Landscape-scale parameterization of a tree-level forest growth model: a k-nearest neighbor imputation approach incorporating LiDAR data

Sustainable forest management requires timely, detailed forest inventory data across large areas, which is diffi- cult to obtain via traditional forest inventory techniques. This study evaluated k-nearest neighbor imputation models incor- porating LiDAR data to predict tree-level inventory data (individual tree height, diameter at breast height, and species) across a 12 100 ha study area in northeastern Oregon, USA. The primary objective was to provide spatially explicit data to parameterize the Forest Vegetation Simulator, a tree-level forest growth model. The final imputation model utilized LiDAR-derived height measurements and topographic variables to spatially predict tree-level forest inventory data. When compared with an independent data set, the accuracy of forest inventory metrics was high; the root mean square difference of imputed basal area and stem volume estimates were 5 m 2 ha -1 and 16 m 3 ha -1 , respectively. However, the error of im- puted forest inventory metrics incorporating small trees (e.g., quadratic mean diameter, tree density) was considerably higher. Forest Vegetation Simulator growth projections based upon imputed forest inventory data follow trends similar to growth projections based upon independent inventory data. This study represents a significant improvement in our capabil- ities to predict detailed, tree-level forest inventory data across large areas, which could ultimately lead to more informed forest management practices and policies. Resume´ : L'amenagement durable des forets requiert des donnees appropriees et detaillees d'inventaire forestier sur de grandes superficies, ce qui est difficile aobtenir par le biais de techniques traditionnelles d'inventaire forestier. Cette etude evalue des modeles d'imputation bases sur les k plus proches voisins incorporant des donnees lidar pour predire des mesu- res d'inventaire al'echelle de l'arbre (hauteur, diametre ahauteur de poitrine et espece des arbres individuels) dans une aire d'etude de 12 100 ha du nord-est de l'Oregon, aux Etats-Unis. L'objectif premier est de fournir des donnees spatiale- ment explicites pour parametrer un modele de croissance forestiere al'echelle de l'arbre, le «Forest Vegetation Simulator». Le modele final d'imputation utilise des mesures de hauteur et des variables topographiques derivees du lidar pour predire spatialement des donnees d'inventaire forestier al'echelle de l'arbre. Lorsqu'elles ont etecomparees aun fichier indepen- dant de donnees, la precision des mesures d'inventaire forestier etait elevee: l'erreur quadratique moyenne des estimations imputees de surface terriere et de volume etaient respectivement de 5 m 2 ha -1 et 16 m 3 ha -1 . Cependant, l'erreur des mesu- res imputees d'inventaire forestier qui tiennent compte des petits arbres (p. ex. le diametre moyen quadratique et la densite ´ des arbres) etait considerablement plus elevee. Les projections de croissance du «Forest Vegetation Simulator» basees sur des donnees imputees d'inventaire forestier suivent une tendance similaire aux projections basees sur des donnees indepen- dantes d'inventaire. Cette etude represente une amelioration importante de nos capacitesapredire des donnees detaillees d'inventaire forestier al'echelle de l'arbre sur de grandes superficies, ce qui pourrait eventuellement mener ades pratiques et des politiques d'amenagement forestier mieux fondees. (Traduit par la Redaction)