結合 Sentinel-2 與多元環境資料大幅改善中國北方森林地上生物量估算Combining Sentinel-2 and diverse environmental data largely improved aboveground biomass estimation in China's boreal forests

研究問題

這篇想回答在中國大興安嶺北方森林，把 Sentinel-2 分別加上環境資料或加上 SAR 影像，對地上生物量估算各能帶來多少相對增益，又該怎麼建出一個準確的 AGB 模型。

材料與方法

作者以塔河與漠河約 3.28 萬平方公里為研究地，用 2018 年的 2235 個森林經營調查樣本當地面真值，在 Google Earth Engine 把 Sentinel-2 多光譜、Sentinel-1 與 ALOS-2 PALSAR 雷達，以及氣候、土壤、擾動、地形、位置等環境資料整合成 91 個特徵，先用 Pearson 相關與隨機森林重要性篩到 31 個候選變數，再建立 S2、S2 加 SAR、S2 加環境、S2 加 SAR 加環境四種組合，每種都用隨機森林與梯度提升迴歸兩種演算法，以五折交叉驗證評估，最後做不確定性分析並和四個既有 AGB 產品比較。

結論

結論是 Sentinel-2 加環境資料的梯度提升迴歸模型最好，R² 達 0.75、RMSE 降到 23.60 Mg/ha，比單用 Sentinel-2 的 R² 提升 50%、RMSE 下降 27.76%，而且 GBR 在每種組合都贏過隨機森林；但再加上 SAR 不只沒幫助甚至讓 R² 退回 0.70，作者估算的 AGB 介於 3.23 到 346.37 Mg/ha 並呈南北梯度，整體優於四個既有產品。

討論與我的觀察

這代表在高度異質的北方森林裡，能把光學遙測撐起來的關鍵其實是環境輔助資料，因為氣候、地形和黑龍江大火這種擾動能解析不同立地的生態差異，而 SAR 在這個區域約 100 Mg/ha 就飽和，互補性有限。限制很清楚，所有模型對高生物量都低估、低生物量都高估，ALOS-2 PALSAR 用年度鑲嵌影像有季節與幾何變異，作者也因時間不匹配沒納入 ICESat-2 和 GEDI 的三維結構資料，南部高生物量區仍然高不確定性。對我研究的關係上，它給了一個光學加環境資料 AGB 估算的精度與飽和限制對照基準，也提醒我台灣山地森林差異大，這套方法要先做在地校準才能延伸。

重要科學發現

• Sentinel-2 加環境資料的 GBR 模型 R² 達 0.75、RMSE 23.60 Mg/ha，較單用 Sentinel-2 之 R² 提升 50%、RMSE 下降 27.76%。
• 再加入 Sentinel-1 與 ALOS-2 PALSAR 的 SAR 特徵後 GBR R² 由 0.75 降為 0.70，顯示 SAR 在此北方森林互補性有限且約於 100 Mg/ha 飽和。
• TCD 與 B12 在四個模型中變數重要性皆排前三，黑龍江大火擾動在含環境資料模型中為最重要變數。

關鍵短引用

S2 加環境 GBR 最佳 R²=0.75原文摘要

再加 SAR 對模型改善有負面效果原文摘要與 Discussion

博士生的話

這篇支撐我博論在光學遙測層整合環境輔助資料與梯度提升迴歸的路線，也提醒我 SAR 的增益要視森林型與生物量水準而定；對 TJFS review，它是 Ch3 光學遙測的效果驗證型代表文獻，但用在台灣山地森林前必須先做在地校準。