Predicting forest growth based on airborne light detection and ranging data, climate data, and a simplified process-based model

Increasing use of airborne light detection and ranging (LiDAR) in forest inventories offers new possibilities to apply process-based forest models (PBM) in practice. We present a new approach, where a simplified PBM is run using inputs derived from the LiDAR data. The PBM was built by combining several existing models together, and it was tested with 52 Scots pine (Pinus sylvestris L.) dominated sample plots in Finland with the LiDAR (PBM_LIDAR) and field (PMB_FIELD) inputs. The results were compared with empirical growth predictions (EM_FIELD) and field reference growth. LiDAR-based stand variables (mean height of tree and crown base and leaf area index) were, on average, well in line with the field measurements. Basal area growth was slightly underestimated with the PBM_LIDAR (bias 4.1%, root mean square prediction error (RMSPE, 26.7%) and overestimated with the PBM_FIELD (bias -10.2%, RMSPE 33.3%), the EM_FIELD being the least biased (bias -1.9%, RMSPE of 24.6%). The bias varied with stand age and fertility. The dependence on field reference growth was highest with EM_FIELD and PBM_LIDAR [(R.sup.2] = 0.47 and 0.34, respectively), and lowest with PBM_FIELD [(R.sup.2] = 0.18). Despite several development needs, the approach is promising for easy incorporation of canopy and weather data into forest growth predictions. Resume: L'utilisation croissante de la detection et de la telemetrie au moyen du laser aeroporte (LiDAR) dans les inventaires forestiers offre de nouvelles possibilites pour appliquer des modeles forestiers a base ecophysiologique (PBM) de facon operationnelle. Nous presentons une nouvelle approche dans laquelle un PBM simplifie est applique en utilisant des intrants derives des donnees LiDAR. Le PBM a ete elabore en combinant plusieurs modeles existants et il a ete teste avec 52 placettes echantillons dominees par le pin sylvestre (Pinus sylvestris L.) en Finlande, en utilisant des intrants provenant du LiDAR (PBM_LIDAR) et du terrain PBM_FIELD). Les resultats ont ete compares a des predictions empiriques de croissance (EM_FIELD) et a un taux de croissance de reference sur le terrain. En moyenne, les variables specifiques au peuplement derivees du LiDAR (hauteur moyenne des arbres et de la base de la cime, indice de surface foliaire) correspondaient bien aux mesures prises sur le terrain. La croissance en surface terriere etait legerement sous-estimee par le PBM_LIDAR (biais de 4,1 %; erreur-type de prediction de 26,7 %) et legerement surestimee par le PBM_FIELD (biais de -10,2 %; erreur-type de prediction de 33,3 %) alors que les EM_FIELD etaient les moins biaisees (biais de -1,9 %; erreur-type de prediction de 24,6 %). Le biais variait selon l'age du peuplement et la fertilite de la station. La dependance au taux de croissance de reference sur le terrain etait la plus forte pour les EM_FIELD et le PBM_LIDAR [(R.sup.2] = respectivement 0,47 et 0,34) et la plus faible pour le PBM_FIELD [(R.sup.2] = 0,18). Bien qu'elle necessite plusieurs ameliorations, cette approche est prometteuse pour incorporer facilement des donnees sur le couvert forestier et des donnees meteorologiques dans les predictions de la croissance forestiere. [Traduit par la Redaction]
Introduction Using airborne light detection and ranging (LiDAR) in forest inventories has increased extensively in recent years, and it has become a realistic alternative for operational use. For example, LiDAR [...]