被動光學、微波與光達資料於森林地上生物量估算之遙感方法回顧Review of Remote Sensing-Based Methods for Forest Aboveground Biomass Estimation Using Passive Optical, Microwave, and LiDAR Data

研究問題

這篇想回答的是遙感估算森林地上生物量的三大技術路線各自的原理、現狀與局限，以及如何靠多源融合與不確定性分析把估算做得更可靠。

材料與方法

這是一篇文獻回顧，導讀把全文分成八個部分，從前言背景、遙感 AGB 估算原理（光學指數法如 NDVI、EVI、LAI、SIF，加上樹高與林分密度），一路講到被動光學遙感、微波遙感、LiDAR 技術、多源融合方法、不確定性來源分析，最後是結論與展望。

結論

作者整理出四點，單一資料源都有罩門所以多源融合已成標配，方法從經驗回歸走到機器學習再到深度學習、精度約提升 5-25%，尺度轉換要從樣地到衛星像元再到區域做多層級驗證，而不確定性誤差可達 30-50% 必須誠實報告置信區間。

討論與我的觀察

對我來說這篇最有用的是它把遙感 AGB 的方法演進和不確定性管理講得很清楚，讓我在 Ch5 機器學習這章有一個總覽框架可以掛。限制是它畢竟是綜述不是實證，像 5-25% 與 30-50% 這些數字我目前只從導讀取得，原文頁碼還待查，正式引用前要回 PDF 核對。跟我研究的關係上，它的四大不確定性來源（遙感影像、參數轉換、方法選擇、空間變異）對台灣亞熱帶森林特別值得借鏡。

重要科學發現

• 導讀指出估算方法由經驗回歸走向機器學習再到深度學習，精度約提升 5-25%，但需要驗證資料。
• 導讀整理 AGB 估算的四大不確定性來源為遙感影像、參數轉換、方法選擇與空間變異，誤差可達 30-50%。

關鍵短引用

光學飽和、SAR 模糊、LiDAR 成本Slide 11 核心結論

誤差可達30-50%，需科學報告置信區間Slide 11 核心結論

博士生的話

這篇支撐我博論把遙感 AGB 方法演進與多源融合說清楚，並提醒我把不確定性誠實量化；對 TJFS review，它是 Ch5 機器學習章節方法演進與不確定性四大來源的綜述錨點。