Analyse des données forestières

Cours 7: Éléments de l'analyse des données

• Ce cours offre une orientation sur les approches et calculs typiques utilisés dans les analyses de données forestières et des sujets connexes.
• Il s'adresse principalement aux personnes impliquées dans l'analyse des données du suivi des forêts, mais peut être utile à toute personne intéressée par le sujet.

Structure du cours

• Le cours comprend cinq leçons.
• Leçon 1 introduit les questions importantes pour l'analyse de données typique après la collecte et le nettoyage, mais qui doivent aussi être considérées durant la planification et la mise en œuvre de l'inventaire.
• Leçon 2 présente une vue d'ensemble du processus de génération de résultats à partir des données d'échantillon, soulignant qu'elle ne couvre que les éléments de base de l'estimation statistique.
• Leçon 3 aborde l'utilisation de modèles statistiques dans le suivi des forêts, en soulignant les considérations à prendre en compte lors de leur utilisation.
• Leçon 4 examine les diverses erreurs aléatoires qui surviennent durant le processus d'IFN, en expliquant comment les différentes sources d'erreur se propagent à l'erreur totale du résultat final.
• Leçon 5 traite des produits typiques des analyses de données dans le suivi des forêts et aborde les grands produits générés par l'analyse des données des IFN.

Leçon 1: Introduction à l'analyse de données

• L'analyse de données a lieu entre la collecte et la publication des résultats, une fois les données enregistrées, organisées et nettoyées.
• Les considérations relatives à l'analyse de données sont pertinentes durant tout le processus d'inventaire car l'un des objectifs transversaux de tout inventaire forestier est de générer une base de données pertinente et fiable.
• La qualité des données détermine la qualité des produits.
• Il est nécessaire de s'assurer que toutes les variables (qui sont nécessaires pour produire les produits ciblés) font partie du protocole d'inventaire.
• Il est recommandé d'éviter d'enregistrer des variables qui ne sont pas nécessaires dans les analyses à moins que l'on anticipe que les données seront utilisées à l'avenir pour des questions émergentes potentielles.
• Il faut observer et enregistrer les variables nécessaires, définir le plan d'échantillonnage et le plan parcellaire et mettre en place des protocoles d'assurance qualité pour les données.
• Les analyses de données doivent être méthodologiquement fondées, cohérentes, complètes et documentées avec transparence, tout en étant justifiables et conformes à la conception de l'inventaire.
• Il faut traiter tous les besoins en information formulés avant la collecte des données et étendre les analyses aux questions méthodologiques et pratiques qui appuient la planification efficace des inventaires de suivi.
• Il faut aussi contre-vérifier la correction de tous les résultats, y compris les résultats intermédiaires

Nettoyage des données

• Les analyses de données ne peuvent commencer que si les données sont cohérentes, nettoyées, et toutes les erreurs et les incohérences identifiables sont éliminées.
• Des erreurs de données peuvent parfois ne pas être identifiées durant le processus courant de nettoyage, mais apparaissent lorsque les résultats ne semblent pas plausibles.
• Il est alors nécessaire de revisiter le processus de nettoyage des données pour identifier les erreurs potentielles.

Considérations sur les logiciels pour l'analyse de données

• La dernière décennie a connu un développement rapide de solutions logicielles pour les IFN.
• La tendance actuelle consiste à utiliser des scripts R et des paquets R déjà existants.
• Pour les petits inventaires, les analyses peuvent être mises en œuvre avec des feuilles de calculs, des scripts R et un logiciel spécifique comme ceux mis au point par la FAO.
• Des étapes d'analyse singulières ou des flux de travail complets peuvent aussi être résolus en mettant en œuvre des estimateurs statistiques dans un modèle de données adapté utilisant un logiciel de Business Intelligence (BI).
• Les logiciels de BI ne couvrent pas les bons estimateurs à appliquer pour produire les résultats, ils doivent être correctement inclus sous forme de formules.
• Bien qu'il n'existe pas de logiciel unique, des procédures spécifiques peuvent être mises en œuvre pour chaque inventaire forestier reflétant la conception de l'inventaire.
• Des vérifications rigoureuses sont nécessaires pour assurer que les résultats sont corrects en demandant à deux analystes de données de mener les mêmes analyses indépendamment et de comparer ensuite les résultats.

