Skip to main content

Assessing prediction errors of generalized tree biomass and volume equations for the boreal forest region of west-central Canada

Buy Article:

$50.00 plus tax (Refund Policy)


Aboveground tree biomass and volume are required inputs to models that estimate carbon budgets and ecosystem productivity. Generalized equations are often used to estimate biomass and volume when local equations are unavailable. This study determined whether there was a concomitant increase in prediction error from increasing levels of equation generalization. Local site, generalized regional, and generalized national allometric equations were compared for 10species distributed across 119sites in a region defined by west-central Canada. This study employed regression fit statistics and two prediction error metrics, the average prediction error (APE) from the prediction error sum of squares (PRESS) statistic and mean prediction bias. The APE was 9, 12, and 25kg of biomass per tree for local site, generalized regional, and national equations, respectively. The mean prediction bias for biomass and volume were statistically similar between local level and generalized regional equations across all species. Predictions from generalized national equations were statistically similar for 5 of 10 species when compared with those from local site and generalized regional equations. While local site equations were most accurate for a given site, results indicate that generalized regional equations will produce reasonable estimates of biomass and volume at sites in this region of Canada.

Le volume et la biomasse aérienne des arbres sont des intrants essentiels dans les modèles d’estimation du bilan du carbone et de la productivité des écosystèmes. Des équations généralisées sont souvent utilisées pour estimer la biomasse et le volume lorsque les équations locales ne sont pas disponibles. Cette étude détermine s’il y a une augmentation de l’erreur de prédiction causée par l’augmentation concomitante du degré de généralisation des équations. Les équations allométriques nationales généralisées, les équations régionales généralisées et les équations locales de la station ont été comparées pour 10essences dans 119stations distribuées à travers le centre-ouest du Canada. Cette étude utilise les statistiques d’ajustement par régression et deux mesures des erreurs de prédiction, l’erreur moyenne de prédiction (EMP) à partir de la statistique PRESS et le biais moyen de prédiction. L’EMP atteint respectivement 9, 12 et 25kg de biomasse par arbre pour les équations locales, régionales généralisées et nationales généralisées. Le biais moyen de prédiction des équations locales et régionales généralisées pour la biomasse et le volume est similaire pour toutes les essences. Les prédictions obtenues avec les équations nationales généralisées sont statistiquement similaires à celles des équations locales et régionales généralisées pour 5 des 10essences. Alors que les équations locales sont les plus précises pour une station donnée, les résultats indiquent que les équations régionales généralisées produiront des estimations raisonnables de la biomasse et du volume pour des stations dans cette région du Canada.

Document Type: Research Article

Publication date: April 1, 2008

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
Partial Open Access Content
Partial 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