Abstract
The ability to expand the use of predictive Airborne Laser Scanning (ALS)-derived Forest Resource Inventory (FRI) models to broader regional scales is crucial for supporting large scale sustainable forest management. This research examined the transferability of ALS-based FRI attributes between two forest estates located in the eastern and western boreal forest regions of Canada. The sites were structurally diverse due to a strong east-to-west gradient in climate conditions and disturbance regimes. We first examined the ALS–FRI attribute relationships between the sites. Second, we applied Ordinary Least Squares regressions and Random Forest, to predict four FRI attributes. Third, we tested if the inclusion of calibration data from the target location improved the performance of the transferred models. As the sites were located on opposing sides of a bioclimatic gradient, inclusion of target calibration data improved transferred model performance. However, attribute prediction accuracy varied with modeling approach, attribute, and site. The best transferability models fell within a ± 5% relative RMSE of the local predictive models but increased up to 10% in relative bias. These results have implications for forest researchers and managers on both the number, and location, of FRI plots when considering undertaking forest inventories over large disparate areas.
RÉSUMÉ
La capacité d’étendre à des échelles régionales l’utilisation des modèles prédictifs issus d’inventaires des ressources forestières réalisés par un laser à balayage aéroporté est cruciale pour soutenir la gestion durable des forêts à grande échelle. Cette recherche a porté sur la transférabilité des attributs forestiers mesurés par un laser aéroporté entre deux domaines forestiers situés dans les régions boréales de l’Est et de l’Ouest du Canada. Les sites étaient structurellement diversifiés en raison d’un fort gradient dans les conditions climatiques et les régimes de perturbation d’est en ouest. Nous avons d’abord examiné les relations entre les données laser et les attributs forestiers et entre les sites. Deuxièmement, nous avons appliqué les régressions du moindre carré et Random Forest, pour prédire quatre attributs forestiers. Troisièmement, nous avons testé si l’inclusion de données d’étalonnage de l’emplacement cible améliorait les performances des modèles transférés. Comme les sites étaient situés sur les côtés opposés d’un gradient bioclimatique, l’inclusion des données d’étalonnage a amélioré les performances du modèle transféré. Cependant, la précision de prédiction d’attribut variait avec l’approche de modélisation, l’attribut et le site. Les meilleurs modèles de transfert ont obtenu un RMSE relatif de ±5% des modèles prédictifs locaux, mais la différence en biais relatif augmentait jusqu’à 10%. Ces résultats ont des répercussions sur le nombre et l’emplacement des parcelles que les chercheurs et les gestionnaires doivent sélectionner lorsqu’ils envisagent d’entreprendre des inventaires forestiers sur de vastes zones disparates.
Acknowledgements
We want to thank Hearst Forest Management Inc. and West Fraser Mills Ltd. for sharing their data. Special thanks go to the field assistants at HEF and SLF. We also thank Valerie Lecours, Grant McCartney, and Kyle Rosychuk for reviewing the manuscript and providing valuable comments.