Abstract Drone applications are becoming increasingly common in the arena of forest management and forest inventories. In particular, the use of photogrammetrically derived drone-based image point clouds (DIPC) in individual tree detection has become popular. Use of an area-based approach (ABA) in small areas has also been considered. However, in-situ field measurements of sample plots substantially increase the cost of small area forest inventories. Therefore, we examined whether small-scale forest management inventories could be carried out without local field measurements. We used nationwide and regional ABA models for stem volumes fitted with airborne laser scanning (ALS) data to predict stem volumes using corresponding metrics calculated from DIPC data. The stem volumes were predicted at the cell level (15 × 15 m) and aggregated to test plots (30 × 30 m). Height metrics for the dominant tree layer from the DIPC data showed strong correlations with similar metrics computed from the ALS data. The ALS-based models applied with DIPC metrics performed well, especially if the ABA model was fitted in the same geographical area (regional model) and the inventory units were disaggregated to coniferous and deciduous dominated stands using auxiliary information from Multi-source National Forest Inventory data (root mean square error at 30 × 30 m level was 13.1%). The corresponding root mean square error associated with the nationwide ABA model was 20.0% with an overestimation (mean difference 9.6%).

中文翻译：

---

使用无人机图像的小区域森林清单，无需现场实地测量

摘要 无人机应用在森林管理和森林清查领域变得越来越普遍。特别是，在单棵树检测中使用摄影测量派生的基于无人机的图像点云（DIPC）已经变得流行。还考虑在小区域使用基于区域的方法 (ABA)。然而，样本地块的现场实地测量大大增加了小面积森林库存的成本。因此，我们研究了在没有当地实地测量的情况下是否可以进行小规模森林管理清查。我们使用全国和区域 ABA 模型来拟合机载激光扫描 (ALS) 数据，并使用从 DIPC 数据计算的相应指标来预测茎体积。在细胞水平 (15 × 15 m) 预测茎体积并聚合到测试地块 (30 × 30 m)。来自 DIPC 数据的主要树层的高度指标显示出与从 ALS 数据计算的类似指标的强相关性。应用 DIPC 指标的基于 ALS 的模型表现良好，特别是如果 ABA 模型适用于同一地理区域（区域模型），并且使用多源国家森林清单的辅助信息将库存单位分解为针叶林和落叶林林分数据（30 × 30 m 水平的均方根误差为 13.1%）。与全国 ABA 模型相关的相应均方根误差为 20.0%，高估（平均差异 9.6%）。来自 DIPC 数据的主要树层的高度指标显示出与从 ALS 数据计算的类似指标的强相关性。应用 DIPC 指标的基于 ALS 的模型表现良好，特别是如果 ABA 模型适用于同一地理区域（区域模型），并且使用多源国家森林清单的辅助信息将库存单位分解为针叶林和落叶林林分数据（30 × 30 m 水平的均方根误差为 13.1%）。与全国 ABA 模型相关的相应均方根误差为 20.0%，高估（平均差异 9.6%）。来自 DIPC 数据的主要树层的高度指标显示出与从 ALS 数据计算的类似指标的强相关性。应用 DIPC 指标的基于 ALS 的模型表现良好，特别是如果 ABA 模型适用于同一地理区域（区域模型），并且使用多源国家森林清单的辅助信息将库存单位分解为针叶林和落叶林林分数据（30 × 30 m 水平的均方根误差为 13.1%）。与全国 ABA 模型相关的相应均方根误差为 20.0%，高估（平均差异 9.6%）。特别是如果 ABA 模型拟合在相同的地理区域（区域模型）并且使用来自多源国家森林清单数据的辅助信息（30 × 30 m 水平的均方根误差）将清单单位分解为针叶林和落叶林13.1%）。与全国 ABA 模型相关的相应均方根误差为 20.0%，高估（平均差异 9.6%）。特别是如果 ABA 模型拟合在相同的地理区域（区域模型）并且使用来自多源国家森林清单数据的辅助信息（30 × 30 m 水平的均方根误差）将清单单位分解为针叶林和落叶林13.1%）。与全国 ABA 模型相关的相应均方根误差为 20.0%，高估（平均差异 9.6%）。