The aim of this study was to construct a nationwide stand age model by using National Forest Inventory (NFI) data and nationwide airborne laser scanning (ALS) data. In plantation forestry, age is usually known. While this is not the case in boreal managed forests, age is still seldom predicted in forest management inventories. Measuring age accurately in situ is also very laborious. On the other hand, tree age is one of the accurately measured sample tree attributes in NFI field data. Many countries also have a nationwide coverage of airborne laser scanning (ALS) data. In this study, we merged these data sources and constructed a nationwide, area-based model for stand age. While constructing the model, we omitted old forests from the data, since the correlation between ALS height metrics and stand age diminished at stands with age > 100 years. Additionally, the effect of growth conditions was considerable, so we also utilized different geographical and NFI variables such as site fertility and soil type in the modeling. The resultant nationwide model for the stand age of managed forests yielded a root mean square error (RMSE) of about 14 years. The model could be improved further by additional forest structure variables, but such information may not be available in practice. The results showed that the prediction of stand age by ALS, geographical and NFI information was challenging, but still possible with moderate success. This study is an example of the joint use of NFI and nationwide ALS data and re-use of NFI data in research.

中文翻译：

---

使用“国家森林清单”现场数据和机载激光扫描仪预测管理林中的林分年龄

本研究的目的是通过使用国家森林清单（NFI）数据和全国机载激光扫描（ALS）数据构建全国林分年龄模型。在人工林中，年龄通常是已知的。虽然在北方管理森林中并非如此，但在森林管理清单中仍很少预测其年龄。准确地就地测量年龄也很费力。另一方面，树龄是NFI现场数据中精确测量的样本树属性之一。许多国家/地区还涵盖了机载激光扫描（ALS）数据的全国范围。在这项研究中，我们合并了这些数据源，并构建了一个全国性的，基于面积的林分年龄模型。在构建模型时，我们从数据中省略了旧林，因为ALS高度度量与林分年龄之间的相关性在年龄> 100年的林分中会减弱。此外，生长条件的影响很大，因此在建模中我们还利用了不同的地理和NFI变量，例如场地肥力和土壤类型。由此产生的全国范围内的管理林分龄模型得出的均方根误差（RMSE）约为14年。可以通过增加森林结构变量来进一步改进该模型，但实际上这些信息可能不可用。结果表明，通过ALS，地理和NFI信息预测林分年龄具有挑战性，但仍可能取得一定的成功。这项研究是联合使用NFI和全国ALS数据以及在研究中重新使用NFI数据的示例。因此，我们在模型中还利用了不同的地理和NFI变量，例如场地肥力和土壤类型。由此产生的全国范围内的管理林分龄模型得出的均方根误差（RMSE）约为14年。可以通过增加森林结构变量来进一步改进该模型，但实际上这些信息可能不可用。结果表明，通过ALS，地理和NFI信息预测林分年龄具有挑战性，但仍可能取得一定的成功。这项研究是联合使用NFI和全国ALS数据以及在研究中重新使用NFI数据的示例。因此在建模中我们还利用了不同的地理和NFI变量，例如场地肥力和土壤类型。由此产生的全国范围内的管理林分龄模型得出的均方根误差（RMSE）约为14年。可以通过增加森林结构变量来进一步改进该模型，但实际上这些信息可能不可用。结果表明，通过ALS，地理和NFI信息预测林分年龄具有挑战性，但仍可能取得一定的成功。这项研究是联合使用NFI和全国ALS数据以及在研究中重复使用NFI数据的示例。但实际上这些信息可能不可用。结果表明，通过ALS，地理和NFI信息预测林分年龄具有挑战性，但仍可能取得一定的成功。这项研究是联合使用NFI和全国ALS数据以及在研究中重新使用NFI数据的示例。但实际上这些信息可能不可用。结果表明，通过ALS，地理和NFI信息预测林分年龄具有挑战性，但仍可能取得一定的成功。这项研究是联合使用NFI和全国ALS数据以及在研究中重新使用NFI数据的示例。