可規模化的年度地上生物量產品用於監測生態系復育專案的碳影響A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects

研究問題

這篇想回答的是，能不能把被雲嚴重干擾、觀測又不規則的 Landsat 與 Sentinel-2 光學時序，壓縮成跟地上生物量高度相關的年度表徵，並且只用單一年份校準的模型就產出跨十年以上、10 到 30 m 解析度的年度 AGB 圖，以服務碳專案的監測報告與驗證。

材料與方法

作者先用自監督的光譜-時序 Barlow Twins 把每一年的多光譜時序壓成 32 維表徵，整個訓練只用 2019 年資料、訓練完就凍結。目標變數不是直接用 GEDI 的單一相對高度，而是取 RH95 和 RH10 的高度差 ΔRH95-10，再乘上約等於 9 的縮放因子轉成 AGB*RH 代理目標，這樣可以抵消地面基準 RH0 估計誤差與季節性。最後用一個 6 層全連接神經網路把 32 維表徵回歸成 AGB。研究區是巴西帕拉州，驗證用了 38 個原位農林樣站和另外四組獨立公開資料。

結論

結論是這套只用 2019 年校準、之後凍結的模型，可以一致地產出帕拉州 2013 到 2024 年的年度 AGB 圖。對 38 個原位樣站的 RMSE 約 24.6 Mg/ha、R2 為 0.67、偏差幾乎為零，而且比五個現有公開產品的 RMSE 還低了 15 到 55%，同時是其中唯一提供逐年更新的產品。

討論與我的觀察

這代表 Ch5 的論述可以從隨機森林、CNN-LSTM 一路推到自監督的基礎模型，而且基礎模型的好處正是用很少的標註目標就能跨年份轉移。限制也很重要，GEDI 參考資料本身可重現性偏低，重複觀測的 R2 不到 0.4、RMSE 約 56 Mg/ha，所以模型在低生物量區會系統性高估、高碳儲量區會低估；而且驗證只集中在帕拉州一個生態區，縮放因子能不能搬到別的生態區還沒驗證。對我研究的關係上，它正好示範了 GEDI 太空 LiDAR 加光學時序融合、加自監督學習的可規模化路線，但若要用在台灣，縮放因子與老熟林參考生物量的假設都得重新評估。

重要科學發現

• 對 38 個原位農林樣站驗證，模型 R2 = 0.67、RMSE 約 24.6 Mg/ha、偏差僅 3.49 Mg/ha。
• 與 GLAD CHM、ETH CHM、ESA CCI、Meta CHM、GTDX AGB 五個公開產品相比，RMSE 降低 15 至 55%。
• 模型僅用 2019 年 GEDI 資料校準（過濾後 979,637 樣點）後凍結，套用到 2013 至 2024 全部年份。
• 目標變數採 GEDI 相對高度差 ΔRH95-10 乘以縮放因子 SF≈9 轉成 AGB*RH，優於直接用 GEDI L4A AGB。

關鍵短引用

我們以小於 25 Mg/ha 的 RMSE 估算森林生物量p.1 Abstract

校準後模型即凍結，無需任何額外調校p.5 Sec 2.2.1

我們的方法把 RMSE 降低 15 至 55%p.1 Abstract

博士生的話

這篇支撐我把博論的 AI 軸線從傳統機器學習推到自監督基礎模型，並具體示範 GEDI 加光學時序融合的可規模化年度 AGB 製圖；對 TJFS review，它是 Ch5 機器學習段裡 foundation model 的代表性實證，銜接 Ch4 太空 LiDAR 與 Ch6 多源融合。