於結構與地形複雜之密生針葉林利用 Sentinel-1 與 -2 資料估算總莖材生物量Total Stem Biomass Estimation Using Sentinel-1 and -2 Data in a Dense Coniferous Forest of Complex Structure and Terrain

研究問題

這篇想回答的是，在不均齡結構又地形複雜的密生針葉林中，Sentinel 光學與 SAR 資料能不能可靠估算樣區尺度的總莖材生物量，而且個別使用和融合使用到底哪個比較好。

材料與方法

作者在希臘中部 Pindos 山的 Pertouli 大學實驗林布設研究區，這片林子海拔一千到兩千多公尺、平均坡度三十五度，優勢種是冷杉 Abies borisii-regis，屬天然更新的多層結構林。他們用 50 個樣區的 DBH 與樹高，每個樣區一千平方公尺，再用只依 DBH 的異速生長方程式換算各樣區的總莖材生物量。衛星端用一景 Sentinel-1B C 波段 SAR 與一景 Sentinel-2A 光學影像，分別萃取極化指數、GLCM 紋理、植生指數與 LAI、FAPAR、FCOVER 等生物物理參數，先用 Pearson 相關去除共線變數，再建立 SAR、optical、SAR-optical 三個隨機森林模型，用重複三次的 10 折交叉驗證來比 R²、RMSE 與 MAE。

結論

結論是只用 Sentinel-1 的 SAR 模型最準，R² 達 0.74，RMSE 1.76、MAE 1.48 Mg/1000 m²，贏過只用光學的模型（R²=0.63）和把兩者融合的模型（R²=0.73）。融合只比單用 SAR 些微落後，差異並不顯著，所以就精度和計算時間來說單用 SAR 更有效率。最重要的變數是 Sentinel-1 的 VH_GLCMVariance 紋理和 Sentinel-2 的 SWIR 波段 B11，而且三個模型在生物量超過 7.5 Mg/1000 m² 時都出現飽和。

討論與我的觀察

這代表多源融合不是把資料源越拼越多就越準，對地形複雜的密生針葉林，C 波段 SAR 的紋理反而能抓到多層結構的局部變異，勝過光學與融合，這正是我多源融合章節需要的另一種案例。讓我警惕的是飽和問題，生物量一過 7.5 Mg/1000 m² 三個模型都失準，光學量不到樹幹、密林低估疏林高估，C 波段穿透力又低。限制方面樣本只有 50 個樣區，總莖材生物量還是由 DBH 換算而非直接量測，且只用單日單景影像，作者也說把模型搬到植被或地形不同的生態系精度會掉，建議未來多收樣區並試 ANN 與 XGBoost。對我研究的關係上，台灣山區針葉林同樣有複雜地形與密生冠層，又有免費的 Sentinel 資料，這篇提醒我在設計台灣 FDT 流程時，不能預設融合一定贏，反而要評估 SAR 紋理在陡峭密林的價值。

重要科學發現

• 原文確認，個別使用 Sentinel-1 的 SAR 模型最準，R²=0.74、RMSE=1.76、MAE=1.48 Mg/1000 m²，優於 optical（R²=0.63）與 SAR-optical 融合（R²=0.73）。
• 原文確認，SAR-optical 融合僅些微落後 SAR 單用，差異不顯著，就精度與計算時間而言單用 SAR 更有效率。
• 最重要變數為 Sentinel-1 的 VH_GLCMVariance 紋理與 Sentinel-2 的 SWIR 波段 B11，三個模型在 TSB 超過 7.5 Mg/1000 m² 時皆飽和。

博士生的話

這篇支撐我博論與 TJFS review 多源融合章節，提醒在地形複雜的密生針葉林 SAR 與其紋理可能勝過光學與融合，設計台灣 FDT 流程時要先驗證資料源選擇而非預設融合一定更好。