Search

Accurate soil information is critically important for forest management planning and operations but is challenging to map. Digital soil mapping (DSM) improves upon the limitations of conventional soil mapping by explicitly linking a variety of environmental data layers to spatial soil point data sets to continuously predict soil variability across a landscape. Thus far, much DSM research has focussed on the development of ultrafine-resolution soil maps within agricultural systems; however, increasing availability of light detection and ranging (LiDAR) data presents new opportunities to apply DSM to support forest resource applications at multiple scales. This project describes a DSM workflow using LiDAR-derived elevation data and machine learning models (MLMs) to predict key forest soil attributes. A case study in the Hearst Forest in northeastern Ontario, Canada, is used to illustrate the workflow. We applied multiple MLMs to the Hearst Forest to predict soil moisture regime and textural class. Both qualitative and quantitative assessment pointed to the random forest MLM producing the best maps (63% accuracy for moisture regime and 66% accuracy for textural class). Where error occurred, soils were typically misclassified to neighbouring classes. This standardized, flexible workflow is a valuable tool for practitioners that want to undertake DSM as part of forest resource management and planning. Key words: digital soil mapping, machine learning, forest management. Des informations precises sur les sols sont absolument essentielles pour la planification et les operations d'amenagement forestier mais elles sont difficiles a cartographies La cartographie numerique des sols (CNS) constitue un progres par rapport aux limites de la cartographie conventionnelle des sols en reliant une variete de couches de donnees environnementales a des ensembles de donnees spatiales ponctuelles des sols pour predire la variabilite a travers un paysage de facon continue. Jusqu'a maintenant, beaucoup de travaux de recherche sur la CNS ont mis l'accent sur le developpement de cartes des sols a tres haute resolution pour des systemes agricoles. Cependant, la disponibilite croissante de donnees lidar offre de nouvelles opportunites d'appliquer la CNS en support a des applications qui concernent les ressources forestieres a de multiples echelles. Ce projet decrit un flux de travail de CNS qui utilise des donnees altimetriques derivees du lidar et des modeles d'apprentissage automatique (MAA) pour predire des attributs importants des sols. Une etude de cas dans la foret de Hearst, dans le nord-est de l'Ontario, au Canada, est utilisee pour illustrer le flux de travail. Nous avons applique plusieurs MAA a la foret de Hearst pour predire le regime d'humidite et la classe de texture. Une evaluation tant qualitative que quantitative indiquait que le MAA de foret aleatoire produisait les meilleures cartes (precision de 63 % pour le regime d'humidite et de 66 % pour la classe de texture). Lorsqu'il y avait des erreurs, les sols mal classes etaient typiquement places dans les classes voisines. Ce flux de travail standardise et flexible est un outil precieux pour les praticiens qui veulent entreprendre la CNS en tant que composante de la planification et de la gestion des ressources forestieres. [Traduit par la Redaction] Mots-cles: cartographie numerique des sols, apprentissage automatique, amenagement forestier., 1. Introduction Soils are a critical element of forest ecosystems in that soil mineralogy, nutrient supply, moisture retention, texture, structure, and porosity collectively influence forest composition and productivity (Leniham 1993; [...]