Sélectionner un thème dans la liste

Estimation et erreur standard de l’estimation

Les résultats publiés dans les tableaux IFN sont des estimations portant sur des paramètres de la forêt suisse (paramètres de population) dont les valeurs réelles ne sont pas connues et qui sont donc extrapolées (estimées) à partir des données de l’échantillon de l’IFN. Les extrapolations contiennent des incertitudes. Cependant, la précision de l’extrapolation opérée à partir de l’échantillon aléatoire de l’IFN peut être estimée de façon fiable. Pour ce faire, tous les tableaux IFN indiquent une seconde valeur à côté de l’estimation: l’erreur standard de l’estimation.

La plupart des tableaux indiquent l’erreur standard relative (« ±% »), mais parfois, surtout pour les pourcentages estimés, c’est l’erreur standard absolue (« ± ») qui est indiquée. Le rapport entre l’erreur standard absolue et relative est le suivant:

erreur standard relative = erreur standard absolue / estimation x 100

erreur standard absolue = erreur standard relative × estimation / 100

Les données sur la desserte sont issues d’un recensement complet des routes forestières. Dans ce cas, il n’est pas nécessaire d’indiquer d’erreur standard puisqu’il n’existe pas d’incertitude liée à l’échantillonnage.

Intervalle de confiance de l’estimation

À l’aide de l’estimation et de son erreur standard, il est possible de calculer l’intervalle de confiance de l’estimation en indiquant:

sa limite inférieure
estimation - tQ × erreur standard absolue

et sa limite supérieure
estimation + tQ × erreur standard absolue

Si le calcul se fait avec l’erreur standard simple (tQ = 1), on obtient l’«intervalle de confiance à 68%». On peut alors admettre que la valeur réelle du paramètre de la population se situe avec une probabilité de 68% dans cet intervalle de confiance. Si l’on utilise l’erreur standard double pour le calcul (tQ = 2), la valeur réelle du paramètre se situe avec une probabilité de 95% dans l’intervalle de confiance, à savoir l’«intervalle de confiance à 95%».

Significativité de l’estimation

L’intervalle de confiance permet d’examiner statistiquement si le paramètre de population estimé est plus grand ou plus petit qu’une certaine valeur de référence, respectivement si deux paramètres de population estimés se distinguent effectivement (dans la population réelle). Dans la pratique, le processus adopté est le suivant: lorsqu’une valeur de référence est située hors de l’intervalle de confiance, on admet que la valeur estimée pour la population se distingue significativement de la référence; si la valeur de référence se situe à l’intérieur de l’intervalle, on interprète la différence entre valeur estimée et valeur de référence comme aléatoire et donc non significative. Pour comparer deux paramètres de population, on considère qu’ils se distinguent de façon significative lorsque leurs intervalles de confiances ne se superposent pas.

Traitement de valeurs manquantes

Lors du calcul des résultats, on ne dispose pas toujours de données pour toutes les combinaisons de catégories des variables de classification et du découpage régional^*. Cela indique dans la plupart des cas que le paramètre estimé à l’aide de la variable cible n’apparaît pas ou seulement très rarement. Généralement, on introduit (« impute ») alors la valeur 0. Mais comme cette valeur n’est pas issue de mesures directes, l’erreur standard correspondante est représentée par un point [.]. Lorsqu’on se réfère à la valeur supposée de 0 lors d’un calcul, par exemple pour indiquer des pourcentages ou certaines estimations de changements, il n’est pas possible d’indiquer une valeur. Dans ce cas, on introduit un point [.] pour la valeur estimée et l’erreur standard.

Par exemple, on n’a jusqu’ici ni trouvé ni mesuré d’arole sur le Plateau (volume des aroles selon les régions de production). On peut donc admettre que si les valeurs manquent, c’est que l’arole n’est effectivement pas présent dans cette région et que son volume doit y être de 0.

