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 IFN4/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	.	2589	33	321	63	992	46	0	.	300	71	429	38	222	81	1067	60	121	100	0	.	32	100	827	68	297	72	83	95	202	75	159	100	173	64	9	100	475	54	1482	48	0	.	236	95	10543	15
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	122	56	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	0	.	143	100	91	81	0	.	103	100	6	100	0	.	47	100	591	38
peuplement clairsemé	0	.	0	.	72	100	300	44	12	100	0	.	18	100	251	53	2907	19	108	100	27	100	50	92	128	74	227	50	227	96	145	100	-6	100	342	64	0	.	752	31	115	97	1630	23	1379	30	0	.	0	0	8684	11
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	.	442	72	0	.	0	.	0	.	937	47
taillis	0	.	0	.	0	.	104	60	0	.	40	100	99	100	15	100	1333	30	168	100	4	100	0	.	0	.	37	100	124	71	0	.	144	100	0	.	126	100	6845	12	154	87	287	45	827	45	0	.	0	.	10305	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	.	6062	18	0	.	370	58	0	.	243	86	5207	16	529	45	568	47	3265	21	195	100	401	51	703	46	0	.	107	79	133	62	98	100	1873	27	582	50	1030	33	3678	18	113	100	883	40	26266	7
futaie irrégulière	900	39	0	.	0	.	12190	13	681	42	1595	31	0	.	626	52	8346	15	2174	28	3559	23	1869	28	436	70	1900	29	3688	24	0	.	1627	32	872	41	775	46	4612	16	1055	38	4668	18	6400	15	88	100	698	47	58759	5
recrû/fourré	931	33	0	.	171	82	1601	25	53	97	497	35	0	.	222	71	1019	36	41	80	686	41	209	79	6	100	30	96	443	43	60	100	2	100	54	65	88	64	132	53	39	79	427	40	509	37	61	76	610	37	7891	11
perchis	1679	28	0	.	252	69	3037	17	613	41	848	38	0	.	151	63	2992	16	605	52	1539	27	426	31	313	75	107	72	498	41	614	41	473	39	878	38	1170	31	2359	19	553	42	2642	21	2313	21	207	74	2090	25	26360	6
jeune futaie	921	34	161	100	479	72	5842	16	682	39	2950	27	254	71	647	58	3947	18	840	42	1512	36	503	63	605	56	564	46	2971	24	1047	37	1657	29	782	41	1195	40	2817	20	867	47	2820	23	2514	23	659	61	2528	23	39761	6
futaie moyenne	2524	23	1539	40	1647	40	9944	14	1847	31	4783	21	0	.	1813	37	11611	12	4642	21	2585	27	1368	30	509	58	727	59	4330	21	1473	36	2898	23	2522	28	2591	28	2756	22	2487	32	6556	17	3908	21	508	59	5610	18	81176	4
vieille futaie	5977	18	1664	42	3020	34	27961	9	2111	34	4526	23	252	100	2103	37	14868	12	2956	27	8843	18	3431	26	698	58	2675	32	9904	17	1250	43	3271	25	4968	21	3616	27	3891	22	1048	46	11090	14	7465	15	190	100	5744	19	133518	4
total	13685	11	3362	28	5641	22	69962	5	6320	16	16966	11	632	51	6452	18	53598	5	12284	12	20415	10	11241	11	2890	26	6720	17	23858	9	5169	18	10254	12	10892	13	9960	14	27082	5	6908	17	32328	7	30572	7	1826	31	18446	9	407462	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. 1232858. Birmensdorf, Swiss Federal Research Institute WSL

page précedente