Investigating the influence of LiDAR groundsurface errors on the utility of derived forestinventories

Light detection and ranging, or LiDAR, effectively produces products spatially characterizing both terrain and vegetation structure; however, development and use of those products has outpaced our understanding of the errors within them. LiDAR’s ability to capture three-dimensional structure has led to interest in conducting or augmenting forest inventories with LiDAR data. Prior to applying LiDAR in operational management, it is necessary to understand the errors in LiDAR-derived estimates of forest inventory metrics (i.e., tree height). Most LiDAR-based forest inventory metrics require creation of digital elevation models (DEM), and because metrics are calculated relative to the DEM surface, errors within the DEMs propagate into delivered metrics. This study combines LiDAR DEMs and 54 ground survey plots to investigate how surface morphology and vegetation structure influence DEM errors. The study further compared two LiDAR classification algorithms and found no significant difference in their performance. Vegetation structure was found to have no influence, whereas increased variability in the vertical error was observed on slopes exceeding 30°, illustrating that these algorithms are not limited by high-biomass western coniferous forests, but that slope and sensor accuracy both play important roles. The observed vertical DEM error translated into ±1%–3% error range in derived timber volumes, highlighting the potential of LiDAR-derived inventories in forest management. Résumé : Le lidar (la détection et la télémétrie par la lumière laser) peut servir à cartographier efficacement la morphologie du terrain et la structure de la végétation. Cependant, le développement et l’utilisation de ces cartes ont devancé notre compréhension des erreurs qu’elles contiennent. La capacité du lidar à cartographier la structure tridimensionnelle de la végétation a suscité un intérêt pour réaliser ou étoffer les inventaires forestiers à l’aide de données lidar. Toutefois, avant d’appliquer le lidar dans la gestion opérationnelle, il est nécessaire de comprendre les erreurs d’estimation des métriques d’inventaire forestier dérivées du lidar (comme la hauteur des arbres). La plupart des métriques d’inventaire forestier dérivées du lidar exigent la création de modèles numériques de terrain (MNT). Comme ces métriques sont calculées à partir de la morphologie du terrain, les erreurs dans les MNT se propagent dans les métriques qui sont produites. Cette étude combine les MNT du lidar et 54 placettes au sol pour étudier comment la morphologie du terrain et la structure de la végétation influencent les erreurs dans les MNT. De plus, nous avons comparé deux algorithmes de classification des données lidar et nous n’avons trouvé aucune différence significative entre leur performance. La structure de la végétation n’exerce aucune influence sur l’erreur des MNT. Par contre, lorsque la pente dépasse 30°, la variation de l’erreur verticale augmente. Ces résultats montrent que ces algorithmes ne sont pas limités par les forêts de conifères à forte biomasse de l’ouest des ÉtatsUnis, mais que la précision du capteur et la pente influencent l’erreur des MNT de façon importante. L’erreur verticale des MNT s’est traduite par une marge d'erreur de ±1–3 % dans les volumes de bois qui ont été calculés. Cette faible marge d’erreur met en évidence le potentiel des inventaires basés sur le lidar pour la gestion forestière. [Traduit par la Rédaction]