Везде

RAS BiologyЛесоведение Forest Science

  • ISSN (Print) 0024-1148
  • ISSN (Online) 3034-5359

Crown’s and Canopy’s Morphometry-Based Estimation Models for the Tree’s and Stand’s Trunk Diameter of Forest-Forming Species of Northern Eurasia Available for Lidar Scanning

You can
PII
S30345359S0024114825030022-1
DOI
10.7868/S3034535925030022
Publication type
Article
Status
Published
Authors
V.A. Usoltsev
  • Affiliation:
    Ural State Forest Engineering University
    Ural State University of Economics
Volume/ Edition
Volume / Issue number 3
Pages
304-320
Abstract
Within the framework of climate-smart forestry, accurate information on phytomass and carbon deposition capacity of forests is necessary. To date, many empirical models have been published and many taxation standards have been compiled to assess the trees’ and stands’ phytomass based on morphometric indicators measured in sample plots. However, using them in order to assess the carbon-depositing capacity of forests across large areas by means of traditional land-based forest inventory is quite a laborious undertaking. The laser (lidar) technology may be used as an alternative, but it does not allow determining the main mass-forming parameters — the tree trunk’s diameters or the average trunk diameter within the stand. To combine traditional empirical models and tables of phytomass with remote sensing data, intermediate models are needed to estimate the diameter of the tree trunk or the average trunk diameter within the stand, depending on the morphometry of the canopy, recorded either by terrestrial methods or remotely. The purpose of this study was to design the models of the tree trunk’s diameter’s dependence and the average trunk diameter within the stand on the main morphometric indicators of the canopy, obtained by ground measurements, but also available for lidar scanning. The models are constructed at the level of genera as aggregates of vicarious species. The materials of two previously compiled databases on phytomass and morphometric structure of 5320 trees and 5817 stands of Eurasia were used as the initial data for the study. Two-factor allometric dependences were constructed for 13 genera: (a) the stem diameter at breast height relation to the height of the tree and the diameter of the crown and (b) the average trunk diameter of the stand relation to the average tree height and stand’s density, explaining in most cases from 90 to 97% of the dependent variable’s variability. The proposed models based on traditional ground-based taxation data can be directly applied in lidar technologies or used to validate models based on lidar sensing data. This is especially important due to the lack of ground-based measurements of tree and stand morphometry for most existing species and habitats. The use of the proposed models based on the results of remote registration of crown and canopy morphology makes it possible to assess the phytomass and carbon pool of trees and stands in some territories in real time by combining them with available standards and specifications for determining the phytomass of trees and stands.
Keywords
Pinus L. Picea L. Abies Mill. Larix Mill. Haploxylon (Koehne) Pilg. Betula L. Populus L. Alnus Gaertn. Tilia L. Quercus L. Fagus L. Carpinus L. Fraxinus L. диаметр ствола на высоте груди средний диаметр древостоя морфометрия крон и полога аллометрические модели
Date of publication
05.03.2024
Year of publication
2024
Number of purchasers
0
Views
13

References

  1. 1. Алтынцев М.А., Сабер К.Х.М. Методика автоматизированной фильтрации данных мобильного лазерного сканирования // Вестник Сибирского государственного университета геосистем и технологий. 2021. № 3. С. 5—19.
  2. 2. Антанайтис В.В., Манкус Р., Шяпетене Я.А. Закономерности лесной таксации: Методическое пособие. Каунас: Литовская сельскохозяйственная академия, 1976. С. 5—10.
  3. 3. Антанайтис В.В., Тябера А.П., Шяпетене Я.А. Законы, закономерности роста и строения древостоев: Методическое пособие. Каунас: Литовская сельскохозяйственная академия, 1986. 157 с.
  4. 4. Бойко Е.С., Карагян А.В. Цифровое моделирование древесно-кустарниковой растительности аккумулятивных берегов по данным воздушного лазерного сканирования // Вестник Сибирского государственного университета геосистем и технологий. 2021. № 2. С. 103—114.
