Characterization of tropical forest structure using airborne LiDAR in central Africa

Abstract

Tropical forests contribute greatly to the mitigation of the effects of climate change because of the predominant role of photosynthesis in the carbon cycle. These forests are among the richest ecosystems on Earth and hold some of the biggest aboveground carbon stocks. This carbon accounts for half of the biomass and, albeit it is not possible yet to capture all the subtleties underlying the mechanisms that shape the variation of biomass in the forests, it is known that the structure of a forest mirrors its biomass i.e. the spatial organization of a forest influences its biomass. Study of the structure is achievable through LiDAR remote sensing, a technology offering the opportunity to produce a 3D point cloud of the forests. Hence, decomposition of the forest into several structural sub-components has the potential to partially shed light on some of the mechanisms that influence the biomass. In this context, we assessed the potential of different LiDAR metrics (i.e. features) to characterize components of the forest structure at the plot-level and tested combinations of variables to predict structural properties that were then integrated into existing biomass estimation pantropical models that rely on field measurements. Features were extracted through area-based, tree-centric, gap-oriented and statistical approaches. Relevance of the LiDAR in the characterization of the forest was confirmed for the significantly correlated features. Area-based metrics yielded the best scores but the features obtained from the tree-centric and statistical approach showed promising results. Prediction of the properties explained 27% to 88% of the variation depending on the structural component. Integration of these predictions into updated versions of existing models gave reliable estimations of biomass (RMSEr = 0.11) compared to their respective original counterparts, but when compared to the field biomass, the pantropical models showed important biases that we attributed to their original formulas and not our own locally developed sub-models. In the end, our study confirmed the capacity of various LiDAR metrics to describe the forest structure and demonstrates their reliability as substitutes into existing prediction models, notably without any need to standardize by field metrics like most of the studies at the plot-level. Combining these findings to the examination of environmental drivers of forest structure and biomass seems to be the next step into a better understanding of biomass and carbon allocation.

Les forêts tropicales contribuent grandement à l’atténuation des effets du changement climatique, et ce grâce au rôle prédominant de la photosynthèse au sein du cycle du carbone. Ces forêts comptent parmi les plus riches écosystèmes sur Terre et abritent l’un des plus importants stocks de carbone hors sol. Ce carbone représente la moitié de la biomasse et, bien qu’il ne soit pas encore possible de capturer toutes les subtilités sous-tendant les mécanismes qui animent la variation de la biomasse, on sait que la structure d’une forêt est un reflet de sa biomasse, autrement dit que l’organisation spatiale d’une forêt influence sa biomasse. L’étude de cette structure peut être réalisée au moyen de télédétection par LiDAR, une technologie qui offre la possibilité de produire un nuage de points en 3D de la forêt. Aussi, la décomposition de la forêt en plusieurs sous-composantes structurelles a le potentiel de mettre en lumière certains des mécanismes d’influence de la biomasse. Dans ce contexte, nous avons évalué le potentiel de différentes métriques LiDAR (i.e. éléments) dans la caractérisation de composantes structurelles de la forêt à l’échelle de la parcelle, et nous avons ensuite testé des combinaisons de ces éléments pour prédire différentes propriétés structurelles, qui furent par la suite intégrées au sein de modèles existants d’estimation de la biomasse à l’échelle pantropicale. Les éléments furent extraits via des approches à l’échelle de la zone, de l’arbre, des trouées ou statistiques. La pertinence du LiDAR pour caractériser la forêt a été confirmée pour les éléments significativement corrélés. Les métriques obtenues par l’approche à l’échelle de la zone ont obtenu les meilleurs résultats mais celles provenant de l’approche à l’échelle de l’arbre et de l’approche statistique ont montré des résultats prometteurs. Les prédictions des propriétés ont permis d’expliquer entre 27% et 88% des variations observées selon la composante structurelle prédite. L’intégration de ces prédictions dans des versions mise à jour de modèles existants donne des estimations de biomasse jugées fiables (RMSEr = 0.11) en comparaison de leurs homologues originels, mais comparés à la biomasse évaluée sur le terrain, les modèles pantropicaux ont montré d’importants biais que nous avons attribué à leurs formules originelles et non à nos propres modèles développés localement. Au final, notre étude confirme la capacité des métriques LiDAR à caractériser la structure forestière et démontre leur fiabilité en tant que substituts dans des modèles de prédiction existants, en n’ayant notamment plus le besoin de d’êtres standardisées au moyen d’observations de terrain comme c’est encore commun dans la plupart des études réalisées à l’échelle de la parcelle. La combinaison de ces découvertes à l’examen des déterminants environnementaux de la structure et la biomasse forestière semble être la prochaine étape logique vers une meilleure compréhension des distributions de la biomasse et du carbone.