Key points are not available for this paper at this time.
Die Rolle der Wälder bei der Bereitstellung multipler Güter und Dienstleistungen wurde weltweit anerkannt. In diesem Zusammenhang sind zuverlässige räumliche Vorhersagen von Walddaten wie Baumvolumen und aktueller Zunahme grundlegend für die Durchführung von Waldmonitoring, die Verbesserung von Restaurierungsprogrammen und die Unterstützung von Entscheidungsprozessen. Dieser Artikel präsentiert die Methodologie und die Ergebnisse der flächendeckenden Räumlichen Abbildung des Vorratsvolumens und der aktuellen jährlichen Zunahme, die in 273 Datengrundlagen des italienischen Nationalen Waldinventars über ein Gebiet von mehr als 3260 km² in der Region Friaul-Julisch Venetien (Nordostitalien) gemessen wurden. Zu diesem Zweck wurde ein Random Forest-Modell getestet, das als Prädiktoren 4 spektrale Indizes von Sentinel-2, ein hochauflösendes Canopy-Höhenmodell aus LiDAR und geo-morphologische Daten verwendete. Laut dem Leave-One-Out-Kreuzvalidierungsverfahren zeigt das Modell für den Waldvorrat einen R2 und einen RMSE% von 0,67 bzw. 41%. Für die aktuelle jährliche Zunahme wurden hingegen ein R2 von 0,47 und ein RMSE% von 57% ermittelt. Die Validierung mit einem unabhängigen Datensatz verbesserte die Leistungen der Modelle weiter, wodurch signifikant höhere R2-Werte von 0,84 und 0,83 für Volumen bzw. Zunahme erzielt wurden. Unsere Ergebnisse unterstreichen die relativ höhere Bedeutung von LiDAR-abgeleiteten Metriken im Vergleich zu anderen Kovariaten bei der Schätzung beider Attribute, da sie sogar doppelt so wichtig waren wie Vegetationsindizes für den Waldvorrat. Daher sind diese Metriken vielversprechend für die Entwicklung eines nationalen LiDAR-basierten Modells.
Cadez et al. (Sat,) haben diese Frage untersucht.