運用 Sentinel-1、Sentinel-2、ALOS PALSAR-2 與 GEDI 資料估算不同森林類型之地上生物量Estimation of Aboveground Biomass for Different Forest Types Using Data from Sentinel-1, Sentinel-2, ALOS PALSAR-2, and GEDI

研究問題

這篇想回答的是，在不同森林類型下用單一光學、單一 SAR 與光學加 SAR 組合估算地上生物量時，GEDI L4A 產品能不能替代地面樣區當作真值，而兩者的差異又怎麼受森林類型影響。

材料與方法

作者在中國雲南省的宜良與普洱兩個研究區，布設共 98 個 20 公尺見方的地面樣區，包含針葉林與闊葉林，優勢樹種有思茅松與雲南松。衛星資料用了 C 波段 Sentinel-1、Sentinel-2 多光譜與 L 波段 ALOS PALSAR-2，再加上 NASA 的 GEDI L4A footprint 生物量產品，全部在 Google Earth Engine 處理。他們比較五種資料源組合，分別是 S1、S2、PALSAR、S1+S2 與 PALSAR+S2，各用隨機森林、K 近鄰、梯度提升迴歸樹與線性迴歸四種模型，以網格搜尋加交叉驗證調參，再用平均十次重複的十折交叉驗證搭配 R² 與 RMSE 評估，並把地面樣區與 GEDI L4A 分別當真值，對整體林型與各別林型分開建模。

結論

結論是隨機森林表現最佳；以地面樣區為真值時 S1+S2 組合最好，R² 介於 0.79 到 0.84、RMSE 介於 7.97 到 29.42 Mg/ha，但以 GEDI L4A 為真值時 R² 掉到只有 0.36 到 0.47、RMSE 升到 31.41 到 37.50 Mg/ha。當平均 AGB 低於 150 Mg/ha 時，光學與光學加 SAR 的組合較佳，而 GEDI L4A 作為真值的表現普遍較差，差異明顯依賴森林類型。

討論與我的觀察

這代表 GEDI L4A 雖然在缺乏地面調查的地區提供了寶貴的真值替代來源，但不是萬用的，它的精度會隨林型大幅起伏，闊葉林差異約 15.8%、普洱針葉林 26.8%，到了宜良針葉林甚至高達 52.6%。作者推測宜良差異大可能來自複雜地形以及 GEDI 樣本不足，加上坡度會扭曲 GEDI 波形。讓我特別注意的是，含紅邊波段的光學特徵像 IRECI、MTCI 能提升低生物量森林的估算精度，而在這些年輕低矮的森林裡 C 波段反而比 L 波段表現好。限制方面，研究只涵蓋少數林型，也沒有和機載 LiDAR 衍生的 AGB 比較。對我研究的關係上，台灣與雲南同屬亞熱帶、有相近的針闊葉林型，而且 Sentinel 與 GEDI 都是免費資料，這篇提醒我在設計台灣 FDT 的資料策略時，若想用 GEDI 取代地面樣區，必須分林型評估誤差，針葉林尤其要謹慎。

重要科學發現

• 原文確認，以地面樣區為真值時 S1+S2 組合的 R² 介於 0.79 至 0.84、RMSE 介於 7.97 至 29.42 Mg/ha，而以 GEDI L4A 為真值時 R² 僅 0.36 至 0.47、RMSE 介於 31.41 至 37.50 Mg/ha。
• 原文確認，地面樣區與 GEDI L4A 兩種真值在製圖結果上的差異依林型而定，闊葉林約 15.8%、普洱針葉林 26.8%、宜良針葉林最高達 52.6%。
• 原文確認，隨機森林在所有資料源組合中表現最佳，且含紅邊波段的光學特徵如 IRECI 與 MTCI 能提升低生物量森林的估算精度。

博士生的話

這篇同時支撐我博論與 TJFS review 的多源融合與 MRV 章節，正面證明 S1+S2 融合在低生物量森林好用，也提醒我 GEDI L4A 作為地面真值替代品的誤差會隨林型放大，台灣的針葉林要特別留意。