Estimating above-ground biomasss using lidar remote sensing

Lim, Kevin; Treitz, Paul; Morrison, I. K.; Baldwin, Ken

doi:10.1117/12.462409

Cited by 6 publications

(8 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Recent work in Ontario has focused on estimating forest inventory and biophysical variables for tolerant northern hardwoods (Lim et al 2001(Lim et al , 2002(Lim et al , 2003Todd et al 2003, Lim andTreitz 2004), boreal mixedwoods (Thomas et al 2006(Thomas et al , 2008 and conifer plantations (Chasmer et al 2006). Other international studies have also clearly demonstrated the application of LiDAR to forest inventory (Nilsson 1996;Lefsky et al 1999a, b;Means et al 1999;Holmgren 2003;Gobakken and Naesset 2004;Hyyppä et al 2004;Naesset 2004b;Bollandsås and Naesset 2007;Breidenbach et al 2007;Stephens et al 2007).…”

Section: P Treitzmentioning

confidence: 99%

Predicting forest stand variables from LiDAR data in the Great Lakes St. Lawrence forest of Ontario

Woods¹,

Lim²,

Treitz³

2008

The Forestry Chronicle

View full text Add to dashboard Cite

Models were developed to predict forest stand variables for common species of the Great Lakes -St. Lawrence forest of central Ontario, Canada from light detection and ranging (LiDAR) data. Stands that had undergone various ranges of partial harvesting or initial spacing treatments from multiple geographic sites were considered. A broad forest stratification was adopted and consisted of: (i) natural hardwoods; (ii) natural conifers; and (iii) plantation conifers. Stand top height (R 2 = 0.96, 0.98, and 0.98); average height (R 2 = 0.86, 0.76, and 0.98); basal area (R 2 = 0.80, 0.80, and 0.85); volume (R 2 = 0.89, 0.81, and 0.91); quadratic mean diameter (R 2 = 0.80, 0.68, and 0.83); and density (R 2 = 0.74, 0.71, and 0.73) were predicted from low density (i.e., 0.5 point m -2 ) LiDAR data for these 3 strata, respectively. Mots clés : détection de la lumière et calcul de la distance, LiDAR, numérisation par laser aéroporté, modélisation forestière, télédétection, variables de peuplement forestier, forêt des Grands Lacs et du Saint-Laurent.

show abstract

Section: P Treitzmentioning

confidence: 99%

Predicting forest stand variables from LiDAR data in the Great Lakes St. Lawrence forest of Ontario

Woods¹,

Lim²,

Treitz³

2008

The Forestry Chronicle

View full text Add to dashboard Cite

show abstract

“…Examples include predictive hydrology modeling (Murphy et al 2008, Mandlburger et al 2009), road location optimization and construction (Akay et al 2004, Aruga et al 2005, White et al 2010, harvest block engineering (Chung et al 2004), habitat definition (Clawges et al 2008, Hinsley et al 2008, and timber quantification (Holmgren and Jonsson 2004, Naesset 2004, Parker and Evans 2007. Research conducted specifically in Ontario has focused on estimating forest inventory and biophysical variables for tolerant northern hardwoods (Lim et al 2001(Lim et al , 2002(Lim et al , 2003Todd et al 2003;Lim and Treitz 2004;Woods et al 2008), boreal mixedwoods (Thomas et al 2006(Thomas et al , 2008 and conifer plantations (Chasmer et al 2006). Current acquisition costs, including classification of LiDAR points, derivation of digital elevation models (DEMs) and digital surface models (DSMs), have positioned LiDAR as a potentially operationally affordable alternative when the development of a precision forest inventory is considered a requirement.…”

Section: Introductionmentioning

confidence: 99%

Operational implementation of a LiDAR inventory in Boreal Ontario

Woods

Pitt

Penner

et al. 2011

The Forestry Chronicle

Self Cite

128

View full text Add to dashboard Cite

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.

show abstract

“…Lim et al, (2003) utilizaron modelos multiplicativos para la estimación de la biomasa y sus componentes. La media de las alturas de los datos LiDAR incluidos en 49 parcelas fue utilizada como variable independiente en la estimación de la biomasa con un R 2 de 0,85.…”

Section: Estudios Sobre Estimación De Variables Dasométricas Basadas unclassified

“…Existen investigaciones con resultados significativos en las que se han utilizado los valores de intensidad de los datos LiDAR en la separación de clases de vegetación arbórea (Lim et al, 2003;Kim et al, 2009). …”

Section: Líneas Futuras De Investigaciónunclassified

“…Por otro lado, la altura es una variable que permite clasificar los diferentes tipos de vegetación arbustiva (Riaño 2007), es importante para detectar crecimientos y muestra una correlación muy alta con la biomasa. Esto se pudo observar en diversos estudios como los realizados por Hyyppä e Inkinen (1999), Lim et al, (2003) y Nelson et al, (2004 que trabajaron en zonas con presencia de árboles. En contraste, las zonas arbustivas han sido objeto de pocas investigaciones por su dificultad técnica (baja altura y superficie uniforme).…”