^* p. ex. combinaison de la catégorie « arole» de la variable de classification « essence » et de la catégorie « Plateau » du découpage régional

Changements

L’IFN distingue deux types de changements:

Le premier concerne des variables cibles spécifiques pour des composantes de changement telles que l’accroissement, l’exploitation, la mortalité ou les disparitions. Ces variables cibles ne sont disponibles que pour deux cycles d’inventaires successifs, p. ex. IFN3-IFN4. Lors de leur évaluation, la catégorie de la variable de classification du second cycle d'inventaire est attribuée à celle du premier cycle d'inventaire. Ces évaluations ne tiennent donc pas compte du changement de la catégorie d’un inventaire à l'autre (p. ex. de la propriété privée à la propriété publique).

Pour le second type de changements, on utilise les différences de variables cibles telles que le nombre de tiges, le volume sur pied ou la surface forestière afin d’établir un bilan du changement entre deux cycles d’inventaire. Ces variables cibles sont habituellement utilisées pour représenter des états, p. ex. dans l’IFN4, mais peuvent aussi révéler les changements entre deux inventaires quels qu’ils soient, p. ex. LFI1-LFI4. Lors de leur évaluation, on tient compte du changement d’une catégorie de la variable de classification. Ainsi, il est possible de constater p. ex. que la surface de la forêt sans la forêt buissonnante a augmenté. Cela n’a d’effet que pour les variables de classification qui peuvent effectivement changer de caractéristiques, p. ex. l’appartenance à la surface forestière ou l’état de l’arbre.

