Références

Boom, B.M. 1989. Use of plant resources by the Chacobo. pp. 78-96. In: Posey, D.A. & Balee, W. (eds). Resource management in Amazonia: Indigenous and folk strategies. Advances in Economic Botany 7. 287 pp.

Chandrasekharan, C. 1995. Terminology, definition and classification of forest products other than wood. pp. 345-380. In: Report of the International expert consultation on non-wood forest products. Yogyakarta, Indonesia. 17-27 January 1995. Produits forestiers non ligneux No. 3, FAO. Rome. 465 pp.

Dunn, R.M., Out, D.O. & Wong, J.L.G. 1994. Report of the reconnaissance inventory of the high forest and swamp forest areas in Cross River State, Nigeria. Cross River State Forestry Project (ODA Assisted), Calabar, Nigeria. 7 pp.

Edwards, I. 1991. Quantitative ethnobotanical survey of a hectare of tropical forest near Toraut, Dumogo Bone National Park, Northern Sulawesi, Indonesia. Sulawesi Ethnobotanical Project. Preliminary Report. 8 pp.

FitzGibbon, C.D., Mogaka, H. & Fanshawe, J.H. 1995. Subsistence hunting in Arabuko-Sokoke Forest, Kenya, and its effects on mammal populations. Conservation Biology 9 (5): 1116-1126.

Gadsby, E.L. & Jenkins, P.D. 1992. Report on wildlife and hunting in the proposed Etinde Forest Reserve Consultants report to Limbe Botanic Garden and rainforest genetic conservation project (ODA). Non publié. 43 pp.

Kleinn, C., Laamanen, R. & Malla, S.B. 1996. Integrating the assessment of non-wood forest products into the forest inventory of a large area: Experiences from Nepal. pp. 23-31. In: Domestication and commercialization of non-timber forest products in agroforestry systems. Rapport d'une Conférence internationale tenue à Nairobi. FAO.

Lahm, S.A. 1993. Utilization of forest resources and local variation of wildlife populations in northeastern Gabon. pp. 213-226. In: Tropical forests, people and food. MAB Series Vol. 13. Hladik C.M., Hladik A., Linares O.F., Pagezy H., Semple A. & Hadley M. (eds). UNESCO. 852 pp.

Malhotra, K.C., Poffenberger, M., Bhattacharya, A. & Dev, D. 1991. Rapid appraisal methodology trials in Southwest Bengal: assessing natural forest regeneration patterns and non-wood forest product harvesting practice. Forest, Trees and People Newsletter 15/16: 18-25.

McCormack, A. 1998. Guidelines for inventorying non-timber forest products. M.Sc. thesis, Oxford. 127 pp.

Prance, G.T., Balée, W., Boom, B.M. & Carbeuri, R.L. 1987. Quantitative Ethnobotanique and the case for conservation in Amazonia. Conservation Biology 1 (4): 296-310.

Salick, J., Mejia, A. & Anderson, T. 1995. Non-timber forest products integrated with natural forest management, Rio San Juan, Nicaragua. Ecological Applications 5 (4): 878-895.

van V

Valkenburg, J.L.C.H. 1997. Non-timber forest products of East Kalimantan. Potentials for sustainable forest use. Tropenbos Series 16. Tropenbos Foundation. 202 pp.

van Wieren, S. 1999. Towards the sustainable use of wildlife in tropical forests. pp. 175-178. In: Seminar proceedings 'NTFP research in the Tropenbos Programme: Results and perspectives', 28 January 1999. Ros-Tonen, M.A.F. (ed.). Tropenbos Foundation, the Netherlands. 203 pp.

Wong, J.L.G. 1998. Non-timber forest products from the reserved forests of Ghana. Consultancy report 11. Forest Sector Development Project, Accra, Ghana. Non publié. 31 pp.

Wyatt, N.L. 1991. A methodology for the evaluation of non-timber forest resources. Cas d'étude: the forest reserves of southern Ghana. M.Sc. thesis, Silsoe College, Cranfield Institute of Technology. 102 pp.

