Effect of LiDAR point density and plot size on modeling of dasometric variables in Pinus radiata stands.

Abstract

Forest inventories based on LiDAR technology offer significant advantages in terms of cost and execution time compared to traditional methods. The Area Based Approach (ABA) method is a commonly used methodology in LiDAR inventories, which requires input va riables, such as terrain data and LiDAR point clouds, to model key dasometric characteristics, including dominant height, basal area, stand density and volume. The accuracy of these dasometric predictors obtained through the ABA approach is highly dependen t on the quality of the input data and the conditions of the study area, especially stand density. Therefore, it is crucial to determine adequate sample plot sizes for different stand conditions to obtain reliable dasometric estimates. In addition, it is e ssential to evaluate the impact of the LiDAR point density used in the analysis, considering that an excessive increase in point density leads to an increase in the operational costs associated with LiDAR inventories. The objective of this study is to investigate the effect of LiDAR point density, plot size and stand conditions on dasometric modeling using the ABA approach. The work will be divided into three phases. In the first phase, two stand conditions will be eval uated, using two plot sizes, along with a LiDAR cloud density of 400 points/m². The objective is to select the most appropriate metrics to obtain accurate models of the dasometric variables of interest using a LASSO type regularization approach. In the sec ond phase, the effect of LiDAR point density will be analyzed. For this purpose, the initial point density will be systematically reduced in percentages from 80% to 1%, generating a total of ten different point density conditions. It is expected to identif y a turning point in the results of the dasometric variables, thus determining the optimal LiDAR point density for forest inventories without incurring excessive operational costs associated with high densities. Finally, the third phase will aim to perform modeling with the SUR (seemingly unrelated regression) method, a new methodology in the area for the estimation of dasometric variables with LiDAR information. This study will contribute to the advancement of LiDAR based forest inventory methodology by providing practical recommendations for the proper selection of cloud point densities and plot sizes, improving the efficiency and accuracy of forest inventory modeling.

Los inventarios forestales basados en tecnología LiDAR ofrecen ventajas significativas en términos de costos y tiempos de ejecución en comparación con los métodos tradicionales. El método de masa o ABA (Area Based-Approach) es una metodología comúnmente utilizada en los inventarios LiDAR, la cual requiere variables de entrada, como datos del terreno y nubes de puntos LiDAR, para modelar características dasométricas clave, incluyendo altura dominante, área basal, densidad de rodal y volumen. La precisión de estos predictores dasométricos obtenidos a través del enfoque ABA depende en gran medida de la calidad de los datos de entrada y las condiciones del área de estudio, especialmente la densidad del rodal. Por lo tanto, es crucial determinar tamaños de parcelas de muestreo adecuados para diferentes condiciones de rodal, con el fin de obtener estimaciones dasométricas confiables. Además, es esencial evaluar el impacto de la densidad de puntos LiDAR utilizada en el análisis, considerando que un aumento excesivo en la densidad de puntos conlleva un incremento en los costos operativos asociados a los inventarios LiDAR. El objetivo de este estudio es investigar el efecto de la densidad de puntos LiDAR, el tamaño de la parcela de terreno y las condiciones del rodal en la modelación dasométrica utilizando el enfoque ABA. El trabajo se dividirá en tres fases. En la primera fase, se evaluarán dos condiciones de rodal, utilizando dos tamaños de parcelas de terreno, junto con una densidad de nube LiDAR de 400 puntos/m2. El objetivo es seleccionar las métricas más adecuadas para obtener modelos precisos de las variables dasométricas de interés utilizando un enfoque de regularizacion tipo LASSO. En la segunda fase, se analizará el efecto de la densidad de puntos LiDAR. Para ello, se reducirá de forma sistemática la densidad inicial de puntos en porcentajes desde el 80% hasta el 1%, generando un total de diez condiciones de densidad de puntos distintas. Se espera identificar un punto de inflexión en los resultados de las variables dasométricas, determinando así la densidad de puntos LiDAR óptima para realizar inventarios forestales sin incurrir en costos operativos excesivos asociados a densidades elevadas. Finalmente, la tercera fase tendrá como objetivo realizar modelación con el método SUR (regresión aparentemente no relacionada), metodología nueva en el área para la estimación de variables dasométricas con informacion LiDAR. Este estudio contribuirá al avance de la metodología de inventarios forestales basados en LiDAR, al proporcionar recomendaciones prácticas para la selección adecuada de densidades de puntos de nubes y tamaños de parcelas de terreno, mejorando la eficiencia y precisión en la modelación de inventarios forestales.