結合遷移學習的深度神經網路於北方林以 Sentinel-2 影像估算森林變數Deep Neural Networks with Transfer Learning for Forest Variable Estimation Using Sentinel-2 Imagery in Boreal Forest

研究問題

這篇想回答在北方林中，深度神經網路結合 Sentinel-2 影像與地形等特徵能不能準確估算材積，遷移學習又能不能減少昂貴的野外調查資料。

材料與方法

研究區在芬蘭中部四個林業區，總面積 68,315 平方公里，野外資料由芬蘭森林中心提供。作者用全連接深度神經網路對材積等四個森林變數做回歸，輸入特徵結合 Sentinel-2 波段、影像與太陽角度、地形與冠層高度模型，並用 3 乘 3 像素的影像取樣窗，再系統性比較不同特徵、層數、訓練樣本數與取樣窗大小，並與隨機森林對照；遷移學習則以一區預訓練的模型用其他三區資料微調。

結論

結論是不含冠層高度模型時最佳樣區層級 RMSE% 為 42.6%、偏差絕對值 0.8%，加入冠層高度模型特徵後相對 RMSE% 可降到 28.6 至 30.7%；兩到三個隱藏層就達最佳，3 乘 3 像素是最佳取樣窗，而遷移學習主要在野外樣區少於 250 個時有幫助，深度神經網路與隨機森林表現差異很小。

討論與我的觀察

這代表開放的光學衛星資料配上適當的特徵工程與深度神經網路，能在大範圍北方林做出有用的材積估算，而遷移學習正好提供減少昂貴實地調查的途徑。限制要記住，光學單獨的 RMSE% 仍偏高，材積高於約 300 立方公尺每公頃會出現飽和，最深的網路也會因梯度消失而訓練失敗，而且結論是北方林專屬的，不能直接套到亞熱帶台灣。對我研究的關係上，它支撐我在機器學習估算層的論述，也給了遷移學習的明確門檻數字。

重要科學發現

• 原文摘要與結論確認，不含冠層高度模型時最佳樣區層級 RMSE% 為 42.6%、偏差絕對值 0.8%，加入冠層高度模型特徵後相對 RMSE% 降至 28.6 至 30.7%。
• 原文第 4.5 節與結論確認，遷移學習主要在訓練野外樣區少於 250 個時有益，且深度神經網路與隨機森林表現差異很小。

博士生的話

這篇支撐我博論在機器學習估算層用開放光學資料做森林變數估算，並用遷移學習減少實地調查；對 TJFS review，它提供北方林的量化基準與遷移學習門檻，但我要記得這是北方林專屬、且光學單獨精度仍有限。