Harmonizing GEDI and LVIS Data for Accurate and Large-Scale Mapping of Foliage Height Diversity

Abstract

Remote sensing is key for large-scale forest mapping, yet the limited integration of LiDAR sensors restricts the spatial coverage of forest attribute estimation. Our study aimed to accurately map Foliage Height Diversity (FHD) in five key North American regions, vital for ongoing research in ecosystem dynamics in western North America. We used a combination of GEDI data and LVIS data, incorporating measures of forest complexity and relative forest heights (RH25, RH50, RH75, and RH98), to predict FHD with a random forest regression in the Kluane region, southwest Yukon—a northernmost site where GEDI data are not available. This method was designed to overcome spatial coverage limitations of different sensors, enabling the production of consistent, precise, multi-temporal FHD maps across all sites. We found strong agreement between predicted and observed FHD values estimated from Airborne Laser Scanning in the Yukon (R2 = 0.72; RMSE = 0.46). Additionally, we upscaled GEDI FHD predictions in all sites by integrating Landsat imagery, ALOS PALSAR, and topographical data, resulting in high accuracy (R2 = 0.85; RMSE = 0.26). Our findings demonstrate that by harmonizing full-wave form LiDAR sensors, we can significantly expand the coverage of LiDAR data, allowing for consistent broad-scale analyses of forest attributes.

RÉSUMÉ

La télédétection est essentielle pour la cartographie des forêts à grande échelle, cependant l’intégration limitée des capteurs LiDAR restreint la couverture spatiale de l’estimation des attributs forestiers. Notre étude visait à cartographier avec précision la Foliage Height Diversity (FHD) dans cinq régions clés d’Amérique du Nord, cruciale pour la recherche en cours sur la dynamique des écosystèmes dans l’ouest de l’Amérique du Nord. Nous avons utilisé une combinaison de données GEDI et de données LVIS, en intégrant des mesures de la complexité forestière et des hauteurs forestières relatives (RH25, RH50, RH75 et RH98), pour prédire la FHD à l’aide d’une régression de forêts aléatoires dans la région de Kluane, au sud-ouest du Yukon—un site le plus septentrional où les données GEDI ne sont pas disponibles. Cette méthode a été conçue pour surmonter les limitations de couverture spatiale des différents capteurs, permettant la production de cartes FHD précises, cohérentes et multi-temporelles sur tous les sites. Nous avons trouvé une forte corrélation entre les valeurs de FHD prédites et observées estimées à partir du balayage laser aéroporté au Yukon (R2 = 0.72; RMSE = 0.46). De plus, nous avons étendu les prédictions de FHD de GEDI sur tous les sites en intégrant des images Landsat, ALOS PALSAR et des données topographiques, ce qui a abouti à une haute précision (R2 = 0.85; RMSE = 0.26). Nos résultats démontrent qu’en harmonisant les capteurs LiDAR à forme d’onde complète, nous pouvons significativement étendre la couverture des données LiDAR, permettant des analyses à grande échelle et cohérentes des attributs forestiers.

Disclosure statement

No conflict of interest was reported by the author(s).

Additional information

Funding

This research was funded by a Collaborative Special Projects grant from the Natural Sciences and Engineering Research Council of Canada (NSERC) and the writeup was supported by the Canada Research Chairs Program.