Advancing tree species composition prediction in boreal forests with remote sensing

Abstract

Accurate tree species composition information is crucial for forest management, influencing harvest scheduling, regeneration choices, and silvicultural treatments. In operational forest management inventories (FMIs), species composition is typically estimated through manual photo interpretation, a costly, subjective method prone to systematic errors. While efforts to improve species data have focused on species classification (identifying tree species), species composition (quantifying relative amount) provides a more detailed forest description, particularly relevant in Nordic countries where forest attributes are reported by species. Most tree species classification studies have been limited to small experimental areas and individual trees, offering limited insights for operational applications. To address these gaps, the first two studies in this thesis employed an area-based approach, which linked remotely sensed data with field inventory plots to predict forest attributes over larger areas. Conducted across eight study areas, these studies provided findings that are more generalizable to a broader range of forest conditions and operational management contexts. The first study evaluated combinations of remote sensing (RS) data (ALS, aerial imagery and Sentinel-2 imagery) to determine the most accurate predictors of species composition. Results demonstrated that combining ALS data with spectral Sentinel-2 imagery, particularly when multi-season Sentinel-2 imagery was used, capturing phenological variations. The findings highlight the potential of such data combinations to reduce reliance on manual photo interpretation. The second study compared parametric (Dirichlet regression and multinomial logistic regression) and non-parametric (random forest (RF), k-nearest neighbors (k-NN), extreme gradient boosting and multilayer perceptron) modeling techniques for predicting species composition. While Dirichlet regression, RF and k-NN showed similar predictive accuracy without significant differences in performance, Dirichlet regression offers advantages such as simplicity and lower data requirements, making it more suitable for FMIs with limited sample plots. On the other hand, non-parametric RF and k-NN are better suited for modeling more complex relationships in the data, vii emphasizing the importance of choosing modeling techniques based on data availability and application needs. The third study examined the separate and combined effects of species composition and site index (SI) prediction uncertainties on net present value (NPV) calculations, a common measure of forest economic value. The findings revealed that site index uncertainty had a greater impact on NPV than species composition uncertainty and that their interaction amplified errors in economic valuation. The study also demonstrated that calibration of both species composition and SI predictions systematically reduced NPV errors, highlighting the value of calibrating remote sensing predictions to minimize uncertainty in forest inventories. Overall, this thesis demonstrates the potential of integrating remotely sensed data and statistical modeling to improve forest inventory practices. By combining ALS and multi-season Sentinel-2 data and selecting appropriate modeling techniques, tree species composition can be predicted with improved accuracy and reliability than current operational methods. These advancements provide scalable and cost-efficient alternatives to conventional methods, reducing reliance on manual aerial photo interpretation to support forest management decisions. Furthermore, the demonstrated impact of prediction uncertainty on economic valuation emphasizes the need for accurate species composition and SI predictions in forestry planning. Ultimately, this research contributed to the development of objective, data-driven methods that can improve the precision, efficiency and adaptability of operational FMIs.

Nøyaktig informasjon om treslagsammensetning er avgjørende for skogforvaltning, da det påvirker hogstplanlegging, valg av foryngelsesmetoder og skogbehandling. I dag bestemmes ofte treslagsfordelingen i operasjonelle skogtakster (FMIs) ved manuell fototolkning, en metode som er kostbar og subjektiv, som gjør det utsatt for systematiske feil. Mens mye forskning har fokusert på treslagsklassifisering (identifisering av treslag), gir treslagsammensetning (kvantifisering av relativ mengde) en mer detaljert beskrivelse av skogen som er spesielt relevant i nordiske land der skoglige attributter rapporteres per treslag. De fleste studier om treslagsklassifisering har vært begrenset til små forsøksområder og enkelttrær, noe som gir begrenset innsikt for operativ anvendelse. For å adressere disse utfordringene benyttet de to første studiene i denne avhandlingen en arealbasert tilnærming, hvor fjernmålte data ble koblet til prøveflater for å predikere skoglige attributter over større områder. Disse to studiene gjennomført i åtte ulike studieområder gir resultater som er generaliserbare til ulike skogforhold og operasjonelle takster. Den første studien evaluerte kombinasjoner av fjernmålingsdata (ALS, flybilder og Sentinel-2-bilder) for å identifisere de mest presise prediktorene for treslagsammensetning. Resultatene viste at en kombinasjon av ALS-data og spektrale Sentinel-2-bilder, spesielt når Sentinel-2-bilder fra ulike tider på året ble brukt, forbedret prediksjonen ved å fange opp fenologiske variasjoner. Funnene understreker potensialet til slike datakombinasjoner for å redusere behovet for manuell fototolkning. Den andre studien sammenlignet parametriske (Dirichlet-regresjon og multinomisk logistisk regresjon) og ikke-parametriske (random forest (RF), k-nærmeste nabo (k-NN), extreme gradient boosting og multilayer perceptron) modelleringsmetoder for å predikere treslagsammensetning. Selv om Dirichlet-regresjon, RF og k-NN viste lignende prediksjonsnøyaktighet uten signifikante forskjeller, tilbyr Dirichlet-regresjon fordeler som enkelhet og lavere datakrav, noe som gjør den mer egnet for FMIs med et begrenset antall prøveflater. På den annen side er ikke-parametriske metoder som RF og k-NN bedre egnet for å modellere mer komplekse sammenhenger i dataene, noe som understreker viktigheten av å velge modelleringsmetoder basert på tilgjengelige data og bruksbehov. Den tredje studien undersøkte de separate og kombinerte effektene av usikkerhet i prediksjon av treslagsammensetning og bonitet på netto nåverdi, en vanlig økonomisk indikator i skogbruket. Resultatene viste at usikkerhet i bonitet hadde større innvirkning på netto nåverdi enn usikkerhet i treslagsammensetning, og at deres interaksjon forsterket feil i økonomiske beregninger. Studien demonstrerte også at kalibrering av både treslagsammensetning og bonitet reduserte feil i netto nåverdi, noe som understreker verdien av å kalibrere fjernmålte prediksjoner for å minimere usikkerhet i skogsinventeringer. Samlet sett demonstrerer denne avhandlingen potensialet ved å integrere fjernmålte data og statistisk modellering for å forbedre skogbruksinventeringer. Ved å kombinere ALS- og multisesongale Sentinel-2-data og velge passende modelleringsmetoder, kan treslagsammensetning predikeres med høyere nøyaktighet og pålitelighet enn dagens operative metoder. Disse fremskrittene gir skalerbare og kostnadseffektive alternativer til konvensjonelle metoder, noe som reduserer avhengigheten av manuell fototolkning i skogforvaltningen. Videre fremhever den demonstrerte effekten av prediksjonsusikkerhet på økonomiske verdiberegninger behovet for presise estimater av treslagsammensetning og bonitet i skogplanleggingen. Til slutt bidrar denne forskningen til utviklingen av objektive datadrevne metoder som kan forbedre presisjonen, effektiviteten og tilpasningsevnen til operative FMIs.