以機器學習整合地面雷射掃描與 ALOS PALSAR 資料估算森林地上生物量Aboveground Forest Biomass Estimation by the Integration of TLS and ALOS PALSAR Data Using Machine Learning
森林數位孿生方法平台
雷達在密林會飽和、地面 TLS 量得準卻只有點，這篇把兩邊接起來，用隨機森林整合 TLS 與 ALOS PALSAR，在生物量很高的印度娑羅雙林把 R2 推到 0.94
研究問題
這篇想回答如何整合地面雷射掃描與 ALOS PALSAR L 波段雷達資料，並以機器學習克服 SAR 在高密度森林的生物量飽和問題來估算地上生物量。
材料與方法
研究區是印度北阿坎德邦 Barkot 林場的熱帶濕潤落葉林，以 13 個 31.5 公尺見方樣區、TLS（Riegl VZ-400）透過 RANSAC 圓柱擬合取得胸高直徑與樹高，再用全國樹種材積方程式與 1.59 生物量擴展因子算生物量。雷達用 2018 年 4 月的 ALOS PALSAR 四極化影像，多視到 18.42 公尺，擷取 GLCM 紋理、Yamaguchi 分解、極化參數（BMI、CSI、VSI、RVI）與 HH、HV 後向散射，共 23 個參數，最後用隨機森林與類神經網路兩種演算法整合 TLS 與 SAR 來估算 AGB，並用拔靴法與蒙地卡羅法算不確定性。
結論
結論是隨機森林明顯優於類神經網路：RF 的 R2 為 0.94、RMSE 為 59.72 ton ha-1、RMSE% 為 15.97；ANN 的 R2 為 0.77、RMSE 為 98.46 ton ha-1、RMSE% 為 26.32。RF 預測生物量範圍 122.46 到 581.89 ton ha-1，不確定性 15.75 到 85.14 ton ha-1，整體不確定性 20.54%。整合 SAR 與 LiDAR 資料確實能克服 SAR 的生物量飽和。
討論與我的觀察
這代表我在談多源融合時，可以拿這篇當 SAR 與 LiDAR 在生物量上互補的具體案例，地面 TLS 提供準確但稀疏的結構，L 波段雷達提供空間覆蓋，隨機森林把兩者整合並把飽和壓下去。限制要講清楚，全篇只用 13 個樣區、單一熱帶落葉林試驗區，雷達又是落葉季取得，後向散射多來自木質部；不確定性在低密度區較高，因為 ALOS 衍生屬性和生物量相關性弱，所以我不能把 R2 0.94 當成跨林型的通用基準。對我研究的關係上，它正好和 PolInSAR、GEDI 等卡片串成多源融合脈絡。
重要科學發現
- 原文 Table 1 顯示 RF 的 R2 為 0.94、RMSE 59.72 ton ha-1，明顯優於 ANN 的 R2 0.77、RMSE 98.46 ton ha-1。
- 原文 Section 3.3 顯示 CSI 與生物量相關 R2 達 0.85、對數轉換後 HV 後向散射 R2 達 0.77，是與生物量相關性最高的 SAR 特徵。
博士生的話
這篇支撐我把 SAR 與 LiDAR 的整合當成多源融合架構裡的具體可行案例，並說明隨機森林是較強的融合學習器；對 TJFS review，它幫我把克服雷達生物量飽和的論點落在實證數字上，但要標註單一小樣本試驗區的外推限制。