Using Landsat Time-Series and LiDAR to Inform Aboveground Forest Biomass Baselines in Northern Minnesota, USA

Abstract

The publicly accessible archive of Landsat imagery and increasing regional-scale LiDAR acquisitions offer an opportunity to periodically estimate aboveground forest biomass (AGB) from 1990 to the present to align with the reporting needs of National Greenhouse Gas Inventories (NGHGIs). This study integrated Landsat time-series data, a state-wide LiDAR dataset, and a recent cycle of the national forest inventory (NFI) records in Minnesota, USA, to obtain a spatially explicit inventory of AGB across a large region of space and time back to the 1990 baseline used by the US NGHGI. Pixel-level polynomial models were fit to 6 time-series metrics of Landsat data to obtain fitted predictors that were ultimately coupled with the NFI data in a nonparametric modeling framework to map temporal AGB baselines. Eighteen candidate models, formulated using different combinations of LiDAR and Landsat metrics, revealed that the model using both Landsat and LiDAR metrics consistently performed better than the alternative models. The RMSE of the model using both Landsat and LiDAR was 27.2 Mg ha⁻¹, against 31.39 Mg ha⁻¹ for the model using only LiDAR metrics. We conclude that the fitted Landsat-based model (RMSE = 47.64 Mg ha⁻¹) provides acceptable accuracy for the 1990-baseline mapping of AGB.

Résumé. Les archives accessibles au public d'images Landsat et l'augmentation des acquisitions LiDAR à l'échelle régionale offrent l'opportunité d'évaluer périodiquement la biomasse forestière aérienne «aboveground forest biomass (AGB)»de 1990 jusqu’à nos jours pour répondre aux besoins de rapports des inventaires nationaux de gaz à effet de serre (NGHGIs). Cette étude a intégré des données de séries temporelles Landsat, un ensemble de données LiDAR couvrant l'État et une série récente provenant des archives de l'inventaire forestier national «national forest inventory (NFI)»du Minnesota, aux États-Unis, pour obtenir un inventaire spatialement explicite de la AGB sur un grand domaine spatiotemporel, depuis le référentiel de 1990 utilisé par le NGHGI des États-Unis. Les modèles polynomiaux au niveau du pixel ont été ajustés à 6 mesures de séries temporelles de données Landsat pour obtenir des prédicteurs ajustés qui ont finalement été couplés avec les données de le NFI dans un cadre de modélisation non paramétrique pour cartographier les référentiels temporels de la AGB. Dix-huit modèles candidats formulés en utilisant différentes combinaisons des mesures de LiDAR et Landsat ont révélé que le modèle utilisant à la fois des mesures de Landsat et LiDAR a toujours une meilleure performance que les autres modèles. La REQM «root mean square error (RMSE)» du modèle utilisant à la fois Landsat et LiDAR était de 27,2 Mg ha⁻¹, contre 31,39 Mg ha⁻¹ pour le modèle utilisant seulement des mesures de LiDAR. Nous concluons que le modèle ajusté basé sur Landsat (RMSE = 47,64 Mg ha⁻¹) fournit une précision acceptable pour la cartographie du référentiel de 1990 de l'AGB.

ACKNOWLEDGMENTS

We thank Brian Clough, Jennifer Corcoran, John Stanovick, Ethan Butler, the Associate Editor, and two external reviewers for their comments that improved this work.

FUNDING

This work was supported by the USDA Forest Service, Northern Research Station and Minnesota Agricultural Experiment Station (project MIN-42-063).

Notes

1 http://whrc.org/

2 ESRI, Redlands, CA, USA, 2014.

3 Available in the rfUtilities R package (Evans and Murphy 2015).