以深度學習基礎模型結合 LiDAR 估算城市森林生物量Estimating Urban Forests Biomass with LiDAR by Using Deep Learning Foundation Models

研究問題

這篇想回答的是，在植被分散、三維地形複雜、物種又多變的城市森林裡，能不能用深度學習基礎模型結合高解析度 LiDAR 與 OSM 資料，準確又低成本地估算並長期預測城市植被生物量，因為城市貢獻了全球八成五以上的碳排，城市森林正是碳匯的主要來源。

材料與方法

作者提出一個叫 3D-CiLBE 的方法，由三段組成。第一段 LiDAR-SAM 把 Segment Anything Model 改造後用來在 LiDAR 影像上分割植被區，並用 OSM 道路網遮罩和 Area Prompt 當提示，再用 RangeNet++ 做三維與二維投影還原，擷取每棵樹的高度和胸徑。第二段 MLiDAR-CLIP 修改 CLIP、加入多視角投影和隨機邊界遮罩來辨識單株樹的物種。第三段 St-Informer 先用異速生長方程式算出每一期的生物量，再用 Informer 模型做長期時序預測。整套設計可以在 CPU 上訓練，並凍結大部分編碼器層以節省成本。研究區是美國八個城市，用 2012 到 2020 年的資料。

結論

結論是這套流程在城市綠地分割達到 mIoU 0.94、整體準確率 0.98，物種辨識平均 92.72%，生物量估算的均方誤差為 0.045 kg/m^2，比傳統二維遙測法平均低了 8.2%，平均決策比 DR 為 1.8。Chicago 案例研究的 MSE 為 0.041 kg/m^2、R2 為 0.74，而且 Informer 時序預測比線性回歸的 MSE 還低了 28.8%。整體訓練參數量遠少於原始基礎模型，證明這是一個低成本、可規模化的設計。

討論與我的觀察

這代表 Ch5 的論述可以從單一傳統模型，推進到多個基礎模型協作的流水線思維，而且基礎模型的好處正是用凍結加微調就能在算力很省的情況下處理城市這種複雜場景。限制也很重要，城市沒有官方的植被生物量資料集，所以真值是用多源遙測法推得，而不是直接砍樹烘乾量測，這讓參考基準帶有不確定性；作者自己也指出在氣象複雜或空間佈局不規則的城市，模型會難以一致估算；而且驗證只在美國八個城市，能不能搬到其他氣候與物種還沒驗證；Informer 比線性回歸的提升其實不大，MSE 差距小於 0.06 kg/m^2。對我研究的關係上，它正好示範 LiDAR 加 OSM 多源資料、加多基礎模型協作的低成本城市生物量估算路線，但若要用在台灣，異速生長方程式的參數和物種清單都得重新評估。

重要科學發現

• LiDAR-SAM 城市綠地分割達 mIoU 0.94、OA 0.98，mIoU 較 PointNet++ 高 9.0%、較 SAM 高 3.0%。
• MLiDAR-CLIP 物種辨識平均準確率 92.72%，較 SVM 高 11.5%、較 PointCLIP 高 4.8%。
• 生物量估算 MSE 為 0.045 kg/m^2，較 2D 方法平均低 8.2%，2017 年八城平均 DR 為 1.8。
• Chicago 案例研究 MSE 0.041 kg/m^2、RMSE 0.21 kg/m^2、R2 0.74，Informer 較線性模型預測 MSE 降低 28.8%。
• LiDAR-SAM 僅訓練 14M 參數、2.51 GFLOPs，遠少於 SAM(ViT-H) 的 636M 與 81.34 GFLOPs。

關鍵短引用

城市貢獻全球逾八成五的碳排放p.1 Sec 1

3D-CiLBE 達最佳 mIoU 0.94p.1 Abstract

誤差較 2D 方法最多降低 8.2%p.1 Abstract

博士生的話

這篇支撐我把博論的 AI 軸線從單一傳統模型推到多基礎模型協作，並具體示範 LiDAR 加 OSM 在城市尺度的低成本生物量估算與時序預測；對 TJFS review，它是 Ch5 機器學習段裡 foundation model 組合應用的代表性實證，銜接 Ch4 LiDAR 與 Ch6 多源融合。