Analysis of Classification Methods for Identifying Stands for Commercial Thinning Using LiDAR

Abstract

Commercial thinning (CT) is an important tool that meets a diverse set of forest management objectives, including the generation of intermediate revenue, promotion of regeneration tree growth, and the modification of vertical and horizontal fuel structure for wildfire mitigation. Using a set of 653 fixed radius plots and a coincident LiDAR acquisition, we compared three different classification methods to predict CT eligibility for Douglas-fir (Pseudotsuga menziesii) stands in southwestern Oregon. We assessed logistic regression (LOG), random forests (RF), XGBoost (XGB) to classify areas eligible for CT operations based on three structural attributes, volume (VOL), basal area (BA) and Curtis’ Relative Density index (CRD). We also assessed their predictive performance and reliability via cross-validation at different sample sizes. We used the area under the receiver operating characteristic curve (AUC) as our primary performance measure. Estimated AUCs were 0.86, 0.77 and 0.68 for XGB, RF and LOG, respectively. We observed that classifier performance stabilized between sample sizes of 200 and 300 plots, which suggests that the development of a CT eligibility classifier is appropriate for operational applications of the method with similar sample sizes and large area attributes.

RÉSUMÉ

La coupe sélective (CS) est une opération répondant à un ensemble diversifié d'objectifs de gestion forestière, y compris la génération de revenus intermédiaires, la stimulation de la croissance des arbres en régénération et la modification de la structure verticale et horizontale du combustible pour l'atténuation des incendies de forêt. À l'aide d'un ensemble de 653 parcelles de rayon fixe et d'une acquisition coïncidente LiDAR, nous avons comparé trois méthodes de classification différentes pour prédire l'admissibilité au CS pour des boisés de sapin Douglas (Pseudotsuga menziesii) dans le sud-ouest de l'Oregon, soient la régression logistique (LOG), les forêts aléatoires (RF) et XGBoost (XGB). Ainsi, les zones admissibles aux opérations de coupe sélective ont été classées en fonction de trois attributs structurels, le volume (VOL), la zone basale (BA) et l'indice de densité relative de Curtis (CRD). Nous avons également évalué leur performance prédictive et leur fiabilité par validation croisée pour différentes tailles d'échantillons. Nous avons utilisé la zone sous la courbe de la fonction d'efficacité du récepteur, plus fréquemment désignée sous le terme « courbe ROC» comme mesure de performance principale. Les ROC estimées étaient de 0.86, 0.77 et 0.68 pour les méthodes XGB, RF et LOG, respectivement. Nous avons observé que le rendement des classificateurs s'est stabilisé pour des échantillons entre 200 à 300 parcelles, ce qui donne à penser que le développement d'un classificateur d'admissibilité à la coupe sélective est approprié aux applications opérationnelles pour des échantillons ayant des tailles similaires et couvrant une grande superficie.

Acknowledgments

We would like to give thanks to Kalvin Bailey, Drs. Jacob Strunk, Peter Gould, and Rebecca Hutchinson for their motivation, ideas and insights regarding early ideas and assistance for early drafts. We thank the Bureau of Land Management for providing the data for this research and other support.

Disclosure statement

The authors declare no conflict of interest.

Additional information

Funding

This research was funded by the United States Forest Service under grant [# 17-JV-11261989-018].