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.

IFN4—IFN5
évolution: nombre de tiges
essence (56 classes)
découpage régional: région de production
unité: 1000 n
ensemble analysé: forêt accessible sans la forêt buissonnante IFN4/IFN5
réseau: réseau 1,4 km, sous-réseaux 1 à 5
évolution 2009/17–2018/26
	région de production
	Jura		Plateau		Préalpes		Alpes		Sud des Alpes		Suisse
essence (56 classes)	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%	1000 n	±%
pas d'indication	.	.	.	.	.	.	.	.	.	.	.	.
Abies alba	58	952	47	1107	411	129	-221	98	146	84	442	218
Larix decidua, Larix kaempferi	40	158	320	72	-43	219	-483	64	214	105	47	976
Picea abies	-3668	24	-3792	29	-2992	44	252	512	1481	65	-8719	29
Pinus cembra	.	.	.	.	.	.	517	64	16	100	533	62
Pinus mugo subsp. uncinata	.	.	.	.	96	77	139	155	107	69	341	70
Pinus mugo subsp. mugo	.	.	.	.	18	100	25	338	.	.	43	201
Pinus nigra	-33	106	.	.	.	.	.	.	.	.	-33	106
Pinus strobus	35	112	56	76	0	0	.	.	.	.	91	64
Pinus sylvestris	-342	34	-498	37	-68	67	-641	41	-18	100	-1567	22
Pseudotsuga menziesii	7	424	-88	92	0	0	.	.	8	100	-73	119
Taxus baccata	24	77	24	232	39	71	17	100	20	100	124	56
autres résineux	-10	100	.	.	-7	100	0	0	.	.	-18	72
Acer campestre	118	54	7	100	15	173	152	64	-16	100	276	44
Acer opalus	-45	122	-19	100	.	.	53	183	.	.	-12	975
Acer platanoides	220	43	83	79	-48	104	-18	215	-1	100	237	56
Acer pseudoplatanus	842	36	588	75	161	152	652	60	400	39	2643	27
Aesculus hippocastanum	0	0	.	.	.	.	.	.	.	.	0	0
Alnus glutinosa	9	280	-123	180	22	100	.	.	-27	154	-120	190
Alnus incana	-72	87	-6	1384	-160	158	-878	40	-279	67	-1395	35
Alnus viridis	.	.	.	.	-65	100	-18	100	.	.	-83	81
Betula pendula	-17	185	293	46	-16	73	-50	549	-556	83	-345	160
Betula pubescens	.	.	.	.	0	0	0	0	7	100	7	100
Carpinus betulus	139	72	24	287	-42	100	-37	100	-20	100	65	208
Castanea sativa	.	.	-23	76	.	.	-72	129	-1931	27	-2026	26
Fagus sylvatica	-1792	38	-169	469	-1241	38	-251	154	328	75	-3125	40
Fraxinus excelsior	-575	60	-1921	20	-1375	32	-595	67	163	70	-4302	18
Fraxinus ornus	.	.	.	.	.	.	.	.	59	139	59	139
Ilex aquifolium	34	71	.	.	18	117	25	79	124	46	201	34
Juglans regia	17	100	25	137	35	97	65	77	0	0	142	50
Laburnum anagyroides	-17	100	.	.	.	.	19	94	0	0	2	1298
Malus sylvestris	-52	100	.	.	.	.	-18	100	.	.	-71	78
Ostrya carpinifolia	.	.	.	.	.	.	.	.	66	203	66	203
Populus alba, Populus x canescens	.	.	34	100	.	.	-18	100	.	.	17	230
Populus nigra s.l.	0	100	-39	66	-28	100	.	.	22	100	-45	97
Populus (autres)	.	.	-87	60	.	.	-7	100	.	.	-94	56
Populus tremula	8	100	-16	391	12	264	59	184	-124	107	-61	302
Prunus avium	45	100	148	89	-11	748	230	90	-2	3692	410	68
Prunus padus	.	.	126	71	.	.	38	71	36	100	200	50
Pyrus communis, Pyrus pyraster	.	.	0	0	.	.	-8	100	.	.	-8	100
Quercus cerris	.	.	.	.	.	.	.	.	-33	102	-33	102
Quercus petraea	-240	34	-319	54	-10	167	-57	99	-62	73	-688	30
Quercus pubescens	68	100	-19	100	.	.	103	124	74	75	227	69
Quercus robur	-60	137	-1	18340	-25	60	0	4442	-73	52	-158	120
Quercus rubra	-7	224	0	0	.	.	.	.	.	.	-7	224
Robinia pseudoacacia	-35	71	-102	75	.	.	-17	100	193	69	39	402
Salix (autres)	133	55	573	45	358	54	-177	144	-65	134	822	52
Sorbus aria	20	633	-69	100	-3	1794	25	374	291	46	264	85
Sorbus aucuparia	-46	184	-51	94	-177	52	182	98	67	104	-25	942
Sorbus torminalis	-28	73	-10	100	.	.	.	.	.	.	-38	60
Tilia cordata	23	284	136	84	-79	74	-21	319	125	96	185	108
Tilia platyphyllos	2	5276	-6	642	64	73	-101	131	7	415	-34	524
Ulmus glabra	-43	159	161	56	209	43	-165	45	51	129	213	82
Ulmus minor	.	.	0	0	-21	100	.	.	.	.	-21	100
autres feuillus	38	100	20	100	.	.	-118	100	18	100	-43	299
autres arbustes	19	240	135	85	-66	104	30	167	219	60	337	59
indéterminable	0	0	0	0	0	0	0	0	0	0	0	0
total	-5182	29	-4557	40	-5020	34	-1390	130	1038	151	-15110	25

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. 1269717. Birmensdorf, Swiss Federal Research Institute WSL

page précedente