This repository contains data and R code that evaluates changes in species code (SPCD) within USDA Forest Service Forest Inventory and Analysis (FIA) Program tree remeasurements.

In order to learn about broad scale ecological patterns, data from large-scale surveys must allow us to either estimate the correlations between the environment and an outcome of interest and/or accurately predict ecological patterns. An important part of data collection is the sampling effort used to collect observations, which we decompose into two quantities: the number of observations or plots ($n$) and the per-observation/plot effort ($E$) (e.g. area per plot). If we want to understand the relationships between predictors and a response variable, then lower model parameter uncertainty is desirable. If the goal is higher predictive performance, then lower prediction error is preferable. We aim to learn if and when aggregating data can help attain these goals. We examine the impacts of aggregating observations for count and continuous data. Through simulations, we generate data and fit models at different degrees (e.g. groups of 10, 60) and types of aggregation, and examine parameter uncertainty as well as prediction error. We compare the findings from simulated data to real data in an application to tree density of selected species from Forest Inventory and Analysis (FIA) data. In particular, we fit models to FIA data that have been aggregated via distance and covariate similarity or US EPA ecoregions. ... [Read More]

Long-term forest plot datasets have proven invaluable for understanding the changing conditions and ecology across Minnesota’s 17.3 million acres of forestland. Data from past and present USDA Forest Service (USFS) Forest Inventory and Analysis (FIA) program efforts are of high quality and are informed by thousands of field plot observations for each survey. The aim of this study was to locate historic forest records for Minnesota, identify useful data, and develop methodologies for digitizing and restoring data to a usable format. Over 300 stand and stock tables and summary of volume tables for Minnesota were restored from the first FIA Lake States forest survey conducted between 1930 and 1938. The level of detail of the data varied, but included area of forest cover types and stand size classes, and number of trees and volumes per acre by individual species. The data was presented in an Access database with a series of tables and queries. Definitions and further explanations about the restored historic data can be found in Staff Paper Series No. 241, Department of Forest Resources, University of Minnesota. Sponsorship: Funding provided by the Minnesota Environment and Natural Resources Trust Fund as recommended by the Legislative–Citizen Commission on Minnesota Resources and the University of Minnesota’s College of Food, Agricultural and Natural Resources Sciences Department of Forest Resources and the Minnesota Agricultural Experiment Station under Project MIN 42-019. In addition, the USDA Forest Service Northern Research Station staff provided support. Resources in this dataset:Resource Title: Restoration of the 1936 Statewide Forest Survey of Minnesota. File Name: Web Page, url: https://conservancy.umn.edu/handle/11299/182086 Link to dataset in the Data Repository of the University of Minnesota (DRUM).

This directory contains 2 files with tree-ring data collected as part of the US Forest Service Forest Inventory and Analysis (FIA) program in the Interior Western US. The samples (increment cores) were collected from Pinus edulis trees associated with FIA plots in two different inventory designs: periodic inventories before the year 1999, and after 1999, annual inventories, in which a temporally and spatially stratified ~10% of plots are sampled each year, such that each plot is visited every ~10 years (DeRose et al., 2017; USDA Forest Service, 2015, 1999). Data stored in this repository includes increment cores from 1558 trees, most of which were sampled during periodic inventories, from tally trees, site trees, or representative trees adjacent to FIA plots. Of these trees with increment cores, many were in plots carried over to the annual design, but others were orphaned after the implementation of the annual design in 1999.

