森林地上生物量估算中的機器學習與多源遙感之回顧Machine Learning and Multi-source Remote Sensing in Forest Aboveground Biomass Estimation: A Review

研究問題

這篇想回答的是，在結合機器學習與多源遙感估算森林地上生物量時，哪些模型、哪些遙感來源與組合最常被用也最有效，並且要用一般人也讀得懂的方式講出來。

材料與方法

作者用系統性文獻回顧的做法，先用設定的搜尋詞透過 Google Scholar 內部 API 建庫，再依五項條件，全文可取得、有用機器學習、用多種遙感來源、目標是估算森林碳量、發表於 2014 到 2024 年，從 80 多篇裡取前 25 篇，逐篇編碼遙感來源、機器學習方法、有沒有做多模型比較與最佳模型、限制、任務、地點、森林類型與尺度，再用 Python 的 Pandas、Matplotlib、Seaborn、NumPy 整理出頻率圖、共現熱圖與彙整表，還建了一個可篩選的互動資料庫。

結論

結論是隨機森林最常被用，出現在約 88% 的研究，但在多模型直接比較時，極限梯度提升 XGBoost 反而更常拿下最佳，只用在 4 篇卻有 3 篇最佳；感測器方面 Sentinel-1 最常用，而且 Sentinel-1 加 Sentinel-2 加太空載 LiDAR 的多感測器融合最有效。作者建議至少結合被動光學與雷達，缺 LiDAR 時要納入 DEM 這類三維結構資料，並重視特徵選擇。

討論與我的觀察

對我來說這篇最有用的是它把主流做法量化講清楚，讓我知道 RF 是好用的基線但不一定最強，XGBoost 與 CNN 值得一試，而且不同階段可以用不同模型，例如用 LSTM 處理物候時序資料。它也提醒我特徵選擇、物候特徵和缺 LiDAR 時用 DEM 補三維結構都很關鍵。限制也要記住，它只看 25 篇而且以全文可取得為條件，偏向開放取用文獻有取樣偏差，地理上中國占了約一半，所以 88% 和 75% 這些數字是小樣本的頻率不能當成母體統計。另外作者自己也說是大學生幾乎沒有期刊訂閱，這是工作坊短篇 preprint 不是完整期刊論文。跟我研究的關係上，它的多源融合與特徵選擇建議很值得借鏡到台灣，但要注意樹種與地理差異。

重要科學發現

• 原文指出隨機森林出現於約 88% 的研究，是最常被使用的機器學習方法。
• 原文指出 25 篇中有 11 篇做多模型比較，RF 僅在 4 篇最佳，而 XGBoost 只用於 4 篇卻在 3 篇最佳。
• 原文指出 Sentinel-1 為最常用遙感來源，且 Sentinel-1、Sentinel-2 與太空載 LiDAR 的多感測器融合最有效。

關鍵短引用

隨機森林用於約 88% 的研究p.1 Abstract

Sentinel-1 為最常用遙感來源p.1 Abstract

博士生的話

這篇支撐我博論在機器學習估算 AGB 時以 RF 為基線、XGBoost 與 CNN 為進階選項，並重視多源融合與特徵選擇的方法選擇；對 TJFS review，它是 Ch5 機器學習章節一個量化主流做法的近期系統性回顧錨點。