Pin sylvestre (Pinus sylvestris)
L'aire de répartition naturelle du pin sylvestre se situe dans les basses plaines de l'Europe et de l'Asie septentrionale. Cette essence pionnière est très peu exigeante quant à la qualité du sol, mais elle a en revanche besoin de beaucoup de lumière. Elle ne peut donc concurrencer de manière durable les autres espèces d’arbres que dans les stations aux conditions extrêmes.
En Suisse, son aire de répartition naturelle se situe dans les Alpes centrales, au nord-est de la Suisse et dans le Jura. La majeure partie des pins sylvestres croît en Valais où l'on trouve aussi les plus importants peuplements d'un seul tenant.
Le pin sylvestre peut atteindre par endroit 2100 m d'altitude; mais il est surtout répandu (80%) en dessous de 1200 m.
Source: Brändli 1998
Fréquence: nombre de tiges, volume
Placettes IFN indiquant une présence entre 1983 et 2023*
* La présence d’une espèce n’est indiquée sur la carte avec un point que si celle-ci a été recensée dans au moins deux périodes d’inventaires différentes.
Nombre de tiges, volume sur pied et arbre moyen
| région de production | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jura | Plateau | Préalpes | Alpes | Sud des Alpes | Suisse | |||||||
| essences d'arbres (60 classes) | 1000 n | ±% | 1000 n | ±% | 1000 n | ±% | 1000 n | ±% | 1000 n | ±% | 1000 n | ±% |
| Pinus sylvestris | 1942 | 16 | 1664 | 13 | 261 | 44 | 7347 | 11 | 306 | 49 | 11519 | 8 |
- nombre de tiges #73
Anzahl Stämme der lebenden Bäume und Sträucher (stehende und liegende) ab 12 cm Brusthöhendurchmesser (BHD). - essences d'arbres (60 classes) #1082
BART123 ist der "kleinste gemeinsame Nenner" der Gehölzlisten der Methoden LFI1, LFI2, LFI3 und LFI4. Die Ableitung ermöglicht einen Vergleich bezüglich Baumarten zwischen nach Methode LFI1, LFI2, LFI3 und LFI4 aufgenommenen Inventuren. Zu beachten ist, dass angenommen wurde, dass Code 9 "übrige Sträucher und Salix sp." alle übrigen Straucharten und Salix sp. enthält. - région de production #49
Die Produktionsregionen sind Regionen mit ähnlichen forstlichen Wuchs- und Produktionsbedingungen, erstellt durch das damalige Bundesamt für Forstwesen für die forstliche Statistik lange vor dem ersten LFI (1983-85). Die Regionenzugehörigkeit wurde definiert über die damaligen Gemeindegrenzen nach unbekannten Kriterien. Das LFI arbeitet sei jeher mit diesen unveränderten Perimetern mit einer winzigen kleinen Ausnahme am Genfersee. In der heutigen Forststatistik (Bundesamt für Statistik, BFS) hat der Begriff Produktionsregionen in «Forstzonen» gewechselt. Diese Regionen werden vom BFS unterhalten und dabei fanden Änderungen statt. Dabei wurde vermehrt auf die Lage des Waldes innerhalb einer Gemeinde Rücksicht genommen. Für einige Gemeinden entlang des Jurabogens bedeutet dies beispielsweise, dass sie neu der Forstzone «Jura» angehören und nicht wie bisher (Produktionsregionen) dem Mittelland. Das LFI hat die alten Perimeter beibehalten, die sich heute mit diversen neuen Gemeindegrenzen nicht mehr decken. - forêt accessible sans la forêt buissonnante #434
Wald, der zu weniger als zwei Dritteln mit Sträuchern bedeckt ist und zu Fuss aufgesucht werden kann. - réseau 1,4 x 1,4 km #410
Stichprobennetz des LFI mit einer Maschenweite von 1,4 km. Beim 1,4-km-Netz handelt es sich um das gemeinsame Netz aller bisherigen terrestrischen Inventuren, weshalb es auch als Basisnetz bezeichnet wird.