Dieses Produkt ist Teil der TreeMap-Datensuite. Es enthält detaillierte räumliche Informationen zu Waldmerkmalen wie der Anzahl lebender und toter Bäume, der Biomasse und dem Kohlenstoffgehalt in den gesamten bewaldeten Gebieten der kontinentalen USA im Jahr 2016. TreeMap v2016 enthält ein Bild, eine 22-Band-Karte mit einer Auflösung von 30 × 30 m der Wälder der kontinentalen USA um 2016. Jedes Band stellt ein Attribut dar, das aus ausgewählten FIA-Daten abgeleitet wurde (und ein Band die TreeMap-ID). Beispiele für Attribute sind Waldtyp, Prozentsatz der Baumkronenbedeckung, Bestand an lebenden Bäumen, Biomasse lebender/toter Bäume und Kohlenstoff in lebenden/toten Bäumen. TreeMap-Produkte sind die Ausgabe eines maschinellen Lernens-Algorithmus für den Zufallswald, der jedem Pixel der gerasterten LANDFIRE-Eingabedaten den am besten passenden FIA-Plot (Forest Inventory Analysis) zuweist. Ziel ist es, die sich ergänzenden Stärken der detaillierten, aber räumlich spärlichen FIA-Daten mit den weniger detaillierten, aber räumlich umfassenden LANDFIRE-Daten zu kombinieren, um bessere Schätzungen der Waldeigenschaften in verschiedenen Maßstäben zu erhalten. TreeMap wird sowohl im privaten als auch im öffentlichen Sektor für Projekte wie die Planung von Brennstoffbehandlungen, die Kartierung von Gefahren durch umgestürzte Bäume und die Schätzung von terrestrischen Kohlenstoffressourcen eingesetzt. TreeMap unterscheidet sich von anderen imputierten Waldvegetationsprodukten dadurch, dass jedem Pixel eine FIA-Parzellen-ID zugewiesen wird, während andere Datensätze Waldmerkmale wie die lebende Stammfläche (z.B. Ohmann und Gregory 2002; Pierce Jr et al. 2009; Wilson, Lister und Riemann 2012). Die FIA-Parzellen-ID kann mit den Hunderten von Variablen und Attributen verknüpft werden, die für jeden Baum und jede Parzelle im FIA DataMart, dem öffentlichen Repository der FIA mit Parzelleninformationen, erfasst wurden (Forest Inventory Analysis 2022a). Die Methodik von 2016 enthält Störungen als Antwortvariable, was zu einer höheren Genauigkeit bei der Kartierung von gestörten Gebieten führt. Die Genauigkeit innerhalb der Klasse betrug über 90% für Waldbedeckung, Höhe, Vegetationsgruppe und Störungscode im Vergleich zu LANDFIRE-Karten. In 57,5% der Fälle entsprach mindestens ein Pixel innerhalb des Radius der Validierungsfelder der Klasse der vorhergesagten Werte für die Waldbedeckung, in 80,0% der Fälle für die Höhe, in 80,0% der Fälle für die Baumart mit der größten Grundfläche und in 87,4 % der Fälle für die Störung. Zusätzliche Ressourcen Weitere Informationen zu den Methoden und zur Genauigkeitsbewertung finden Sie in der TreeMap-Veröffentlichung von 2016. Der TreeMap 2016 Data Explorer ist eine webbasierte Anwendung, mit der Nutzer TreeMap-Attributdaten aufrufen und herunterladen können. Das TreeMap Research Data Archive für den Download des vollständigen Datensatzes, Metadaten und Supportdokumente. TreeMap Raster Data Gateway für den Download von TreeMap-Attributdaten, Metadaten und Supportdokumenten FIA Database Manual Version 8 (FIA-Datenbankhandbuch Version 8) mit ausführlicheren Informationen zu den in TreeMap 2016 enthaltenen Attributen Bei Fragen oder spezifischen Datenanfragen wenden Sie sich bitte an sm.fs.treemaphelp@usda.gov. Forstinventaranalyse. 2022a. DataMart für die Analyse von Waldinventaren. Forest Inventory Analysis DataMart FIADB_1.9.0. 2022. https://apps.fs.usda.gov/fia/datamart/datamart.html. Ohmann, Janet L. und Matthew J. Gregory. 2002. Predictive Mapping of Forest Composition and Structure with Direct Gradient Analysis and Nearest- Neighbor Imputation in Coastal Oregon, USA. Ja. J. Für. Res. 32:725–741. doi: 10.1139/X02-011. Pierce, Kenneth B Jr, Janet L Ohmann, Michael C Wimberly, Matthew J Gregory und Jeremy S Fried. 2009. Mapping Wildland Fuels and Forest Structure for Land Management: A Comparison of Nearest Neighbor Imputation and Other Methods. Ja. J. Für. Res. 39: 1901–1916. doi:10.1139/X09-102. Wilson, B Tyler, Andrew J Lister und Rachel I Riemann. 2012. A Nearest-Neighbor Imputation Approach to Mapping Tree Species over Large Areas Using Forest Inventory Plots and Moderate Resolution Raster Data. Forest Ecol. Verwalten 271:182–198. doi: 10.1016/j. foreco.2012.02.002.