Predictive mapping of forest composition and structure with direct gradient analysis and nearest- neighbor imputation in coastal Oregon, U.S.A.

$50.00 plus tax (Refund Policy)

Buy Article:


Spatially explicit information on the species composition and structure of forest vegetation is needed at broad spatial scales for natural resource policy analysis and ecological research. We present a method for predictive vegetation mapping that applies direct gradient analysis and nearest-neighbor imputation to ascribe detailed ground attributes of vegetation to each pixel in a digital landscape map. The gradient nearest neighbor method integrates vegetation measurements from regional grids of field plots, mapped environmental data, and Landsat Thematic Mapper (TM) imagery. In the Oregon coastal province, species gradients were most strongly associated with regional climate and geographic location, whereas variation in forest structure was best explained by Landsat TM variables. At the regional level, mapped predictions represented the range of variability in the sample data, and predicted area by vegetation type closely matched sample-based estimates. At the site level, mapped predictions maintained the covariance structure among multiple response variables. Prediction accuracy for tree species occurrence and several measures of vegetation structure and composition was good to moderate. Vegetation maps produced with the gradient nearest neighbor method are appropriately used for regional-level planning, policy analysis, and research, not to guide local management decisions.

Afin d'effectuer l'analyse des politiques touchant les ressources naturelles et appuyer la recherche écologique, il est nécessaire d'obtenir une information spatiale précise sur la structure de la végétation forestière et sur la composition des espèces et ce, à une vaste échelle spatiale. Nous présentons une méthode de cartographie prévisionnelle de la végétation qui intègre l'analyse de gradient directe et l'application au plus proche voisin pour attribuer des caractéristiques détaillées de la végétation à chaque pixel sur une carte numérique du paysage. L'analyse de gradient du plus proche voisin intègre des mesures de la végétation provenant de réseaux régionaux de parcelles sur le terrain, des données environnementales cartographiées et l'imagerie Landsat capteur TM. Dans la province côtière de l'Oregon, les gradients des espèces sont plus fortement corrélés au climat régional et à la localisation géographique, tandis que les variations dans la structure de la forêt sont mieux expliquées par des variables provenant de Landsat TM. À l'échelle régionale, les prédictions cartographiées représentent bien l'intervalle de variabilité qui caractérise les données échantillonnées et la prédiction des zones par type de végétation correspond bien aux estimations basées sur les échantillons. À l'échelle du site, les prédictions cartographiées maintiennent la structure de covariance parmi les variables à réponses multiples. La précision est bonne à modérée pour les prédictions sur la présence des espèces et ainsi que sur plusieurs mesures de la structure et de la composition de la végétation. L'utilisation des cartes de végétation produites avec la méthode de gradient du plus proche voisin est appropriée pour une planification à l'échelle régionale, pour l'analyse des politiques et pour la recherche environnementale. Elle se prête cependant moins bien aux décisions locales d'aménagement.[Traduit par la Rédaction]

Document Type: Research Article

Publication date: April 1, 2002

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
  • ingentaconnect is not responsible for the content or availability of external websites
Related content



Share Content

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
ingentaconnect 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