運用 Sentinel 2A 與 Landsat 8 影像評估森林碳儲量變化Using Sentinel 2A and Landsat 8 imagery to assess changes in forest carbon storage

研究問題

這篇想回答在資料受限的乾旱半乾旱區，能不能用高解析 Sentinel 2A 對優勢樹種估算的碳儲量當參照值，去校準時序較長但解析度較低的 Landsat 8 影像，藉此準確估算整片森林碳儲量並重建它的長期變化。

材料與方法

作者以中國內蒙古鄂爾多斯為研究地，用 2023 年的 96 個野外樣地當地面真值，分成楊樹、柳樹、油松、其他樹種和灌木五類，先用異速生長方程式和碳係數算出各樣地碳儲量。接著用 Pearson 相關和變異膨脹因子篩選植被指數，從 Sentinel 2A 的十六個與 Landsat 8 的十二個候選中選出建模變數，再用隨機森林、決策樹和多元線性迴歸三種模型估算。整片森林估算分兩條路，Approach 1 直接拿實測值對 Landsat 8 指數建模，Approach 2 先用 Sentinel 2A 估各樹種碳儲量當參照值，重採樣到三十公尺後再對 Landsat 8 建模，最後用地理探測器分析自然與社經因子的交互作用。

結論

結論是用 Sentinel 2A 當參照值的 Approach 2，估出來的整片森林碳儲量和 Sentinel 2A 只差約百分之三，遠比傳統直接建模 Approach 1 的約百分之三十六準，微小差異的面積達九成五。各樹種裡灌木碳密度最低但因覆蓋廣，占了總碳儲量的六成六，是最大貢獻者。重建顯示鄂爾多斯森林碳儲量從 2013 到 2023 約增加 27 Mt，約百分之八十九，證明低解析影像也能用來做長期碳監測。

討論與我的觀察

這代表在高解析衛星歷史影像太短的情況下，用高解析估算結果當參照值去校準長時序的低解析影像，是一個能兼顧精度和時間覆蓋的可行路線。但限制要看清楚，作者只用了九十六個樣地，機器學習對高碳密度區明顯低估、低碳密度區高估，而且 Approach 2 拿去比對實測值時擬合很差，R² 只有 0.26，在高碳密度區精度不足。另外原文裡年份增量的數字彼此對不上，摘要寫約 27 Mt，內文又寫約 12.21 Mt，結論則寫 2023 總量 26.74 Mt 增加百分之八十九點零二，引用時要特別小心。對我研究的關係上，它給了一個高解析參照值跨解析度延伸碳估算的方法對照範例，但鄂爾多斯是乾旱半乾旱、植被結構單純的人工林與灌木區，跟台灣複雜山地森林差很多，這套要先在地校準才能用。

重要科學發現

• 以 Sentinel 2A 優勢樹種估算當參照值校準 Landsat 8 的 Approach 2，整片森林碳儲量與 Sentinel 2A 的差異僅約 3%，傳統直接建模的 Approach 1 則約 36%。
• 灌木碳密度最低（平均 9.02 t/ha），但因覆蓋面積大，占鄂爾多斯總碳儲量的 66.52%，是最大貢獻者。
• 重建顯示鄂爾多斯森林碳儲量自 2013 到 2023 約增加 27 Mt、約 89%，惟原文內部對該增量數值有不一致記載。

關鍵短引用

碳儲量十年增加 27 Mt 約 89%原文摘要

灌木占總碳儲量 66.52%Table 6 與 Conclusions

Approach 2 與 S2 差異約 3%Spatial distribution 段

博士生的話

這篇支撐我博論在光學遙測層用高解析參照值跨解析度延伸、重建長期碳儲量變化的路線，也提醒我高碳密度區的低估與樣本量限制；對 TJFS review，它是 Ch3 光學遙測的方法驗證型代表文獻，但用在台灣山地森林前必須先做在地校準，且引用其年份增量數值時要註明原文內部不一致。