The GEDI LiDAR system was specifically designed to detect vegetation structure and has proven to be a suitable tool for estimating forest biophysical parameters, especially canopy height, at a global scale. This study compares the GEDI relative height metric (RH100) over different forest types, especially deciduous broadleaf and evergreen coniferous located in Thuringia, Germany, to understand how the forest structural differences affect the GEDI height estimation. A canopy height model that was produced using digital terrain and surface models (DTM and DSM) derived from airborne laser scanning data is used as the reference data. Based on the result, GEDI canopy height over needleleaf forest is slightly more accurate (RMSE = 6.61 m) than that over broadleaf (RMSE = 8.30 m) and mixed (RMSE = 7.94 m) forest. Evaluation of the GEDI acquisition parameters shows that differences in beam type, sensitivity, and acquisition time do not significantly affect the accuracy of canopy heights, especially over needleleaf forests. Considering foliage condition impacts on canopy height estimation, the contrasting result is observed in the broadleaf and needleleaf forests. The GEDI dataset acquired during the winter when deciduous species shed their leaves (the so-called leaf-off dataset), outperforms the leaf-on dataset in the broadleaf forest but shows less accurate results for the needleleaf forest. Considering the effect of the plant area index (PAI) on the accuracy of the GEDI canopy height, the GEDI dataset is divided into two sets with low and high PAI values with a threshold of median PAI = 2. The results show that the low PAI dataset (median PAI < 2) corresponds to the non-growing season (autumn and winter) in the broadleaf forest. The slightly better performance of GEDI using the non-growing dataset (RMSE = 7.40 m) compared to the growing dataset (RMSE = 8.44 m) in the deciduous broadleaf forest and vice versa, the slightly better result using the growing dataset (RMSE = 6.38 m) compared to the non-growing dataset (RMSE = 7.24 m) in the evergreen needleleaf forest is in line with the results using the leaf-off/leaf-on season dataset. Although a slight improvement in canopy height estimation was observed using either the leaf-off or non-growing season dataset for broadleaf forest, and either the leaf-on or growing season dataset for needleleaf forest, the approach of filtering GEDI data based on such seasonal acquisition time is recommended when retrieving canopy height over pure stands of broadleaf or needleleaf species, and the sufficient dataset is available.

Accurate estimates of stand volume dynamics in Eucalyptus plantations is critical for sustainable forest management and wood production. This study investigates the integration of MODIS-derived indices, such as gross primary productivity (GPP), net photosynthesis (PSN) and normalized difference vegetation index (NDVI), with traditional age-based methods to improve stand volume estimation in Eucalyptus plantations. MODIS GPP was first evaluated against flux tower measurements, showing moderate agreement and systematic biases, particularly during periods of highest and lowest productivity in the first years after planting, with an RMSE of 19.65 gC m-2 8day-1 and R2 of 0.38. Multiple linear regression (MLR) and two machine learning models, including random forest (RF) and stochastic gradient boosting (SGB), were used to estimate stand volume by incorporating cumulative MODIS indices (Cgpp, Cpsn and Cndvi) and stand age. The SGB model showed the best performance using the full dataset, including stands aged from 1.6 to 8.4 years, with an RMSE of 22.63 m³ ha-1, an rRMSE of 17.15% and an R² of 0.90. We showed that including cumulative indices from the first two years of growth significantly improved the model’s ability to predict growth dynamics in middle-aged to mature stands. These results highlight the utility of MODIS productivity products for medium to large-scale plantation management, providing scalable and cost-effective monitoring of stand volume.

Estimation de la hauteur et du volume de la forêt à l'aide du lidar, radar et des données optiques : étude de cas : forêts de Nowshahr en Mazindaran, Iran: L'importance de mesurer les paramètres biophysiques de la forêt pour la surveillance de la santé des écosystèmes et la gestion forestière encourage les chercheurs à trouver des méthodes précises et à faible coût en particulier sur les zones étendues et montagneuses. Dans la présente étude, le lidar satellitaire GLAS embarqué à bord du satellite ICESat (Ice Cloud and land Elevation Satellite) a été utilisé pour estimer trois caractéristiques biophysiques des forêts situées dans le nord de l'Iran:1) hauteur maximale de la canopée (Hmax),2)hauteur de Lorey (HLorey), et 3)le volume du bois (V). Des régressions linéaires multiples (RLM), des modèles basés sur les Forêts Aléatoires (FA : Random Forest) et aussi des réseaux de neurones (ANN) ont été développés à l'aide de deux ensembles différents de variables incluant des métriques obtenues à partir des formes d’onde GLAS et des composantes principales (CP) produites à partir de l'analyse en composantes principales (ACP) des données GLAS. Pour valider et comparer les modèles, des critères statistiques ont été calculées sur la base d'une validation croisée. Le meilleur modèle pour l’estimation de la hauteur maximale a été obtenu avec une régression RLM (RMSE=5.0m) qui combine deux métriques extraites des formes d'onde GLAS (H50, Wext), et un paramètre issu du modèle numérique d'élévation (Indice de relief TI). L'erreur moyenne absolue en pourcentage (MAPE) sur les estimations de la hauteur maximale est de 16.4%. Pour la hauteur de Lorey, un modèle basé sur les réseaux de neurones et utilisant des CPs et le Wext fournit le meilleur résultat avec RMSE=3.4m et MAPE=12.3%. Afin d'estimer le volume du bois, deux approches ont été utilisées:(1)estimation du volume à l'aide d’une relation volume-hauteur avec une hauteur estimée à partir de données GLAS et (2)estimation du volume du bois directement à partir des données GLAS en développant des régressions entre le volume in situ et les métriques GLAS. Le résultat de la première approche (RMSE=116.3m3/ha) était légèrement meilleur que ceux obtenus avec la seconde approche. Par exemple, le réseau de neurones basé sur les PCs donnait un RMSE de 119.9m3/ha mais avec des meilleurs résultats que l’approche basée sur la relation volume-hauteur pour les faibles (800m3/ha) volumes. Au total, l'erreur relative sur le volume de bois est estimée à environ 26%. En général, les modèles RLM et ANN avaient des meilleures performances par rapport aux modèles de FA. En outre, la précision sur l’estimation de la hauteur à l'aide de métriques issues des formes d'onde GLAS est meilleure que celles basées sur les CPs. Compte tenu des bons résultats obtenus avec les modèles de hauteur GLAS, la production de la carte des hauteurs d’étude par une utilisation combinée de données de télédétection lidar, radar et optique et de données environnementales a été effectuée à l’intérieur de notre zone. Ainsi, des régressions RLM et FA ont été construites entre toutes les hauteurs dérivées des données GLAS, à l'intérieur de la zone d'étude, et les indices extraits des données de télédétection et des paramètres environnementaux. Les meilleurs modèles entrainés pour estimer Hmax (RMSE=7.4m et R_a^2=0.52) et HLorey (RMSE=5.5m et R_a^2=0.59) ont été utilisées pour produire les cartes de hauteurs. La comparaison des Hmax de la carte obtenue avec les valeurs de Hmax in situ à l'endroit de 32 parcelles produit un RMSE de 5.3m et un R2 de 0.71. Une telle comparaison pour HLorey conduit à un RMSE de 4.3m et un R2 de 0.50. Une méthode de régression-krigeage a également été utilisée pour produire une carte des hauteurs en considérant la corrélation spatiale entre les hauteurs. Cette approche, testée dans le but d'améliorer la précision de la carte de la hauteur du couvert fournie par la méthode non-spatiale, a échouée due à l'hétérogénéité de la zone d'étude en termes de la structure forestière et de la topographie.