  5. 5. Данилин И.М., Медведев Е.М., Мельников С.Р. Лазерная локация Земли и леса: Учебное пособие. Красноярск: Ин-т леса СО РАН, 2005. 182 с.
  6. 6. Демидов В.Э. Применение воздушного лазерного сканирования для картирования рельефа, поиска следов антропогенного воздействия и изучения растительного покрова на территории Приокско-Террасного государственного природного биосферного заповедника // Труды Мордовского государственного природного заповедника им. П.Г. Смидовича. 2021. № 28. С. 74—82.
  7. 7. Иванова Н.В., Шашков М.П., Шанин В.Н. Определение характеристик смешанных древостоев по данным аэрофотосъемки с применением беспилотного летательного аппарата (БПЛА) // Вестник Томского государственного университета. Биология. 2021. № 54. С. 158—175.
  8. 8. Кабонен А.В., Иванова Н.В. Оценка биометрических характеристик деревьев по данным наземного LiDAR и разносезонной аэрофотосъемки в искусственных насаждениях // Nature Conservation Research. Заповедная наука. 2023. Т. 8. № 1. С. 64—83.
  9. 9. Ковязин В.Ф., Виноградов К.П., Киценко А.А., Васильева Е.А. Воздушное лазерное сканирование для уточнения таксационных характеристик древостоев // Известия вузов. Лесной журнал. 2020. № 6. С. 42—54.
  10. 10. Лескинен П., Линднер М., Веркерк П.-Й., Набуурс Г.-Я., ван Брусселен Й., Куликова Е., Хассегава М., Леринк Б. Леса России и изменение климата. Что нам может сказать наука. 11. Европейский институт леса, 2020. 140 с. https://doi.org/10.36333/wsctu11
  11. 11. Лиепа И.Я. Динамика древесных запасов: Прогнозирование и экология. Рига: Зинатне, 1980. 170 с.
  12. 12. Мак-Лоун Р.Р. Математическое моделирование — искусство применения математики // Математическое моделирование. М.: Мир, 1979. С. 9—20.
  13. 13. Мошкалев А.Г., Давидов Г.М., Яновский Л.Н., Моисеев В.С., Столяров Д.П., Бурневский Ю.И. Лесотаксационный справочник по Северо-Западу СССР. Л.: ЛТА, 1984. 319 с.
  14. 14. Налимов В.В. Теория эксперимента. М.: Наука, 1971. 208 с.
  15. 15. Усольцев В.А. Перспективы 3D-моделирования пространственной структуры фитомассы лесов // Эко-потенциал. 2014. № 2. С. 55—71. https://elar.usfeu.ru/bitstream/123456789/3356/1/Usoltsev.pdf
  16. 16. Усольцев В.А. Фитомасса лесов Северной Евразии: База данных и география. Екатеринбург: Изд-во УрО РАН, 2001. 708 с. http://elar.usfeu.ru/handle/123456789/3280
  17. 17. Усольцев В.А. Фитомасса лесов Северной Евразии: Нормативы и элементы географии. Екатеринбург: Изд-во УрО РАН, 2002. 762 с. http://elar.usfeu.ru/handle/123456789/3302
  18. 18. Усольцев В.А. Биологическая продуктивность лесов Северной Евразии: Методы, база данных и ее приложения. Екатеринбург: УрО РАН, 2007. 636 с. http://elar.usfeu.ru/handle/123456789/3281
  19. 19. Усольцев В.А. Фитомасса и первичная продукция лесов Евразии. Екатеринбург: УрО РАН, 2010. 570 с. http://elar.usfeu.ru/handle/123456789/2606
  20. 20. Усольцев В.А. Биологическая продуктивность лесообразующих пород в климатических градиентах Евразии (к менеджменту биосферных функций лесов). Екатеринбург: Уральский государственный лесотехнический университет, 2016а. 384 с. http://elar.usfeu.ru/handle/123456789/5634
