面向碳中和的多源遙測與地理資訊系統森林碳監測Multi-Source Remote Sensing and GIS for Forest Carbon Monitoring Toward Carbon Neutrality
森林數位孿生方法平台
想知道多堆一個感測器到底能讓森林碳估算準多少，這篇用一條清楚的精度梯度把答案攤開
研究問題
這篇想回答在邁向碳中和的目標下，現行森林碳估算方法各有什麼優劣，多源遙測加上地理資訊系統整合又能怎麼提升監測的精度與可擴展性。
材料與方法
作者用 Web of Science、Scopus 與 Google Scholar，聚焦 2010 年 1 月到 2025 年 6 月的文獻，從約 300 篇中最終納入超過 100 篇同儕審查研究，以 PRISMA-ScR 風格記錄篩選，再把地面實測、光學、SAR、LiDAR 與多源融合、機器學習與深度學習、過程模型以及 GIS 空間建模整合成面向碳中和的監測架構。
結論
結論是多源融合能量化提升森林碳估算精度，光學單源平均決定係數約 0.56，加上 SAR 與 LiDAR 後可拉到約 0.83、均方根誤差壓到每公頃 25 Mg 以下，而且機器學習與深度學習的精度普遍領先傳統回歸與過程模型。
討論與我的觀察
對我來說，這篇最大的價值是把多源融合的好處用具體數字講清楚，正好補上研究背景需要的量化梯度。它也把遙測和 REDD+ MRV、國家溫室氣體清冊與碳市場連起來，比純技術回顧多了政策落地的視角。限制也要講清楚，這些精度多半是跨研究整合的平均值而不是作者自己的實測，而且缺台灣或亞熱帶在地案例，所以我不能把約 0.83 直接套到台灣森林，要靠在地校準去驗證。放回我的研究脈絡，它和 Xu et al. 2025 剛好分工，Xu 給文獻成長與技術歷史，這篇給政策整合與融合精度，一起撐起 Ch1 的背景論述。
重要科學發現
- 原文第 5 頁指出，光學單源模型平均決定係數約 0.56、均方根誤差約每公頃 45 Mg，加入 C 波段 SAR 提升到約 0.68，完整光學加 SAR 加 LiDAR 堆疊達約 0.83、均方根誤差低於每公頃 25 Mg。
- 原文第 20 至 21 頁 Table 8 以 30 篇研究整合，顯示深度學習平均決定係數約 0.85、機器學習約 0.78、過程模型約 0.66、經驗回歸約 0.62。
- 原文回顧方法說明，從約 300 篇初選文獻中最終納入超過 100 篇同儕審查研究，聚焦 2010 到 2025 年。
博士生的話
這篇支撐我把多源遙測融合與 GIS、AI 整合定位為碳中和導向的監測架構，並提供精度梯度的量化背景；對 TJFS review，它幫我把研究背景從方法清單推進到融合精度與政策接軌，並和 Xu et al. 2025 形成互補。