Leçon 2: Estimation

• L'estimation, processus qui génère des résultats à partir des données d'échantillon, est fondamentale dans les analyses de données.
• Les IFN utilisent diverses sources de données (terrain, télédétection) pour des estimations qui proviennent soit d'observations des variables cibles, soit de données auxiliaires, soit entièrement de modèles.
• Les estimations sont des variables aléatoires, contrairement aux valeurs vraies dans la population.
• Les estimations servent à connaître la population.
• Plus l'erreur-type est petite, plus on peut supposer que les estimations sont proches de la vraie valeur paramétrique.

Principes généraux de l'estimation statistique

• Les calculs doivent strictement correspondre au plan d'échantillonnage et au plan parcellaire utilisés.
• Les estimateurs utilisés doivent être non biaisés.
• L'estimateur par ratio est approximativement non biaisé dans certaines circonstances.
• Il n'y a pas d'estimateur non biaisé pour la variance d'erreur dans l'échantillonnage systématique.
• Il n'y a pas d'approche non biaisée pour analyser les parcelles d'échantillonnage qui incluent les arbres k les plus proches.

Estimations ponctuelles et par intervalle

• L'estimation ponctuelle informe le point sur l'axe numérique où se situe l'estimation, et l'estimation par intervalle informe la variabilité estimée de cette estimation ponctuelle
• Les estimations ponctuelles produisent l'information centrale.
• L'écart entre l'estimation ponctuelle et le vrai paramètre de la population est la variabilité dans l'échantillonnage ou l'erreur d'échantillonnage.
• La distribution des estimations ponctuelles doit être connue pour permettre cette inférence probabiliste de la vraie valeur de la population.

Méthodes d'auto-amorçage et du couteau suisse

• Dans certains plans d'inventaire où un estimateur est trop complexe, un rééchantillonnage est indiqué.
• L'auto-amorçage est la technique la plus utilisée lorsque les intervalles de confiance sont déterminés dans des plans complexes où des estimateurs non biaisés directs ne sont pas disponibles.
• L'auto-amorçage «sans remise» signifie qu'un sous-échantillon de taille n est pris dans la taille de l'échantillon original sans remettre les éléments sélectionnés dans l'ensemble.
• L'auto-amorçage «avec remise» signifie que la même observation peut être sélectionnée plusieurs fois dans l'échantillon d'amorçage.
• Pour chaque échantillon d'amorçage, la statistique cible est calculée.

Données auxiliaires dans l'estimation des inventaires forestiers

• Les données auxiliaires proviennent de l'observation de variables auxiliaires pour améliorer la précision de l'estimation des variables cibles.
• L'information de la variable auxiliaire dans l'estimation de la variable cible est extraite et intégrée.
• Elles permettent des analyses spécifiques et une évaluation des relations entre les variables cibles et auxiliaires.

Leçon 3: Modèles statistiques dans le suivi des forêts

• Les modèles statistiques cherchent à établir une relation quantitative entre une variable réponse et une ou plusieurs variables explicatives.
• Essentiellement, un modèle statistique prédit une valeur pour une variable cible, ce qui est utile lorsque la variable cible ne peut pas être mesurée ou qu'une mesure est exigeante en termes de temps/de coût.
• Les modèles statistiques décrivent la relation entre les données/observations de deux variables, mais ne servent pas à établir une relation de cause à effet.
• Les modèles statistiques ne servent pas à établir une relation de cause à effet (contrairement modèles de processus).
• Il existe différents types de modèles, de complexité variable.
• Un modèle de base est l'hypothèse selon laquelle la structure transversale des arbres à hauteur de poitrine sera toujours un cercle.
• D'autres modèles de base sont de simples facteurs qui sont fréquemment utilisés pour convertir par - la biomasse de la tige en biomasse totale ou la biomasse aérienne (AGB) en biomasse souterraine (BGB).
• Les types de modèle sont couramment générés par des études de recherche préalables à l'inventaire.
• Dans le contexte l'estimation des hauteurs totales des arbres, les mesures de hauteur prennent du temps sont donc chères, donc les hauteurs sont seulement mesurées pour un sous-ensemble d'arbres échantillons.
• Les exemples de modèles construits pendant la mise en œuvre de l'inventaire sont donnés lorsque des variables auxiliaires sont observées pour leur utilisation avec des estimateurs par ratio et par régression.

Principales caractéristiques des modèles statistiques

• Les modèles prédisent des valeurs moyennes, et non pas de vraies valeurs.
• Les modèles statistiques s'appuient sur des observations des échantillons, et les coefficients de modèles sont eux-mêmes des estimations.
• Les modèles statistiques sont caractérisés par des mesures statistiques.
• Les modèles statistiques emploient des points de données variables.