  21. 21. Усольцев В.А. Фитомасса модельных деревьев лесообразующих пород Евразии: База данных, климатически обусловленная география, таксационные нормативы. Екатеринбург: Уральский государственный лесотехнический университет, 2016б. 336 с. http://elar.usfeu.ru/handle/123456789/5696
  22. 22. Усольцев В.А. Фитомасса модельных деревьев для дистанционной и наземной таксации лесов Евразии. Электронная база данных. Екатеринбург: Ботанический сад УрО РАН, Уральский государственный лесотехнический университет, 2023а. 1 электрон. опт. диск (CD-ROM). https://elar.usfeu.ru/handle/123456789/12451
  23. 23. Усольцев В.А. Биомасса и первичная продукция лесов Евразии. Электронная база данных. Екатеринбург: Ботанический сад УрО РАН, Уральский государственный лесотехнический университет, 2023б. 1 электрон. опт. диск (CD-ROM). https://elar.usfeu.ru/handle/123456789/12452
  24. 24. Усольцев В.А. Модели для оценки возраста деревьев и древостоев лесообразующих видов Евразии по морфометрии крон и полога, доступной для воздушного лазерного сканирования // Биосфера. 2024. № . 4. С. 399—406.
  25. 25. Усольцев В.А., Цепордей И.С., Часовских В.П. Модели для оценки биомассы деревьев лесообразующих видов по диаметру кроны в связи с использованием дронов // Хвойные бореальной зоны. 2023. Т. 41. № 4. С. 300—305.
  26. 26. Усольцев В.А., Цепордей И.С. Возрастные изменения в структуре надземной фитомассы лесообразующих видов Евразии // Лесоведение. 2023. № 6. С. 563—576. DOI: 10.31857/S0024114823060116, EDN: EHRIEL
  27. 27. Усольцев В.А., Цепордей И.С., Плюха Н.И. Взаимосвязи диаметров ствола и кроны лесообразующих видов Евразии // Известия Санкт-Петербургской лесотехнической академии. 2024. Вып. 250. С. 176—199. DOI: 10.21266/2079-4304.2024.250.176-199.
  28. 28. Цепордей И.С. Биологическая продуктивность лесообразующих видов в климатическом контексте Евразии. Екатеринбург: Изд-во УМЦ УПИ, 2023. 467 с. https://elar.usfeu.ru/handle/123456789/12450
  29. 29. Четыркин Е.М. Статистические методы прогнозирования. М.: Статистика, 1977. 200 с.
  30. 30. Юнсон Э.В., Мельничук Д.Ю. Цифровой двойник лесного массива // Международный научно-исследовательский журнал. 2024. № 6. С. 1—5.
  31. 31. Assman E. Die Bedeutung des “erweiterten Eichhorn’schen Gesetzes” für die Kontrolle von Fichten Ertragstafeln // Forstwissenschaftliches Centralblatt. 1955. V. 74. P. 321—330.
  32. 32. Assmann E. Waldertragskunde: Organische Produktion, Struktur, Zuwachs und Ertrag von Waldbeständen. München, Bonn, Wien: BLV Verlagsgesellschaft, 1961. 492 p.
  33. 33. Baskerville G.L. Use of logarithmic regression in the estimation of plant biomass // Canadian Journal of Forest Research. 1972. V. 2. № 1. P. 49—53.
  34. 34. Besnard S., Koirala S., Santoro M., Weber U., Nelson J., Gütter J., Herault B., Kassi J., N’Guessan A., Neigh C., Poulter B., Zhang T., Carvalhais N. Mapping global forest age from forest inventories, biomass and climate data // Earth System Science Data. 2021. V. 13. P. 4881—4896.