-
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 100erreur standard absolue = erreur standard relative × estimation / 100Les 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 absolueet sa limite supérieure
estimation + tQ × erreur standard absolueSi 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.
| région de production | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jura | Plateau | Préalpes | Alpes | Sud des Alpes | Suisse | |||||||
| essences d'arbres (60 classes) | % | ± | % | ± | % | ± | % | ± | % | ± | % | ± |
| Pinus sylvestris | 2.4 | 0.4 | 2.0 | 0.3 | 0.3 | 0.1 | 4.5 | 0.5 | 0.4 | 0.2 | 2.3 | 0.2 |
- nombre de tiges #73
Anzahl Stämme der lebenden Bäume und Sträucher (stehende und liegende) ab 12 cm Brusthöhendurchmesser (BHD). - essences d'arbres (60 classes) #1082
BART123 ist der "kleinste gemeinsame Nenner" der Gehölzlisten der Methoden LFI1, LFI2, LFI3 und LFI4. Die Ableitung ermöglicht einen Vergleich bezüglich Baumarten zwischen nach Methode LFI1, LFI2, LFI3 und LFI4 aufgenommenen Inventuren. Zu beachten ist, dass angenommen wurde, dass Code 9 "übrige Sträucher und Salix sp." alle übrigen Straucharten und Salix sp. enthält. - région de production #49
Die Produktionsregionen sind Regionen mit ähnlichen forstlichen Wuchs- und Produktionsbedingungen, erstellt durch das damalige Bundesamt für Forstwesen für die forstliche Statistik lange vor dem ersten LFI (1983-85). Die Regionenzugehörigkeit wurde definiert über die damaligen Gemeindegrenzen nach unbekannten Kriterien. Das LFI arbeitet sei jeher mit diesen unveränderten Perimetern mit einer winzigen kleinen Ausnahme am Genfersee. In der heutigen Forststatistik (Bundesamt für Statistik, BFS) hat der Begriff Produktionsregionen in «Forstzonen» gewechselt. Diese Regionen werden vom BFS unterhalten und dabei fanden Änderungen statt. Dabei wurde vermehrt auf die Lage des Waldes innerhalb einer Gemeinde Rücksicht genommen. Für einige Gemeinden entlang des Jurabogens bedeutet dies beispielsweise, dass sie neu der Forstzone «Jura» angehören und nicht wie bisher (Produktionsregionen) dem Mittelland. Das LFI hat die alten Perimeter beibehalten, die sich heute mit diversen neuen Gemeindegrenzen nicht mehr decken. - forêt accessible sans la forêt buissonnante #434
Wald, der zu weniger als zwei Dritteln mit Sträuchern bedeckt ist und zu Fuss aufgesucht werden kann. - réseau 1,4 x 1,4 km #410
Stichprobennetz des LFI mit einer Maschenweite von 1,4 km. Beim 1,4-km-Netz handelt es sich um das gemeinsame Netz aller bisherigen terrestrischen Inventuren, weshalb es auch als Basisnetz bezeichnet wird.
-
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 100erreur standard absolue = erreur standard relative × estimation / 100Les 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 absolueet sa limite supérieure
estimation + tQ × erreur standard absolueSi 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.
