Précédent|Prochain

Calcul de la biomasse aérienne des petits peuplements de pin laricio à l'aide de l'indice de biomasse LiDAR

  • role： First author第一作者
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

    Key Laboratory of Forestry Remote Sensing and Information System, National Forestry and Grassland Administration, Beijing 100091, China

  • Email：dulm@ifrit.ac.cn
  • Introduction：杜黎明，研究方向为多传感器融合及激光雷达数据处理、激光雷达林业应用。E-mail： dulm@ifrit.ac.cn
DU Liming,  
  • role： Corresponding author通信作者
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China

    Key Laboratory of Forestry Remote Sensing and Information System, National Forestry and Grassland Administration, Beijing 100091, China

  • Email：pangy@ifrit.ac.cn
  • Introduction：庞勇，研究方向为林业遥感机理模型、激光雷达信号处理及其在林业中的应用、森林变化监测及碳汇计量。E-mail： pangy@ifrit.ac.cn
PANG Yong*

résumé

L'indice de biomasse LiDAR (LBI, LiDAR Biomass Index) permet de calculer la biomasse aérienne des arbres individuels à partir des données LiDAR aériennes et présente une précision élevée pour le calcul de la biomasse aux échelles de l'arbre individuel et des placettes, mais sa capacité de cartographie à grande échelle de la biomasse n'a pas encore été pleinement exploitée. Cette étude prend l'exemple du pin laricio largement planté dans le nord de la Chine et utilise LBI pour calculer la biomasse de chaque arbre au sein de petites sous-placettes forestières, en cumulant les valeurs pour obtenir la biomasse à l'échelle de la sous-placette, validant ainsi la précision du calcul avec des données d'enquête sur la conception des opérations. Parallèlement, la généralisabilité des modèles de biomasse du pin laricio basés sur LBI dans d'autres forêts a été évaluée et comparée à la méthode de régression basée sur des variables LiDAR (LMR). Les résultats montrent que LBI permet un calcul précis de la biomasse forestière à petite échelle, avec des coefficients de détermination (R²) entre 0,86 et 0,80 selon les régions, et une erreur quadratique moyenne relative (rRMSE) comprise entre 33,51 % et 40,23 %. La précision de la biomasse calculée avec LBI, basé sur la modélisation de 35 arbres individuels, est comparable à celle de la méthode LMR qui utilise plus de 30 placettes (incluant plus de 3000 arbres), et LBI présente une meilleure généralisabilité entre les mêmes espèces dans différents peuplements forestiers. Cette étude utilise le modèle AGB_LBI pour calculer la biomasse individuelle dans chaque sous-placette de la zone ouest de la forêt de Mengjiagang et réalise la cartographie de la biomasse du pin laricio. La distribution de biomasse calculée par LiDAR montre une tendance similaire à celle obtenue par des enquêtes de terrain, avec une forte cohérence au niveau d'une résolution de 20 m×20 m (R²=0,75, RMSE=1,55 t). Cette étude valide la capacité de la méthode LBI à estimer la biomasse aérienne forestière à l'échelle locale dans une zone régionale, démontrant son potentiel pour des estimations à grande échelle.