  35. 35. Bi H., Fox J.C., Li Y., Lei Y., Pang Y. Evaluation of nonlinear equations for predicting diameter from tree height // Canadian Journal of Forest Research. 2012. V. 42. P. 789—806.
  36. 36. Brandeis T., Randolph K.C., Strub M.R. Modelling Caribbean tree stem diameters from tree height and crown width measurements // Mathematical and Computational Forestry & Natural-Resource Sciences. 2009. V. 1. № 2. P. 78—85.
  37. 37. Cao Q.V., Dean T.J. Predicting diameter at breast height from total height and crown length: Proceedings of the 15th biennial southern silvicultural research conference. Asheville, NC: U.S.D.A. Forest Service, Southern Research Station. Tech. Rep. SRS-GTR-175, 2013. P. 201—205.
  38. 38. Chang A., Jung J., Kim Y. Estimation of forest stand diameter class using airborne lidar and field data // Remote Sensing Letters. 2015. V. 6. № 6. P. 419—428.
  39. 39. Coops N.C., Tompalski P., Goodbody T.R.H., Queinnec M., Luther J.E., Bolton D.K., White J.C., Wulder M.A., van Lier O.R., Hermosilla T. Modelling LiDAR-derived estimates of forest attributes over space and time: a review of approaches and future trends // Remote Sensing. 2021. V. 260. Article 112477.
  40. 40. Dean T.J., Cao Q.V., Roberts S.D., Evans D.L. Measuring heights to crown base and crown median with LiDAR in a mature, even-aged loblolly pine stand // Forest Ecology and Management. 2009. V. 257. № 1. P. 126—133.
  41. 41. Dean T.J., Long J.N. Validity of constant-stress and elastic-instability principles of stem formation in Pinus contorta and Trifolium pretense // Annals of Botany. 1986. V. 58. P. 833—840.
  42. 42. Drake J.B., Dubayah R.O., Knox R.G., Clark D.B., Blair J.B. Sensitivity of large-footprint lidar to canopy structure and biomass in a neotropical rainforest // Remote Sensing of Environment. 2002. V. 81. P. 378—392.
  43. 43. Eichhorn F. Ertragstafeln für die Weißtanne. Berlin: Springer, 1902. 118 p.
  44. 44. Eichhorn F. Beziehungen zwishen Bestandeshöhe und Bestandesmasse // Allgemeine Forst- und Jagdzeitung. 1904. V. 80. P. 45—49.
  45. 45. Filipescu C.N., Groot A., MacIsaac D.A., Cruickshank M.G., Stewart J.D. Prediction of diameter using height and crown attributes: a case study // Western Journal of Applied Forestry. 2012. V. 27. № 1. P. 30—35.
  46. 46. Fu L., Duan G., Ye Q., Meng X., Luo P., Sharma R.P., Sun H., Wang G., Liu Q. Prediction of individual tree diameter using a nonlinear mixed-effects modeling approach and airborne LiDAR data // Remote Sensing. 2020. V. 12. Article 1066.
  47. 47. Galvincio J.D., Popescu S.C. Measuring individual tree height and crown diameter for mangrove trees with airborne lidar data // International Journal of Advanced Engineering, Management and Science. 2016. V. 2. № 5. P. 431—443.
  48. 48. Gavrikov V.L. A simple theory to link bole surface area, stem density and average tree dimensions in a forest stand // European Journal of Forest Research. 2014. V. 133. № 6. P. 1087—1094.
  49. 49. Gerhardt E. Über Bestandes- Wachstumsgesetze und ihre Anwendung zur Aufstellung von Ertragstafeln // Allgemeine Forst- und Jagdzeitung. 1909. V. 85. P. 117—128.
  50. 50. Gerhardt E. Zur Ertragstafelfrage: Eine dreiteilige Fichtenertragstafel // Allgemeine Forst- und Jagdzeitung. 1928. V. 104. P. 377—386.
