Publications du Service canadien des forêts

Digital soil mapping workflow for forest resource applications: a case study in the Hearst Forest, Ontario. Blackford, C., Heung, B., Baldwin, K., Fleming, R.L., Hazlett, P.W., Morris, D.M., Uhlig, P.W.C., Webster, K.L., NRC Research Press (2020) 00: 1-19

Année : 2020

Disponible au : Centre de foresterie des Grands Lacs

Numéro de catalogue : 40387

La langue : Anglais

Séries : Miscellaneous Report (CFGL - Sault Ste. Marie) *

Disponibilité : PDF (télécharger)

Disponible sur le site Web de la revue ou du journal.
DOI : http://dx.doi.org/10.1139/cjfr-2020-0066

† Ce site peut exiger des frais.

Sélectionner

Résumé en langage clair et simple

L’exactitude des renseignements du sol est d’une importance cruciale pour la planification de la gestion forestière et les opérations, mais est difficile de carte. La cartographie des sols numérique (DSM) améliore sur les limites de la cartographie des sols classiques par explicitement reliant une variété de couches de données environnementales au point de sol spatiale des ensembles de données de façon continue de prévoir la variabilité du sol dans un paysage. Jusqu’à maintenant, une grande partie de la recherche DSM a mis l’accent sur l’élaboration de cartes des sols ultrafine-resolution dans les systèmes agricoles; toutefois, en augmentant la disponibilité de détection et télémétrie par la lumière (lidar) données présente de nouvelles possibilités pour appliquer la DGS à l’appui des demandes de ressources forestières à de multiples échelles. Ce projet décrit une DSM Workflow utilisant LiDAR-derived élévation des données et l’apprentissage machine modèles (MLMs) afin de prédire les principales caractéristiques des sols forestiers. Une étude de cas dans la forêt Hearst dans le nord-est de l’Ontario, le Canada, est utilisé pour illustrer le déroulement du travail. Nous avons présenté plusieurs MLMs au Hearst forêt pour prédire le régime d’humidité du sol et de la texture familial. Évaluation qualitative et quantitative ont souligné la forêt aléatoire CPM produire le meilleur des cartes (63 % d’exactitude pour le régime d’humidité et de 66 % d’exactitude de texture classe). Si une erreur s'est produite, les sols étaient généralement mal classées aux classes de voisins. Cette normalisées, flux de travail souple est un outil précieux pour les praticiens qui veulent entreprendre DSM dans le cadre de la gestion des ressources forestières et de la planification.