Predicting living and dead wood volumes in a mature managed Swedish forest with airborne laser scanning

Abstract

Detecting dead wood with airborne laser scanning (ALS) would have many benefits. It would make it easier to find areas with high mortality rates, help make better decisions on which areas to preserve, and increase the accuracy of volume- and value-estimations. In this study, we tried to assess the accuracy of volume predictions of living wood, standing dead wood, and lying dead wood, as well as pinpoint the most descriptive ALS variables. The focus was on homogenous mature managed forests on good site indexes. A plane equipped with LiDAR was flown over a 7500 ha forest area in Dalarna, Sweden. Laser variables were made to describe the point cloud from the LiDAR. 102 field plots were generated in mature managed stands and all trees (including bigger lying wood) were measured for diameter and height. The volume of living wood, standing dead wood, and lying wood was found for each field plot. The field plots were then run in a simulation with 500 iterations. For each iteration, 81 random field plots were used as calibration plots and the remaining 21 field plots were used as prediction plots. For each iteration, multiple variable linear regression and a “k nearest neighbour”-algorithm (kNN) with one, two, and three neighbours were calibrated on the calibration plots and then used to predict the volumes on the prediction plots. The mean difference between predicted and real volume were found for each method (regression and kNN with one, two, and three neighbours) and tree class (living, standing dead, and lying dead). When predicting living volume, regression got a good fit with an adjusted R2 value of 0,73. Standing dead volume got a medium fit with an adjusted R2 value of 0,46. Lying dead volume got a very low fit with an adjusted R2 value of just 0,12. Overall, the kNN algorithm did better with one neighbour, compared to two or three. Regression achieved very low systematic errors across the board, while the kNN algorithm got higher systematic errors but slightly lower standard errors of the mean compared to regression. The most descriptive laser variables for living volume were related to branches in the upper and middle parts of the stems. The most descriptive laser variables for describing standing dead wood volume were related to tree heights and branches in the middle and lower parts of the stem. Lying dead wood had too low a correlation with the laser variables to find a clear pattern. When predicting wood volumes with kNN, a higher k did not improve the results.

Å finne døde trær i skog med flybåren laserskanning (ALS) hadde hatt mange fordeler. Det hadde gjort det lettere å oppdage områder med høy mortalitet, hjulpet til med å ta bedre beslutninger om vern, og det kunne forbedret volum- og verdi-estimeringer i skog. I denne studien har vi sett på nøyaktigheten av volumprediksjoner av levende volum, stående dødt volum, og liggende dødt volum, i tillegg til å se på hvilke laservariabler som var mest beskrivende. Studien er gjort i eldre homogene skjøtte bestand på gode boniteter. Et fly utstyrt med en LiDAR-sensor ble fløyet over et 7500 ha stort skogsområde i Dalarna i Sverige. Det ble laget laservariabler som beskrev punktskyen fra LiDAR-sensoren. Så ble det generert 102 prøveflater i samme område. Alle trær på prøveflatene ble målt for høyde og diameter i brysthøyde (inkludert større liggende stammer/stokker). Levende volum, stående dødt volum, og liggende dødt volum ble beregnet for hver prøveflate. Prøveflatene ble kjørt i en simulering med 500 iterasjoner. For hver iterasjon ble 81 tilfeldige prøveflater brukt som kalibreringsflater, mens de resterende 21 prøveflatene ble brukt som predikeringsflater. For hver iterasjon ble kalibreringsflatene brukt til å finne den beste modellen for multippel lineær regresjon, i tillegg til å brukes som kalibreringsflater for en «k nearest neighbour»-algoritme (kNN) med en, to, og tre «naboer». Regresjonsmodellen og kNN-algoritmene ble så brukt til å predikere volumet på prediksjonsflatene. Gjennomsnittlig differanse mellom predikert volum og virkelig volum ble funnet for hver metode (regresjon og kNN med en, to, og tre «naboer») og hver tre-klasse (levende, stående dødt, og liggende dødt). Regresjon fungerte godt til å predikere levende volum, med en gjennomsnittlig justert R2 - verdi på 0,73. Stående dødt volum fikk en gjennomsnittlig justert R2 -verdi på 0,46 mens liggende dødt volum fikk veldig lave 0,12. kNN-algoritmen gjorde det generelt bedre med en «nabo», i forhold til to og tre. Regresjon ga veldig lave systematiske feil, klart lavere enn kNN. Standardfeilen til gjennomsnittet var derimot alltid noe lavere med kNN i forhold til regresjon. De mest beskrivende laservariablene for levende volum var relatert til mengden greiner fra toppen til midten av stammene. De mest beskrivende laservariablene for stående dødt volum var relatert til tre-høyder og mengden greiner fra midten av stammene og ned. Liggende død ved hadde for lav korrelasjon til å finne en klar sammenheng med laservariablene. Predikeringer med kNN ble ikke bedre med flere «naboer».