PolInSAR 森林高度反演之回顧——理論、進展與展望A Review of Forest Height Inversion by PolInSAR: Theory, Advances, and Perspectives
森林數位孿生方法平台
光學跟 LiDAR 之外，雷達怎麼量森林高度，這篇把 PolInSAR 反演的兩大類演算法整理清楚，還用一個非洲 P-band 個案實際比一比
研究問題
這篇想回答如何用極化干涉合成孔徑雷達反演大範圍森林高度，以及資料型與模型型演算法各自適合哪些情境。
材料與方法
這是一篇敘事型文獻回顧加上一個比較性個案研究。先建立干涉幾何、垂直波數與去相關分析等基礎理論，再把演算法分成資料型（如 ESPRIT、極化陣列訊號）與模型型（如 RVoG-vtd 四階段反演、基線融合）兩大類，並涵蓋單基線與多基線情況；最後用 2016 年 AfriSAR 計畫在非洲 Lope 國家公園取得的 P-band 資料，以 LVIS RH100 LiDAR 當地真，比較四種代表性演算法並用 RMSE 量化。
結論
結論是模型型演算法在場景與森林特性已知、模型假設成立時準確度較高，資料型演算法不依賴模型、對輸入不確定性較穩健，能處理矮灌叢與城市等複雜散射情境；個案顯示資料型在高度小於 10 公尺的矮植被表現較好，模型型在高度大於等於 10 公尺的密林表現較好，且兩者使用多基線資料都能降低雜訊並提升準確度。
討論與我的觀察
這代表我在談多源融合時，可以把 PolInSAR 當成補足光學與 LiDAR 的雷達支柱，並且強調演算法選擇要看冠層高度與場景型態，而不是一招打天下。限制很重要，量化比較只來自單一 AfriSAR P-band 試驗區，原文也自承過往研究多侷限於小範圍、難以擴展到大尺度，P-band 雖利於生物量但高穿透特性可能造成散射中心定位誤差，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，它正好串起 GEDI 與 BIOMASS 任務的多源融合脈絡。
重要科學發現
- 原文 Section 5.2 與 Table 3 顯示，資料型演算法在高度小於 10 公尺的矮灌叢表現較佳，模型型 RVoG-vtd 四階段反演在高度大於等於 10 公尺的密林表現較佳。
- 原文 Section 6 將多源與多基線、多頻、LiDAR 輔助列為未來提升大尺度反演精度的關鍵方向，並指出 GEDI 與 BIOMASS 任務帶來新機會。
博士生的話
這篇支撐我把 PolInSAR 雷達高度反演納入多源融合架構，當成光學與 LiDAR 的互補；對 TJFS review，它幫我把雷達側的演算法選擇邏輯和 GEDI、BIOMASS 任務脈絡接起來。