| région de production | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jura | Plateau | Préalpes | Alpes | Sud des Alpes | Suisse | |||||||
| essences d'arbres (60 classes) | 1000 m³ | ±% | 1000 m³ | ±% | 1000 m³ | ±% | 1000 m³ | ±% | 1000 m³ | ±% | 1000 m³ | ±% |
| Pinus sylvestris | 2094 | 13 | 2726 | 11 | 418 | 47 | 4742 | 10 | 352 | 47 | 10332 | 7 |
- volume des arbres vifs (bois de tige) #21
Schaftholzvolumen in Rinde der lebenden Bäume und Sträucher (stehende und liegende) ab 12 cm Brusthöhendurchmesser (BHD). Dieses entspricht international dem «growing stock». Die Biaskorrektur der Tarifprobebäume kann so stark ausfallen, dass bei kleinen Baumzahlen negative Werte resultieren können. - essences d'arbres (60 classes) #1082
BART123 ist der "kleinste gemeinsame Nenner" der Gehölzlisten der Methoden LFI1, LFI2, LFI3 und LFI4. Die Ableitung ermöglicht einen Vergleich bezüglich Baumarten zwischen nach Methode LFI1, LFI2, LFI3 und LFI4 aufgenommenen Inventuren. Zu beachten ist, dass angenommen wurde, dass Code 9 "übrige Sträucher und Salix sp." alle übrigen Straucharten und Salix sp. enthält. - région de production #49
Die Produktionsregionen sind Regionen mit ähnlichen forstlichen Wuchs- und Produktionsbedingungen, erstellt durch das damalige Bundesamt für Forstwesen für die forstliche Statistik lange vor dem ersten LFI (1983-85). Die Regionenzugehörigkeit wurde definiert über die damaligen Gemeindegrenzen nach unbekannten Kriterien. Das LFI arbeitet sei jeher mit diesen unveränderten Perimetern mit einer winzigen kleinen Ausnahme am Genfersee. In der heutigen Forststatistik (Bundesamt für Statistik, BFS) hat der Begriff Produktionsregionen in «Forstzonen» gewechselt. Diese Regionen werden vom BFS unterhalten und dabei fanden Änderungen statt. Dabei wurde vermehrt auf die Lage des Waldes innerhalb einer Gemeinde Rücksicht genommen. Für einige Gemeinden entlang des Jurabogens bedeutet dies beispielsweise, dass sie neu der Forstzone «Jura» angehören und nicht wie bisher (Produktionsregionen) dem Mittelland. Das LFI hat die alten Perimeter beibehalten, die sich heute mit diversen neuen Gemeindegrenzen nicht mehr decken. - forêt accessible sans la forêt buissonnante #434
Wald, der zu weniger als zwei Dritteln mit Sträuchern bedeckt ist und zu Fuss aufgesucht werden kann. - réseau 1,4 x 1,4 km #410
Stichprobennetz des LFI mit einer Maschenweite von 1,4 km. Beim 1,4-km-Netz handelt es sich um das gemeinsame Netz aller bisherigen terrestrischen Inventuren, weshalb es auch als Basisnetz bezeichnet wird.
-
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 100erreur standard absolue = erreur standard relative × estimation / 100Les 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 absolueet sa limite supérieure
estimation + tQ × erreur standard absolueSi 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.
| région de production | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jura | Plateau | Préalpes | Alpes | Sud des Alpes | Suisse | |||||||
| essences d'arbres (60 classes) | % | ± | % | ± | % | ± | % | ± | % | ± | % | ± |
| Pinus sylvestris | 2.8 | 0.4 | 3.1 | 0.3 | 0.4 | 0.2 | 3.9 | 0.4 | 0.9 | 0.4 | 2.5 | 0.2 |
- volume des arbres vifs (bois de tige) #21
Schaftholzvolumen in Rinde der lebenden Bäume und Sträucher (stehende und liegende) ab 12 cm Brusthöhendurchmesser (BHD). Dieses entspricht international dem «growing stock». Die Biaskorrektur der Tarifprobebäume kann so stark ausfallen, dass bei kleinen Baumzahlen negative Werte resultieren können. - essences d'arbres (60 classes) #1082
BART123 ist der "kleinste gemeinsame Nenner" der Gehölzlisten der Methoden LFI1, LFI2, LFI3 und LFI4. Die Ableitung ermöglicht einen Vergleich bezüglich Baumarten zwischen nach Methode LFI1, LFI2, LFI3 und LFI4 aufgenommenen Inventuren. Zu beachten ist, dass angenommen wurde, dass Code 9 "übrige Sträucher und Salix sp." alle übrigen Straucharten und Salix sp. enthält. - région de production #49
