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
volume des arbres vifs (bois de tige)
type de forêt (17 classes)
découpage régional: canton
unité: 1000 m³
ensemble analysé: forêt accessible sans la forêt buissonnante IFN1-IFN5
réseau: réseau 1,4 km, sous-réseaux 1 à 5
état 2009/17
	canton
	AG		AI		AR		BE		BL/BS		FR		GE		GL		GR		JU		LU		NE		NW		OW		SG		SH		SO		SZ		TG		TI		UR		VD		VS		ZG		ZH		Suisse
type de forêt (17 classes)	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%	1000 m³	±%
pas d'indication	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.
forêt inaccessible	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.
forêt buissonnante	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.
surface forestière en permanence non boisée	526	55	0	.	0	.	1434	38	162	100	903	50	0	.	150	100	282	51	222	81	921	68	121	100	0	.	32	100	369	89	297	72	83	95	19	100	159	100	52	92	0	.	347	64	1218	56	0	.	225	100	7521	18
surface forestière temporairement non boisée	0	100	0	0	0	.	333	55	0	.	105	95	9	100	0	.	658	46	0	.	24	100	0	.	0	.	21	96	0	0	0	.	0	.	139	86	0	.	0	0	0	.	57	120	80	70	0	0	0	.	1424	28
tranchée, talus	0	.	0	.	0	.	0	.	0	.	0	.	0	.	80	100	55	100	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	143	100	91	81	0	.	103	100	0	.	0	.	47	100	518	42
peuplement clairsemé	0	.	0	.	72	100	216	56	12	100	0	.	0	.	204	62	1966	26	108	100	27	100	46	100	0	.	104	70	227	96	145	100	-6	100	308	71	0	.	344	57	110	100	1211	28	1057	38	0	.	0	.	6152	14
selve, culture d'arbres	0	.	0	.	0	.	0	.	0	.	262	100	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	233	62	0	.	269	100	0	.	0	.	0	.	763	53
taillis	0	.	0	.	0	.	44	100	0	.	40	100	99	100	15	100	1271	31	168	100	0	.	0	.	0	.	37	100	51	95	0	.	144	100	0	.	126	100	6727	12	154	87	257	49	814	45	0	.	0	.	9945	10
taillis-sous-futaie	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	160	100	0	.	0	.	0	.	0	.	0	.	143	100	283	72	0	.	0	.	0	.	548	41	0	.	100	100	12	100	0	.	0	.	1247	31
futaie d'aspect jardiné	228	79	-1	100	0	.	6044	18	0	.	112	99	0	.	243	86	4692	17	529	45	568	47	3265	21	195	100	401	51	503	51	0	.	107	79	133	62	98	100	1516	31	582	50	868	34	3458	19	113	100	883	40	24538	8
futaie irrégulière	900	39	0	.	0	.	11375	13	681	42	1595	31	0	.	626	52	7341	15	2174	28	3439	24	1869	28	436	70	1801	31	3390	25	0	.	1627	32	522	48	775	46	4300	17	980	40	4668	18	6127	16	88	100	698	47	55411	5
recrû/fourré	782	34	0	.	171	82	1570	26	53	97	449	37	0	.	222	71	860	40	41	80	686	41	209	79	0	.	30	96	432	44	60	100	2	100	52	67	88	64	93	69	30	100	427	40	482	39	61	76	610	37	7410	11
perchis	1679	28	0	.	252	69	2892	18	613	41	848	38	0	.	103	86	2420	18	605	52	1539	27	426	31	313	75	63	100	498	41	614	41	473	39	685	44	1170	31	1790	21	467	47	2356	22	2024	23	207	74	2090	25	24127	6
jeune futaie	921	34	161	100	479	72	5842	16	682	39	2885	27	254	71	647	58	3691	19	840	42	1512	36	503	63	605	56	564	46	2971	24	1047	37	1657	29	782	41	1195	40	2738	21	867	47	2820	23	2288	24	131	100	2528	23	38606	6
futaie moyenne	2524	23	1539	40	1647	40	9645	14	1847	31	4783	21	0	.	1765	38	11340	12	4642	21	2585	27	1368	30	509	58	727	59	4080	22	1473	36	2758	23	2522	28	2591	28	2756	22	2273	34	6556	17	3637	22	508	59	5545	18	79618	4
vieille futaie	5977	18	1460	46	3020	34	27297	9	1532	38	4526	23	252	100	2103	37	14639	12	2956	27	8640	18	3431	26	698	58	2675	32	9189	17	1250	43	3271	25	4968	21	3178	27	3779	23	1048	46	10783	14	7281	16	190	100	5744	19	129885	4
total	13536	11	3158	29	5641	22	66691	5	5581	16	16508	11	614	53	6159	19	49373	5	12284	12	19942	11	11237	11	2756	27	6455	18	21853	10	5169	18	10114	12	10129	14	9523	14	24967	5	6511	17	30820	7	28478	7	1297	33	18369	9	387165	1

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. 1232838. Birmensdorf, Swiss Federal Research Institute WSL

page précedente