基於不同前處理之 Sentinel-1 與 Sentinel-2 協同運用於森林地上生物量預測Synergistic Use of Sentinel-1 and Sentinel-2 Based on Different Preprocessing for Predicting Forest Aboveground Biomass

研究問題

這篇想回答的是，光學感測器、SAR 以及兩者整合，在採用不同前處理方法時，到底會不會明顯改變森林地上生物量的預測結果。

材料與方法

作者在中國浙江杭州臨安區布設研究區，使用 2017 年浙江森林資源調查的 20,690 個樣區，分成麻櫟、杉木、馬尾松與全部樣區四類，搭配一景 Sentinel-1 SAR 與兩景無雲 Sentinel-2 影像。他們建立 16 組特徵集，比較含與不含大氣校正的 S2、含與不含斑點濾波的 S1，以及一階與二階兩種 SAR 紋理，分別用多元線性迴歸 MLR 與 XGBoost 建模，再用 10 折交叉驗證與 RMSE、rRMSE 來評估。

結論

結論是只含 S2 光譜波段的組合在所有特徵集中表現最佳，只含 S1 的組合普遍最差，整合 S1 與 S2 並沒有帶來改善；前處理的大氣校正與斑點濾波影響甚微；SAR 紋理尤其是 VH 紋理優於原始雙極化後向散射；XGBoost 也沒有贏過 MLR，有些模型甚至更差。

討論與我的觀察

這代表多源融合不是越多資料源就越準，對低生物量森林，C 波段 SAR 的低穿透與資料飽和反而拖累整合效果，這正好是我多源融合章節需要的反例。讓我警惕的是精度其實偏低，麻櫟的 rRMSE 高達 73.85%，遠不及部分前人達到的 26% 或 19.69%，作者自己也說還不適合直接實務應用。限制方面，研究只在無雲影像的最佳大氣條件下測試，且只用 C 波段與有限的 S1、S2 預測變數，作者建議未來改用 L 波段或更長波長、衛星植生指數，並擴大研究區與時間段。對我研究的關係上，台灣與此研究區同氣候、同林型、同樣有免費 Sentinel 資料，這篇提醒我在設計台灣 FDT 流程時，融合與重前處理的增益要審慎評估，不能預設一定有效。

重要科學發現

• 原文確認，在 16 組特徵集中，只含 Sentinel-2 光譜波段的組合表現最佳，只含 Sentinel-1 的組合普遍最差，整合 S1 與 S2 並未改善。
• 原文確認，大氣校正與斑點濾波對 S2 波段、SAR 後向散射與 SAR 紋理的能力影響甚微，且 XGBoost 並未優於 MLR。
• S2+SAR 整合的 rRMSE 依樹種為馬尾松 37.33-38.58%、杉木 47.06-51.50%、全部樣區 64.99-69.24%、麻櫟 68.37-73.85%。

博士生的話

這篇支撐我博論與 TJFS review 多源融合章節的反例論述，提醒我融合與重前處理對低生物量森林未必有增益，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。