Die Produktionsregionen sind Regionen mit ähnlichen forstlichen Wuchs- und Produktionsbedingungen, erstellt durch das damalige Bundesamt für Forstwesen für die forstliche Statistik lange vor dem ersten LFI (1983-85). Die Regionenzugehörigkeit wurde definiert über die damaligen Gemeindegrenzen nach unbekannten Kriterien. Das LFI arbeitet sei jeher mit diesen unveränderten Perimetern mit einer winzigen kleinen Ausnahme am Genfersee. In der heutigen Forststatistik (Bundesamt für Statistik, BFS) hat der Begriff Produktionsregionen in «Forstzonen» gewechselt. Diese Regionen werden vom BFS unterhalten und dabei fanden Änderungen statt. Dabei wurde vermehrt auf die Lage des Waldes innerhalb einer Gemeinde Rücksicht genommen. Für einige Gemeinden entlang des Jurabogens bedeutet dies beispielsweise, dass sie neu der Forstzone «Jura» angehören und nicht wie bisher (Produktionsregionen) dem Mittelland. Das LFI hat die alten Perimeter beibehalten, die sich heute mit diversen neuen Gemeindegrenzen nicht mehr decken. - forêt accessible sans la forêt buissonnante #434
Wald, der zu weniger als zwei Dritteln mit Sträuchern bedeckt ist und zu Fuss aufgesucht werden kann. - réseau 1,4 x 1,4 km #410
Stichprobennetz des LFI mit einer Maschenweite von 1,4 km. Beim 1,4-km-Netz handelt es sich um das gemeinsame Netz aller bisherigen terrestrischen Inventuren, weshalb es auch als Basisnetz bezeichnet wird.
-
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 100erreur standard absolue = erreur standard relative × estimation / 100Les 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 absolueet sa limite supérieure
estimation + tQ × erreur standard absolueSi 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.
| région de production | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jura | Plateau | Préalpes | Alpes | Sud des Alpes | Suisse | |||||||
| essences d'arbres (60 classes) | m³/n | ± | m³/n | ± | m³/n | ± | m³/n | ± | m³/n | ± | m³/n | ± |
| Pinus sylvestris | 1.08 | 0.11 | 1.64 | 0.17 | 1.60 | 0.58 | 0.65 | 0.05 | 1.15 | 0.12 | 0.90 | 0.05 |
- volume des arbres vifs (bois de tige) #21
Schaftholzvolumen in Rinde der lebenden Bäume und Sträucher (stehende und liegende) ab 12 cm Brusthöhendurchmesser (BHD). Dieses entspricht international dem «growing stock». Die Biaskorrektur der Tarifprobebäume kann so stark ausfallen, dass bei kleinen Baumzahlen negative Werte resultieren können. - nombre de tiges #73
Anzahl Stämme der lebenden Bäume und Sträucher (stehende und liegende) ab 12 cm Brusthöhendurchmesser (BHD). - essences d'arbres (60 classes) #1082
BART123 ist der "kleinste gemeinsame Nenner" der Gehölzlisten der Methoden LFI1, LFI2, LFI3 und LFI4. Die Ableitung ermöglicht einen Vergleich bezüglich Baumarten zwischen nach Methode LFI1, LFI2, LFI3 und LFI4 aufgenommenen Inventuren. Zu beachten ist, dass angenommen wurde, dass Code 9 "übrige Sträucher und Salix sp." alle übrigen Straucharten und Salix sp. enthält. - région de production #49
Die Produktionsregionen sind Regionen mit ähnlichen forstlichen Wuchs- und Produktionsbedingungen, erstellt durch das damalige Bundesamt für Forstwesen für die forstliche Statistik lange vor dem ersten LFI (1983-85). Die Regionenzugehörigkeit wurde definiert über die damaligen Gemeindegrenzen nach unbekannten Kriterien. Das LFI arbeitet sei jeher mit diesen unveränderten Perimetern mit einer winzigen kleinen Ausnahme am Genfersee. In der heutigen Forststatistik (Bundesamt für Statistik, BFS) hat der Begriff Produktionsregionen in «Forstzonen» gewechselt. Diese Regionen werden vom BFS unterhalten und dabei fanden Änderungen statt. Dabei wurde vermehrt auf die Lage des Waldes innerhalb einer Gemeinde Rücksicht genommen. Für einige Gemeinden entlang des Jurabogens bedeutet dies beispielsweise, dass sie neu der Forstzone «Jura» angehören und nicht wie bisher (Produktionsregionen) dem Mittelland. Das LFI hat die alten Perimeter beibehalten, die sich heute mit diversen neuen Gemeindegrenzen nicht mehr decken. - forêt accessible sans la forêt buissonnante #434
Wald, der zu weniger als zwei Dritteln mit Sträuchern bedeckt ist und zu Fuss aufgesucht werden kann. - réseau 1,4 x 1,4 km #410
Stichprobennetz des LFI mit einer Maschenweite von 1,4 km. Beim 1,4-km-Netz handelt es sich um das gemeinsame Netz aller bisherigen terrestrischen Inventuren, weshalb es auch als Basisnetz bezeichnet wird.
