Abstract Understanding the role that the vast north Australian savannas play in the continental carbon cycle requires reliable quantification of their carbon stock at landscape and regional scales. LiDAR remote sensing has proven efficient and accurate for the fine-scale estimation of above-ground tree biomass (AGB) and carbon stocks in many ecosystems, but tropical savanna remain under studied. We utilized a two-phase LiDAR analysis procedure which integrates both individual tree detection (ITC) and area-based approaches (ABA) to better understand how the uncertainty of biomass estimation varies with scale. We used estimations from individual tree LiDAR measurements as training/reference data, and then applied these data to develop allometric equations related to LIDAR metrics. We found that LiDAR individual tree heights were strongly correlated with field-estimated AGB (R2 = 0.754, RMSE = 90 kg), and that 63% of individual trees crowns (ITC) could be accurately delineated with a canopy maxima approach. Area-based biomass estimation (ABA), which incorporated errors from the ITC steps, identified the quadratic mean of canopy height (QMCH) as the best single independent variable for different plot sample sizes (e.g. for 4 ha plots: R2 = 0.86, RMSE = 3.4 Mg ha− 1; and 1 ha plots: R2 = 0.83, RMSE = 4.0 Mg ha− 1). Our results show how ITC and ABA approached can be integrated to understand how biomass uncertainty varies with scale across broad landscapes. Understanding these scaling relationships is critical for operationalizing regional savanna inventories, monitoring and mapping.

中文翻译：

---

基于机载 LiDAR 的稀树草原生物量不确定性估计的单棵树和基于区域的方法的分层集成

摘要 要了解澳大利亚北部广阔的热带稀树草原在大陆碳循环中的作用，需要对其在景观和区域尺度上的碳储量进行可靠的量化。LiDAR 遥感已被证明可有效和准确地对许多生态系统中的地上树木生物量 (AGB) 和碳储量进行精细估计，但热带稀树草原仍有待研究。我们利用两阶段 LiDAR 分析程序，该程序集成了个体树木检测 (ITC) 和基于区域的方法 (ABA)，以更好地了解生物量估计的不确定性如何随规模变化。我们使用来自单个树 LiDAR 测量值的估计作为训练/参考数据，然后应用这些数据来开发与 LIDAR 指标相关的异速生长方程。我们发现 LiDAR 个体树高与现场估计的 AGB（R2 = 0.754，RMSE = 90 kg）密切相关，63% 的个体树冠 (ITC) 可以通过冠层最大值方法准确描绘。基于面积的生物量估计 (ABA) 结合了 ITC 步骤中的误差，将冠层高度 (QMCH) 的二次平均值确定为不同样地样本量的最佳单一自变量（例如，对于 4 公顷地块：R2 = 0.86，RMSE = 3.4 Mg ha− 1；和 1 ha 图：R2 = 0.83，RMSE = 4.0 Mg ha−1)。我们的结果显示了如何整合 ITC 和 ABA，以了解生物量不确定性如何随着广泛景观的规模而变化。了解这些比例关系对于实施区域稀树草原清单、监测和制图至关重要。RMSE = 90 kg），并且可以使用冠层最大值方法准确描绘 63% 的单个树冠 (ITC)。基于面积的生物量估计 (ABA) 结合了 ITC 步骤中的误差，将冠层高度 (QMCH) 的二次平均值确定为不同样地样本量的最佳单一自变量（例如，对于 4 公顷地块：R2 = 0.86，RMSE = 3.4 Mg ha− 1；和 1 ha 图：R2 = 0.83，RMSE = 4.0 Mg ha−1)。我们的结果显示了如何整合 ITC 和 ABA，以了解生物量不确定性如何随着广泛景观的规模而变化。了解这些比例关系对于实施区域稀树草原清单、监测和制图至关重要。RMSE = 90 kg），并且可以使用冠层最大值方法准确描绘 63% 的单个树冠 (ITC)。基于面积的生物量估计 (ABA) 结合了 ITC 步骤中的误差，将冠层高度 (QMCH) 的二次平均值确定为不同样地样本量的最佳单一自变量（例如，对于 4 公顷地块：R2 = 0.86，RMSE = 3.4 Mg ha− 1；和 1 ha 图：R2 = 0.83，RMSE = 4.0 Mg ha−1)。我们的结果显示了如何整合 ITC 和 ABA，以了解生物量不确定性如何随着广泛景观的规模而变化。了解这些比例关系对于实施区域稀树草原清单、监测和制图至关重要。结合了 ITC 步骤的误差，将冠层高度 (QMCH) 的二次均值确定为不同样地样本大小的最佳单一自变量（例如，对于 4 公顷地块：R2 = 0.86，RMSE = 3.4 Mg ha−1；和 1 ha 图：R2 = 0.83，RMSE = 4.0 Mg ha−1)。我们的结果显示了如何整合 ITC 和 ABA，以了解生物量不确定性如何随着广泛景观的规模而变化。了解这些比例关系对于实施区域稀树草原清单、监测和制图至关重要。结合了 ITC 步骤的误差，将冠层高度 (QMCH) 的二次均值确定为不同样地样本大小的最佳单一自变量（例如，对于 4 公顷地块：R2 = 0.86，RMSE = 3.4 Mg ha−1；和 1 ha 图：R2 = 0.83，RMSE = 4.0 Mg ha−1)。我们的结果显示了如何整合 ITC 和 ABA，以了解生物量不确定性如何随着广泛景观的规模而变化。了解这些比例关系对于实施区域稀树草原清单、监测和制图至关重要。我们的结果显示了如何整合 ITC 和 ABA，以了解生物量不确定性如何随着广泛景观的规模而变化。了解这些比例关系对于实施区域稀树草原清单、监测和制图至关重要。我们的结果显示了如何整合 ITC 和 ABA，以了解生物量不确定性如何随着广泛景观的规模而变化。了解这些比例关系对于实施区域稀树草原清单、监测和制图至关重要。