Modelele care leaga variabila auxiliara (de obicei o variabilă cu o acoperire spațială foarte mare

și mult mai ușor de obținut, dar care nu reprezinta atributul de cercetare) de variabila țintă permit
fie stratificarea, fie regresia (de exemplu, Sarndal et al. 2003). Calea stratificării pare să fie cea
mai favorizată de datele spațializate din prima fază (Gregoire et al. 2016). Abordările bazate pe
regresie nu sunt probabil implementate în mod obișnuit, deoarece modifică estimatorul.Acestea
sunt foarte bine definite și utilizate pentru estimarea suprafețelor mici (de exemplu, Mandallaz et
al. 2013). Prelucrarea stratificării ar face posibilă utilizarea estimatorilor clasici și a lanțului de
calcule în vigoare. Cu toate acestea, stratificarea are, de asemenea, o serie de constrângeri, cum
ar fi aceea de a nu conduce la straturi dezechilibrate a căror reprezentativitate spațială ar fi
compromisă (Grafstrom et al. 2012) sau prea slabă: dezvoltarea estimatorilor se bazează pe
ipoteze de mărime și convergență. O a doua constrângere puternică este aceea de a avea efecte
similare asupra tuturor caracteristicilor și categoriilor calculate: totalurile au dimensiuni de
puncte problematice reduse, dar categoriile rare pot crea dificultăți (Holt și Smith 1979).
Neutralitatea stratificării ar putea fi în detrimentul acurateței, dar acuratețea vine pe locul al
doilea, după absența distorsiunilor.

În concluzie: estimările pe domenii mici sunt potențial mai sensibile la erorile de predicție ale
modelelor utilizate în inventar, pe de o parte din cauza abaterilor locale și, pe de altă parte, din
cauza numărului mic de puncte. Dar flexibilitatea metodelor de estimare ar trebui să permită
testarea acestor efecte și găsirea celor mai potriviti estimatori. Apariția datelor specializate de
foarte înaltă rezoluție ar putea face să evolueze rapid domeniul de studiu,oferind cantitatea de
date necesară pentru a testa mai multe abordări. Perspectiva unor date dinamice în timp, cum ar fi
cele furnizate de senzorul Gedi, pentru care a început o colaborare cu CNES, este, de asemenea,
fundamentală: este foarte probabil ca datele privind productivitatea să fie mai bine corelate cu
variabilele de schimbare decât cu datele statice. La scară departamentală, imaginile aeriene
permit o profunzime temporală mai mare în 3D, de 15-20 de ani în cazul imaginilor digitale, dar
peste 100 de ani în cazul filmelor (mai puțin precise) (Cedric Vega, com. pers.) și reprezintă, prin
urmare, o sursă de informații foarte importantă și relevantă de exploatat.

Propunere de teză de doctorat

Subiect: Compararea estimatorilor de suprafețe mici în estimările silvice. Importanța relativă a

erorilor de eșantionare și a modelelor de volum și biomasă.

Ipoteze:

Erorile de eșantionare din a doua etapă (măsurători pe teren) rămân cele mai importante, iar
straturile de informații spațiale de înaltă rezoluție, datorită corelației lor cu variabilele țintă,
compensează puternic scăderea numărului de puncte din a doua etapă.

Variabilitatea subdomeniului este cel mai important element al predicției.

2 Analiza la scară foarte largă a productivității

2.1 Cuantificarea răspunsului productivității pădurilor la evenimentele meteorologice la

scara resurselor forestiere

Principalii factori care determină sau modulează productivitatea sunt bine cunoscuți. Analizele
pe scară largă ale relațiilor dintre creștere și climă au răspuns, de exemplu, la această întrebare în
ceea ce privește clima. Cu toate acestea, în aceste studii, productivitatea nu este, în general,
estimată, ci mai degrabă abordată prin intermediul indicilor de creștere a biomasei. În plus,
studiile recente pe scară largă se concentrează mai mult pe migrații și deplasări geografice decât
pe analiza sensibilității spațio-temporale a productivității, cu câteva excepții foarte fructuoase
(Charru et al. 2017).

Structura eșantionării dendrocronologice a inventarului forestier este potențial foarte puternică,

dar aduce cu sine o serie de dificultăți: cu puțini arbori eșantionați pe multe parcele, este opusul
eșantionării clasice, care vizează cel puțin treizeci de arbori - de preferință dominanți - pe
parcelă. Dar, având toate măsurătorile efectuate pe parcelele de inventariere, referitoare la arbori,
arborete, mediu, această eșantionare este, în mod natural, mai mult orientată spre estimarea și
analiza productivitatii. De asemenea, aceasta nu reduce la minimum influența gestionării,
deoarece alegerea parcelelor nu este menită să evite tăierile și lucrările recente.Propunerile de
mai jos se concentrează mai mult pe mecanismele productivității decât pe aspectele tehnice
legate de eșantionare:(ex. combinație de măsurători, interdatare)

Studiile de productivitate anterioare s-au axat pe creșterea radială a arborilor, în cel mai bun caz
convertită la suprafața solului. Nu mai există nicio îndoială că încorporarea variațiilor interanuale
ale densităților lemnului este necesară pentru a aborda productivitatea biomasei și, prin urmare,
echivalentul de carbon al acesteia (Babst et al. 2014 a.b). Măsurarea densităților lemnului, astfel
cum a fost efectuată în proiectul XyloDensMaps, contribuie la rezolvarea acestei probleme prin
asigurarea unui spațiu compatibil cu obiectivele la scară largă. În afară de acest proiect, aceste
informații nu sunt disponibile la o scară spațială compatibilă cu acest tip de analiză, deoarece
sunt disponibile numai pe site-urile de studiu. Alegerea locurilor de studiu pe care s-a concentrat
acest tip de măsurare (de exemplu, situri pentru măsurarea fluxurilor prin metode de corelații
turbulente) nu poate fi considerată un proces aleatoriu sau sistematic de generalizare sau de
extrapolare către teritorii mai mari, deși, în ceea ce privește fluxurile, unii autori au fost expuși
riscului (Papale și Valentini 2003). Cele mai empirice cunoștințe despre productivitate sunt
disponibile la o scară geografică mult mai redusă (suprafețe sensibile de mici dimensiuni) sau
sunt posibile măsurători ale tuturor componentelor.Dar productivitatea nu este neapărat un
fenomen intensiv, printre altele din cauza compensărilor spațiale.

Dimpotrivă, Girardin et al. 2016 prezintă o analiză spațială și temporală a variației de creștere în
Canada, care arată contribuția esantionarii aleatorie pe întregul teritoriu.
Eșantionarea joacă un rol decisiv în acest caz: pentru reprezentativitatea spațială, care permite
extragerea de estimări la scara ecoregiunilor și a continentului, dar și pentru caracterul său
exhaustiv, care a permis extragerea de semnale și mai slabe. Acest studiu arată că eșantionarea
este un element esențial în analiză, deoarece permite realizarea decuplării factorilor necesari
pentru a individualiza efectele legate de fiecare. Succesiunea anilor secetosi din Europa a ridicat
o problemă privind dinamica pe termen scurt și mediu a productivității, și anume dacă aceasta
este mai limitată de precipitații sau de energie/temperaturi (Babst et al.2019, Charney et al.
2016). Acestea ridică, de asemenea, problema răspunsului la temperatură, a cărei dinamică pe
termen mediu este foarte importantă, dar relativ puțin examinată, spre deosebire de analizele
axate pe frecvențele înalte.