A comparison of small-area estimation techniques to estimate selected stand attributes using LiDAR-derived auxiliary variables

One of the challenges often faced in forestry is the estimation of forest attributes for smaller areas of interest within a larger population. Small-area estimation (SAE) is a set of techniques well suited to estimation of forest attributes for small areas in which the existing sample size is small and auxiliary information is available. Selected SAE methods were compared for estimating a variety of forest attributes for small areas using ground data and light detection and ranging (LiDAR) derived auxiliary information. The small areas of interest consisted of delineated stands within a larger forested population. Four different estimation methods were compared for predicting forest density (number of trees/ha), quadratic mean diameter (cm), basal area (m2/ha), top height (m), and cubic stem volume (m3/ha). The precision and bias of the estimation methods (synthetic prediction (SP), multiple linear regression based composite prediction (CP), empirical best linear unbiased prediction (EBLUP) via Fay–Herriot models, and most similar neighbor (MSN) imputation) are documented. For the indirect estimators, MSN was superior to SP in terms of both precision and bias for all attributes. For the composite estimators, EBLUP was generally superior to direct estimation (DE) and CP, with the exception of forest density. Résumé : Un des défis souvent rencontrés en foresterie est l’estimation des attributs forestiers pour de plus petites zones d’intérêt au sein d’une population plus large qu’est la forêt. Les méthodes d’estimation pour petites zones sont des techniques bien adaptées à l’estimation d’attributs forestiers sur de petites superficies pour lesquelles la taille de l’échantillon existant est faible et l’information auxiliaire est disponible. Quatre méthodes d’estimation pour petites zones ont été sélectionnées et comparées pour estimer une variété d’attributs forestiers sur de petites superficies à l’aide de données terrain et de données auxiliaires dérivées du lidar. Les deux premières méthodes étaient indirectes (la prédiction synthétique (PS) et l’imputation par les plus proches voisins (PPV)); les deux autres étaient composites (la meilleure prédiction empirique linéaire sans biais (PSB) basée sur les modèles de Fay–Herriot et la prédiction composite basée sur la régression linéaire multiple (PC)). Les petites superficies d’intérêt étaient représentées par les peuplements délimités dans une forêt. Les attributs forestiers qui ont été comparés étaient la densité de la forêt (nombre de tiges/ha), le diamètre moyen quadratique (cm), la surface terrière (m2/ha), la hauteur maximale (m) et le volume des tiges (m3/ha). La précision et le biais des quatre méthodes d’estimation sont documentés. Dans le cas des estimateurs indirects, l’imputation par les PPV était supérieure à la PS en termes de précision et de biais pour tous les attributs. Dans le cas des estimateurs composites, la PSB était généralement supérieure à l’estimation direct et la PC, excepté pour la densité de la forêt. [Traduit par la Rédaction]