Section: Introductionunclassified

See 1 more Smart Citation

Análisis de los factores que influyen en la precisión de un MDE y estimación de parámetros forestales en zonas arbustivas de montaña mediante datos LiDAR

Cremades¹

View full text Add to dashboard Cite

AgradecimientosEn primer lugar, quiero expresar mi más especial agradecimiento al director de la tesis, el Dr. Luis Ángel Ruiz Fernández, no sólo por su ayuda en la realización de este trabajo de investigación, sino también por todos sus consejos y contribuciones que ha realizado como mentor en mi dedicación universitaria en la Universidad Politécnica de Valencia. Asimismo, quiero agradecer la colaboración especial del profesor Dr.Borja Velázquez Martí, del Departamento de Ingeniería Rural y Agroalimentaria, por su ayuda y recomendaciones en todo el proceso de realización de esta tesis doctoral.Además quiero agradecer las revisiones y consejos del profesor Dr. Juan Orengo Femenía, de la Universidad de Murcia, a mis compañeros del Departamento de Ingeniería Cartográfica, Geodesia y Fotogrametría de la Universidad Politécnica de Valencia, Txomin Hermosilla Gómez y Sergio Navarro Martínez, por su colaboración en las tareas de programación y por su ayuda en la preparación y manejo de los equipos de medición. Reconocer también la ayuda prestada en las salidas de campo al Ayuntamiento Este trabajo ha sido posible gracias a la ayuda material que han supuesto los proyectos de investigación:• Análisis de la biomasa arbustiva forestal en los ecosistemas mediterráneos con tecnología LiDAR y teledetección. (2008)(2009)(2010). Proyecto financiado por el Vicerrectorado de Investigación, Desarrollo e Innovación de la Universidad Politécnica de Valencia.• Desarrollo y aplicación de nuevas técnicas de actualización e interpolación cartográfi-cas y análisis morfométrico del terreno como herramientas de utilidad en la caracterización de sistemas hidrológicos (ctm2006-11767). Proyecto financiado por el Ministerio de Educación (2006-2010. VII ResumenUn alto porcentaje de la superficie forestal de la zona Mediterránea está cubierta por masas arbustivas densas y bajas. La elevada dificultad que supone su gestión, junto con el desconocimiento del comportamiento de estas masas, hace necesario el desarrollo de herramientas eficaces para su mejor gestión y análisis. El sistema LiDAR (Light Detection and Ranging) ha sido ampliamente utilizado en el ámbito forestal para estimar variables que caracterizan la estructura de los bosques. Sin embargo, pocas investigaciones se han centrado en la vegetación arbustiva. Para realizar estos estudios es necesario, previamente, calcular un modelo digital de elevaciones (MDE). Los objetivos de esta investigación han sido:adaptar un algoritmo basado en procesos iterativos de búsqueda de elevaciones mínimas a partir de datos LiDAR para el cálculo de un MDE en zonas de montaña mediterránea, y desarrollar modelos para la estimación de parámetros de la vegetación arbustiva tanto en parcelas como en subparcelas.Para el cálculo del MDE, se estudiaron tres parámetros: tamaño de las ventanas de búsqueda, umbrales de alturas y el formato de los datos de entrada. La combinación de estos parámetros permitió generar una serie de ensayos, que se evaluaron mediante el cálculo del error medio cuadrático (RMSE). Para el...

show abstract

Estimating above-ground biomasss using lidar remote sensing

Cited by 6 publications

References 0 publications

Predicting forest stand variables from LiDAR data in the Great Lakes St. Lawrence forest of Ontario

Predicting forest stand variables from LiDAR data in the Great Lakes St. Lawrence forest of Ontario

Operational implementation of a LiDAR inventory in Boreal Ontario

Análisis de los factores que influyen en la precisión de un MDE y estimación de parámetros forestales en zonas arbustivas de montaña mediante datos LiDAR

Contact Info

Product

Resources

About

Estimating above-ground biomasss using lidar remote sensing

Cited by 6 publications

References 0 publications

Predicting forest stand variables from LiDAR data in the Great Lakes  St. Lawrence forest of Ontario

Predicting forest stand variables from LiDAR data in the Great Lakes  St. Lawrence forest of Ontario

Operational implementation of a LiDAR inventory in Boreal Ontario

Análisis de los factores que influyen en la precisión de un MDE y estimación de parámetros forestales en zonas arbustivas de montaña mediante datos LiDAR

Contact Info

Product

Resources

About

Predicting forest stand variables from LiDAR data in the Great Lakes St. Lawrence forest of Ontario

Predicting forest stand variables from LiDAR data in the Great Lakes St. Lawrence forest of Ontario