53301 IMG 86 (9)

średnia miątsroW ołwekni przehezona na 1 ha	_	326.28 m\ 1.75 m^5.
błąd średni	-
procentowy błąd średni	-	0.53%.
miąlUOŚC komplet 01	-	2 030 594 m\
Nądśredm	-	10913 m\
procentowy błąd średni	-	0.53%.
przyrost roczny miąższości kompleksu	-	52 313 m^3. 466 m^3.
błąd średni	-
procentowy błąd średni	-	0.89%.
wysokość użytków przcdrębnych na rok	-	26 567 m^3.
błąd śrtda	-	238 m^3.
procentowy błąd średni	-	0.89%.

• Przykład Dli danych r poprzedniego przykładu, pnjr załoZcmu te są Jo lite drzewostany świerku-»t. wyznaoyć średnia muM:o<*f obiektu. sumę miąższości oraz średni roczny z 10- letniego okresu prognozy przyrost nuązsrości 1 wysokość użytków przedrębnych. W każdym drzewostanie, traktowa nym »ilo warstwa pomiary przeprowadzone będą ru 4 powierzchniach próbnych o wielkości 0.01 ha Metoda »ynuga przeprowadzenia pomiaru piaśiuc drzew na powierzchniach próbnych. Do określenia cedi zanotowany będzie model wzrostu dla świerka, którym uzyska się miąższość każdej powierzchni, a db HMetmrgo okresu prognozę przyrostu 1 wysokości użytkowania przedrębnego. Pomiary w obiekcie przeprowadzone będi na 4000 powierzchni próbnych.

L komputerowego przetwarzania danych uzyskano następujące wyniki:

Można zwiększyć dokładność metody, w której stosuje się losowanie warstwowe. rozkładaj* próbę proporcjonalnie do iloczynu liczby elementów i odchylenia standardowego w warstwie Taki schemat losowania nosi nazwę optymalnego schematu losowania warstwowego lub schematu Neymana. Zwykle odchylenie standardowe cechy badanej dla warstwy nie jest znane, co uniemożliwia stosowanie schematu Neymana Praktyczne znaczenie może natomiast mieć rozkładanie próby proporcjonalnie do liczby elementów w warstwie. Na ogól ścisłe przestrzeganie tej ostatniej zasady me jest możliwe, ponieważ liczby losowań musza być liczbami naturalnymi Gdy jednak liczba warstw jest mała, a liczebność próby duża. wówczas bfc»d wynikający z zaokrąglania liczb dla warstwy do liczb całkowitych może nie mieć istotnego znaczenia.

. PrnkUd Wytonajmy ponowna ten urn przykład jak wyżej. rozkładając liczebność próby « = 4000 jednotiek proporcjonalme do liczebności warstwy rdr/ewmunu) 1 zakładając jednocześnie, te w war

itroe miro wystąpić co najmn»ej jedna próba

CząiC VI Witkoobszarowe metody 251

Z komputerowego przetwarzania danych uzyskano próbę o Ircrebności 4033 elementów, co wynika \t*l. te prób* została zlokalizowana również i w drzewostanach o małej powierzchni W takich drze wostanach iloraz liczebności warstwy i liczby jednostek w populacji był mniejszy od 0,5. czyli .V_A /N< <0.5 Uzyskano następujące wyniki z próby

-    328.36 m\

134 m\ 0.47%.

-    2 013 538 m\

9 607 m\ 0.47%,

średnia mi*Zszołć obiektu przeliczona na 1 ha błąd Średni

procentowy błąd średni miąztzość kompleksu błąd średni

procentowy błąd średni

przyrost roczny nutfszości kompleksu    -    52 393 m\

błąd średni    .    410 m'.

procentowy błąd średni    -    0.78%.

wysokość użytków przedrębnych średnio na rok -    26 576 m\

błąd średni    -    209 m\

procentowy błqd średni    -    0.79%.

Uzyskane wyniki świadczy o tym. że zastosowany schemat losowania dal lepsze oszacowania parametrów populacji generalnej niz inne schematy.

Przedstawioną metodę pomiaru kompleksu leśnego można by było polecić do praktycznego stosowania. Nadaje się ona zarówno do pomiaru lasów w skali gospodarstwa. jak i lasów całego kraju. W pierwszym przypadku warstwą mógłby być drzewostan, a w drugim drzewostany nadleśnictwa.

Przedstawione w książce metody pomiaru lasu nie wyczerpują wszystkich możliwości zastosowań metody reprezentacyjnej. Nie opisano wielu innych, bardzo interesujących schematów losowania próby, jak i problemów estymacji innych parametrów. Co prawda podstawy teoretyczne tych metod nie są proste, jednak w związku z rozwojem techniki komputerowej możliwe do praktycznego wykorzystania.

30