Using lidar data and a height-structured ecosystem model to estimate forest carbon stocks and fluxes over mountainous terrain

Abstract

AbstractAccurately predicting forest dynamics and associated carbon fluxes requires both knowledge of the current state of the ecosystem and an understanding of the underlying processes and environmental conditions that influence the ecosystem processes. Here, we apply a combination of light detection and ranging (lidar) remote sensing (LVIS), an individual-based height-structured ecosystem model (ED), and detailed topographic and climate data to address these requirements to predict carbon dynamics at the Hubbard Brook Experimental Forest (HBEF) in the White Mountains of New Hampshire. Lidar data provided substantial constraints on model estimates of carbon stocks and annual net ecosystem production (ANEP). Lidar-initialized model estimates of carbon stocks (10.77 kg C m−2) were within 5% of the field estimates over the domain and accounted for the 44% decrease in carbon stocks observed between minimum and maximum elevation at HBEF. Lidar-initialized model estimates of ANEP (0.023 kg C m−2 year−1) also compared favorably with recent field estimates. Model estimates of ANEP strongly depended on fine-scale (1 ha) lidar data on vegetation structure, environmental gradients, and the dynamics of disturbance events. Substituting fine-scale (1 ha) data on vegetation structure and climate with domain-wide inputs increased model estimates of ANEP by 84%. Substituting fine-scale climate data with domain-wide inputs but initializing with fine-scale data on vegetation structure increased estimates of ANEP by 40%. Model simulations initialized with spatial heterogeneity in environmental conditions but that lacked corresponding spatial heterogeneity in vegetation structure were the most problematic because this configuration had serious inconsistencies in areas where the domain mean canopy height exceeded the local potential for vegetation (e.g., at high elevations). Lastly, failing to account for increased natural disturbance rates with elevation increased model estimates of ANEP by 43%. This research demonstrates that the combination of lidar data and a height-structured ecosystem model can be a powerful tool for estimating forest carbon stocks and fluxes, even in complex mountainous environments. To be most useful for constraining model predictions, lidar data need to be at the scale of the underlying environmental heterogeneity that determines plant vital rates.La prévision précise de la dynamique de la forêt et des flux de carbone associés requiert la connaissance de l’état actuel de l’écosystème ainsi qu’une compréhension des processus sous- jacents et des conditions environnementales qui influencent les processus de l’écosystème. Dans cet article, nous appliquons en combinaison la télédétection lidar (LVIS), un modèle d’écosystème structuré sur une base individuelle en fonction de la hauteur (ED) et des données topographiques et climatiques détaillées pour répondre à cette problématique afin de prédire la dynamique du carbone sur le site de Hubbard Brook Experimental Forest (HBEF). Les données lidar ont imposé des contraintes substantielles sur les estimations du modèle des stocks de carbone et de la productivité annuelle nette de l’écosystème (PANE). Les estimations du modèle initialisées par lidar des stocks de carbone (10,77 kg C m−2) se situaient à l’intérieur de 5 % des estimations réalisées sur le terrain au- dessus du domaine et celles-ci tenaient compte d’une diminution de 44 % de la biomasse en fonction de l’altitude. Les estimations de PANE à l’aide du modèle initialisé par lidar (0,023 kg C m−2 year−1) se comparaient également favorablement aux résultats d’une étude récente qui n’a enregistré aucun changement des stocks de carbone au-dessus du sol sur une période de 10 ans à la station de HBEF. Les estimations de modèle de PANE dépendaient fortement des données lidar à échelle fine (1 ha) dans le cas de la structure de la végétation, des gradients environnementaux et de la dynamique des événements perturbateurs. La substitution des données à échelle fine (1 ha) sur la structure de la végétation et le climat avec des intrants à la grandeur du domaine a permis d’augmenter les estimations du modèle de PANE de 84 %. La substitution des données climatiques à échelle fine avec des intrants à l’échelle du domaine mais en initialisant avec des données à échelle fine sur la structure de la végétation a permis d’augmenter les estimations de PANE de 40 %. Les simulations de modèle initialisées avec une hétérogénéité spatiale au niveau des conditions environnementales, mais qui manquaient d’hétérogénéité correspondante au niveau de la structure de la végétation, étaient les plus problématiques étant donné que cette configuration présentait de sérieuses incohérences dans les zones où la hauteur moyenne du couvert au niveau du domaine excédait le potentiel local pour la végétation (p. ex. pour les altitudes plus élevées). Enfin, le fait de ne pas avoir tenu compte des taux de perturbation naturelle plus élevés en fonction de l’altitude a permis d’augmenter les estimations de PANE de 43 %. Cette recherche montre que la combinaison des données lidar et d’un système structuré en fonction de la hauteur peut constituer un outil puissant pour l’estimation des stocks et des flux de carbone de la forêt même dans les environnements complexes de montagne. Afin d’être encore plus utiles pour contraindre les prévisions des modèles, les données lidar doivent êt`re à l’échelle de l’hétérogénéité environnementale sous-jacente qui détermine les taux démographiques des plantes.[Traduit par la Rédaction]