  51. 51. Global Mapper: Getting Started Guide. Blue Marble Geographics, 2018. 24 p. Available at: https://www.bluemarblegeo.com/docs/guides/global-mapper-19-gettingstarted-guide-en.pdf.
  52. 52. Gonzalez-Benecke C.A., Fernández M.P., Gayoso J., Pincheira M., Wightman G. Using tree height, crown area and stand-level parameters to estimate tree diameter, volume, and biomass of Pinus radiata, Еucalyptus globulus and Еucalyptus nitens // Forests. 2022. V. 13. № 12. Article 2043.
  53. 53. Gonzalez-Benecke C.A., Gezan S.A., Samuelson L.J., Cropper W.P., Leduc D.J., Martin T.A. Estimating Pinus palustris tree diameter and stem volume from tree height, crown area and stand-level parameters // Journal of Forestry Research. 2014. V. 25. № 1. P. 43—52.
  54. 54. Gould S. Allometry and size in ontogeny and phylogeny // Biological Reviews. 1966. V. 41. № 4. P. 587—640.
  55. 55. Hao Y., Widagdo F.R.A., Liu X., Quan Y., Dong L., Li F. Individual tree diameter estimation in small-scale forest inventory using UAV laser scanning // Remote Sensing. 2021. V. 13. № 13. Article 24.
  56. 56. Harding D.J., Lefsky M.A., Parker G.G., Blair J.B. Laser altimeter canopy height profiles: methods and validation for closed-canopy, broadleaf forests // Remote Sensing of Environment. 2001. V. 76. P. 283—297.
  57. 57. Harrington R. Comparison of field- and LIDAR-derived tree crown parameters in mid-rotation loblolly pine. M. Sc. thesis, Mississippi State University, Mississippi State, MS, 2001. 43 p.
  58. 58. Inoue A., Koyama R., Koshikawa K., Yamamoto K. Comparison of models for estimating stem surface area of coniferous trees grown in old-growth natural forests // Journal of Forestry Research. 2021. V. 26. № 1. P. 1—6.
  59. 59. Inoue A., Nishizono T. Conservation rule of stem surface area: a hypothesis // European Journal of Forest Research. 2015. V. 134. № 4. P. 599—608.
  60. 60. Jerez Rico M. Modeling canopy structure effects on loblolly pine growth. 2002. LSU Doctoral Dissertations. 79 р. https://repository.lsu.edu/gradschool_dissertations/837
  61. 61. Kalliovirta J., Tokola T. Functions for estimating stem diameter and tree age using tree height, crown width and existing stand database information // Silva Fennica. 2005. V. 39. P. 227—248.
  62. 62. Lee D., Choi J. Evaluating maximum stand density and size–density relationships based on the competition density rule in Korean pines and Japanese larch // Forest Ecology and Management. 2019. V. 446. P. 204—213.
  63. 63. Lee S.-H., Kim D.-H., Jeong J.-H., Han S.-H., Kim S., Park H.-J., Kim H.-J. Developing a yield table and analyzing the economic feasibility for Acacia hybrid plantations in achieving carbon neutrality in southern Vietnam // Forests. 2022. V. 13. № 8. Article 1316.
  64. 64. Lefsky M.A., Cohen W.B., Acker S.A., Parker G.G., Spies T.A., Harding D. LIDAR remote sensing of the canopy structure and biophysical properties of Douglas-fir western hemlock forests // Remote Sensing of Environment. 1999. V. 70. P. 339—361.
  65. 65. Li W., Duveiller G., Wieneke S., Forkel M., Gentine P., Reichstein M., Niu S., Migliavacca M., Orth R. Regulation of the global carbon and water cycles through vegetation structural and physiological dynamics // Environmental Research Letters. 2024. V. 19. Article 073008.
  66. 66. Luo Y., Wang X., Ouyang Z., Lu F., Feng L., Tao J. A review of biomass equations for China’s tree species // Earth System Science Data. 2020. V. 12. № 1. P. 21—40.
