An existing Light Detection and Ranging (LiDAR) data set captured on the Romeo Malette Forest near Timmins, Ontario, was used to explore and demonstrate the feasibility of such data to enrich existing strategic forest-level resource inventory data. Despite suboptimal calibration data, stand inventory variables such as top height, average height, basal area, gross total volume, gross merchantable volume, and above-ground biomass were estimated from 136 calibration plots and validated on 138 independent plots, with root mean square errors generally less than 20% of mean values. Stand densities (trees per ha) were estimated with less precision (30%). These relationships were used as regression estimators to predict the suite of variables for each 400-m 2 tile on the 630 000-ha forest, with predictions capable of being aggregated in any user-defined manner-for a stand, block, or forest-with appropriate estimates of statistical precision. This pilot study demonstrated that LiDAR data may satisfy growing needs for inventory data to scale operational/tactical, through strategic needs, as well as provide spatial detail for planning and the optimization of forest management activities.Key words: forest inventory, Light Detection and Ranging (LiDAR), models, Seemingly Unrelated Regression RÉSUMÉ Un ensemble de données LiDAR (télédétection par laser) recueillies pour la Forêt Roméo Malette près de Timmins en Ontario, a été utilisé pour étudier et démontrer la possibilité d'utiliser ces données pour enrichir les données existantes d'inventaire des ressources forestières de premier plan. Malgré une calibration des données inférieure à ce qui était souhaité, les variables d'inventaire des peuplements comme la hauteur moyenne supérieure, la hauteur moyenne, la surface terrière, le volume brut total, le volume marchand total et la biomasse au-dessus du sol ont été estimées à partir de 136 parcelles de calibration et validées pour 138 parcelles indépendantes, avec une erreur quadratique moyenne géné-ralement inférieure à 20 % des valeurs moyennes. La densité des peuplements (arbres par hectare) a été estimée avec moins de précision (30 %). Ces relations ont été utilisées comme estimateurs de régressions utilisées pour générer une série de variables pour chaque unité de 400 m 2 de la forêt de 630 000 ha, avec des prédictions cumulables selon la requête de l'utilisateur-pour un peuplement, pour un bloc ou pour la forêt-avec des estimations appropriées d'une précision statistique. Ce projet pilote a démontré que les données LiDAR pourraient répondre aux besoins sans cesse croissants en matière de données d'inventaire pour définir les plans opérationnels/tactiques, bien que stratégiques, ainsi que pour établir les détails spatiaux requis pour la planification et l' optimisation des activités d'aménagement forestier.

No abstract

No abstract

No abstract

Airborne Laser Scanning (ALS) metrics have been used to develop area-based forest inventories; these metrics generally include estimates of stand-level, per hectare values and mean tree attributes. Tree-based ALS inventories contain desirable information on individual tree dimensions and how much they vary within a stand. Adding size class distribution information to area-based inventories helps to bridge the gap between area-and tree-based inventories. This study examines the potential of ALS and stereo-imagery point clouds to predict size class distributions in a boreal forest. With an accurate digital terrain model, both ALS and imagery point clouds can be used to estimate size class distributions with comparable accuracy. Nonparametric imputations were generally superior to parametric imputations; this may be related to the limitation of using a unimodal Weibull function on a relatively small prediction unit (e.g., 400 m 2 ).