統一深度學習模型從高解析度多感測器衛星影像全球預測地上生物量、樹冠高度與覆蓋度Unified Deep Learning Model for Global Prediction of Aboveground Biomass, Canopy Height, and Cover from High-Resolution, Multi-Sensor Satellite Imagery

研究問題

這篇想回答能不能用單一深度學習模型，把多感測器衛星影像和 GEDI 稀疏光達真值結合起來，在全球尺度同時又高解析度地預測地上生物量、樹冠高度與樹冠覆蓋度，並給出各自的不確定性。

材料與方法

作者把 Sentinel-2 光學與熱紅外、Sentinel-1 雷達回波、SRTM 高程與經緯度重採樣堆成 10 公尺、13 通道的輸入，地面真值用 GEDI level 2a/b 與 4a 點資料。模型是自訂的特徵金字塔網路，編碼器加解碼器再加多個預測頭，全部是卷積神經網路，多頭設計讓三個變數和不確定性一次輸出。因為 GEDI 點很稀疏，他們用兩個相同網路互當老師與學生並週期互換的弱監督訓練法處理稀疏標籤，全資料集共 276,766 個樣本、6700 萬個訓練真值點。

結論

在全球抽樣測試集上，地上生物量的平均絕對誤差是 26.1 Mg/ha、均方根誤差 50.6 Mg/ha，樹冠高度與覆蓋度也達到相當水準，並在所有變數範圍對比先前最佳方法都拿到最低誤差，其中生物量在 200 Mg/ha 以上的高碳區更勝過前作；模型還實際部署到 2023 年全球並回溯到 2016 年產製年度地圖。

討論與我的觀察

對我的意義是它把太空光達的『點』升尺度成『面』的完整範例，可以當森林數位孿生中尺度資料層的來源。限制要記牢，密林與高生物量區因為光譜飽和與解析度限制會被低估，GEDI 約 25 公尺足跡也把真值雜訊帶進訓練資料。授權上文章本身是 CC BY 4.0 可標註重用，但它在 Zenodo 釋出的地圖資料集是 CC BY-NC 4.0、僅限學術非商業，兩者要分開看。放到台灣情境，多雲與陡峭密林會放大這些限制，需要本地 GEDI 與異速生長方程式去微調，而它的多頭架構正好支援這種本地微調。

重要科學發現

• 全球測試集地上生物量平均絕對誤差 26.1 Mg/ha、均方根誤差 50.6 Mg/ha；樹冠高度 3.7 m/5.4 m、覆蓋度 9.9%/15.8%（摘要與 Table 1）。
• 作者自述這是首個將地上生物量、樹冠高度與覆蓋度統一於單一模型的工作（Introduction）。
• 全資料集 276,766 個樣本、訓練地面真值 6700 萬點，輸入為 10 公尺、13 通道多感測器張量（Section 2.1-2.2）。
• 地上生物量在 200 Mg/ha 以上的高碳區優於先前 SOTA，但密林因光譜飽和被低估（Section 3 與 Discussion）。

關鍵短引用

首個將三項變數統一於單一模型的工作Introduction, p.4 (4 of 33)

全球測試集 AGBD 的 RMSE 為 50.59 Mg/haConclusions, p.26 (26 of 33)

博士生的話

這篇支撐我把太空光達升尺度與不確定性量化放進森林數位孿生的中尺度資料層，也提醒我台灣密林低估與資料集非商業授權兩個雷區，引用時要明確標註並留本地微調空間。