以機器學習在 Landsat 7 資料上建構森林數位孿生Forestry Digital Twin With Machine Learning in Landsat 7 Data

研究問題

這篇想回答的是，能不能把森林數位孿生當成遙感影像的時空預測問題，用歷史 Landsat 7 影像訓練機器學習模型，去預測研究區未來的森林遙感影像。

材料與方法

作者取甘肅一處森林草原自然保護區，收集 2001 到 2021 共二十年的 USGS Landsat 7 ETM+ 資料，每年五景用 QGIS 搭配 GDAL 與 GRASS7 做補洞、合併與裁切，得到 21 張逐年大影像，再用一套含滑動視窗的裁切演算法切成 128×128 的小塊，最後組成八個波段、共 42,840 張灰階影像的資料集。模型分三段，先用兩層卷積網路把影像降維，再用 LSTM 抓相鄰幾年的時序特徵，最後只取 GAN 的生成器、做成條件式 GAN，用區塊座標當條件一次建模很多區塊。訓練時生成器和其他網路一起練，因為單獨先練 GAN 很容易不穩定崩潰。

結論

結論是用 2001 到 2020 年訓練、預測 2021 年，輸入近三年影像就能合成出 2021 年的假色影像。和 LSTM-Conv、LSTM-WGAN、AE-CGAN、AE-WGAN 四個模型比，作者的 LSTM-CGAN 多數分數最好，B432 分割影像的正確率達 0.80，高於其他四個的 0.71 到 0.77，證明這套方法能在一定程度上預測森林影像的發展，達成所謂的森林預測孿生。

討論與我的觀察

對我來說，這篇最有價值的地方是它給了森林數位孿生一條和別人不一樣的路。Buonocore 談的是概念框架，Tian 和 Chen 談的是三維重建，而這篇直接把 FDT 當成影像時序預測，純資料驅動。它也很誠實地說自己的限制，NRMSE 普遍還在 0.4 以上，精度其實偏高、還算早期；失準的區塊多半是色彩分布劇變、多了雲、或當年出現前幾年沒看過的突發變化，而這些缺了氣象和光照資料就很難處理。它還只在甘肅一個保護區、年尺度的 Landsat 7 上驗證，沒辦法直接推到台灣這種多雲多雨又破碎的森林。所以在我的 review 裡，它正好補上影像預測這一支，讓 Ch7 不會看起來只有概念框架和三維重建兩條線。

重要科學發現

• 原文 Section 2.1 確認，研究使用 2001 至 2021 年共二十年的 Landsat 7 ETM+ 資料，裁切成 8 波段、42,840 張 128×128 灰階影像。
• 原文 Section 3 Table 1 確認，LSTM-CGAN 的 B432 分割影像正確率 CR 為 0.80，高於其他四個比較模型的 0.71 至 0.77。
• 原文 Section 3 Table 1 確認，LSTM-CGAN 在 B2、B3、B4 的 NRMSE 平均分別為 0.50、0.40、0.48，多數波段優於四個基線。
• 原文 Section 3 確認，NRMSE 趨勢與區塊標準差相反，影像的時間穩定度會影響最終預測精度。

關鍵短引用

多數 LSTM-CGAN 的分數為最佳p.4 Sec 3

影像時間穩定度影響最終預測p.5 Sec 3

博士生的話

這篇給我博論在森林數位孿生的資料層多開了一條影像時序預測的路徑，說明可用開放衛星長時序影像直接預測未來森林狀態；對 TJFS review，它是 Ch7 數位孿生章節裡少數純影像、資料驅動的 FDT 早期實例，能和概念框架與三維重建文獻形成三條並列的技術分支。