整合 Sentinel-1、Sentinel-2 與機載 LiDAR 的多決策向量融合模型於亞熱帶森林地上生物量製圖之強化Multi-Decision Vector Fusion Model for Enhanced Mapping of Aboveground Biomass in Subtropical Forests Integrating Sentinel-1, Sentinel-2, and Airborne LiDAR Data
森林數位孿生方法平台
多源遙測到底要怎麼融合才會更準，這篇用三階段設計把 Sentinel 與 LiDAR 拼起來，把亞熱帶森林生物量估算推到 R²=0.715
研究問題
這篇想回答的是，怎麼把 Sentinel-1、Sentinel-2 與機載 LiDAR 這些多源資料整合起來，提升亞熱帶森林地上生物量製圖的精度。
材料與方法
作者在中國南方亞熱帶演替林布設研究區，結合 Sentinel-1、Sentinel-2 與機載 LiDAR，提出多決策向量融合 MDVF 三階段方法，先做特徵選擇與標準化，再做超參數優化，最後用多決策融合策略把幾個基模型集成起來。
結論
結論是 Sentinel-1 加 Sentinel-2 可達 R²=0.652，再加入機載 LiDAR 做完整多源融合後可達 R²=0.715，三階段遞進設計明顯優於單純堆疊資料源。
討論與我的觀察
這代表融合不是把資料源越加越多就好，調優方式比資料量更關鍵。讓我印象深刻的是這篇把特徵從 40 個降到 16 個、訓練時間減少約 83%，精度反而還微升約 1%，說明淨化資料與智能優化是有經濟學價值的。限制方面，導讀沒有摘錄第 5 章討論的具體限制內容，這部分我標待查，而且這些精度數字目前來自導讀投影片，還沒回到原文 PDF 逐筆核對。對我研究的關係上，台灣與這個研究區同氣候、同林型、同衛星可得，這套 MDVF 架構很適合作為台灣多源遙測 AGB 製圖的方法論範本。
重要科學發現
- 導讀指出，Sentinel-1 加 Sentinel-2 達 R²=0.652（+8.5%），完整多源融合達 R²=0.715（+4-7%）。
- 導讀指出，MDVF 把特徵從 40 個降到 16 個、訓練時間減少約 83%，精度反升約 1%。
博士生的話
這篇支撐我博論與 TJFS review 的多源融合章節，提供一個有量化精度增益的最新方法範本，也提醒我融合設計要重調優而非盲目堆疊資料源。