Skip to main content

Accuracy and efficiency of area classifications based on tree tally

Buy Article:

$50.00 plus tax (Refund Policy)


Inventory data are often used to estimate the area of the land base that is classified as a specific condition class. Examples include areas classified as old-growth forest, private ownership, or suitable habitat for a given species. Many inventory programs rely on classification algorithms of varying complexity to determine condition class. These algorithms can be simple decision trees applied in the field or computer calculations applied on a field data recorder or after the data are collected. The advantages to using these algorithms are consistent classification of the condition class, reduced crew training, and the ability to define new condition classes after the data are collected, which will be referred to as postclassification. We discuss three types of the errors that can occur when these types of algorithms are employed and quantify the potential for error with examples. The examples are substantial oversimplifications of the true problem, but they show how difficult it is to determine anything but the most general condition classes using plot data alone. A discussion of how condition class is scale dependent and some general guidelines and recommendations are given.

Les données d'inventaire sont souvent utilisées pour estimer la superficie du territoire caractérisée par une classe de situations spécifiques. On retrouve par exemple des superficies classées comme vieille forêt, forêt privée ou habitat propice à une espèce donnée. Plusieurs programmes d'inventaire dépendent d'algorithmes de classification, de complexité variable, pour déterminer la classe de situations. Ces algorithmes peuvent être de simples arbres de décision utilisés sur le terrain ou des calculs programmés intégrés aux appareils d'enregistrement de données sur le terrain ou effectués après que les données ont été collectées. L'utilisation de ces algorithmes présente plusieurs avantages dont une classification consistante des classes de situations, un entraînement moindre des équipes de terrain et la possibilité de définir de nouvelles classes de situations après que les données ont été collectées, autrement appelée classification à posteriori. Nous discutons de trois types d'erreurs qui peuvent survenir lorsque ce type d'algorithmes est utilisé et nous quantifions ces erreurs potentielles à l'aide d'exemples. Ces exemples sont très simplifiés comparativement au vrai problème mais ils illustrent à quel point il est difficile de déterminer autre chose que les classes de situations les plus générales en utilisant seulement les données des parcelles. La façon dont les classes de situations dépendent de l'échelle à laquelle on se situe ainsi que des suggestions et recommandations générales font l'objet de la discussion.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: March 1, 2001

More about this publication?
  • Published since 1971, this monthly journal features articles, reviews, notes and commentaries on all aspects of forest science, including biometrics and mensuration, conservation, disturbance, ecology, economics, entomology, fire, genetics, management, operations, pathology, physiology, policy, remote sensing, social science, soil, silviculture, wildlife and wood science, contributed by internationally respected scientists. It also publishes special issues dedicated to a topic of current interest.
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • Terms & Conditions
  • Sample Issue
  • Reprints & Permissions
  • Ingenta Connect is not responsible for the content or availability of external websites

Access Key

Free Content
Free content
New Content
New content
Open Access Content
Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
Cookie Policy
Ingenta Connect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more