Regressions- und Kleingebietsschätzung bei forstlichen Großrauminventuren unter Nutzung von Forsteinrichtungs- und Satellitendaten

Freiburg im Breisgau

1996

201 S.

33 Abb., zahlr. Lit. Ang.

Abgeschriebene PublikationBandaufführung

11984

122452

Die Nutzung von Hilfsinformation durch Regressionsschätzer kann die statistische Effizienz von Inventuren erheblich steigern, wenn Ziel- und Hilfsvariable hoch korreliert sind. Spezielle Kleingebietsschätzverfahren tragen dazu bei, die Effizienz in kleinen Teilgebieten zu verbessern. Teilgebiete sind Teilräume eines Inventurgebietes. Die vorliegende Arbeit zeigt Möglichkeiten auf, solche Effizienzsteigerungen bei forstlichen Großrauminventuren zu erreichen. Zunächst wurden für die wichtigsten Designs forstlicher Großrauminventuren - die systematische Stichprobe von Probeflächen und die systematische Stichprobe von Trakten - die Schätzverfahren dargestellt und folgende Schätzer hergeleitet: - Regressions- und Kleingebietsschätzer für die Quotientenschätzung und - Regressions- und Kleingebietsschätzer für die einstufige Traktstichprobe. Für die Untersuchungen standen Daten eines Testgebiets im Südwesten von Baden-Württemberg zur Verfügung. Es umfaßt etwa 2.500 km2 und ist zu etwa 50 % bewaldet. Die Daten der Bundeswaldinventur, in Baden-Württemberg im 2x2 km Raster aufgenommen, dienten als Inventurgrundlage, Forsteinrichtungsdaten des öffentlichen Waldes und Satellitendaten (Landsat-TM) als Hilfsinformationen. Klassifizierungsverfahren für Satellitendaten sind an einem hohen Genauigkeitsanspruch ausgerichtet, der sich an der Produktion einer Karte orientiert. Insbesondere die Beschaffung von Trainingsgebietsdaten ist mit einem hohen Aufwand verbunden. Soll die Klassifikation als Hilfsinformation für eine Stichprobeninventur genutzt werden, so können aus Gründen der Effizienz nur wenig arbeitsaufwendige Klassifikationsverfahren eingesetzt werden. Für die Klassifizierung der Satellitendaten und für die Ableitung von Schätzvariablen wurden deshalb einfache effiziente Verfahren entwickelt. Diese Daten waren erstens Grundlage für Monte-Carlo-Experimente (wiederholte Simulationen von Stichprobennahmen) und zweitens für die Untersuchung der Effektivitätssteigerungsmöglichkeiten für wichtige Inventurmerkmale.