-
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 100erreur standard absolue = erreur standard relative × estimation / 100Les 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 absolueet sa limite supérieure
estimation + tQ × erreur standard absolueSi 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.
| région de production | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jura | Plateau | Préalpes | Alpes | Sud des Alpes | Suisse | |||||||
| essences d'arbres (60 classes) | 1000 m³/an | ±% | 1000 m³/an | ±% | 1000 m³/an | ±% | 1000 m³/an | ±% | 1000 m³/an | ±% | 1000 m³/an | ±% |
| Pinus sylvestris | 26 | 32 | 33 | 19 | 2 | 118 | 75 | 20 | 9 | 47 | 143 | 13 |
- accroissement (accroissement brut) #11
Zunahme des Schaftholzvolumens in Rinde der zwischen zwei Inventuren überlebenden Bäume und Sträucher ab 12 cm Brusthöhendurchmesser (BHD), das Schaftholzvolumen in Rinde aller eingewachsenen Bäume und Sträucher und die modellierte Zunahme des Schaftholzvolumens in Rinde der Abgänge während der halben Inventurperiode. Die Biaskorrektur der Tarifprobebäume kann so stark sein, dass bei kleinen Baumzahlen negative Werte resultieren können. Daher bei Auswertungen für kleine Kantone oder für Forstkreise die Zielgrösse «Zuwachs (Bruttozuwachs)*» verwenden. - essences d'arbres (60 classes) #1082
BART123 ist der "kleinste gemeinsame Nenner" der Gehölzlisten der Methoden LFI1, LFI2, LFI3 und LFI4. Die Ableitung ermöglicht einen Vergleich bezüglich Baumarten zwischen nach Methode LFI1, LFI2, LFI3 und LFI4 aufgenommenen Inventuren. Zu beachten ist, dass angenommen wurde, dass Code 9 "übrige Sträucher und Salix sp." alle übrigen Straucharten und Salix sp. enthält. - région de production #49
Die Produktionsregionen sind Regionen mit ähnlichen forstlichen Wuchs- und Produktionsbedingungen, erstellt durch das damalige Bundesamt für Forstwesen für die forstliche Statistik lange vor dem ersten LFI (1983-85). Die Regionenzugehörigkeit wurde definiert über die damaligen Gemeindegrenzen nach unbekannten Kriterien. Das LFI arbeitet sei jeher mit diesen unveränderten Perimetern mit einer winzigen kleinen Ausnahme am Genfersee. In der heutigen Forststatistik (Bundesamt für Statistik, BFS) hat der Begriff Produktionsregionen in «Forstzonen» gewechselt. Diese Regionen werden vom BFS unterhalten und dabei fanden Änderungen statt. Dabei wurde vermehrt auf die Lage des Waldes innerhalb einer Gemeinde Rücksicht genommen. Für einige Gemeinden entlang des Jurabogens bedeutet dies beispielsweise, dass sie neu der Forstzone «Jura» angehören und nicht wie bisher (Produktionsregionen) dem Mittelland. Das LFI hat die alten Perimeter beibehalten, die sich heute mit diversen neuen Gemeindegrenzen nicht mehr decken. - forêt accessible sans la forêt buissonnante IFN3/IFN4 #1429
Wald, der sowohl im LFI3 (2004-2006) als auch im LFI4 (2009-2017) zu weniger als zwei Dritteln mit Sträuchern bedeckt war und zu Fuss aufgesucht werden konnte. - réseau 1,4 x 1,4 km #410
Stichprobennetz des LFI mit einer Maschenweite von 1,4 km. Beim 1,4-km-Netz handelt es sich um das gemeinsame Netz aller bisherigen terrestrischen Inventuren, weshalb es auch als Basisnetz bezeichnet wird.
