Skip to main content

Forest structure estimation and pattern exploration from discrete-return lidar in subalpine forests of the central Rockies

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

This study evaluates the relative ability of simple light detection and ranging (lidar) indices (i.e., mean and maximum heights) and statistically derived canonical correlation analysis (CCA) variables attained from discrete-return lidar to estimate forest structure and forest biomass variables for three temperate subalpine forest sites. Both lidar and CCA explanatory variables performed well with lidar models having slightly higher explained variance and lower root mean square error. Adjusted R2 values were 0.93 and 0.93 for mean height, 0.74 and 0.73 for leaf area index, and 0.93 and 0.85 for all carbon in live biomass for the lidar and CCA explanatory regression models, respectively. The CCA results indicate that the primary source of variability in canopy structure is related to forest height, biomass, and total leaf area, and the second most important source of variability is related to the amount of midstory foliage and tree density. When stand age is graphed as a function of individual plot scores for canonicals one and two, there is a clear relationship with stand age and the development of stand structure. Lidar-derived biomass and related estimates developed in this work will be used to parameterize decision-support tools for analysis of carbon cycle impacts as part of the North American Carbon Program.

Cette étude évalue la capacité relative d’indices simples obtenus avec le lidar («light detection and ranging») (c.-à-d. hauteurs moyenne et maximum) et de variables dérivées statistiquement de l’analyse de corrélation canonique (ACC) provenant d’impulsions discrètes du lidar d’estimer des variables de structure et de biomasse de la forêt pour trois stations de forêt subalpine tempérée. Tant les variables explicatives provenant du lidar que celles provenant de l’ACC ont produit de bons résultats mais les modèles basés sur le lidar expliquaient une portion légèrement plus grande de la variance et avaient une erreur quadratique moyenne plus faible. Les valeurs de R2 ajustées pour la hauteur moyenne, l’indice de surface foliaire et tout le carbone dans la biomasse vivante étaient respectivement de 0,93 et 0,93, 0,74 et 0,73 et 0,93 et 0,85 pour les modèles basés sur le lidar et les modèles de régression explicative basés sur l’ACC. Les résultats de l’ACC indiquent que la principale source de variation dans la structure de la canopée est reliée à la hauteur, à la biomasse et à la surface foliaire totale de la forêt tandis que la deuxième plus importante source de variation est reliée à la quantité de feuillage dans la strate intermédiaire et à la densité des arbres. Lorsque l’âge du peuplement est mis en graphique en fonction des scores de chaque placette échantillon pour les ensembles canoniques un et deux, il y a une relation nette entre l’âge du peuplement et le développement de la structure du peuplement. La biomasse dérivée du lidar et les estimations qui y sont associées, que nos travaux ont permis de développer, seront utilisées comme paramètres dans les outils d’aide à la décision pour analyser les impacts du cycle du carbone dans le cadre du «North American Carbon Program».

Document Type: Research Article

Publication date: August 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
nrc/cjfr/2008/00000038/00000008/art00001
dcterms_title,dcterms_description,pub_keyword
6
5
20
40
5

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
X
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