mots-clés

LBI; LiDAR aérien; arbre individuel; échelle de petit peuplement; biomasse

References

  1. 1.
    Coops N C, Tompalski P, Goodbody T R H, Queinnec M, Luther J E, Bolton D K, White J C, Wulder M A, Van Lier O R and Hermosilla T. 2021. Modelling lidar-derived estimates of forest attributes over space and time: a review of approaches and future trends. Remote Sensing of Environment, 260: 112477
  2. 2.
    Dayal K R, Durrieu S, Lahssini K, Alleaume S, Bouvier M, Monnet J M, Renaud J P and Revers F. 2022. An investigation into lidar scan angle impacts on stand attribute predictions in different forest environments. ISPRS Journal of Photogrammetry and Remote Sensing, 193: 314-338
  3. 3.
    Du L M, Pang Y, Wang Q, Huang C Q, Bai Y, Chen D S, Lu W and Kong D. 2023. A LiDAR biomass index-based approach for tree-and plot-level biomass mapping over forest farms using 3D point clouds. Remote Sensing of Environment, 290: 113543
  4. 4.
    Ebuy J, Lokombe J P, Ponette Q, Sonwa D and Picard N. 2011. Allometric equation for predicting aboveground biomass of three tree species. Journal of Tropical Forest Science, 23(2): 125-132
  5. 5.
    Fu L Y, Liu Q W, Sun H, Wang Q Y, Li Z Y, Chen E X, Pang Y, Song X Y and Wang G X. 2018. Development of a system of compatible individual tree diameter and aboveground biomass prediction models using error-in-variable regression and airborne LiDAR data. Remote Sensing, 10(2): 325
  6. 6.
    Goldbergs G, Levick S R, Lawes M and Edwards A. 2018. Hierarchical integration of individual tree and area-based approaches for savanna biomass uncertainty estimation from airborne LiDAR. Remote Sensing of Environment, 205: 141-150
  7. 7.
    Herold M, Carter S, Avitabile V, Espejo A B, Jonckheere I, Lucas R, McRoberts R E, Næsset E, Nightingale J, Petersen R, Reiche J, Romijn E, Rosenqvist A, Rozendaal D M A, Seifert F M, Sanz M J and De Sy V. 2019. The role and need for space-based forest biomass-related measurements in environmental management and policy. Surveys in Geophysics, 40(4): 757-778
  8. 8.
    Huang J L, Ju W M, Zheng G and Kang T T. 2013. Estimation of forest aboveground biomass using high spatial resolution remote sensing imagery. Acta Ecologica Sinica, 33(20): 6497-6508
  9. 9.
    Jia W and Pang Y. 2023. Tree species classification in an extensive forest area using airborne hyperspectral data under varying light conditions. Journal of Forestry Research, 34(5):1359-1377
  10. 10.
    LaRue E A, Wagner F W, Fei S L, Atkins J W, Fahey R T, Gough C M and Hardiman B S. 2020. Compatibility of aerial and terrestrial LiDAR for quantifying forest structural diversity. Remote Sensing, 12(9): 1407
  11. 11.
    Latifi H, Fassnacht F E, Müller J, Tharani A, Dech S and Heurich M. 2015. Forest inventories by LiDAR data: a comparison of single tree segmentation and metric-based methods for inventories of a heterogeneous temperate forest. International Journal of Applied Earth Observation and Geoinformation, 42: 162-174
  12. 12.
    Ledo A, Cornulier T, Illian J B, Iida Y, Kassim A R and Burslem D F R P. 2016. Re-evaluation of individual diameter: height allometric models to improve biomass estimation of tropical trees. Ecological Applications, 26(8): 2376-2382
  13. 13.
    Li D R, Wang C W, Hu Y M and Liu S G. 2012. General review on remote sensing-based biomass estimation. Geomatics and Information Science of Wuhan University, 37(6): 631-635
  14. 14.
    Li Z Y, Liu Q W and Pang Y. 2016. Review on forest parameters inversion using LiDAR. Journal of Remote Sensing (in Chinese), 20(5): 1138-1150
  15. 15.
    Manusch C, Bugmann H, Heiri C and Wolf A. 2012. Tree mortality in dynamic vegetation models-a key feature for accurately simulating forest properties. Ecological Modelling, 243: 101-111
  16. 16.
    Návar J. 2009. Allometric equations for tree species and carbon stocks for forests of northwestern Mexico. Forest Ecology and Management, 257(2): 427-434
  17. 17.
    Neuville R, Bates J S and Jonard F. 2021. Estimating forest structure from UAV-mounted LiDAR point cloud using machine learning. Remote Sensing, 13(3): 352
  18. 18.
    Pang Y, Liang X J, Jia W, Si L, Yan G J and Shi J C. 2021. The comprehensive airborne remote sensing experiment in Saihanba forest farm. National Remote Sensing Bulletin, 25(4): 904-917
  19. 19.
    Pang Y, Wang W W, Du L M, Zhang Z J, Liang X J, Li Y N and Wang Z Y. 2021. Nyström-based spectral clustering using airborne LiDAR point cloud data for individual tree segmentation. International Journal of Digital Earth, 14(10): 1452-1476
  20. 20.
    Parresol B R. 1999. Assessing tree and stand biomass: a review with examples and critical comparisons. Forest Science, 45(4): 573-593
  21. 21.
    Popescu S C. 2007. Estimating biomass of individual pine trees using airborne lidar. Biomass and Bioenergy, 31(9): 646-655
  22. 22.
    Qiu Q, Zhang W G, Wang L, Cao S S and Sun W. 2021. Estimation of single wood factor of Picea schrenkiana var. tianshanica forest based on backpack LiDAR. Forest Resources Management, (2): 99-109
  23. 23.
    Tian L, Wu X C, Tao Y, Li M Y, Qian C H, Liao L T and Fu W X. 2023. Review of remote sensing-based methods for forest aboveground biomass estimation: progress, challenges, and prospects. Forests, 14(6): 1086
  24. 24.
    Wang Q, Pang Y, Chen D S, Liang X J and Lu J. 2021. Lidar biomass index: a novel solution for tree-level biomass estimation using 3D crown Information. Forest Ecology and Management, 499: 119542
  25. 25.
    Wang W W, Pang Y, Du L M, Zhang Z J and Liang X J. 2022. Individual tree segmentation for airborne LiDAR point cloud data using spectral clustering and supervoxel-based algorithm. National Remote Sensing Bulletin, 26(8): 1650-1661
  26. 26.
    Wang Z C, Du H, Song T Q, Peng W X, Zeng F P, Zeng Z X and Zhang H. 2015. Allometric models of major tree species and forest biomass in Guangxi. Acta Ecologica Sinica, 35(13): 4462-4472
  27. 27.
    Wei F G and Qiu S P. 2021. Research progress of Lidar technology in forest resources monitoring. Forest Inventory and Planning, 46(1): 18-22, 95
  28. 28.
    Xu D D, Wang H B, Xu W X, Luan Z Q and Xu X. 2021. LiDAR applications to estimate forest biomass at individual tree scale: opportunities, challenges and future perspectives. Forests, 12(5): 550
  29. 29.
    Zhang Y, Xie L F and Dong L H. 2022. Analysis of carbon concentration and allometric growth model of carbon content for Larix olgensis. Chinese Journal of Applied Ecology, 33(5): 1166-1174
  30. 30.
    Zhang Y X and Wang X J. 2021. Study on forest volume-to-biomass modeling and carbon storage dynamics in China. Scientia Sinica Vitae, 51(2): 199-214
  31. 31.
    Zhang Z, Tian X, Chen E X and He Q S. 2011. Review of methods on estimating forest above ground biomass. Journal of Beijing Forestry University, 33(5): 144-150

Lire l'article complet

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website