:8908). ── ESPAÑOL ────────────────────────────────────────────────────────────── Complemento QGIS con siete métodos de muestreo espacial de puntos sobre una capa de puntos (marco muestral) y un polígono de área de estudio. SH y GH usan la Curva de Hilbert para el ordenamiento y la selección. AL selecciona aleatoriamente; el ordenamiento Hilbert se usa solo para el diagnóstico. GFC ordena los puntos por filas NO→SE (1..N) y los divide en k grupos iguales con selección aleatoria dentro de cada grupo, sin dependencias externas. KM agrupa por proximidad geográfica 2D con K-Medias; la Curva de Hilbert no interviene. Estr_Pts-AL y Estr_Pol-AL permiten tamaños de muestra variables por estrato definidos vía JSON, usando un campo de la capa de puntos o de la capa de polígonos como variable de estratificación, con selección aleatoria dentro de cada uno. Métodos de muestreo: - Sistemático Hilbert (SH): selección a intervalos regulares a lo largo de la curva. Produce patrones dispersos (IVMC > 1,2). - Grupos Hilbert (GH): estratificación 1D sobre el orden de Hilbert. k=0: número de grupos automático (k=mín(⌈√n⌉, ⌊√N⌋), mín. 2 grupos). - Aleatorio Simple (AL): selección aleatoria sin reemplazo. El ordenamiento Hilbert se usa solo para el diagnóstico del reporte. - Grupos Fila-Columna (GFC): numeración secuencial 1..N de los puntos siguiendo un recorrido de filas NO→SE; divididos en k grupos iguales con selección aleatoria dentro de cada grupo. Sin dependencias externas. Genera capa de líneas por fila (Salida: Orden NO→SE). - Grupos K-Medias (KM): agrupamiento espacial 2D con K-Medias. Selección basada en proximidad geográfica. Requiere scikit-learn. - Estratificado por Puntos JSON (Estr_Pts-AL): tamaños de muestra variables por estrato definidos por un campo categórico de la capa de puntos (ej. tipo de cobertura). Selección aleatoria en cada estrato. - Estratificado por Polígono JSON (Estr_Pol-AL): tamaños de muestra variables por estrato definidos por un campo de la capa de polígonos (ej. ID de búfer, ID de parcela). Selección aleatoria en cada polígono. Características principales: - Corrección de borde (retracción): aleja puntos de los límites del área para que las parcelas queden íntegramente dentro del polígono. - Distancia mínima entre puntos con índice espacial O(n log n). - IVMC calculado directamente en Python, sin herramientas externas. Factor de corrección sobre área real del polígono. - Reporte HTML con métricas de calidad, validación de proporcionalidad por grupo, ranking comparativo y tiempo total de ejecución. - Capas de resultados cargadas invisibles por defecto. - Soporta mallas de hasta 50 000+ puntos (Orden Hilbert = 10). - Compatible con QGIS 3.28 LTR, 3.44 LTR y 4.0 (Qt5 / Qt6). Dependencias opcionales: - shapely: incluido en QGIS 3.44 LTR y 4.0. Versiones anteriores: pip install shapely (OSGeo4W Shell) - scikit-learn: requerido únicamente para Grupos K-Medias. pip install scikit-learn (OSGeo4W Shell) Requisito: SRC proyectado en metros (ej: CRTM05 EPSG:8908, UTM).