Predicting Forest Age up to 250 Years in Old-Growth Boreal Mixedwoods of Western Quebec, Canada, Using Airborne Laser Scanning Data and Modelled Tree Species Composition
Notice bibliographique
Résumé
Old-growth boreal forests play a key role in global conservation policies. Forest age maps, however, tend to lose accuracy as stands age, making it impossible to consider the full successional diversity of old-growth forests. Our aim was therefore to develop remote sensing models that can predict old-growth boreal forest ages up to 250 years. As ground-truth data, we used a network of 432 field plots located in the boreal mixedwood forest of eastern Quebec, Canada. Forest age (time since last fire) was known for all plots, ranging from 74 to 258 years. We extracted indices from airborne laser scanning (ALS) and tree species prediction data for these plots at 4 different resolutions (400, 1600, 4900 and 10,000 m<sup>2</sup>) to capture variations in structure and composition at different grain sizes. The models obtained showed high predictive accuracy, at all resolutions (R<sup>2</sup>: 0.574–0.759, RMSE: 28.686–40.026, Bias: −1.093 − 3.933). Predicted tree species composition data contributed the most to model accuracy. These models provided an unprecedented mapping of the successional diversity of old-growth forests, compared with available data. Our methodology, therefore, would be an essential resource for improving our forest management strategies, allowing better conservation of old-growth boreal forests. Combination of airborne laser scanning (ALS) and predicted species composition data allows accurate forest age prediction in mixedwood boreal old-growth forestsModels developed predicted the age of old-growth forests up to 250 years, covering a wider successional gradient than currently available dataWithout tree species prediction data, ALS data need low resolution to properly characterize the structural heterogeneity resulting from forest succession.Our methodology provides a detailed characterization of old-growth forest internal diversity, improving conservation strategiesAge prediction models must be adapted to ecosystem-specific characteristics, but would be preferable to large-scale models (e.g., national scale) Combination of airborne laser scanning (ALS) and predicted species composition data allows accurate forest age prediction in mixedwood boreal old-growth forests Models developed predicted the age of old-growth forests up to 250 years, covering a wider successional gradient than currently available data Without tree species prediction data, ALS data need low resolution to properly characterize the structural heterogeneity resulting from forest succession. Our methodology provides a detailed characterization of old-growth forest internal diversity, improving conservation strategies Age prediction models must be adapted to ecosystem-specific characteristics, but would be preferable to large-scale models (e.g., national scale)
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».