-
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 100erreur standard absolue = erreur standard relative × estimation / 100Les 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 absolueet sa limite supérieure
estimation + tQ × erreur standard absolueSi 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.
| région de production | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Jura | Plateau | Préalpes | Alpes | Sud des Alpes | Suisse | |||||||
| essences d'arbres (60 classes) | 1000 m³/an | ±% | 1000 m³/an | ±% | 1000 m³/an | ±% | 1000 m³/an | ±% | 1000 m³/an | ±% | 1000 m³/an | ±% |
| Pinus sylvestris | 51 | 19 | 111 | 20 | 5 | 57 | 88 | 18 | 6 | 60 | 267 | 11 |
- exploitations et mortalité #13
Schaftholzvolumen in Rinde aller Bäume und Sträucher ab 12 cm Brusthöhendurchmesser (BHD), die zwischen zwei Inventuren genutzt wurden, abgestorben oder verschwunden sind. Die Biaskorrektur der Tarifprobebäume kann so stark ausfallen, dass bei kleinen Baumzahlen negative Werte resultieren können. Daher bei Auswertungen für kleine Kantone oder für Forstkreise die Zielgrösse «Nutzung* und Mortalität*» verwenden. - essences d'arbres (60 classes) #1082
BART123 ist der "kleinste gemeinsame Nenner" der Gehölzlisten der Methoden LFI1, LFI2, LFI3 und LFI4. Die Ableitung ermöglicht einen Vergleich bezüglich Baumarten zwischen nach Methode LFI1, LFI2, LFI3 und LFI4 aufgenommenen Inventuren. Zu beachten ist, dass angenommen wurde, dass Code 9 "übrige Sträucher und Salix sp." alle übrigen Straucharten und Salix sp. enthält. - région de production #49
Die Produktionsregionen sind Regionen mit ähnlichen forstlichen Wuchs- und Produktionsbedingungen, erstellt durch das damalige Bundesamt für Forstwesen für die forstliche Statistik lange vor dem ersten LFI (1983-85). Die Regionenzugehörigkeit wurde definiert über die damaligen Gemeindegrenzen nach unbekannten Kriterien. Das LFI arbeitet sei jeher mit diesen unveränderten Perimetern mit einer winzigen kleinen Ausnahme am Genfersee. In der heutigen Forststatistik (Bundesamt für Statistik, BFS) hat der Begriff Produktionsregionen in «Forstzonen» gewechselt. Diese Regionen werden vom BFS unterhalten und dabei fanden Änderungen statt. Dabei wurde vermehrt auf die Lage des Waldes innerhalb einer Gemeinde Rücksicht genommen. Für einige Gemeinden entlang des Jurabogens bedeutet dies beispielsweise, dass sie neu der Forstzone «Jura» angehören und nicht wie bisher (Produktionsregionen) dem Mittelland. Das LFI hat die alten Perimeter beibehalten, die sich heute mit diversen neuen Gemeindegrenzen nicht mehr decken. - forêt accessible sans la forêt buissonnante IFN3/IFN4 #1429
Wald, der sowohl im LFI3 (2004-2006) als auch im LFI4 (2009-2017) zu weniger als zwei Dritteln mit Sträuchern bedeckt war und zu Fuss aufgesucht werden konnte. - réseau 1,4 x 1,4 km #410
Stichprobennetz des LFI mit einer Maschenweite von 1,4 km. Beim 1,4-km-Netz handelt es sich um das gemeinsame Netz aller bisherigen terrestrischen Inventuren, weshalb es auch als Basisnetz bezeichnet wird.
-
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 100erreur standard absolue = erreur standard relative × estimation / 100Les 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 absolueet sa limite supérieure
estimation + tQ × erreur standard absolueSi 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.