結合 GEDI 與 ICESat-2 及 PALSAR 與 Sentinel 於加拿大進行森林冠層高度的空間連續製圖Spatially Continuous Mapping of Forest Canopy Height in Canada by Combining GEDI and ICESat-2 with PALSAR and Sentinel

研究問題

這篇想回答怎麼把只提供點狀取樣的太空光達 GEDI 與 ICESat-2，配上連續涵蓋的 SAR 與光學資料，做出加拿大全境的森林冠層高度圖，順便比較兩種光達誰表現比較好。

材料與方法

作者用 2020 年的 ICESat-2 ATL08 與 GEDI L2A 的 rh98 冠層高度，分別稀化到 250 m 網格，再套疊 14 個共變數，包括 Sentinel-1 的 VV 與 VH、Sentinel-2 的紅光與近紅外三個季節，加上 ALOS-2/PALSAR-2 的 HH 與 HV 年合成，然後用隨機森林分別替 GEDI 與 ICESat-2 訓練模型，逐塊預測再鑲嵌成 250 m 的全國地圖，最後用保留的驗證集和全國機載光達 ALS 兩種方式評估精度。

結論

結論是 GEDI 配上雷達與光學的地圖相對 ALS 的均方根誤差 4.2 m，比 ICESat-2 的 5.2 m 更準，平均差也只有 0.9 m 對上 2.9 m；但因為 GEDI 在加拿大沒有完整覆蓋，太平洋海岸與 hemi-boreal 的高林反而是 ICESat-2 畫得比較合理。最重要的單一變數是 L 波段的 PALSAR-2 HV，單獨就占了快兩成的重要性。

討論與我的觀察

這對我最有用的一點，是它把冠層高度當成地上生物量的代理變數，示範了數位孿生底層資料怎麼從點狀光達補成連續面。要注意的限制不少，ALS 驗證資料比太空光達早了 10 年又只蓋到 boreal 林、沒有最高的太平洋海岸林，加上 ALS 用 rh95 而太空光達用 rh98，所以兩者相對 ALS 都偏高估，作者自己也說沒有當期實測就不能斷定誰比較準。另外 250 m 解析度一個像元裡混了不同林齡和干擾史，PALSAR-2 又只有年合成，比較適合年度尺度監測。對台灣來說，融合流程可以借，但加拿大的林相高度和 250 m 尺度跟台灣陡峭亞熱帶森林差很多，需要重新校正。

重要科學發現

• 用全國 ALS 驗證，GEDI 模型 RMSE 4.2 m、平均差 0.9 m，ICESat-2 模型 RMSE 5.2 m、平均差 2.9 m，兩者皆相對 ALS 高估。
• PALSAR-2 HV 為最重要共變數，單一變數約占 20% 相對重要性，且交叉極化 HV 與 VH 重要性高於同極化 HH 與 VV。
• 兩個模型皆傾向高估小於 5 m 的矮樹、低估大於 20 m 的高樹。

關鍵短引用

PALSAR-2 HV 是最重要的冠層高度預測共變數Abstract / Conclusions

GEDI 相對 ALS 高估 0.9 m，ICESat-2 高估 2.9 mp.8 Sec 3.1

博士生的話

這篇支撐我把數位孿生底層的冠層高度輸入，定位成靠太空光達加 L 波段 SAR 與光學融合的可操作產品；對 TJFS review，它是 Ch4 LiDAR 章節談多源融合與 L 波段價值的具體引用，但要小心它估的是高度而非生物量本身。