Imputation of Individual Longleaf Pine ( Pinus palustris Mill.) Tree Attributes from Field and LiDAR Data.

Light Detection and Ranging (LiDAR) has demonstrated potential for forest inventory at the individual-tree level. The aim in this study was to predict individual-tree height (Ht; m), basal area (BA; m2), and stem volume (V; m3) attributes, imputing Random Forestk-nearest neighbor (RFk-NN) and individual-tree-level-based metrics extracted from a LiDAR-derived canopy height model (CHM) in a longleaf pine (Pinus palustrisMill.) forest in southwestern Georgia, United States. We developed a new framework for modeling tree-level forest attributes that comprise 3 steps: (i) individual tree detection, crown delineation, and tree-level-based metrics computation from LiDAR-derived CHM; (ii) automatic matching of LiDAR-derived trees and field-based trees for a regression modeling step using a novel algorithm; and (iii) RFk-NN imputation modeling for estimating tree-level Ht, BA, and V and subsequent summarization of these metrics at the plot and stand levels. RMSDs for tree-level Ht, BA, and V were 2.96%, 58.62%, and 8.19%, respectively. Although BA estimation accuracy was poor because of the longleaf pine growth habitat, individual-tree locations, Ht, and V were estimated with high accuracy, especially in low-canopy-cover conditions. Future efforts based on the findings could help improve the estimation accuracy of individual-tree-level attributes such as BA. [ABSTRACT FROM PUBLISHER]

Le lidar a démontré son potentiel pour l’inventaire forestier à l’échelle de l’arbre. Le but de cette étude était de prédire la hauteur individuelle des arbres (Ht; m), la surface terrière (BA; m2), et le volume des tiges (V; m3) en utilisant une imputation basée sur la méthode des forêts aléatoires et deskplus proches voisins (RFk-NN;Random Forest k-nearest neighbor) et de mesures à l’échelle de l’arbre extraites à partir d’un modèle de la hauteur de la canopée (MHC) dérivés du lidar dans une forêt de pins des marais (Pinus palustrisMill.) dans le sud-ouest de la Géorgie, aux États-Unis. Nous avons développé un nouveau cadre pour la modélisation des attributs forestiers à l’échelle de l’arbre composé de trois étapes: (i) la détection des arbres individuels, la délimitation des couronnes et le calcul de paramètres à l’échelle de l’arbre à partir de modèles MHC obtenus à partir du lidar; (ii) la mise en correspondance automatique entre les arbres obtenus à partir du lidar et les arbres observés sur le terrain pour une étape de modélisation de régression en utilisant un nouvel algorithme; et (iii) l’imputation par modélisation en utilisant RFk-NN pour estimer la Ht, la BA, et le V à l’échelle de l’arbre et la synthèse ultérieure de ces mesures à l’échelle de la parcelle et du peuplement. Les REQM pour la Ht, la BA, et le V à l’échelle de l’arbre étaient de 2,96 %, 58,62 % et 8,19 %, respectivement. Bien que la précision de l’estimation de la BA fût faible en raison du port et du mode de croissance des pins des marais, l’emplacement des arbres individuels, la Ht et le V ont été estimés avec une grande précision, en particulier dans des conditions de faible couverture de la canopée. Les efforts futurs basés sur ces résultats pourraient aider à améliorer la précision de l’estimation des attributs à l’échelle de l’arbre comme la BA. [ABSTRACT FROM AUTHOR]

Le lidar a démontré son potentiel pour l’inventaire forestier à l’échelle de l’arbre. Le but de cette étude était de prédire la hauteur individuelle des arbres (Ht; m), la surface terrière (BA; m2), et le volume des tiges (V; m3) en utilisant une imputation basée sur la méthode des forêts aléatoires et deskplus proches voisins (RFk-NN;Random Forest k-nearest neighbor) et de mesures à l’échelle de l’arbre extraites à partir d’un modèle de la hauteur de la canopée (MHC) dérivés du lidar dans une forêt de pins des marais (Pinus palustrisMill.) dans le sud-ouest de la Géorgie, aux États-Unis. Nous avons développé un nouveau cadre pour la modélisation des attributs forestiers à l’échelle de l’arbre composé de trois étapes: (i) la détection des arbres individuels, la délimitation des couronnes et le calcul de paramètres à l’échelle de l’arbre à partir de modèles MHC obtenus à partir du lidar; (ii) la mise en correspondance automatique entre les arbres obtenus à partir du lidar et les arbres observés sur le terrain pour une étape de modélisation de régression en utilisant un nouvel algorithme; et (iii) l’imputation par modélisation en utilisant RFk-NN pour estimer la Ht, la BA, et le V à l’échelle de l’arbre et la synthèse ultérieure de ces mesures à l’échelle de la parcelle et du peuplement. Les REQM pour la Ht, la BA, et le V à l’échelle de l’arbre étaient de 2,96 %, 58,62 % et 8,19 %, respectivement. Bien que la précision de l’estimation de la BA fût faible en raison du port et du mode de croissance des pins des marais, l’emplacement des arbres individuels, la Ht et le V ont été estimés avec une grande précision, en particulier dans des conditions de faible couverture de la canopée. Les efforts futurs basés sur ces résultats pourraient aider à améliorer la précision de l’estimation des attributs à l’échelle de l’arbre comme la BA. [ABSTRACT FROM PUBLISHER]