Figure 6 - available via license: Creative Commons Attribution 4.0 International
Content may be subject to copyright.
Coefficients of determination (R 2 ) in percent (%) for linear models fit relating DAP heights (Ht), environmental gradients (Env), and landsat (LS) to field-measurement-derived forest attributes. The color gradient represents low (blue) to high (red) R 2 values.
Source publication
We demonstrate the potential for pushbroom Digital Aerial Photogrammetry (DAP) to enhance forest modeling (and mapping) over large areas, especially when combined with multitemporal Landsat derivatives. As part of the National Agricultural Imagery Program (NAIP), high resolution (30–60 cm) photogrammetric forest structure measurements can be acquir...
Contexts in source publication
Context 1
... explanatory power of each of the three auxiliary data sources is inferred from the coefficient of determination values (R 2 ) reported for the 19 forest attributes in Figure 6. As was suggested previously in scatterplots of principle components, the OLS results indicate that DAP height derivatives have the greatest explanatory power (i.e., greatest R 2 for a model with only one auxiliary data source) for the greatest number of variables, followed by Landsat, with the least explanatory power coming from environmental variables. ...
Context 2
... explanatory power of each of the three auxiliary data sources is inferred from the coefficient of determination values (R 2 ) reported for the 19 forest attributes in Figure 6. As was suggested previously in scatterplots of principle components, the OLS results indicate that DAP height derivatives have the greatest explanatory power (i.e., greatest R 2 for a model with only one auxiliary data source) for the greatest number of variables, followed by Landsat, with the least explanatory power coming from environmental variables. ...
Similar publications
Abstract Significant land greening since the 1980s has been detected through satellite observation, forest inventory, and Earth system modeling. However, whether and to what extent global land greening enhances ecosystem carbon stock remains uncertain. Here, using 40 global models, we first detected a positive correlation between the terrestrial ec...
Citations
... Ο ερχομός της ψηφιακής αεροφωτογραφίας και της αυτοματοποιημένης φωτογραμμετρίας (Naesset, 2002) και η υψηλή χωρική και χρονική ανάλυση δορυφορικών εικόνων (Immitzer et al., 2016, Ullah et al., 2020 έχει επιτρέψει την εξαγωγή λεπτομερών ανεξάρτητων μεταβλητών οι οποίες καλύπτουν ένα τεράστιο εύρος από τοπική έως παγκόσμια κλίμακα. Αυτές οι τεχνολογίες προσφέρουν πρακτικά οφέλη σε σύγκριση με τις παραδοσιακές πλατφόρμες τηλεπισκόπησης, συμπεριλαμβανομένης της γρήγορης ανάπτυξης τους ή της οικονομικότητας (Strunk et al., 2022). ...
