以階層式方法結合機器學習與衛星影像推進森林碳儲量製圖Advancing forest carbon stocks' mapping using a hierarchical approach with machine learning and satellite imagery

研究問題

這篇想回答的是，能不能僅靠免費且定期更新的衛星觀測，建立一條全自動的機器學習流程，準確估算森林結構特徵與莖部碳儲量，因為目前森林學界缺乏一條標準化的自動化流程。

材料與方法

研究區在俄羅斯阿爾漢格爾斯克州的歐洲泰加林，以 2018 年涵蓋 126,641 公頃、12,617 個林分的林分級調查資料當作真值，遙測用 Sentinel-2 的 10 個波段加上 NDVI、EVI、GNDVI 三個植生指數，挑選八個夏季低雲量日期，逐像素以 XGBoost 做分類與回歸。它比較兩種求材積與莖部碳儲量的方法，直接法是從影像直接預測目標圖，階層式法是先預測樹種、林齡、樹高、斷面積等中間參數，再用斷面積乘樹高求材積、用生長蓄積量乘 BCEF 與含碳係數求碳儲量。

結論

結論是這條全自動流程可行，而且先預測中間參數再換算的階層式法，在材積與碳儲量上都比直接法稍好，碳儲量階層式 R² 為 0.53、直接法 0.51；樹種分類整體 F1 為 0.75、林齡 R² 為 0.75。

討論與我的觀察

這對我研究的意義在於，它示範了把可解釋的物理換算層疊在機器學習預測之上，能同時提升準確度與可解釋性，而且每個中間參數獨立訓練後可被更好的資料替換，例如用 LiDAR 取得的樹高，這個替換邏輯正好對應數位孿生的分層更新思維。限制要記住，全文只測莖部碳庫、只用單一 XGBoost 演算法、採逐像素而非整林分、碳儲量 R² 約 0.53 屬中等，且 BCEF 與含碳係數是北方歐亞地區的專屬係數，搬到台灣需要在地化。秋季影像表現明顯較差，作者建議排除或校正。

重要科學發現

• 碳儲量估算上，階層式法測試集平均 R² 為 0.53、MAPE 為 0.361，略優於直接法的 R² 0.51、MAPE 0.380（Table 14）。
• 材積估算上，階層式法 R² 為 0.57、直接法為 0.52；林齡 R² 為 0.75、樹高 0.58、斷面積 0.56（Table 14）。
• 優勢樹種分類測試集整體 F1-score 為 0.75，其中松最高 0.85、樺木 0.81、雲杉 0.72、山楊最低 0.62（Table 5、Table 6）。

博士生的話

這篇支撐我把森林數位孿生設計成分層架構，先用機器學習估出可解釋的中間參數，再以可在地化的換算層求碳儲量，並讓較高品質的資料源（如 LiDAR 樹高）能逐層替換升級；對 TJFS review，它是一個明確的研究缺口錨點，點出目前缺乏標準化的自動碳儲量流程。