在混合溫帶森林以多模態遙感觀測與機器學習估算地上生物量Aboveground biomass estimation using multimodal remote sensing observations and machine learning in mixed temperate forest

研究問題

這篇想回答在訓練資料有限又受 FIA 座標政策限制的條件下，把光達與光學影像等多模態遙感和 FIA 樣區資料整合，再對隨機森林做變數篩選與超參數調校，能不能顯著提升大尺度森林地上生物量估算的準確度與穩健度。

材料與方法

作者以美國康乃狄克州橡樹與山核桃為主的溫帶森林為研究區，用 2016 年的州級機載光達、NAIP 航照、Sentinel-2 影像加上土壤與森林覆蓋圖，配合 42 個 FIA 真實樣區共 168 個子樣區，剔除離群後留 142 個，萃取 67 個解釋變數。接著把變數依來源分成全部變數、僅光達、僅影像三組，各組用 IncNodePurity 與 5 摺交叉驗證做前向變數篩選，再經預設、ntree 調整與格點搜尋三種超參數設定，總共建立九個隨機森林模型，並保留 20% 做測試。

結論

結論是格點調校的最佳模型用前 28 個變數達到測試 RMSE 27.19 Mg/ha、R2 0.41，加入影像資料相較單用光達使 R2 提升 34.78%，而且這 28 個最重要變數中有 68% 來自光達高度相關變數；在與既有地圖產品比較時，本研究模型也明顯優於 90 公尺、250 公尺與國家尺度地圖。

討論與我的觀察

這對我在中層多源融合的論述很有用，因為它是一個近年溫帶森林的具體案例，明白量化了光達加光學影像融合帶來多少增益，也誠實說出限制。它告訴我光達高度變數仍是生物量的主要驅動力，影像則補上植被異質性與健康資訊。限制很重要，全樣本只有 142 個子樣區、只用單年資料、真實座標還有約 8 公尺誤差，模型在 100 Mg/ha 以上的高生物量區會低估，所以我不能把 R2 0.41 講成高準確度，也不能宣稱融合一定帶來大幅提升。對台灣 FDT 來說，這套多模態隨機森林流程方法上可以移植，但 FIA 資料管線與橡樹山核桃林相和台灣不同，必須用在地森林調查與異速生長方程式重新校正。

重要科學發現

• 原文結論指出，加入影像資料相較單用光達使 R2 提升 34.78%，最佳模型測試 RMSE 為 27.19 Mg/ha、R2 為 0.41。
• 原文變數重要性小節指出，第一組最重要的 28 個變數中有 68% 來自光達高度相關變數，95 百分位高度是最重要變數。
• 原文 Table 3 指出，本研究模型 RMSE 28.33 Mg/ha 明顯優於 90 公尺地圖的 145.35、250 公尺地圖的 82.47 與國家尺度地圖的 81.84 Mg/ha。

博士生的話

這篇支撐我把多模態遙感加機器學習定位為 FDT 中層的生物量引擎，並提醒我引用融合準確度時要同時呈現中等的 R2、小樣本限制與高生物量低估，避免過度宣稱融合一定大幅提升。