Modèles valables pour des conditions spécifiques

• Les données de base utilisées pour construire un modèle co-définissent la validité du modèle pour un objectif d'inventaire spécifique. Lorsque l'on parle de données de base, on se réfère aux facteurs moyens comme la région géographique, les espèces d'arbre et la plage de variables d'entrée.
• Il existe plusieurs étapes pour construire son propre modèle de biomasse: commencer par des définitions, déterminer le nombre d'arbres échantillons à abattre, sélectionner les arbres échantillons, mesurer les arbres échantillons sur pied, abattre les arbres échantillons, gérer les données des arbres échantillons et identifier un modèle mathématique adéquat pour l'ensemble de données.
  • Une analyse habituelle consiste à créer un modèle en utilisant une sélection aléatoire de 75% des arbres échantillons, puis d'évaluer la performance du modèle en utilisant les 25%restants des arbres échantillons. Ici, il est important identifier un modèle mathématique adéquat, en se basant sur la corrélation entres des variables explicatives, une caractéristique de la biomasse, et un colinéarité

Leçon 4: Erreurs dans le suivi des forêts

• L'erreur est définie comme la variabilité résiduelle dans les études par échantillonnage empiriques.
• La présence et la magnitude des erreurs sont importants pour la crédibilité des résultats d'inventaire.
• L'erreur-type est souvent présentée comme une fonction de l'effort.
• Il y a trois types d'erreur qui arrivent dans le suivi des forêts: l'erreur de mesure, l'erreur de modèle et l'erreur d'échantillonnage.
• L'erreur de mesure se manifeste lorsqu'une observation est réalisée et est sujette à une variabilité résiduelle. L'erreur de modèle survient dans les estimations réalisées à l'aide de modèles (tels que les modèles de biomasse). L'erreur d'échantillonnage provient du fait que l'on n'observe qu'un échantillon de la population.

Comment traiter les erreurs dans le suivi des forêts

• Si les erreurs systématiques peuvent être évitées, les erreurs aléatoires arrivent toujours: l'objectif est alors de les réduire par une planification et une mise en oeuvre rigoureuses.
• Les estimations doivent portées des erreurs raisonnablement faibles.
• Le plus important est d'éviter les erreurs systématiques causées par exemple par un mauvais calibrage.
• Il est apparait clairement que toutes les erreurs qui sont entrées à différentes étapes du processus auront un impact sur l'erreur totale de la variable cible , car leur impact se propagera à travers les différentes étapes du processus d'inventaire jusqu'à la la variable cible finale.
• Il faut tenir compte de la façon dont le mécanisme de propagation d'erreur fonctionne et de la mesure dans laquelle les différentes erreurs contribuent à l'erreur totale.

Leçon 5: Produits typiques des analyses de données

• L'objectif principal est de transformer les données des IFN en information significative pour les parties prenantes et les parties intéressées.
• Il est toujours préférable d'avoir une idée claire des produits potentiels des analyses des données d'IFN durant la phase de planification dans la phase d'EBI. Il est également possible de de lister tous les produits potentiels des analyses de données d'IFN et de les réduire pour obtenir des attentes réalistes.
• Les analyses de données doivent générer la statistique normalisées, les cartes, l'optimisation de la configuration de l'IFN, et l'utilisation dans le secteur universitaires.
• Les estimations des surfaces incluent:: il est également à la surface forestière, les surfaces ou pourcentage de surface pour des espèces d'arbre particulières, les surfaces par type de gestion, par statut de protection, par état de dégradation, par propriété, ou par caractéristiques topographiques.
• Les analyses de données pour une optimisation futurs de l'IEN, et une utilisation des données d'IEN dans le secteur universitaire.
• Les principaux éléments qui caractérisent les analyses de données sont la transparence, l'exactitude, la cohérence, l'exhaustivité et la comparabilité. Il est essentiel de se garantir que:
• l'analyse de données soit «blindée» et correcte et puisse être défendue sur la base de la documentation complète et transparente
• l'interprétation des conclusions soit compatible avec les résultats des analyses. L'analyse de données doit s'intéresser à la fois à la source de données (appartenant à la collecte de données/gestion de données) et à la manière dont des produits de l'analyse seront utilisés et traités (élaboration des rapports)