遙感與機器學習演算法整合於落葉松屬地上生物量估算Remote Sensing and Integration of Machine Learning Algorithms for Above-Ground Biomass Estimation in Larix
森林數位孿生底層致能
想用衛星影像把一片落葉松林的重量算出來，這篇示範了植生指數加 XGBoost 怎麼把精度推到 R²=0.82
研究問題
這篇想回答如何整合光學衛星遙感資料與機器學習演算法，準確估算華北落葉松林分的地上生物量。
材料與方法
作者以華北落葉松人工林為研究地，取得時空同步的 Sentinel-2（10m）與 Landsat-9（30m）影像，衍生 NDVI、GNDVI、EVI、REP、OSAVI 等植生指數做特徵工程，再用 30 個約 20×20m 樣方當地面真值，比較 XGBoost、SVM、Random Forest 三種演算法，並以 5-fold 交叉驗證評估。
結論
結論是 XGBoost 搭配 Sentinel-2 表現最好，達到 R²=0.82、RMSE=0.73 Mg/ha，三演算法排序為 XGBoost 大於 SVM 大於 RF，而植生指數是最重要的預測因子，重要性高於單一波段反射率。
討論與我的觀察
這代表光學遙測加機器學習在針葉林分的 AGB 估算上確實有效，而且植生指數主導特徵重要性，呼應葉綠素含量與生物量正相關的生物學原理。限制也很明確，高生物量林分（大於 150 Mg/ha）有飽和效應會被低估，受雲層遮擋影響，樣本量只有 30 個偏小，落葉季精度也會下降，而導讀提到的傳統統計方法 R²<0.70 比較值原文出處我還要再查。對我研究的關係上，它給了一個光學遙測層 AGB 估算精度的對照基準，台灣的扁柏、檜木等中高海拔針葉林可以參考這套方法，但一定要做在地樣本校準。
重要科學發現
- Sentinel-2 資料上 XGBoost 達 R²=0.82、RMSE=0.73 Mg/ha，演算法排序為 XGBoost 大於 SVM 大於 RF。
- XGBoost 前 10 大特徵以 NDVI、GNDVI 居首，植生指數重要性高於單一波段反射率。
關鍵短引用
XGBoost 表現最優 R²=0.82（Sentinel-2）Slide 3 核心發現（原文頁碼待查）
RMSE=0.73 Mg/ha、MAE=0.58、Bias=+0.05Slide 10 誤差分析（原文頁碼待查）
博士生的話
這篇支撐我博論在光學遙測層採用機器學習與植生指數特徵工程的路線；對 TJFS review，它是 Ch3 光學遙測的效果驗證型代表文獻，但用在台灣高山針葉林前必須先做在地校準。