Using multilevel remote sensing and ground data to estimate forest biomass resources in remote regions: a case study in the boreal forests of interior Alaska

Abstract

The emergence of a new generation of remote sensing and geopositioning technologies, as well as increased capabilities in image processing, computing, and inferential techniques, have enabled the development and implementation of increasingly efficient and cost-effective multilevel sampling designs for forest inventory. In this paper, we (i) describe the conceptual basis of multilevel sampling, (ii) provide a detailed review of several previously implemented multilevel inventory designs, (iii) describe several important technical considerations that can influence the efficiency of a multilevel sampling design, and (iv) demonstrate the application of a modern multilevel sampling approach for estimating the forest biomass resources in a remote area of interior Alaska. This approach utilized a combination of ground plots, lidar strip sampling, satellite imagery (multispectral and radar), and classified land cover information. The variability in the total biomass estimate was assessed using a bootstrapping approach. The results indicated only marginal improvement in the precision of the total biomass estimate when the lidar sample was post-stratified using the classified land cover layer (reduction in relative standard error from 7.3% to 7.0%), whereas there was a substantial improvement in the precision when the estimate was based on the biomass map derived via nearest-neighbor imputation (reduction in relative standard error from 7.3% to 5.1%).

L'émergence d'une nouvelle génération de technologies de télédétection et de géo-positionnement de même que les progrès réalisés dans les domaines du traitement d'images, de l'informatique et des techniques inférentielles ont permis le développement et l'implantation de plans d'échantillonnage multiniveaux de plus en plus efficaces et économiques pour les inventaires forestiers. Dans cet article, (i) on décrit la base conceptuelle de l'échantillonnage multiniveaux, (ii) on présente une revue détaillée de plusieurs plans d'inventaire multiniveaux déjà développés, (iii) on décrit plusieurs aspects techniques importants qui peuvent influencer l'efficacité d'un plan d'échantillonnage multiniveaux et (iv) on démontre l'application d'une approche contemporaine d'échantillonnage multiniveaux pour l'estimation des ressources en biomasse forestière dans une région isolée de l'intérieur de l'Alaska. L'approche est basée sur l'utilisation d'une combinaison de parcelles au sol, d'échantillons de bandes lidar, d'images satellite (multispectrales et radar) et de l'information classifiée sur le couvert. La variabilité des estimations de biomasse totale a été évaluée à l'aide d'une approche d'amorçage « bootstrapping ». Les résultats montrent seulement une amélioration marginale de la précision de l'estimation de la biomasse totale lorsque l'échantillon lidar était post-stratifié à l'aide de la couche de couvert classifié (réduction de l'erreur type relative de 7,3% à 7,0%), tandis qu'on observait une amélioration substantielle de la précision lorsque l'estimation était basée sur la carte de la biomasse dérivée de l'imputation par le plus proche voisin (réduction de l'erreur type relative de 7,3% à 5,1%).

[Traduit par la Rédaction]