Sélectionner un thème dans la liste

page précedente

IFN4
nombre de tiges de bois mort
résistance du bois (3 classes) · nombre de champignons sur le bois mort (3 classes)
découpage régional: région économique
unité: 1000 n
ensemble analysé: forêt accessible sans la forêt buissonnante IFN1-IFN5
réseau: réseau 1,4 x 1,4 km
état 2009/17
		région économique
		ouest du Jura		est du Jura		ouest du Plateau		centre du Plateau		est du Plateau		ouest des Préalpes		centre des Préalpes		est des Préalpes		nord-ouest des Alpes		centre des Alpes		nord-est des Alpes		sud-ouest des Alpes		sud-est des Alpes		Sud des Alpes		Suisse
résistance du bois (3 classes)	nombre de champignons sur le bois mort (3 classes)	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%
bois frais/encore dur	0	2232	11	693	20	533	27	621	21	792	18	1345	19	2781	18	1820	21	1654	17	691	26	632	24	3510	13	3317	11	4536	11	25158	4
	1	471	20	69	54	79	41	111	38	137	32	272	30	268	24	399	26	322	39	111	44	66	43	373	22	304	23	1016	18	3999	8
	2 ou plus	28	75	7	100	7	100	8	100	0	.	6	100	24	79	14	100	14	71	7	100	15	100	85	84	26	77	134	38	375	26
	total	2731	10	769	21	618	25	740	19	929	16	1624	18	3072	17	2234	20	1990	17	810	24	714	22	3968	13	3647	11	5686	10	29532	4
bois pourri	0	1214	13	115	38	269	28	327	26	456	21	575	22	1128	18	528	23	1184	20	338	28	443	31	1482	15	1144	15	1590	15	10793	5
	1	281	27	50	53	118	33	65	47	137	34	201	32	455	23	190	33	266	32	57	88	47	50	263	30	257	26	349	27	2737	9
	2 ou plus	88	52	17	100	31	71	17	100	40	58	68	74	105	59	27	75	7	100	0	.	0	.	54	69	26	77	32	71	512	22
	total	1583	13	182	34	417	22	409	22	634	20	844	20	1689	16	744	19	1458	20	395	29	490	29	1800	14	1426	15	1972	14	14043	5
bois en décomposition ou vermoulu	0	725	19	210	31	327	31	315	25	380	23	476	29	748	18	485	25	872	24	204	38	429	29	1162	16	1031	16	683	21	8045	6
	1	174	37	0	.	47	54	103	37	171	33	116	36	119	33	126	33	71	38	28	50	32	63	134	34	236	29	272	33	1629	11
	2 ou plus	9	100	0	.	17	100	46	49	51	58	0	.	9	100	15	100	0	.	0	.	0	.	18	100	18	100	19	100	203	27
	total	909	18	210	31	391	30	464	22	601	20	592	26	875	17	626	21	942	23	232	36	461	29	1315	15	1285	16	974	18	9877	6
total	0	4172	9	1018	18	1129	20	1262	17	1629	13	2396	17	4656	13	2833	16	3710	14	1233	21	1505	19	6155	11	5492	10	6809	9	43997	3
	1	926	16	119	49	243	24	279	25	445	19	590	23	842	16	715	21	659	25	196	38	145	31	771	17	797	17	1637	14	8365	6
	2 ou plus	126	41	24	77	55	69	71	41	91	41	74	68	138	64	56	51	21	75	7	100	15	100	157	52	69	69	185	35	1090	16
	total	5224	8	1161	19	1427	18	1612	15	2165	12	3059	16	5636	13	3604	15	4390	14	1437	20	1665	18	7083	11	6359	10	8631	8	53452	3

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.

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. 1196141. Birmensdorf, Swiss Federal Research Institute WSL

page précedente

Sélectionner un thème dans la liste

Estimation et erreur standard de l’estimation

Intervalle de confiance de l’estimation

Significativité de l’estimation

Traitement de valeurs manquantes

Changements

Table citation