Centre dedocumentation
scientifique

Predicting surface fuel models and fuel metrics using Lidar and CIR imagery in a dense, mountainous forest / Marek Jakubowksi in Photogrammetric Engineering & Remote Sensing, PERS, vol 79 n° 1 (January 2013)  

Public [article]  inPhotogrammetric Engineering & Remote Sensing, PERS > vol 79 n° 1 (January 2013) . - pp 37 - 49 Titre : Predicting surface fuel models and fuel metrics using Lidar and CIR imagery in a dense, mountainous forest Type de document : Article/Communication Auteurs : Marek Jakubowksi, Auteur ; Quinhua Guo, Auteur ; Brandon Collins, Auteur ; Scott Stephens, Auteur ; Maggi Kelly, Auteur Année de publication : 2013 Article en page(s) : pp 37 - 49 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] biomasse (combustible) [Termes descripteurs IGN] Californie (Etats-Unis) [Termes descripteurs IGN] classification par séparateurs à vaste marge [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] forêt [Termes descripteurs IGN] image multibande [Termes descripteurs IGN] image optique [Termes descripteurs IGN] interpolation inversement proportionnelle à la distance [Termes descripteurs IGN] lutte contre l'incendie [Termes descripteurs IGN] montagne [Termes descripteurs IGN] pinophyta Résumé : (Auteur) We compared the ability of several classification and regression algorithms to predict forest stand structure metrics and standard surface fuel models. Our study area spans a dense, topographically complex Sierra Nevada mixed-conifer forest. We used clustering, regression trees, and support vector machine algorithms to analyze high density (average 9 pulses/m2), discrete return, small-footprint lidar data, along with multispectral imagery. Stand structure metric predictions generally decreased with increased canopy penetration. For example, from the top of canopy, we predicted canopy height (r2 ! 0.87), canopy cover (r2 ! 0.83), basal area (r2 ! 0.82), shrub cover (r2 ! 0.62), shrub height (r2 ! 0.59), combined fuel loads (r2 ! 0.48), and fuel bed depth (r2 ! 0.35). While the general fuel types were predicted accurately, specific surface fuel model predictions were poor (76 percent and "50 percent correct classification, respectively) using all algorithms. These fuel components are critical inputs for wildfire behavior modeling, which ultimately support forest management decisions. This comprehensive examination of the relative utility of lidar and optical imagery will be useful for forest science and management. Numéro de notice : A2013-004 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article En ligne : http://kellylab.berkeley.edu/storage/papers/2013-Jakubowski-etal-PERS.pdf Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=32142 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
105-2013011	RAB	Revue	Centre de documentation	En réserve 3L	Disponible