以光達資料融合改善森林屬性估算之回顧LiDAR Data Fusion to Improve Forest Attribute Estimates: A Review
森林數位孿生方法平台
大家都說把光達和別的資料融合就會更準，但這篇盤點十年 151 篇研究後直接點破，很多準確度提升其實只是邊際
研究問題
這篇想回答過去十年以光達為核心的多源資料融合有哪些趨勢動機與方法，融合到底帶來多少準確度增益，以及資料融合這個詞該怎麼被明確定義。
材料與方法
作者用 PRISMA 流程在 Web of Science 檢索 2014 年到 2023 年 5 月的英文文獻，初檢 664 篇、符合資格 407 篇、最後保留 151 篇做編碼分析，並用一般資訊、地理位置、調查範圍、資料特性、調查目標五大類編碼，再由 11 位國際專家組成小組討論定義與挑戰；方法面把融合分成資料層融合與特徵層融合兩大類。
結論
結論是多源光達融合確實能在分割、生物量、樹高、樹種辨識、結構與燃料負荷等多種應用上改善準確度與時空解析度，但很多增益偏向邊際，作者因此提出資料融合、資料整合、資料組合三個詞的清楚區分，並提醒實務上必須權衡額外資料蒐集與處理的成本。
討論與我的觀察
這對我在中層多源融合的論述很關鍵，因為它給了一個可引用且權威的資料融合定義，讓我能把真正的融合和鬆散的資料堆疊區分開。它也提供量化基線，特徵層融合占 78%、機載對機載是最常見的平台配對占 45.4%，這些都能支撐我把特徵層融合當成預設策略。限制要記得，這篇刻意排除多時序與同儀器融合，地理上又偏北半球，南半球與熱帶森林研究極少，所以我不能把它當成融合一定划算的證據。對台灣 FDT 來說，它正好提醒我在中層設計融合管線時要把成本效益與不確定性量化一起放進去。
重要科學發現
- 原文分類小節指出，光達結合光譜資訊相較單用光達可使整體分類準確度平均提升 41%，但相較單用光譜資訊僅提升 10 至 14%。
- 原文方法小節指出，78% 的文獻採特徵層融合、22% 採資料層融合，樣本中沒有任何決策層融合的案例。
- 原文趨勢小節與 Table 2 指出，機載對機載融合最常見占 45.4%，其次機載對太空占 29.8%。
博士生的話
這篇支撐我把多源融合定位為 FDT 中層的核心步驟，並提醒我引用融合增益時要同時呈現邊際性與成本，避免過度宣稱融合一定划算。