Back to Search
Start Over
Integrating forest inventory data and MODIS data to map species-level biomass in Chinese boreal forests
- Source :
- Canadian Journal of Forest Research. May, 2018, Vol. 48 Issue 5, p461, 19 p.
- Publication Year :
- 2018
-
Abstract
- Timely and accurate knowledge of species-level biomass is essential for forest managers to sustain forest resources and respond to various forest disturbance regimes. In this study, maps of species-level biomass in Chinese boreal forests were generated by integrating Moderate Resolution Imaging Spectroradiometer (MODIS) images with forest inventory data using k nearest neighbor (kNN) methods and evaluated at different scales. The performance of 630 kNN models based on different distance metrics, k values, and temporal MODIS predictor variables were compared. Random Forest (RF) showed the best performance among the six distance metrics: RF, Euclidean distance, Mahalanobis distance, most similar neighbor in canonical correlation space, most similar neighbor computed using projection pursuit, and gradient nearest neighbor. No appreciable improvement was observed using multi-month MODIS data compared with using single-month MODIS data. At the pixel scale, species-level biomass for larch and white birch had relatively good accuracy (root mean square deviation < 62.1%), while the other species had poorer accuracy. The accuracy of most species except for willow and spruce was improved up to the ecoregion scale. The maps of species-level biomass captured the effects of disturbances including fire and harvest and can provide useful information for broad-scale forest monitoring over time. Key words: species-level biomass, MODIS, Chinese boreal forest, Random Forest (RF), kNN. Une connaissance precise et en temps opportun de la biomasse de chaque espece est essentielle pour permettre aux amenagistes forestiers d'effectuer un amenagement durable des ressources forestieres et pour s'ajuster aux divers regimes de perturbations forestieres. Dans cette etude, des cartes de biomasse par espece ont ete generees dans les forets boreales chinoises en integrant des images MODIS (spectroradiometre imageur a resolution moyenne) a des donnees d'inventaire forestier au moyen de l'approche des k plus proches voisins (kNN) et evaluees a differentes echelles. Les performances de 630 modeles kNN ont ete comparees en fonction de differentes metriques de distance, valeurs de k et variables predictives temporelles de MODIS. Les forets d'arbres decisionnels (RF) ont fait ressortir les meilleures performances parmi les six metriques de distance : la distance RF, la distance euclidienne, la distance de Mahalanobis, le plus proche voisin dans l'espace de correlation canonique, le plus proche voisin calcule par poursuite de projection, et le plus proche voisin par gradient. L'utilisation de donnees MODIS sur plusieurs mois n'a apporte aucune amelioration notable en comparaison de l'utilisation des donnees MODIS d'un seul mois. A l'echelle des pixels, la biomasse par espece avait une precision relativement bonne pour le meleze et le bouleau blanc (ecart quadratique moyen < 62,1%), tandis que la precision etait plus faible pour les autres especes. Pour la plupart des especes, a l'exception du saule et de l'epinette, la precision s'est amelioree jusqu'a l'echelle de l'ecoregion. Les cartes de la biomasse par espece ont capte les effets des perturbations, y compris les feux et la recolte, et peuvent fournir des informations utiles pour la surveillance des forets a une vaste echelle au fil du temps. [Traduit par la Redaction] Mots-cles: biomasse par espece, spectroradiometre imageur a resolution moyenne (MODIS), foret boreale chinoise, forets d'arbres decisionnels (RF), methode des k plus proches voisins (kNN).<br />1. Introduction The boreal forest is the second largest terrestrial biome in the world, covering 33% of forest area and holding 23% of terrestrial carbon stocks (Carlson et al. 2009; [...]
Details
- Language :
- English
- ISSN :
- 00455067
- Volume :
- 48
- Issue :
- 5
- Database :
- Gale General OneFile
- Journal :
- Canadian Journal of Forest Research
- Publication Type :
- Academic Journal
- Accession number :
- edsgcl.539388355
- Full Text :
- https://doi.org/10.1139/cjfr-2017-0346