Skip to main content

Model-based inference for biomass estimation in a LiDAR sample survey in Hedmark County, Norway

Buy Article:

$50.00 plus tax (Refund Policy)


In forest inventories, regression models are often applied to predict quantities such as biomass at the level of sampling units. In this paper, we propose a model-based inference framework for combining sampling and model errors in the variance estimation. It was applied to airborne laser (LiDAR) data sets from Hedmark County, Norway, where the model error proportion of the total variance was found to be large for both scanning (airborne laser scanning) and profiling LiDAR when biomass was estimated. With profiling LiDAR, the model error variance component for the entire county was as large as 71% whereas for airborne laser scanning, it was 43% of the total variance. Partly, this reflects the better accuracy of the pixel-based regression models estimated from scanner data as compared with the models estimated from profiler data. The framework proposed in our study can be applied in all types of sample surveys where model-based predictions are made at the level of individual sampling units. Especially, it should be useful in cases where model-assisted inference cannot be applied due to the lack of a probability sample from the target population or due to problems of correctly matching observations of auxiliary and target variables.

Les modèles de régression sont souvent utilisés dans les inventaires forestiers pour faire des prédictions quantitatives, telles que la biomasse, à l’échelle des unités d’échantillonnage. Dans cet article, nous proposons une méthode d’inférence basée sur un modèle pour combiner les erreurs d’échantillonnage et les erreurs du modèle dans l’estimation de la variance. Elle a été appliquée à des jeux de données produites par un laser aéroporté (LiDAR) pour le comté de Hedmark, Norvège, où la portion de la variance totale due à l’erreur du modèle était importante tant pour le LiDAR à balayage (balayage laser aéroporté) que profileur lorsque la biomasse était estimée. Avec le profileur LiDAR, la composante de la variance due à l’erreur du modèle pour l’ensemble du comté était aussi élevée que 71% tandis qu’elle était de 43% pour le balayage laser aéroporté. Cela reflète en partie la plus grande précision des modèles de régression basés sur les pixels estimés à partir de données de balayage comparativement aux modèles estimés à partir de données de profilage. La méthode proposée dans notre étude peut être appliquée dans tous les types d’inventaire avec échantillonnage où des prédictions basées sur un modèle sont faites à l’échelle des unités individuelles d’échantillonnage. Elle devrait être particulièrement utile dans les cas où l’inférence assistée par un modèle ne peut être appliquée à cause de l’absence d’un échantillon aléatoire provenant de la population cible ou à cause de la difficulté à apparier correctement les observations des variables auxiliaires et celles des variables cibles.

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

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