  67. 67. Luoma V., Saarinen N., Wulder M.A., White J.C., Vastaranta M., Holopainen M., Hyyppä J. Assessing precision in conventional field measurements of individual tree attributes // Forests. 2017. V. 8. № 2. Article 38.
  68. 68. Magin R. Möglichkeiten der dynamischen Bonitierung im Hinblick auf die künftige Einheitsbewertung // Allgemeine Forst Zeitschrift. 1955. V. 10. P. 122—124.
  69. 69. Magnussen S., Boudewyn P. Derivations of stand heights from airborne laser scanner data with canopy-based quantile estimators // Canadian Journal of Forest Research. 1998. V. 28. № 7. P. 1016—1031.
  70. 70. Maltamo M., Mustonen K., Hyyppä J., Pitkänen J., Yu X. The accuracy of estimating individual tree variables with airborne laser scanning in a boreal nature reserve // Canadian Journal of Forest Research. 2004. V. 34. № 9. P. 1791—1801.
  71. 71. Means J.E., Acker S.A., Fitt J.B., Renslow M., Emerson L., Hendrix C.J. Predicting forest stand characteristics with airborne scanning LiDAR // Photogrammetric Engineering and Remote Sensing. 2000. V. 66. P. 1367—1371.
  72. 72. Metzger K. Der Wind als massgebender Faktor für das Wachsthum der Bäume // Mündener Forstliche Hefte. 1893. V. 3. P. 35—86.
  73. 73. Moriguchi K., Ueki T., Saito M. Responses of spacing indices for relative yield based on the reciprocal competition-density effect // Forest Science. 2017. V. 63. № 5. P. 485—495.
  74. 74. Newton P.F. Stand density management diagrams: modelling approaches, variants, and exemplification of their potential utility in crop planning // Canadian Journal of Forest Research. 2021. V. 51. № 2. P. 236—256.
  75. 75. Özdemir İ. Estimation of forest stand parameters using airborne LIDAR data // SDU Faculty of Forestry Journal. 2013. V. 14. P. 31—39.
  76. 76. Panagiotidis D., Abdollahnejad A., Surový P., Chiteculo V. Determining tree height and crown diameter from high-resolution UAV imagery // International Journal of Remote Sensing. 2017. V. 38. № 8—10. P. 2392—2410.
  77. 77. Parker R.C., Evans D.L. An application of LiDAR in a double-sample forest inventory // Western Journal of Applied Forestry. 2004. V. 19. № 2. P. 95—101.
  78. 78. Parker R.C., Mitchel A.L. Smoothed versus unsmoothed LiDAR in a double-sample forest inventory // Southern Journal of Applied Forestry. 2005. V. 29. № 1. P. 40—47.
  79. 79. Pereira Martins-Neto R., Garcia Tommaselli A.M., Imai N.N., Honkavaara E., Miltiadou M., Saito Moriya E.A., David H.C. Tree species classification in a complex Brazilian tropical forest using hyperspectral and LiDAR data // Forests. 2023. V. 14. № 5. Article 945. https://doi.org/10.3390/f14050945
  80. 80. Poorter H., Jagodzinski A.M., Ruiz-Peinado R., Kuyah S., Luo Y., Oleksyn J., Usoltsev V.A., Buckley T.N., Reich P.B., Sack L. How does biomass allocation change with size and differ among species? An analysis for 1200 plant species from five continents // New Phytologist. 2015. V. 208. № 3. P. 736—749
  81. 81. Popescu S.C. Estimating biomass of individual pine trees using airborne lidar // Biomass and Bioenergy. 2007. V. 31. P. 646—655.
  82. 82. Salas C., Ene L., Gregoire T.G., Næsset E., Gobakken T. Modelling tree diameter from airborne laser scanning derived variables: A comparison of spatial statistical models // Remote Sensing of Environment. 2010. V. 114. P. 1277—1285.
