結合 GEDI LiDAR、衛星資料與機器學習演算法於 Google Earth Engine 平台估算森林地上生物量的多源方法A multi-source approach combining GEDI LiDAR, satellite data, and machine learning algorithms for estimating forest aboveground biomass on Google Earth Engine platform

研究問題

這篇想回答的是，怎麼在 Google Earth Engine 平台上結合光學與微波衛星觀測與機器學習演算法，提升森林地上生物量的估算與製圖精度。

材料與方法

作者在美國阿肯色州下密西西比沖積河谷的 Green Tree Reservoir 設研究區，面積約 2184.3 公頃，用 GEDI Level 4A 地上生物量密度當校正資料取代傳統地面真值，整合 Sentinel-2 光學、Sentinel-1 SAR、3DEP 地形衍生變數與全球冠層高度圖。全程在 GEE 上處理，七成訓練三成測試，做重複十摺交叉驗證，比較 Random Forest、CART、Gradient Tree Boosting 與 SVM 四種演算法，用 R²、RMSE、MAE 評估，並用雙因子 ANOVA 分析模型與變數組合的效應。

結論

結論是 GTB 表現最好，用 Sentinel-2 波段加地形衍生變數達 R²=0.77、MAE 22.27 Mg/ha、RMSE 37.78 Mg/ha，RF 次之達 R²=0.74，CART 達 0.68，SVM 最差最高只有 0.37。高程與冠層高度是最關鍵的變數，整合光學波段、植生指數、地形與冠層高度可顯著提升精度，而加入 Sentinel-1 雷達資料對多數模型沒有明顯幫助。

討論與我的觀察

這代表多源融合的價值不只是把資料源堆多，而是選對互補變數，這裡地形與冠層高度的貢獻比 SAR 更實在。讓我特別在意的限制是，整個校正倚賴 GEDI 估計值而非真正的地面樣區，研究區也只有單一個阿肯色州的河谷低地林，所以 R²=0.77 不能直接外推到別的林型或台灣。作者自己在 Section 4.4 也說 SVM 的差表現可能是資料與設計選擇造成，不一定是 SVM 本質限制，並建議未來擴充參考資料、納入 LiDAR、嘗試 ANN 與深度學習。對我研究的關係上，這套全開放資料的 GEE 流程很適合當台灣多源遙測 AGB 製圖的方法論範本，但精度必須在台灣林型與地形重新驗證。

重要科學發現

• 原文確認，GTB 以 Sentinel-2 波段加地形衍生變數達 R²=0.77、MAE 22.27 Mg/ha、RMSE 37.78 Mg/ha，為四模型最佳。
• 原文確認，整合 Sentinel-2 波段、植生指數、地形與冠層高度可顯著提升精度，而加入 Sentinel-1 雷達對多數模型未帶來明顯改善。
• 原文確認，以 GEDI Level 4A 作為校正資料取代地面真值，七成訓練三成測試並做十摺交叉驗證。

關鍵短引用

GTB 模型表現最佳，達 R²=0.77Abstract

SVM 模型表現最差，最高 R² 僅 0.37Abstract

博士生的話

這篇支撐我博論與 TJFS review 的多源融合章節，提供一個可重現的全開放資料 GEE 範本，也提醒我地形與冠層高度往往比 SAR 更能驅動 AGB 精度，而 GEDI 當校正資料雖然方便，缺乏獨立地面真值是必須在台灣補上的一塊。