Annexe 2. Comprendre les placettes et sous-placettes

Placettes et sous-placettes

Placette carrée

Placette

=36 sous-placettes

Section

Placette

= 6 sous-placettes

Placette

= 6 sous-placettes

Annexe 3. Exemple de résultats d'inventaire de PFNL

D'après l'étude de cas 3 - Inventaire national au Ghana. Plantes grimpantes - Hunhun - Fruit - Manniophyton fulvum (L5)

1. Préférences concernant la zone de végétation

COMPARAISONS MULTIPLES TUKEY HSD.

MATRICE DES PROBABILITES DE COMPARAISON PAR PAIRE:

WE ME MSSE MSNW DS

WE 1.000

ME 0.000 1.000

MSSE 0.545 0.000 1.000

MSNW 0.000 0.043 0.000 1.000

DS 0.000 0.071 0.000 0.992 1.000

WE & MSSE non différents

MSNW & DS différents

2. Surface terrière des arbres 3. Indice de colonisation

ST moyenne = 23.218 SE = 0.260 Indice moyen = 59.787 SE = 22.284

4. Indice économique pour les arbres > 30 cm d 5. Zones de gestion

6. Abondance relative

^*Densité dans la zone occupée par l'espèce

Annexe 4. Quelques méthodes d'échantillonnage actuellement utilisées et récentes

a) Conceptions d'échantillonnage possible pour l'inventaire des PFNL

Échantillonnage subjectif

Généralement non acceptable statistiquement, mais souvent utilisé à la volée ou en évaluations rapides, pour garantir qu'une gamme complète de milieux est échantillonnée. Egalement utilisé dans les PPE pour s'assurer que tous les types de forêts sont représentés. Prendre soin que le plan d'échantillonnage ne devienne pas subjectif par inadvertance. Rechercher les biais, comme par exemple, l'abandon de zones où l'accès est difficile.

Section de gradients - utilisée dans les études écologiques pour s'assurer que tous les types de végétation sur les principaux gradients environnementaux sont échantillonnés.

Sampling systems

Échantillonnage objectif

Types de conceptions le plus souvent utilisés pour inventorier les ressources naturelles.

Recensement complet - Chaque individu est mesuré et enregistré. Pratiqué seulement sur de petites surfaces. Utilisé généralement pour inventorier le stock des parcelles forestières qui vont être coupées.

Aléatoire simple - Échantillons choisis en utilisant des nombres aléatoires issus d'une grille d'échantillonnage pré-déterminée. Par exemple, dans une grille de carrés numérotés de 1x1 km, on choisit les carrés pour l'échantillonnage en utilisant des tables de nombres aléatoires.

Systématique - Échantillons sélectionnés selon des règles pré-définies, par exemple, les placettes sont situées aux intersections d'une grille de 1x1 km de maillage, un arbre sur cinq est mesuré, etc. Il y a eu quelques discussions pour savoir si cette méthode était statistiquement acceptable. Cependant, on considère généralement que de tels plans sont acceptables, tant que l'on prend soin de réduire le risque que la grille d'échantillonnage coincide avec quelque caractéristique particulière du paysage. Il convient de noter que l'erreur d'échantillonnage peut être calculée en utilisant la même formule que pour l'échantillonnage aléatoire simple, avec l'hypothèse que la population de base a une distribution aléatoire (c'est-à-dire que la localisation des arbres est elle-même aléatoire). Si cette supposition n'est pas sûre, alors le calcul de l'erreur d'échantillonnage peut être problématique. Il faut noter que la grille systématique peut être considérée comme une placette unique, une répétition de la grille pourrait donc être utilisée pour estimer les erreurs.

Échantillonnage par probabilité

Pour les échantillons où la probabilité de sélectionner un individu est proportionnelle à sa taille. Il convient de noter que toutes les autres méthodes examinées échantillonnent avec une probabilité constante de selection, ce qui signifie que les grands individus, plus rares, sont sous-échantillonnés car ils contribuent de manière disproportionnée aux quantités totales présentes.

