Using semi-global matching point clouds to estimate growing stock at the plot and stand levels: application for a broadleaf-dominated forest in central Europe.

Dense image-based point clouds have great potential to accurately assess forest attributes such as growing stock. The objective of this study was to combine height and spectral information obtained from UltraCamXp stereo images to model the growing stock in a highly structured broadleaf-dominated forest (77.5 km2) in southern Germany. We used semi-global matching (SGM) to generate a dense point cloud and subtracted elevation values obtained from airborne laser scanner (ALS) data to compute canopy height. Sixty-seven explanatory variables were derived from the point cloud and an orthoimage for use in the model. Two different approaches - the linear regression model (lm) and the random forests model (rf) - were tested. We investigated the impact that varying amounts of training data had on model performance. Plot data from a previously acquired set of 1875 inventory plots was systematically eliminated to form three progressively less dense subsets of 937, 461, and 226 inventory plots. Model evaluation at the plot level (size: 500 m2) yielded relative root mean squared errors (RMSEs) ranging from 31.27% to 35.61% for lm and from 30.92% to 36.02% for rf. At the stand level (mean stand size: 32 ha), RMSEs from 14.76% to 15.73% for lm and from 13.87% to 14.99% for rf were achieved. Therefore, similar results were obtained from both modeling approaches. The reduction in the number of inventory plots did not considerably affect the precision. Our findings underline the potential for aerial stereo imagery in combination with ALS-based terrain heights to support forest inventory and management. [ABSTRACT FROM AUTHOR]

Les nuages de points basés sur des images denses présentent un grand potentiel pour évaluer avec précision les attributs forestiers tels que le volume sur pied. L'objectif de cette étude était de combiner la hauteur et l'information spectrale obtenues à partir d'images stéréo captées avec l'UltraCamXp pour modéliser le volume sur pied dans une forêt très structurée dominée par des feuillus (77,5 km2) dans le sud de l'Allemagne. Nous avons utilisé la méthode d'appariement semi-globale afin de générer un nuage de points dense, puis nous avons soustrait les valeurs d'élévation obtenues à partir d'un scanneur laser aéroporté (SLA) afin de calculer la hauteur du couvert forestier. Soixante-sept variables explicatives ont été obtenues à partir du nuage de points et d'une ortho-image pour être utilisées dans le modèle. Deux approches différentes ont été testées : un modèle de régression linéaire (ml) et un modèle de forêts aléatoires (fa). Nous avons étudié l'impact de différentes quantités de données d'entraînement sur la performance des modèles. Les données des placettes provenant d'un inventaire réalisé précédemment, comptant un ensemble de 1875 placettes, ont été systématiquement éliminées pour former progressivement trois sous-ensembles de moins en moins denses comptant respectivement 937, 461 et 226 placettes d'inventaire. L'évaluation des modèles à l'échelle de la placette (taille : 500 m2) a donné des erreurs quadratiques moyennes relatives allant de 31,27 % à 35,61 % pour ml et de 30,92 % à 36,02 % pour fa. À l'échelle du peuplement (taille moyenne du peuplement : 32 ha), des erreurs quadratiques moyennes relatives de 14,76 % à 15,73 % pour ml et de 13,87 % à 14,99 % pour fa ont été observées. Ainsi, des résultats similaires ont été obtenus à partir des deux approches de modélisation. La réduction du nombre de placettes d'inventaire n'a pas eu d'incidence considérable sur la précision. Nos résultats soulignent le potentiel de l'imagerie aérienne stéréo combinée à des hauteurs de terrain obtenues au moyen d'un SLA pour appuyer l'inventaire et la gestion des forêts. [Traduit par la Rédaction] [ABSTRACT FROM AUTHOR]

Copyright of Canadian Journal of Forest Research is the property of Canadian Science Publishing and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)