Transferability of Lidar-derived Basal Area and Stem Density Models within a Northern Idaho Ecoregion

Abstract

A patchwork of disjunct lidar collections is rapidly developing across the USA, often acquired with different acquisition goals and parameters and without field data for forest inventory. Airborne lidar and coincident field data have been used to estimate forest attributes across individual lidar extents, where forest measurements are collected using project-specific inventory designs. This research explores predicting forest attributes at locations not represented in the training data by combining lidar and field measurements from ecologically similar forests. Using field measurements from six lidar units, random forests regression models were created by systematically withholding forest inventory data from one lidar unit and using the forest inventory data from the other five units to predict basal area and stem density at the withheld unit. Results indicate that BA models produce more accurate predictions than stem density models when transferred to a lidar unit that did not contain field data. Relative root mean square errors calculated from the withheld field plots ranged between 32.3%–50.1% for BA and 40.7%–67.3% for stem density models. It is concluded that forest managers may use predictive models constructed from ecologically similar forests to obtain a preliminary estimate of resources, until local field measurement can be obtained. RÉSUMÉ Un ensemble disparate de collections de données lidar se développe rapidement aux États-Unis, souvent acquises avec des objectifs et des paramètres différents et sans données de terrains relatives aux inventaires forestiers. Des données de terrain concomitantes sont utilisées pour estimer des attributs forestiers au sein d’étendues de lidar aéroporté individuelles, pour lesquelles les mesures d’intérêt correspondent à des modèles d’inventaires déterminés. En combinant des mesures de terrain et de lidar provenant de forêts écologiquement similaires, cette étude examine la prédiction d’attributs forestiers à des endroits où des données d’entrainement sont absentes. En utilisant des mesures de terrain, des modèles de régression produits par des forêts d’arbres décisionnels ont été créés pour six unités de lidar. Un procédé systématique a été suivi par lequel les données de chaque unité sont retenues et la surface terrière et densité des tiges de cette unité sont ensuite estimés avec les données des cinq unités restantes. Les résultats indiquent que les estimations de surface terrière sont plus robustes que pour la densité de tiges lorsque les modèles sont transférés à une unité de lidar pour laquelle les données de terrain sont absents. Les erreurs quadratiques moyennes relatives calculées pour les échantillons retenus sont entre 32.3 % et 50.1 % pour les modèles de surface terrière et entre 40.7 % et 67.3 % pour la densité des tiges. Nous concluons que, jusqu'à ce que des mesures de terrain locales puissent être acquises, il est possible d’obtenir des estimations préliminaires de ressources forestières en utilisant des modèles prédictifs construits à partir d'échantillons de forêts écologiquement similaires.