Η αειφόρος διαχείριση των δασών βασίζεται σε ακριβείς εκτιμήσεις των δασικών παραμέτρων, που συνήθως λαμβάνονται μέσω ενός δειγματοληπτικού σχεδίου. Ωστόσο, ένα δειγματοληπτικό σχέδιο συνήθως δίνει αξιόπιστες εκτιμήσεις μόνο σε επίπεδο πληθυσμού (δάσος), θέτοντας προκλήσεις κατά την εκτίμηση των παραμέτρων για μικρότερες περιοχές/εκτάσεις, όπως οι δασικές συστάδες. Το πρόβλημα των εκτιμήσεων γίνεται σαφώς μεγαλύτερο όταν υπεισέρχεται η υποκειμενικότητα του απογραφέα. Για να αντιμετωπιστεί αυτό, αναπτυχθήκαν οι μέθοδοι εκτίμησης μικρής έκτασης ή περιοχής (small area estimation, SAE), που ενσωματώνουν δεδομένα δειγματοληψίας και εκτιμητές βάσει μοντέλων που χρησιμοποιούν βοηθητικές πληροφορίες. Τα πολυμεταβλητά Fay-Herriot μοντέλα αξιοποιούν γραμμικές συσχετίσεις μεταξύ των εξαρτημένων μεταβλητών για να βελτιώσουν την ακρίβεια των εκτιμήσεων. Σκοπός της έρευνας είναι η ομαδοποίηση των μικρών Δασικών Διαχειριστικών Μονάδων (ΔΔΜ) και η εφαρμογή πολυμεταβλητών Fay-Herriot (multivariate Fay-Herriot, MFH) μοντέλων, για την εκτίμηση βασικών δασικών παραμέτρων κρίσιμων για την αποτελεσματική διαχείριση των δασών, συμπεριλαμβανομένου του ξυλώδη όγκου (ξυλαπόθεμα), της κυκλικής επιφάνειας, του μέσου ύψους και της κατανομή διαμέτρου των δέντρων. Περιοχή έρευνας ήταν το Πανεπιστημιακό Δάσος Περτουλίου. Χρησιμοποιήθηκαν δεδομένα των δύο τελευταίων διαχειριστικών σχεδίων, δύο προηγούμενων απογραφών (μέθοδος ελέγχου), καθώς και δεδομένα ύψους βλάστησης/κόμης. Η μεθοδολογία της έρευνας περιέλαβε, την ανάλυση σε συστάδες για την ομαδοποίηση των ΔΔΜ, την προεπεξεργασία των δεδομένων για τον χειρισμό των ακραίων τιμών και τον εντοπισμό ισχυρών γραμμικών συσχετίσεων, καθώς και την εφαρμογή των Fay και Herriot μικτών γραμμικών μοντέλων επιπέδου-περιοχής. Με την ομαδοποίηση των ΔΔΜ αυξήθηκαν τα μεγέθη του δείγματος σε μεγαλύτερες ομοιογενείς περιοχές/εκτάσεις, βελτιώνοντας τις άμεσες εκτιμήσεις και καθιστώντας δυνατές τις εκτιμήσεις που βασίζονται σε μοντέλα. Αρχικά εφαρμόστηκε το βασικό μονομεταβλητό (univariate) Fay-Herriot μοντέλο (UFH) το οποίο έδωσε αξιόπιστες εκτιμήσεις του ξυλαποθέματος σε επίπεδο ομάδας ΔΔΜ. Στη συνέχεια εφαρμόστηκε ένα χρονικού-τύπου διμεταβλητό Fay-Herriot μοντέλο, το οποίο αξιοποίησε το ξυλαπόθεμα των δειγματοληπτικών επιφανειών (μονάδων) του προηγούμενου διαχειριστικού σχεδίου και με τις βοηθητικές πληροφορίες για να εκτιμήσει τον τρέχοντα ξυλώδη όγκο. Στη συνέχεια εφαρμόστηκε το τριμεταβλητό MFH μοντέλο για την εκτίμηση του ξυλώδη όγκου, της κυκλικής επιφάνειας και του μέσου ύψους των δέντρων κατά Lorey, με τα πιο αξιόπιστα αποτελέσματα να παρατηρούνται στα MFH μοντέλα που δεν λαμβάνουν υπόψη τις αυτοσυσχετιζόμενες ή/και ομοσκεδαστικές τυχαίες επιδράσεις περιοχής. Στο τέλος εφαρμόστηκε το πολυμεταβλητό Fay-Herriot μοντέλο ποσοστών σε σύνθετα δεδομένα, για την εκτίμηση της κατανομής διαμέτρων των δέντρων υπολογίζοντας τα ποσοστά των δέντρων σε τέσσερις κλάσεις. Ακολούθησε η εκτίμηση της συχνότητας του αριθμού των δέντρων σε τρεις κλάσεις διαμέτρου, συμβάλλοντας έτσι στην περιγραφή της δομής του δάσους, αλλά και στη δυνατότητα εκτίμησης της κατανομής του ξυλαποθέματος και του λήμματος. Η μεθοδολογία που αναπτύχθηκε προσφέρει αξιόπιστες εκτιμήσεις μικρής έκτασης των δασικών χαρακτηριστικών για το δάσος Περτουλίου, διευκολύνοντας τη λήψη τεκμηριωμένων αποφάσεων για αποτελεσματική αειφόρο διαχείριση των δασών. Επιπλέον, η δυνατότητα εφαρμογής της επεκτείνεται πέρα από αυτό το συγκεκριμένο δασικό οικοσύστημα όταν πληρούνται οι υποθέσεις του μοντέλου.
