以 ICESat-2／ATLAS 資料結合協同克利金法估算山地森林地上生物量Estimate Forest Aboveground Biomass of Mountain by ICESat-2/ATLAS Data Interacting Cokriging

研究問題

這篇想回答在高海拔又生態脆弱的山地森林，能不能用 ICESat-2／ATLAS 光子計數光達為主，再搭機器學習與地統計，把森林地上生物量估準並做成連續分布圖。

材料與方法

作者以中國雲南西北香格里拉山地為研究區，主要用 ICESat-2／ATLAS 的 ATL03 與 ATL08 產品，配 54 個半徑 8.5 公尺的地面樣區，並從 ALOS-1 PALSAR 數值高程模型萃取坡度坡向高程。先做光子去噪與分類取出冠層光子，從 ATLAS 抽 50 個指標加 3 個地形變數，用 Pearson 相關篩出 6 個顯著變數，再以超參數優化隨機森林估算每個足跡的生物量，最後以變異函數模型加坡度共變數做協同克利金空間內插。

結論

結論是優化後的隨機森林對足跡生物量估算效果好，R2 達 0.93、RMSE 10.13 t/hm2、總體精度 83.3%，再用協同克利金外推得到全區總地上生物量 6.07×10的7次方 t，絕對精度 82.6%，空間分布與森林蓄積趨勢一致。

討論與我的觀察

這代表太空光達不必只當輔助資料，在山區也能當主力來源，搭地統計就能從點狀足跡做出整片連續圖，對台灣這種高起伏山地森林很有參考價值。限制也很清楚，地面樣區只有 54 個又集中在山區，而且協同克利金有串狀效應與平滑效應，雖能降低卻消不掉，導致生物量被低估，作者自己建議未來結合 Sentinel-2 等多源資料或不同平台的衛星光達來增加足跡分布隨機性。對我研究的關係上，它正好補上森林數位孿生底層資料取得這一塊，示範衛星光達如何餵入山地生物量的狀態變數。

重要科學發現

• 優化隨機森林對足跡地上生物量估算 R2 為 0.93、RMSE 為 10.13 t/hm2、總體精度 83.3%。
• 以坡度為共變數的協同克利金外推全區地上生物量為 6.07×10的7次方 t，絕對精度 82.6%。
• 球狀模型結構比 94.0%，顯示生物量有強空間相關，可用克利金內插（塊金值原文摘要與結果表不一致，待查）。

關鍵短引用

ATLAS 資料可提升山地森林生物量估算精度p.1 Abstract

結構比 94.0% 顯示生物量有強空間相關p.12 Sec 3.4

博士生的話

這篇支撐我把太空光達 ICESat-2／ATLAS 放進森林數位孿生的底層資料取得層，並提供一個山區從足跡到連續生物量圖的可複製工作流；對 TJFS review，它是光達章裡足跡級對全區製圖的具體對照案例。