Mixtures of airborne lidar-based approaches improve predictions of forest structure

The most common method for modeling forest attributes with airborne lidar, the area-based approach, involves summarizing the point cloud of individual plots and relating this to attributes of interest. Tree- and voxel-based approaches have been considered as alternatives to the area-based approach but are rarely considered in an area-based context. We estimated three forest attributes (basal area, overstory biomass, and volume) across 1680 field plots in Arizona and New Mexico. Variables from the three lidar approaches (area, tree, and voxel) were created for each plot. Random forests were estimated using subsets of variables based on each individual lidar approach and mixtures of each approach. Boruta feature selection was performed on variable subsets, including the mixture of all lidar-approach predictors (KS-Boruta). A corrected paired t test was utilized to compare six validated models (area-Boruta, tree-Boruta, voxel-Boruta, KS-Boruta, KS-all, and ridge-all) for each forest attribute. Based on significant reductions in error (SMdAPE), basal area and biomass were best modeled with KS-Boruta, while volume was best modeled with KS-all. Analysis of variable importance shows that voxel-based predictors are critical for the prediction of the three forest attributes. This study highlights the importance of multiresolution voxel-based variables for modeling forest attributes in an area-based context.

La méthode la plus courante pour modéliser les attributs de la forêt avec le lidar aéroporté, l’approche par zone, consiste à résumer le nuage de points des parcelles individuelles et à le relier aux attributs d’intérêt. Les approches basées sur les arbres et sur les voxels ont été considérées comme des solutions de rechange à l’approche basée sur la zone, mais elles sont rarement considérées dans un contexte basé sur la zone. Nous avons estimé trois attributs de la forêt (la surface terrière, la biomasse de l’étage supérieur et le volume) sur 1680 parcelles de terrain en Arizona et au Nouveau-Mexique. Pour chaque parcelle, ces variables ont été calculées selon trois approches lidar (par zone, par arbre et par voxel). Des forêts d’arbres décisionnels ont été estimées à l’aide de sous-ensembles de variables basés sur chaque approche lidar prise individuellement et à l’aide d’assemblages de ces approches. Une sélection des caractéristiques a été effectuée sur des sous-ensembles des variables à l’aide d’un algorithme de Boruta, y compris un assemblage de tous les prédicteurs de l’approche lidar (KS-Boruta). Un test de t apparié corrigé a été utilisé pour comparer six modèles validés (Boruta par zone, Boruta par arbre, Boruta par voxel, KS-Boruta, KS-toutes les méthodes, régression ridge-toutes les méthodes) pour chaque attribut de la forêt. Sur la base de la réduction significative de l’erreur, la surface terrière et la biomasse étaient mieux modélisées avec le KS-Boruta tandis que le volume était mieux modélisé avec le KS- outes les méthodes. L’analyse de l’importance des variables montre que les prédicteurs basés sur les voxels sont essentiels pour la prédiction des trois attributs de la forêt. Cette étude met en évidence l’importance des variables basées sur le voxel multi-résolution pour la modélisation des attributs de la forêt dans une approche basée sur la zone. [Traduit par la Rédaction]