... High-quality information on forest structure (e.g., DAP) is beginning to provide detailed forest structural data similar to lidar, but are regularly collected across large areas (e.g., entire states) during a single year (White et al., 2015). Pushbroom aerial photography, which forms the basis for statewide aerial photography from the National Agricultural Image Program (NAIP) in USA, presents differing challenges to frame-based photography, but can still be used to enhance forest inventory estimation and modeling (Strunk et al., 2020(Strunk et al., , 2022. Additionally, the greater temporal and spatial resolution, as well as radiometric characteristics, of Sentinel-2 satellite imagery compared to Landsat may improve model performance for forest structure (Flood, 2017;Astola et al., 2019;Grabska et al., 2019). ...
... Additionally, the greater temporal and spatial resolution, as well as radiometric characteristics, of Sentinel-2 satellite imagery compared to Landsat may improve model performance for forest structure (Flood, 2017;Astola et al., 2019;Grabska et al., 2019). Exploration of differing combinations of environmental and remote sensing datasets may highlight the contributions of each information source (Strunk et al., 2022). ...
Maps of species composition are important for assessing a wide range of ecosystem functions in forested landscapes, including processes shaping community structure at broader (e.g., climate) and finer (e.g., disturbance) scales. Incorporating recently available remotely sensed datasets has the potential to improve species composition mapping by providing information to help predict species presence and relative abundance. Using USDA Forest Service Forest Inventory and Analysis plot data and the gradient nearest neighbor imputation modeling approach in eastern Washington, USA, we developed tree species composition and structure maps based on climate, topography, and two sources of remote sensing: height from digital aerial photogrammetry (DAP) of pushbroom aerial photography and Sentinel-2 multispectral satellite imagery. We tested the accuracy of these maps based on their capacity to predict species occurrence and proportional basal area for 10 coniferous tree species. In this study region, climate, topography, and location explained much of the species occurrence patterns, while both DAP and Sentinel-2 data were also important in predicting species proportional basal area. Overall accuracies for the best species occurrence model were 68–92% and R ² for the proportional basal area was 0.08–0.55. Comparisons of model accuracy with and without remote sensing indicated that adding some combination of DAP metrics and/or Sentinel-2 imagery increased R ² for the proportional basal area by 0.25–0.45, but had minor and sometimes negative effects on model skill and accuracy for species occurrence. Thus, species ranges appear most strongly constrained by environmental gradients, but abundance depends on forest structure, which is often determined by both environment and disturbance history. For example, proportional basal area responses to moisture limitation and canopy height varied by species, likely contributing to regional patterns of species dominance. However, local-scale examples indicated that remotely sensed forest structures representing recent disturbance patterns likely impacted tree community composition. Overall, our results suggest that characterizing geospatial patterns in tree communities across large landscapes may require not only environmental factors like climate and topography, but also information on forest structure provided by remote sensing.
This study employs clustering analysis to group forest management units using auxiliary, satellite imagery-derived height metrics and past wall-to-wall tree census data from a natural, uneven-aged forest. Initially, we conducted an exhaustive exploration to determine the optimal number of clusters k, considering a wide range of clustering schemes, indices, and two specific k ranges. The optimal k is influenced by various factors, including the minimum k considered, the selected clustering algorithm, the clustering indices used, and the auxiliary variables. Specifically, the minimum k, the Euclidean distance metric, and the clustering index were instrumental in determining the optimal cluster numbers, with algorithms exerting minimal influence. Unlike traditional validation indices, we assessed the performance of these optimally defined clusters based on direct estimates and additional criteria. Subsequently, our research introduces a twofold methodology for Small Area Estimation (SAE). The first approach focuses on aggregating forest management units at the cluster level to increase the sample size, thereby yielding reliable design-based direct estimates for key forest attributes, including growing stock volume, basal area, tree density, and mean tree height. The second approach prepares area-level data for the future application of model-based estimators, contingent on establishing a strong correlation between target and auxiliary variables. Our methodology has the potential to enhance forest inventory practices across a wide range of forests where area-level auxiliary covariates are available.