Échantillonnage avec liste - On établit une liste de tous les individus avec leur taille. On calcule la taille cumulée, c'est-à-dire que la somme des tailles de tous les individus plus petits doit être mise dans un tableau, et ce, pour chacun des individus. Des nombres sont assignés aux individus en fonction de la taille cumulative (voir l'exemple). La probabilité de sélection est donnée par la taille ou la somme des tailles cumulée.

Si le nombre aléatoire tiré est 5, alors c'est l'individu 2 qui est sélectionné, si c'est le 20, alors c'est l'individu 4 qui est sélectionné. Les individus les plus grands ont une probabilité plus élevée d'être choisis car il y a plus de nombres qui leur sont assignés.

Échantillonnage 3P - Développé pour estimer le volume de bois d'_uvre dans une vente de bois. On réalise une évaluation visuelle de l'arbre, on sélectionne l'échantillon avec une probabilité proportionnelle à la taille prévue de l'arbre. On utilise des règles de sélection pour déterminer quels arbres doivent être échantillonnés. Cela demande que chaque arbre de la zone étudiée soit visité. On estime le volume maximum d'un arbre dans le peuplement.

A chaque arbre :

Si l'arbre est plus gros que la taille maximum estimée, alors on estime son volume et on le mesure.
Si non on utilise la table des nombres aléatoires pour déterminer si l'arbre doit être échantillonné.

Si le nombre aléatoire est inférieur à la taille estimée, on mesure l'arbre

Si non on passe à l'arbre suivant.

On utilise les données pour estimer le volume total du peuplement.

Échantillonnage d'intersection linéaire - On échantillonne les individus qui touchent ou coupent une ligne - plus ils sont gros, plus la probabilité qu'ils touchent la ligne est élevée. Développé à l'origine pour estimer la quantité de matériel reposant au sol, comme par exemple, déchets ou bois de feu. A également été suggéré pour échantillonner des lianes et a été utilisé pour les traces d'animaux.

En plus de ces conceptions basiques, il est également possible d'utiliser plus ou moins chacune d'entre elles, dans un plan d'échantillonnage plus large qui peut être utilisé pour atteindre l'efficacité de l'échantillonnage ou pour s'assurer que toutes les sous-populations sont correctement échantillonnées. Ces plans sont :

Échantillonnage stratifié - diviser la population en sous-populations.

• Pré-stratification - diviser la population en sections qui sont généralement moins variables et donc qui peuvent conduire à des économies en terme de nombre total de placettes nécessaires. Aide également à s'assurer que les petites sous-populations sont échantillonnées de manière adéquate. La stratification est généralement bénéfique et peut réduire les erreurs de 5 à 20 % comparativement à des mesures indépendantes du peuplement total.

• Post-stratification - utiliser des placettes pour faire des groupes similaires de placettes, de façon à améliorer la prévision des estimations globales (non strictement correct sur le plan statistique, sauf si l'échantillonnage est aléatoire).

Il convient de noter qu'ainsi, plus ou moins, chaque plan peut être stratifié : stratifié aléatoire, stratifié systématique, etc. Les strates peuvent être décidées par cartographie ou être systématiques, par exemple, en divisant une zone en blocs de 10x10 km.

L'échantillonnage multi-étages

On échantillonne une série de placettes intégrées, généralement des placettes plus petites, situées au sein d'une plus grande. Par exemple, des zones de 1x1 km peuvent être sélectionnées pour cartographier l'utilisation des terres, au sein desquelles un placette de 1 ha peut être choisie au hasard, et un arbre sur cinq dans la placettes de 1 ha peut avoir 10 % de ses branches échantillonnées pour ses fruits.

• Souvent utilisé dans le cas d'un inventaire extensif car un plan simple donnerait trop de placettes.

• Le plan d'échantillonnage à chaque niveau peut être différent et le niveau le plus haut utilise souvent la télédétection.

• Si les sous-placettes sont sélectionnées systématiquement, alors ces plans d'échantillonnage deviennent effectivement des placettes en groupes.

• Il vaut mieux d'utiliser un échantillonnage multi-étages que réaliser un échantillonnage à faible intensité car au moins on a de bonnes données au sein des unités d'échantillonnage les plus grandes.