IFN5
nombre de tiges
essence (56 classes)
découpage régional: région de forêt protectrice
unité: 1000 n
ensemble analysé: forêt accessible sans la forêt buissonnante IFN1-IFN5
réseau: réseau 1,4 km, sous-réseaux 1 à 5
état 2018/26
	région de forêt protectrice
	Plateau/Jura		Nord des Alpes ouest		Nord des Alpes est		Sud-ouest des Alpes		Sud-est des Alpes		Sud des Alpes		Suisse
essence (56 classes)	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%
pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.
Abies alba	27189	6	14880	9	6216	12	1501	24	634	26	1563	25	51983	4
Larix decidua, Larix kaempferi	1543	32	653	34	277	52	6942	12	3766	13	5302	15	18482	7
Picea abies	38330	5	36816	6	21635	8	17710	10	30504	7	11014	13	156009	3
Pinus cembra	0	.	10	100	0	.	1592	24	2581	24	49	100	4231	17
Pinus mugo subsp. uncinata	0	.	772	64	166	72	435	49	2353	30	156	100	3881	23
Pinus mugo subsp. mugo	0	.	17	100	104	85	156	62	518	40	0	.	795	31
Pinus nigra	96	53	0	.	0	.	0	.	0	.	0	.	96	53
Pinus strobus	163	42	7	100	0	.	0	.	0	.	0	.	170	40
Pinus sylvestris	2810	13	280	54	232	57	4187	23	1816	25	68	54	9393	12
Pseudotsuga menziesii	764	23	7	100	0	.	0	.	0	.	24	100	795	22
Taxus baccata	1017	30	50	58	234	36	17	100	0	.	20	100	1338	24
autres résineux	14	100	6	100	0	.	0	.	0	.	0	.	20	76
Acer campestre	425	24	128	58	15	100	53	74	55	74	58	76	734	20
Acer opalus	262	34	437	49	0	.	89	60	0	.	0	.	788	30
Acer platanoides	994	21	160	41	345	39	138	68	33	100	7	100	1677	16
Acer pseudoplatanus	11411	8	5452	12	3802	14	925	30	575	35	1056	29	23221	5
Aesculus hippocastanum	7	100	0	.	0	.	0	.	0	.	0	.	7	100
Alnus glutinosa	1508	22	0	.	22	100	0	.	0	.	615	41	2144	20
Alnus incana	317	48	768	39	721	41	637	49	1980	39	528	43	4951	20
Alnus viridis	0	.	0	.	0	.	0	.	0	.	0	.	0	.
Betula pendula	530	29	95	55	206	40	934	29	561	48	4178	20	6504	14
Betula pubescens	0	.	35	100	17	100	23	100	18	100	7	100	100	49
Carpinus betulus	1868	17	0	.	35	100	55	100	0	.	80	100	2038	16
Castanea sativa	0	.	7	100	0	.	90	65	45	72	10308	14	10450	13
Fagus sylvatica	43415	4	13848	9	10304	10	2216	28	1615	24	12090	13	83489	3
Fraxinus excelsior	7495	8	2739	19	2389	16	912	29	589	52	1943	26	16066	7
Fraxinus ornus	0	.	0	.	0	.	0	.	0	.	298	72	298	72
Ilex aquifolium	70	61	67	78	61	58	18	100	0	.	443	52	659	37
Juglans regia	152	43	40	71	0	.	18	100	138	52	36	100	384	28
Laburnum anagyroides	36	71	0	0	0	.	20	100	0	.	29	100	85	51
Malus sylvestris	0	.	0	.	0	.	0	.	0	.	0	.	0	.
Ostrya carpinifolia	0	.	0	.	0	.	0	.	0	.	2518	36	2518	36
Populus alba, Populus x canescens	79	100	62	100	0	.	0	0	0	.	0	.	141	71
Populus nigra s.l.	49	60	0	.	0	.	0	.	0	.	0	.	49	60
Populus (autres)	28	61	0	.	0	.	0	.	0	.	0	.	28	61
Populus tremula	85	42	154	49	6	100	379	40	18	100	137	53	779	24
Prunus avium	961	17	196	36	235	30	371	56	102	62	512	30	2377	14
Prunus padus	288	47	0	.	0	.	0	.	18	100	0	.	306	44
Pyrus communis, Pyrus pyraster	17	100	0	.	0	.	0	.	0	.	0	.	17	100
Quercus cerris	0	.	0	.	0	.	0	.	0	.	102	51	102	51
Quercus petraea	2874	21	218	55	89	57	288	71	91	72	1391	33	4951	16
Quercus pubescens	445	88	0	.	0	.	776	38	0	.	415	52	1636	33
Quercus robur	1520	15	126	45	23	58	16	100	0	.	70	45	1755	14
Quercus rubra	148	79	0	.	0	.	0	.	0	.	0	.	148	79
Robinia pseudoacacia	76	75	0	.	0	.	76	71	0	.	1011	42	1163	37
Salix (autres)	942	28	410	31	60	52	415	40	366	48	298	34	2491	16
Sorbus aria	1208	19	334	32	341	52	318	33	73	61	862	25	3135	13
Sorbus aucuparia	506	31	840	26	179	42	457	41	161	37	119	50	2261	15
Sorbus torminalis	48	54	0	.	0	.	0	.	0	.	0	.	48	54
Tilia cordata	1061	22	373	43	324	60	36	71	78	71	1664	24	3536	15
Tilia platyphyllos	400	34	125	65	186	42	431	44	33	100	27	75	1202	22
Ulmus glabra	903	20	651	25	365	26	0	.	54	74	133	63	2107	13
Ulmus minor	17	100	0	0	0	.	0	.	0	.	0	.	17	100
autres feuillus	58	74	0	0	0	.	0	.	0	.	28	100	86	60
autres arbustes	247	32	50	73	17	100	91	60	106	64	737	28	1249	19
indéterminable	0	0	0	0	0	0	0	0	0	0	0	0	0	0
total	152379	2	80813	4	48605	6	42322	7	48881	6	59893	5	432892	2

Table citation

Abegg, M.; Ahles, P.; Allgaier Leuch, B.; Cioldi, F.; Didion, M.; Düggelin, C.; Fischer, C.; Herold, A.; Meile, R.; Rohner, B.; Rösler, E.; Speich, S.; Temperli, C.; Traub, B.,
2023: Swiss national forest inventory - Result table No. 1355764. Birmensdorf, Swiss Federal Research Institute WSL

page précedente