以機載 L 波段重複軌道雙基線 Pol-InSAR 資料改良模型型森林高度反演Improved Model-Based Forest Height Inversion Using Airborne L-Band Repeat-Pass Dual-Baseline Pol-InSAR Data

研究問題

這篇想回答在機載 L 波段重複軌道 PolInSAR 中，如何同時處理體散射衰減與隨機運動造成的去相關，以提升森林高度反演的精度。

材料與方法

原文以傳統 RMoG 模型為基礎，設計一個含不同體散射衰減與動態運動性質的雙層物理模型，推導同時納入體散射與時間去相關的 PolInSAR 同調函數，並用線性與二次的體積衰減（LVA、QVA）與體積運動（LVM、QVM）來描述；接著用雙基線資料增加同調觀測的自由度以解決欠定問題，再以逐像元最佳化策略替每個像元挑出最合適的衰減與運動剖面，最後以加拿大 BERMS 寒帶林與加彭 Pongara 國家公園熱帶林的 UAVSAR 實測資料、搭配 PolSARproSim+ 模擬資料，用 LVIS RH100 LiDAR 當地真，以 RMSE 與 bias 量化。

結論

結論是寒帶 BERMS 試區以 LVA 加 QVM 模型表現最佳，達 RMSE 3.56 公尺、bias 2.05 公尺；熱帶 Pongara 試區以 QVA 加 LVM 模型表現最佳，達 RMSE 6.83 公尺、bias 0.43 公尺；逐像元最佳化更超越最佳單一模型，寒帶達 RMSE 3.21 公尺、熱帶達 RMSE 6.48 公尺。

討論與我的觀察

這代表我在談多源融合時，可以把 L 波段 PolInSAR 當成補足光學與 LiDAR 的雷達支柱，並強調最佳的衰減與運動模型會隨森林型態改變，原文把差異歸因於風況與樹種，BERMS 風速約 12 km/h、以針葉樹為主所以適合 LVA，PNP 風速小於 6 km/h、以紅樹林落葉樹為主所以適合 QVA。限制很重要，反演時忽略地面散射貢獻是矮樹高估的主因，研究只用機載資料在兩個試區驗證，尚未擴展到大尺度或星載情境，熱帶 RMSE 仍約 6.5 公尺，所以我不能把它當成已驗證的大尺度生物量產品。對我研究的關係上，它正好示範了如何用 LiDAR 去驗證 SAR 反演的森林高度。

重要科學發現

• 原文 Section 6 與 Tables 3-4 顯示，寒帶 BERMS 以 LVA 加 QVM 最佳（RMSE 3.56 公尺），熱帶 PNP 以 QVA 加 LVM 最佳（RMSE 6.83 公尺）。
• 原文 Section 6 指出逐像元最佳化超越最佳單一模型，寒帶 RMSE 降至 3.21 公尺、熱帶降至 6.48 公尺。
• 原文 Section 5 把寒帶與熱帶最佳模型的差異歸因於風況（約 12 km/h 對小於 6 km/h）與樹種（針葉樹對落葉紅樹林）。

博士生的話

這篇支撐我把 L 波段 PolInSAR 高度反演納入多源融合架構，當成光學與 LiDAR 的互補，並且示範用 LVIS LiDAR 驗證 SAR 高度；對 TJFS review，它幫我論證反演模型要依森林型態自適應，而不是一招打天下。