Échantillonnage double

Une sélection indépendante de deux échantillons différents est choisie dans la même population d'individus, avec pour objectif de mesurer différentes caractéristiques dans chacun des échantillons. Il y a souvent au moins un caractère en commun qui peut être utilisé dans des modèles de type régression, permettant de prévoir un autre caractère plus difficile à mesurer à partir d'un plus facile. Par exemple, en utilisant un échantillon petit et indépendant d'arbres pour lesquels le rendement des fruits est mesuré, cette information peut être utilisée pour extrapoler les rendements de fruits à partir d'un échantillon plus grand d'arbres dont on mesure seulement le diamètre. Choisir les plans les plus efficaces pour chaque type/échelle d'échantillonnage. Les deux inventaires sont liés en utilisant un rapport ou des estimateurs de régression.

b) Plans d'échantillonnage récents

Échantillonnage adaptatif

Type général de méthodes dans lesquelles le nombre de placettes échantillonnées dépend de l'occurrence et du nombre d'individus rencontrés durant l'échantillonnage.

Caractéristiques :

+ Stratégie d'échantillonnage efficace (précise et rentable) et non biaisée, pour des populations rares, en bouquet, ou distribuées de façon non homogène ;

+ Augmente le nombre des observations pour un effort d'échantillonnage donné (par rapport à l'EAS²) ;

+ Localise et incorpore les lieux riches en une espèce ;

- On ne connaît pas le nombre/coût de l'échantillonnage au début de l'exercice ;

- Des calculs spéciaux de moyenne et de variance sont nécessaires.

Échantillonnage adaptatif par goupe - Méthode pour localiser et enregistrer la taille et la composition des bouquets dans des populations hétérogènes. Commence avec un échantillonnage de faible intensité et, quand les individus intéressants sont localisés, des échantillons sont rajoutés jusqu'à ce qu'il n'y ait plus d'individu à échantillonner. Cela forme un groupe de placettes.

Est particulièrement utile là où la distribution est en bouquet dans une large zone, permettant qu'un maximum d'individus soit échantillonné pour un minimum d'effort d'échantillonnage. Un inconvénient est que les placettes additionnelles peuvent être perturbées par l'échantillonnage de départ. Le principe est que les données issues des placettes soient incorporées, ainsi le bouquet dans son ensemble devient une unité d'échantillonnage et ce n'est donc pas gênant si des placettes se touchent. Le problème, c'est qu'on ignore combien de temps et quel prix seront nécessaires à l'inventaire tant que celui-ci n'est pas achevé.

Des variantes qui peuvent convenir dans différentes situations sont :

Localisation adaptative - Conceptions adaptatives en deux étapes. Traiter d'abord l'échantillon initial d'une manière conventionnelle. Ensuite on distribue l'ensemble suivant de placettes selon la densité des arbres cibles dans le premier ensemble de placettes. Cette méthode permet de connaître à l'avance le nombre final de placettes. Les approches incluent :

Échantillonnage subjectif - Échantillonnage par séries ordonnées. Technique nouvelle qui est en fait non biaisée et efficace. Elle ordonne les placettes disposées en groupes à différents endroits selon la valeur moyenne de la grandeur mesurée (p. ex. la taille). Par exemple, trois placettes peuvent être situées dans chacun des trois lieux d'échantillonnage. Dans chacun de ces lieux, les trois placettes sont ordonnées selon la densité de l'espèce ressource (élevée, moyenne, faible). Sur le premier lieu, la placette de densité élevée est mesurée, sur le second, celle de densité moyenne et sur le troisième, celle de densité faible. La moyenne des trois placettes mesurées est utilisée pour calculer les estimations de la population globale. Cette technique est utile là où il y a une forte variation locale, elle évite les biais et peut potentiellement utiliser le savoir local. Elle nécessite des développements plus approfondis pour être utilisée avec les PFNL.

