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 biogéographique
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 biogéographique
	Jura		Plateau		nord des Alpes		ouest des Alpes centrales		est des Alpes centrales		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	16024	7	14472	8	17984	7	1038	30	902	22	1563	25	51983	4
Larix decidua, Larix kaempferi	88	37	1543	32	707	33	6731	12	3740	13	5674	14	18482	7
Picea abies	15700	8	25145	7	56181	5	16479	10	31114	7	11389	13	156009	3
Pinus cembra	0	.	0	.	10	100	1592	24	2504	25	126	73	4231	17
Pinus mugo subsp. uncinata	0	.	0	.	938	54	417	51	2353	30	173	90	3881	23
Pinus mugo subsp. mugo	0	.	0	.	104	85	121	74	536	39	35	100	795	31
Pinus nigra	96	53	0	.	0	.	0	.	0	.	0	.	96	53
Pinus strobus	70	71	101	48	0	.	0	.	0	.	0	.	170	40
Pinus sylvestris	1357	22	1490	17	476	41	4072	24	1816	25	182	66	9393	12
Pseudotsuga menziesii	61	71	710	24	0	.	0	.	0	.	24	100	795	22
Taxus baccata	562	35	308	30	431	55	17	100	0	.	20	100	1338	24
autres résineux	14	100	0	.	6	100	0	.	0	.	0	.	20	76
Acer campestre	334	28	91	44	123	59	73	60	55	74	58	76	734	20
Acer opalus	211	35	51	100	474	46	52	74	0	.	0	.	788	30
Acer platanoides	439	28	610	31	450	28	138	68	33	100	7	100	1677	16
Acer pseudoplatanus	5672	11	5938	11	9159	9	592	40	783	31	1076	29	23221	5
Aesculus hippocastanum	7	100	0	.	0	.	0	.	0	.	0	.	7	100
Alnus glutinosa	236	70	1272	23	22	100	0	.	0	.	615	41	2144	20
Alnus incana	122	51	283	59	1205	29	619	50	1727	38	995	52	4951	20
Alnus viridis	0	.	0	.	0	.	0	.	0	.	0	.	0	.
Betula pendula	0	0	574	28	274	32	917	30	561	48	4178	20	6504	14
Betula pubescens	0	.	0	.	75	60	0	.	18	100	7	100	100	49
Carpinus betulus	418	37	1485	19	55	100	0	.	0	.	80	100	2038	16
Castanea sativa	0	.	0	.	22	74	75	76	18	100	10335	14	10450	13
Fagus sylvatica	22333	6	23411	6	21696	7	1731	33	2228	22	12090	13	83489	3
Fraxinus excelsior	2578	14	5353	10	4785	13	769	33	639	48	1943	26	16066	7
Fraxinus ornus	0	.	0	.	0	.	0	.	0	.	298	72	298	72
Ilex aquifolium	70	61	49	100	79	50	18	100	0	.	443	52	659	37
Juglans regia	17	100	110	53	83	50	0	.	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	0	.	79	100	62	100	0	0	0	.	0	.	141	71
Populus nigra s.l.	0	.	49	60	0	.	0	.	0	.	0	.	49	60
Populus (autres)	0	.	28	61	0	.	0	.	0	.	0	.	28	61
Populus tremula	25	75	60	50	160	47	379	40	18	100	137	53	779	24
Prunus avium	162	35	881	17	368	25	353	58	102	62	512	30	2377	14
Prunus padus	0	.	288	47	0	.	0	.	18	100	0	.	306	44
Pyrus communis, Pyrus pyraster	0	.	17	100	0	.	0	.	0	.	0	.	17	100
Quercus cerris	0	.	0	.	0	.	0	.	0	.	102	51	102	51
Quercus petraea	1339	32	1571	27	255	49	297	69	42	85	1447	32	4951	16
Quercus pubescens	428	92	17	100	0	.	776	38	0	.	415	52	1636	33
Quercus robur	125	52	1451	15	108	40	0	.	0	.	70	45	1755	14
Quercus rubra	0	.	148	79	0	.	0	.	0	.	0	.	148	79
Robinia pseudoacacia	0	.	76	75	0	.	76	71	0	.	1011	42	1163	37
Salix (autres)	230	33	786	33	448	30	346	45	383	46	298	34	2491	16
Sorbus aria	985	22	121	62	777	27	318	33	55	74	879	25	3135	13
Sorbus aucuparia	469	33	38	71	1004	23	421	44	194	35	136	46	2261	15
Sorbus torminalis	24	77	24	77	0	.	0	.	0	.	0	.	48	54
Tilia cordata	233	36	836	26	707	36	18	100	78	71	1664	24	3536	15
Tilia platyphyllos	216	46	184	50	257	38	431	44	87	73	27	75	1202	22
Ulmus glabra	317	25	640	26	945	19	0	.	72	61	133	63	2107	13
Ulmus minor	0	.	17	100	0	.	0	.	0	.	0	.	17	100
autres feuillus	58	74	0	.	0	0	0	.	0	.	28	100	86	60
autres arbustes	90	52	174	37	50	73	91	60	106	64	737	28	1249	19
indéterminable	0	0	0	0	0	0	0	0	0	0	0	0	0	0
total	71148	4	90479	3	120480	3	38976	7	50320	6	61489	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. 1355766. Birmensdorf, Swiss Federal Research Institute WSL

page précedente