Skip to main content

Mapping wildland fuels and forest structure for land management: a comparison of nearest neighbor imputation and other methods

Buy Article:

$50.00 plus tax (Refund Policy)


Land managers need consistent information about the geographic distribution of wildland fuels and forest structure over large areas to evaluate fire risk and plan fuel treatments. We compared spatial predictions for 12 fuel and forest structure variables across three regions in the western United States using gradient nearest neighbor (GNN) imputation, linear models (LMs), classification and regression trees (CART), and geostatistical methods (kriging and universal kriging (UK)). Local-scale map accuracy varied considerably across sites, variables, and methods. GNN performed best for forest structure variables in Oregon, but LMs and UK were better for canopy variables and for forest structure variables in Washington and California. Kriging performed poorly throughout, and kriging did not improve prediction accuracy when added to LMs as UK. GNN outperformed CART in predicting vegetation classes and fuel models, complex variables defined by multiple attributes. Regional distributions of vegetation classes and fuel models were accurately represented by GNN and very poorly by CART and LMs. Despite their often limited accuracy at the local scale, GNN maps are useful when information on a wide range of forest attributes is needed for analysis and forest management at intermediate, i.e., landscape to ecoregional, scales.

Les aménagistes du territoire ont besoin d’informations fidèles au sujet de la distribution géographique des combustibles en milieu naturel et de la structure de la forêt sur de vastes régions pour évaluer le risque d’incendie et planifier les traitements des combustibles. Nous avons comparé les prédictions spatiales pour 12 variables reliées aux combustibles et à la structure de la forêt dans trois régions de l’ouest des États-Unis en utilisant l’imputation par l’analyse de gradient du plus proche voisin (AGPV), des modèles linéaires (ML), des arbres de régression et de classification (ARC) et des méthodes géostatistiques (krigeage et krigeage universel (KU)). La précision des cartes locales variait considérablement selon les stations, les variables et les méthodes. L’imputation par l’AGPV avait la meilleure performance pour les variables de la structure de la forêt en Oregon mais les ML et le KU étaient meilleurs pour les variables du couvert et de la structure de la forêt dans l’État de Washington et la Californie. Le krigeage a donné des résultats médiocres dans tous les cas et n’améliorait pas la précision lorsqu’il était ajouté aux ML sous forme de KU. L’imputation par l’AGPV était meilleure que les ARC pour prédire les classes de végétation et les modèles de combustibles, des variables complexes définies par de multiples attributs. La distribution régionale des classes de végétation et des modèles de combustibles était correctement représentée par l’imputation par l’AGPV et très inadéquatement par les ARC et les ML. Malgré une précision souvent limitée à l’échelle locale, les cartes produites à partir de l’imputation par l’AGPV sont utiles lorsque des informations sur une large gamme d’attributs de la forêt sont nécessaires pour l’analyse et l’aménagement forestier à des échelles intermédiaires allant du paysage à l’écorégion.

Document Type: Research Article

Publication date: 2009-10-01

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 ContentFree content
  • Partial Free ContentPartial Free content
  • New ContentNew content
  • Open Access ContentOpen access content
  • Partial Open Access ContentPartial Open access content
  • Subscribed ContentSubscribed content
  • Partial Subscribed ContentPartial Subscribed content
  • Free Trial ContentFree 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