Caractéristiques :

+ Donne des estimations non biaisées et une meilleure précision que l'EAS pour une même taille d'échantillon

+ Marche mieux pour des populations avec une forte variabilité locale et peut être ajustée pour correspondre au niveau de variabilité locale

+ Permet l'incorporation d'une connaissance subjective

- Nécessite une comparaison visuelle des ensembles de placettes pour les ordonner, ceux-ci doivent donc être proches l'un de l'autre

- Le coût de localisation des placettes doit être bas comparé au coût de l'énumération

Échantillonnage dirigé par transect. Une conception non biaisée en deux étapes pour une étude par transect utilisant une information antérieure de haute résolution.

Etape 1: De larges bandes sont disposées comme unités primaires et divisées par une grille en cellules, de dimension adaptée à l'information antérieure disponible, par exemple, la télédétection.

Etape 2: Une section d'étude par bande est sélectionnée au hasard pour les sous-échantillons. Les cellules de la grille qui se trouvent le long de la section sont sélectionnées avec des probabilités proportionnelles à leur covariance. La stratégie pour sélectionner les cellules peut varier.

L'inventaire est réalisé le long des lignes sélectionnées, en utilisant une méthode basée sur les sections, comme l'échantillonnage sur transect linéaire, l'échantillonnage par bandes, l'échantillonnage par intersection de ligne, etc.

Caractéristiques :

+ Peut utiliser a priori des données de haute résolution, come des pixels classés à partir de l'interprétation de la télédétection

+ Meilleure alternative à l'échantillonnage par section de gradients, etc., car la sélection de la ligne est basée sur une probabilité, et non sur la subjectivité

+ Bon pour des populations dispersées

- Nécessite une grande quantité d'information antérieure détaillée

Références complémentaires

Brown, J.A. Unknown. The application of adaptive cluster sampling to ecological studies. pp. 86-97. In: Statistics in Ecology and Environmental Monitoring. Otago Conference Series No. 2. Fletcher, D.J. & Manly, B.F.J. (eds). University of Otago Press, Dunedin, New Zealand.

Cochran, W.G. 1977. Sampling techniques. Third edition. Wiley. 428 pp.

Halls, L.K. & Dell, T.R. 1966. Trial of ranked-set sampling for forage yields. Forest Science 12 (1): 22-26.

McIntyre, G.A. 1952. A method for unbiased selective sampling, using ranked sets. Australian Journal of Agricultural Research 3: 385-390.

Muttlak, H.A. & McDonald, L.L. 1990. Ranked set sampling with size-biased probability of selection. Biometrics 46: 435-445.

Patil, G.P., Sinha, A.K. & Taillie, C. 1994. Ranked set sampling. pp. 167-200. In: Environmental Statistics. Handbook of Statistics Vol. 12. Patil, G.P. & Rao, C.R. (eds). Elsevier Science. 927 pp.

Seber, G.A.F. & Thompson, S.K. 1994. Environmental adaptive sampling. pp. 201-220. In: Environmental Statistics. Handbook of Statistics Vol. 12. Patil, G.P. & Rao, C.R. (eds). Elsevier Science. 927 pp.

Shiver, B.D. & Borders, B.E. 1996. Sampling techniques for forest resource inventory. Wiley. 356 pp.

Ståhl, G., Ringvall, A. & Lämås, T. 2000. Guided transect sampling for assessing sparse populations. Forest Science 46: 108-115.

Thompson, S.K. 1991. Stratified adaptive cluster sampling. Biometrika 78 (2): 389-397.

Thompson, S.K. 1992. Sampling. John Wiley & Sons. 343 pp.

Thompson, S.K. 1997. Spatial sampling. pp. 161-172. In: Precision agriculture: spatial and temporal variability of environmental quality. Ciba Foundation Symposium 210. Wiley. 251 pp.

Thompson, S.K. & Seber, G.A.F. 1994. Detectability in conventional and adaptive sampling. Biometrics 50: 712-724.

Annexe 5. Institutions et sites Web utiles

Le matériel provenant d'une série d'institutions ressources a servi à fournir des informations pour l'. Ces institutions sont disponibles pour compléter les connaissances du lecteur et certaines d'entre elles ont des sites Web utiles.

2 EAS - échantillonnage aléatoire simple