  83. 83. Sexton J.O., Bax T., Siqueira P., Swenson J.J., Hensley S. A comparison of lidar, radar, and field measurements of canopy height in pine and hardwood forests of southeastern North America // Forest Ecology and Management. 2009. V. 257. P. 1136—1147.
  84. 84. Sharma R.P., Bílek L., Vacek Z., Vacek S. Modelling crown width–diameter relationship for Scots pine in the Central Europe // Trees — Structure and Function. 2017. V. 31. P. 1875—1889.
  85. 85. Smolina A., Illarionova S., Shadrin D., Kedrov A., Burnaev E. Forest age estimation in northern Arkhangelsk region based on machine learning pipeline on Sentinel-2 and auxiliary data // Scientific Reports. 2023. V. 13. Article 22167.
  86. 86. Stereńczak K., Mielcarek M., Wertz B., Bronisz K., Zajączkowski G., Jagodziński A.M., Ochał W., Skorupski M. Factors influencing the accuracy of ground-based treeheight measurements for major European tree species // Journal of Environmental Management. 2019. V. 231. P. 1284—1292.
  87. 87. Sun Y., Jin X., Pukkala T., Li F. Predicting individual tree diameter of larch (Larix olgensis) from UAV—LiDAR data using six different algorithms // Remote Sensing. 2022. V. 14. Article 1125.
  88. 88. Ter-Mikaelian M.T., Korzukhin M.D. Biomass equations for sixty-five North American tree species // Forest Ecology and Management. 1997. V. 97. P. 1—24.
  89. 89. Thomasius H. Untersuchungen über die Brauchbarkeit einiger Wachstumsgrößen von Bäumen und Beständen für die quantitative Standortsbeurteilung // Archiv für Forstwesen. 1963. V. 12. № 12. P. 1267—1323.
  90. 90. Umemi K., Inoue A. A model for predicting mean diameter at breast height from mean tree height and stand density // Journal of Forest Research. 2024. V. 29. № 3. P. 186—195.
  91. 91. West G.B., Brown J.H., Enquist B.J. A general model for the origin of allometric scaling laws in biology // Science. 1997. V. 276. P. 122—126.
  92. 92. West G.B., Brown J.H., Enquist B.J. A general model for the structure and allometry of plant vascular system // Nature. 1999. V. 400. P. 664—667.
  93. 93. Whitfield J. All creatures great and small // Nature. 2001. V. 413. P. 342—344.
  94. 94. Wirth C., Schumacher J., Schulze E.-D. Generic biomass functions for Norway spruce in Central Europe — a metaanalysis approach toward prediction and uncertainty estimation // Tree Physiology. 2004. V. 24. P. 121—139.
  95. 95. Xu Q., Li B., Maltamo M., Tokola T., Hou Z. Predicting tree diameter using allometry described by nonparametric locally-estimated copulas from tree dimensions derived from airborne laser scanning // Forest Ecology and Management. 2019. V. 434. P. 205—212.
  96. 96. Yao W., Krull J., Krzystek P., Heurich M. Sensitivity analysis of 3D individual tree detection from LiDAR point clouds of temperate forests // Forests. 2014. V. 5. P. 1122—1142.
  97. 97. Young B. Comparison of field and LiDAR measurements of loblolly pine. M. Sc. thesis, Mississippi State University, Mississippi State, MS, 2000. 76 p.
  98. 98. Zagalikis G., Cameron A.D., Miller D.R. The application of digital photogrammetry and image analysis techniques to derive tree and stand characteristics // Canadian Journal of Forest Research. 2005. V. 35. № 5. P. 1224—1237.
  99. 99. Zianis D., Mencuccini M. On simplifying allometric analyses of forest biomass // Forest Ecology and Management. 2004. V. 187. № 2—3. P. 311—332.
QR
Translate

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Higher Attestation Commission

At the Ministry of Education and Science of the Russian Federation

Scopus

Scientific Electronic Library