運用多源遙感數據與深度學習演算法估算森林地上生物量－以中國杭州地區為例Forest Aboveground Biomass Estimation Using Multisource Remote Sensing Data and Deep Learning Algorithms: A Case Study over Hangzhou Area in China
森林數位孿生方法平台
想知道深度學習怎麼把森林生物量算得更準，這篇用 CNN-LSTM 混合架構把多源遙感融合做成了一份可以直接借鑑的教科書
研究問題
這篇想回答怎麼結合多源遙感數據和深度學習演算法，把森林地上生物量估算得更準，而且讓模型能遷移到新的區域。
材料與方法
研究區是中國杭州。從導讀整理看，作者用 CNN-LSTM 混合架構當核心方法，搭配數據預處理與特徵工程、模型訓練與驗證，並把 GF-6、Sentinel-2、Landsat 8、GF-3、GF-4、Sentinel-1 這些光學、SAR 與時序資料融合起來，再比較單源與多源、以及在新區域的微調遷移。
結論
結論是 CNN-LSTM 在多源遙感融合上表現最好，R² 來到 0.74、RMSE 為 18.3 Mg/ha，明顯優於傳統機器學習，而且只要少量新樣地做微調就能遷移到新區域。
討論與我的觀察
這代表深度學習的空間加時序雙重優勢在 AGB 估算上是真的有用，而多源融合裡 SAR 主導、光學補充、時序動態不可或缺，這個組合邏輯我可以拿來設計自己的特徵堆疊。限制要記得，這份卡是從導讀簡報衍生的，原文的深度學習局限性段落我還沒拿到逐字內容，數字與結論都標待查、要核對原文 PDF 後才算數。對我研究的關係上，導讀把這套技術棧和遷移方案定位成適用於台灣亞熱帶森林，所以它比較像可借鑑的方法範本，而不是台灣本地的結果。
重要科學發現
- 導讀整理：CNN-LSTM 的 R²=0.74，相較 Random Forest 的 R²=0.61，精度提升 42%（數字待核對原文 PDF）。
- 導讀整理：光學加 SAR 加時序的多源融合效果最佳，提升幅度約 4-10%（數字待核對原文 PDF）。
博士生的話
這篇支撐我博論的機器學習層，提供一個 CNN-LSTM 結合多源遙感融合的深度學習 AGB 範例；對 TJFS review，它是機器學習與深度學習章節裡很好的最佳實踐案例。