Skip to main content

Comparison of the k-nearest neighbor technique with geographical calibration for estimating forest growing stock volume

Buy Article:

$50.00 plus tax (Refund Policy)

Abstract:

National Forest Inventories (NFIs) have been used in many countries to assess forest resources at the national level. To facilitate the estimation of forest growing stock volume at more regional scales, the k-nearest neighbor (k-NN) technique was applied in this research to obtain estimates for unmeasured areas by using NFI field data and optical satellite data. The NFI field data were assigned to data sets of three different sample sizes to evaluate the effect of sample size on the accuracy of k-NN estimates. In small-area estimation, calibration techniques, in which samples surveyed outside a county of interest are employed to produce estimates for the county, are often adopted due to the lack of sample observations for the county of interest. Thus, the k-NN estimates, forest growing stock volume and areal proportions by forest types, were compared with estimates obtained from field data with and without calibration. The results indicated that the accuracy of k-NN estimates could be improved as sample size increased. Also, the k-NN technique provided acceptable estimates for small-area estimation. Although there was no significant difference with the calibration approach (p> 0.18), k-NN has potential for small-area estimation and is useful to generate thematic maps of forest attributes.

Les inventaires forestiers nationaux (IFN) ont été utilisés dans de nombreux pays pour évaluer les ressources forestières à l’échelle nationale. Pour faciliter l’estimation du volume du matériel sur pied à des échelles plus régionales, la méthode des k plus proches voisins (k-NN) a été appliquée dans cette recherche pour obtenir des estimations dans les zones non mesurées en utilisant des données terrain de l’IFN et des données satellitaires optiques. Les données terrain de l’IFN ont été assignées à des ensembles de données de trois tailles différentes d’échantillon pour évaluer l’effet de la taille de l’échantillon sur la précision des estimations par la méthode des k-NN. Comme le nombre d’échantillons provenant du comté visé est souvent insuffisant pour des estimations sur de petites superficies, des échantillons provenant d’en dehors du comté visé sont utilisés pour calibrer les modèles d’estimation pour le comté visé. Ainsi, les estimations par la méthode des k-NN, soit le volume de matériel ligneux sur pied et la proportion de surface forestière par type de forêt, ont été comparées aux estimations obtenues à partir des données terrain avec et sans calibration. Les résultats indiquent que la précision des estimations par la méthode des k-NN pourrait être améliorée en augmentant la taille de l’échantillon. En outre, la méthode des k-NN a fourni des estimations acceptables sur de petites superficies. Bien qu’il n’y ait pas de différence significative avec l’approche de calibration (p> 0,18), la méthode des k-NN a du potentiel pour les estimations sur de petites superficies et est utile pour générer des cartes thématiques d’attributs forestiers.

Document Type: Research Article

Publication date: January 1, 2011

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/2011/00000041/00000001/art00009
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