使用機載光達估算森林地上生物量之系統性回顧與統合分析Forest Aboveground Biomass Estimation Using Airborne LiDAR: A Systematic Review and Meta-Analysis
森林數位孿生底層致能
機載光達被視為秤森林重量最準的工具之一，但這篇 2025 年的系統性回顧加統合分析告訴我們，它單獨用的平均誤差其實還有三成多，關鍵在於要不要結合多源資料與選對方法。
研究問題
這篇想回答過去十年機載光達 AGB 估算的誤差，到底如何隨資料來源、森林生物群系與建模方法而變化，以及這些研究之間的異質性能不能用嚴謹的統合分析量化出來。
材料與方法
作者依 PRISMA 流程從 Web of Science 與 Scopus 共 787 篇文獻篩到 53 篇，系統性回顧用其中 52 篇、抽出 361 筆觀測值，並以標準化相對標準誤差比較兩類資料來源、五類森林生物群系與五類建模方法，用 Kruskal-Wallis 與成對 Wilcoxon 檢定組間差異。統合分析則把 R² 轉成相關係數再轉 Fisher's z，用 Metafor 套件算效應量、以 I² 與 Q 評估異質性、用漏斗圖看發表偏差，並分成全體 288 筆與控制條件 42 筆兩種策略對比。
結論
結論是：僅用機載光達的平均相對標準誤差為 33.86%，結合多源資料後顯著降到 20.46%；建模方法是影響誤差最大的因素，深度學習平均誤差最低只有 6.56%，但採用率仍低；熱帶林誤差最高、溫帶落葉林最低；而文獻間異質性極高，控制預測變數與方法後僅能小幅下降，凸顯方法學標準化的必要。
討論與我的觀察
對我研究的意義在於，它給了一個截至 2025 年最完整、可追溯的量化誤差基準，直接支撐我在博論 Ch4 主張『多源融合加進階學習方法』是降低 AGB 不確定性的方向，也呼應森林數位孿生多源整合的核心。限制要誠實看待：篩選與抽取由單一作者完成可能有偏差，深度學習與貝氏、地統計的樣本都太小、結論統計力不足，灰色文獻也搜尋不全。所以我引用時可以用它的多源優於單源、熱帶林誤差偏高這些主結論，但不能把深度學習 6.56% 直接當成普遍最佳。台灣以亞熱帶暖溫帶混合林為主，這些結論的轉移性高，很適合作為本地機載光達 AGB 研究的對照基準。
重要科學發現
- 原文 Results 與 Table 2 確認：僅用機載光達平均 RSE 33.86%，結合多源資料降至 20.46%，成對 Wilcoxon p=2.6×10⁻⁵。
- 原文 Discussion 確認：方法別 Kruskal-Wallis chi-squared 74.94，高於資料來源 17.69 與生物群系 18.36，顯示方法是影響誤差最大的變數。
- 原文 Table 6 確認：全體 288 筆觀測 I²=96.38%、Q=6648.28；控制 42 筆 I²=91.67%、Q=399.97。
博士生的話
這篇支撐我博論把機載光達定位成 AGB 估算的高精度但非萬能工具，量化證明多源融合與進階學習方法能顯著降誤差，正好接到我森林數位孿生多源整合的主張；對 TJFS review，它是機載光達 AGB 精度與限制最權威的統合分析引用。