以 CNN 遷移學習從 ALS 點雲斷層影像預測森林地上生物量CNN-based transfer learning for forest aboveground biomass prediction from ALS point cloud tomography

研究問題

這篇想回答在森林樣區數量偏少的真實情境下，能不能用以 ImageNet 預訓練的 3D CNN 從 ALS 點雲斷層影像準確預測地上生物量，並用合成資料前訓練彌補訓練樣本不足。

材料與方法

作者把 ALS 點雲垂直橫切成一系列二維斷層影像，丟進一個 3D 版的 VGG16 CNN，初始權重從 ImageNet 預訓練轉移過來，並測試在這之上再用虛擬雷達掃描產生的合成林分資料做額外前訓練；對照組是用點雲指標訓練的隨機森林。資料來自加拿大、波蘭與捷克四個樣區，訓練樣本數從 10 筆變化到各樣區上限的 375 筆，每個設定隨機切分重複 10 次取中位數。

結論

結論是在最大訓練樣本數下 CNN 與隨機森林表現相近，CNN 在四個樣區中有三個略勝；合成資料前訓練只有在真實樣本極少時才有幫助，樣本一多反而常把模型拖差，所以現階段隨機森林仍是有競爭力的替代方案。

討論與我的觀察

這個結果提醒我深度學習不是只要套上去就贏，關鍵還是訓練資料量。作者自己也說別人的深度學習 AGB 研究常用上千筆樣本，這篇最多只有 375 筆，所以 CNN 的潛力可能被低估。合成資料前訓練之所以多半無效甚至有害，是因為模擬林分在物種組成、樹木密度與缺乏下層植被上跟真實林分有落差，CNN 學到了真實資料裡不存在的模式。對我研究的關係上，台灣的森林樣區同樣難取得大量標註資料，這篇支持我在 FDT 設計中先用隨機森林當穩健基準，等樣本累積夠多再評估深度學習。

重要科學發現

• 原文 Results 指出，最大訓練樣本數下 CNN 與 RF 的 RMSE 差距僅 -2 至 5 t/ha，r² 差距僅 -0.05 至 0.06。
• 原文 Introduction 引用 Fassnacht 等人 2014 的回顧，90 篇研究中有 66 篇的樣本數小於 100 筆，凸顯林業標註資料稀缺。

關鍵短引用

隨機森林仍是有競爭力的替代方案p.1 Abstract

前訓練常不只沒幫助反而明顯惡化模型p.9 Results

博士生的話

這篇支撐我在台灣 FDT 樣區有限時先採用隨機森林作穩健基準的策略，也為 TJFS review 提供深度學習未必勝過傳統方法、合成資料前訓練有侷限的實證依據。