Landscape-scale parameterization of a tree-levelforest growth model: a k-nearest neighborimputation approach incorporating LiDAR data

Sustainable forest management requires timely, detailed forest inventory data across large areas, which is difficult to obtain via traditional forest inventory techniques. This study evaluated k-nearest neighbor imputation models incorporating LiDAR data to predict tree-level inventory data (individual tree height, diameter at breast height, and species) across a 12 100 ha study area in northeastern Oregon, USA. The primary objective was to provide spatially explicit data to parameterize the Forest Vegetation Simulator, a tree-level forest growth model. The final imputation model utilized LiDAR-derived height measurements and topographic variables to spatially predict tree-level forest inventory data. When compared with an independent data set, the accuracy of forest inventory metrics was high; the root mean square difference of imputed basal area and stem volume estimates were 5 m2 ha–1 and 16 m3 ha–1, respectively. However, the error of imputed forest inventory metrics incorporating small trees (e.g., quadratic mean diameter, tree density) was considerably higher. Forest Vegetation Simulator growth projections based upon imputed forest inventory data follow trends similar to growth projections based upon independent inventory data. This study represents a significant improvement in our capabilities to predict detailed, tree-level forest inventory data across large areas, which could ultimately lead to more informed forest management practices and policies. Résumé : L’aménagement durable des forêts requiert des données appropriées et détaillées d’inventaire forestier sur de grandes superficies, ce qui est difficile à obtenir par le biais de techniques traditionnelles d’inventaire forestier. Cette étude évalue des modèles d’imputation basés sur les k plus proches voisins incorporant des données lidar pour prédire des mesures d’inventaire à l’échelle de l’arbre (hauteur, diamètre à hauteur de poitrine et espèce des arbres individuels) dans une aire d’étude de 12 100 ha du nord-est de l’Oregon, aux États-Unis. L’objectif premier est de fournir des données spatialement explicites pour paramétrer un modèle de croissance forestière à l’échelle de l’arbre, le «Forest Vegetation Simulator». Le modèle final d’imputation utilise des mesures de hauteur et des variables topographiques dérivées du lidar pour prédire spatialement des données d’inventaire forestier à l’échelle de l’arbre. Lorsqu’elles ont été comparées à un fichier indépendant de données, la précision des mesures d’inventaire forestier était élevée: l’erreur quadratique moyenne des estimations imputées de surface terrière et de volume étaient respectivement de 5 m2 ha–1 et 16 m3 ha–1. Cependant, l’erreur des mesures imputées d’inventaire forestier qui tiennent compte des petits arbres (p. ex. le diamètre moyen quadratique et la densité des arbres) était considérablement plus élevée. Les projections de croissance du «Forest Vegetation Simulator» basées sur des données imputées d’inventaire forestier suivent une tendance similaire aux projections basées sur des données indépendantes d’inventaire. Cette étude représente une amélioration importante de nos capacités à prédire des données détaillées d’inventaire forestier à l’échelle de l’arbre sur de grandes superficies, ce qui pourrait éventuellement mener à des pratiques et des politiques d’aménagement forestier mieux fondées. [Traduit par la Rédaction]