This study presents an easy-to-apply variable probability sample design that is an efficient and cost-effective method to correct for local bias in regional LiDAR-assisted forest inventory estimates. This design is especially useful for small woodlot owners. Light detection and ranging (LiDAR)-derived forest inventory estimates are generally unbiased at landscape levels but may be biased locally. One solution to correct local bias is to use ground-based double sampling with ratio estimation where the LiDAR estimates form the large sample covariate and the ground plots are used to estimate a correction or calibration ratio. Our objectives were to test the performance of different sample strategies, to correct for local bias, and to determine the most efficient and cost-effective sampling design. We compared five sample selection methods and four plot types using simulation. Sample sizes and inventory costs required to achieve 5% standard error were calculated to assess sampling efficiency. The results showed that bias can be corrected successfully using a doubling sampling approach with ratio estimation, and that variable probability selection methods were more efficient than equal probability selection methods. A big basal area factor (BAF) plot was the most cost-effective on-the-ground plot type. The most efficient and cost-effective sampling design was list sampling with big BAF plots. This combination can be used to calibrate LiDAR-derived forest inventory estimates for a variety of forest attributes.

中文翻译：

---

区域 LiDAR 辅助森林清查的偏差校正样本策略对小林地的估计

本研究提出了一种易于应用的可变概率样本设计，它是一种有效且具有成本效益的方法，可以纠正区域 LiDAR 辅助森林清单估计中的局部偏差。这种设计对小型林地业主特别有用。光探测和测距 (LiDAR) 衍生的森林清单估计在景观水平上通常是无偏差的，但在局部可能有偏差。纠正局部偏差的一种解决方案是使用基于地面的双采样和比率估计，其中 LiDAR 估计形成大样本协变量，地面图用于估计校正或校准比率。我们的目标是测试不同样本策略的性能，纠正局部偏差，并确定最有效和最具成本效益的抽样设计。我们使用模拟比较了五种样本选择方法和四种绘图类型。计算达到 5% 标准误差所需的样本大小和库存成本，以评估抽样效率。结果表明，使用带比率估计的加倍抽样方法可以成功地纠正偏差，并且可变概率选择方法比等概率选择方法更有效。大底面积因子 (BAF) 地块是最具成本效益的实地地块类型。最有效和最具成本效益的抽样设计是带有大 BAF 图的列表抽样。这种组合可用于校准 LiDAR 衍生的各种森林属性的森林清单估计。计算达到 5% 标准误差所需的样本大小和库存成本，以评估抽样效率。结果表明，使用带比率估计的加倍抽样方法可以成功地纠正偏差，并且可变概率选择方法比等概率选择方法更有效。大底面积因子 (BAF) 地块是最具成本效益的实地地块类型。最有效和最具成本效益的抽样设计是带有大 BAF 图的列表抽样。这种组合可用于校准 LiDAR 衍生的各种森林属性的森林清单估计。计算达到 5% 标准误差所需的样本大小和库存成本，以评估抽样效率。结果表明，使用带比率估计的加倍抽样方法可以成功地纠正偏差，并且可变概率选择方法比等概率选择方法更有效。大底面积因子 (BAF) 地块是最具成本效益的实地地块类型。最有效和最具成本效益的抽样设计是带有大 BAF 图的列表抽样。这种组合可用于校准 LiDAR 衍生的各种森林属性的森林清单估计。并且变概率选择方法比等概率选择方法更有效。大底面积因子 (BAF) 地块是最具成本效益的实地地块类型。最有效和最具成本效益的抽样设计是带有大 BAF 图的列表抽样。这种组合可用于校准 LiDAR 衍生的各种森林属性的森林清单估计。并且变概率选择方法比等概率选择方法更有效。大底面积因子 (BAF) 地块是最具成本效益的实地地块类型。最有效和最具成本效益的抽样设计是带有大 BAF 图的列表抽样。这种组合可用于校准 LiDAR 衍生的各种森林属性的森林清单估计。