Influence of Sampling Design Parameters on Biomass Predictions Derived from Airborne LiDAR Data - Agropolis Accéder directement au contenu
Article Dans Une Revue Canadian Journal of Remote Sensing Année : 2019

Influence of Sampling Design Parameters on Biomass Predictions Derived from Airborne LiDAR Data

Résumé

This study investigated the influence of sampling design parameters on biomass prediction accuracy obtained from airborne lidar data. A one-factor-at-a-time and a global sensitivity analyses were applied to identify the parameters most impacting model accuracy. We focused on several lidar and field survey parameters that can be easily controlled by users. In this pine plantations study site, a decrease in pulse density (4 to 0.5 pulse/m2) led to a small decrease in prediction accuracy ('3%). However, variability in the number of field plots, positioning accuracy, and plot size, significantly impacted model performance. To obtain a robust model, a minimum of 40 field plots, along with field plot position accuracy of 5 m or lower, and field plot radius exceeding 13 m are recommended. The minimum diameter at breast height (DBH) threshold and the choice of the allometric biomass equation were found to have lesser impacts on model accuracy. In addition, accuracies of DBH and tree height measurements were respectively shown to have a minor and negligible contribution to the prediction error. Significant field measurement costs will still be needed to ensure good-quality models for biomass mapping. However, by reducing pulse density, cost savings can be made on lidar acquisition.
Cette étude a examiné l'influence de différents paramètres sur l'estimation de la biomasse à partir de données de lidar aéroportés. Une approche consistant à faire varier les paramètres indépendamment les uns des autres et une analyse de sensibilité globale ont été utilisées pour identifier les paramètres ayant le plus d'impact sur la précision des modèles. Nous nous sommes concentrés sur plusieurs paramètres relatifs aux acquisitions lidar et aux inventaires de terrain qui peuvent être facilement contrôlées. Sur notre site d'étude, composé de plantations de pins, une diminution de la densité d'impulsions lidar (4 à 0,5 impulsions/m2) a conduit à une légère diminution de la précision de l'estimation (-3%). Cependant, la variabilité du nombre de placettes inventoriées, la précision de positionnement et la taille des placettes, impactent de manière significative la performance du modèle. Pour obtenir un modèle robuste, un minimum de 40 placettes inventoriées, un positionnement précis des placettes de 5 m ou moins, ainsi que des placettes inventoriées sur un rayon supérieur à 13 m sont recommandés. Le seuil de recensabilité des arbres ainsi que le choix de l'équation allométrique se sont avérés avoir un impact moindre sur la précision des modèles. De plus, les précisions sur la mesure du diamètre à hauteur de poitrine et sur celle de la hauteur des arbres ne représentent respectivement qu'une contribution mineure et négligeable à l'erreur commise sur l'estimation de la biomasse. Les coûts relatifs aux inventaires de terrain devront encore rester significatifs pour assurer des modèles lidar de qualité. Cependant, en réduisant la densité d'impulsion, des économies peuvent être faites lors du survol lidar.
Fichier principal
Vignette du fichier
Influence of Sampling Design Parameters on Biomass Predictions Derived from Airborne LiDAR Data.pdf (2.27 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Loading...

Dates et versions

hal-02317064 , version 1 (15-10-2019)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

Citer

Marc Bouvier, Sylvie Durrieu, Richard A Fournier, Nathalie Saint-Geours, Dominique Guyon, et al.. Influence of Sampling Design Parameters on Biomass Predictions Derived from Airborne LiDAR Data. Canadian Journal of Remote Sensing, 2019, 45 (5), pp.1-23. ⟨10.1080/07038992.2019.1669013⟩. ⟨hal-02317064⟩
113 Consultations
27 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More