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 ([m.sup.2]/ha), top height (m), and cubic stem volume ([m.sup.3]/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. Un des defis souvent rencontres en foresterie est l'estimation des attributs forestiers pour de plus petites zones d'interet au sein d'une population plus large qu'est la foret. Les methodes d'estimation pour petites zones sont des techniques bien adaptees a l'estimation d'attributs forestiers sur de petites superficies pour lesquelles la taille de l'echantillon existant est faible et l'information auxiliaire est disponible. Quatre methodes d'estimation pour petites zones ont ete selectionnees et comparees pour estimer une variete d'attributs forestiers sur de petites superficies a l'aide de donnees terrain et de donnees auxiliaires derivees du lidar. Les deux premieres methodes etaient indirectes (la prediction synthetique (PS) et l'imputation par les plus proches voisins (PPV)); les deux autres etaient composites (la meilleure prediction empirique lineaire sans biais (PSB) basee sur les modeles de Fay-Herriot et la prediction composite basee sur la regression lineaire multiple (PC)). Les petites superficies d'interet etaient representees par les peuplements delimites dans une foret. Les attributs forestiers qui ont ete compares etaient la densite de la foret (nombre de tiges/ha), le diametre moyen quadratique (cm), la surface terriere ([m.sup.2]/ha), la hauteur maximale (m) et le volume des tiges ([m.sup.3]/ha). La precision et le biais des quatre methodes d'estimation sont documentes. Dans le cas des estimateurs indirects, l'imputation par les PPV etait superieure a la PS en termes de precision et de biais pour tous les attributs. Dans le cas des estimateurs composites, la PSB etait generalement superieure a l'estimation direct et la PC, excepte pour la densite de la foret. [Traduit par la Redaction]
Introduction Generally, estimates of forest attributes for areas of interest have been derived by using ground data extracted from plots taken within the area. For forest management and planning purposes, [...]