Publications du Service canadien des forêts

National forest inventories in the service of small area estimation of stem volume. 2014. Magnussen, S.; Mandallaz, D.; Breidenbach, J.; Lanz, A.; Ginzler, C. Canadian Journal of Forest Research. 44: 1079-1090.

Année : 2014

Disponible au : Centre de foresterie du Pacifique

Numéro de catalogue : 35623

La langue : Anglais

Disponibilité : PDF (demande par courriel)

Disponible sur le site Web de la revue ou du journal.
DOI : 10.1139/cjfr-2013-0448

† Ce site peut exiger des frais.

Sélectionner

Résumé

Cette étude présente cinq aspects qui peuvent améliorer l’inférence dans les cas d’estimations pour de petites régionsgéographiques: (1)les groupes de modèles; (2)les tests de l’effet de région; (3)les meilleures prédictions empiriques linéaires sans biais (EBLUP) conditionnelles; (4)la sélection de modèles; et (5)la combinaison de modèles. Deux études de cas contrastantes, utilisant des données des inventaires forestiers nationaux de la Suisse et de la Norvège sont utilisées pour démontrer ces cinq aspects. La variable d’intérêt ciblée était le volume moyen à l’hectare par tige des terrains forestiers de 108 Districts forestiers (DF) de la Suisse et de 14 municipalités du Comté de Vestfold en Norvège. Des variables auxiliaires provenant de couvertures complètes de balayage laser aéroporté (Suisse) et de nuages de points photogrammétriques (Vestfold), avec une résolution de 25 m × 25 m (Suisse) et de 16 m × 16 m (Vestfold) étaient disponibles. La hauteur moyenne du couvert forestier était la seule donnée métrique statistiquement significative. Dix modèles linéaires a` effets fixes et trois modèles linéaires mixtes ont été évalués. Les effets de région étaient statistiquement significatifs dans le cas de la Suisse mais pas dans le cas du Vestfold. Une sélection de modèle sur la base du critère d’information d’Akaike a préféré des modèles de régression linéaires séparés pour chaque DF, mais un seul modèle de régression commun pour le Vestfold. La combinaison de modèles a augmenté la variance estimée de 15% en moyenne. Les estimations d’incertitude rapportées étaient toujours plus grandes que les meilleures prédictions empiriques linéaires sans biais non conditionnelles correspondantes.