← 回文獻卡索引

使用機載光達估算森林地上生物量之系統性回顧與統合分析Forest Aboveground Biomass Estimation Using Airborne LiDAR: A Systematic Review and Meta-Analysis

Thapa, Narine & Wilson｜Journal of Forestry 123(3-4): 389-412｜DOI: 10.1007/s44392-025-00029-w

狀態：AI_DRAFT_FROM_REVIEW｜分級：A｜閱讀深度：FULL_TEXT_CHECKED｜Jacky 審核：False

森林數位孿生底層致能

讀學習筆記 →

AGBcarbon stocksystematic reviewmeta-analysisairborne LiDARPRISMAregression analysismachine learningdeep learningglobal

專討核心文獻定位

[35] Ch4 · LiDAR 新增
Thapa et al. · 2025
PRISMA 系統性回顧 52 篇＋統合分析：機載光達單獨用 RSE 33.86%、結合多源資料降至 20.46%；熱帶林誤差最高、深度學習方法誤差最低

使用警示

本頁是文獻知識庫卡片，不等於可直接引用的最終查核稿。只有狀態升級為 CITABLE 後，才可直接進入論文引用候選。

為什麼納入這篇

這是截至 2025 年針對機載光達 AGB 估算最新、最完整的 PRISMA 系統性回顧加統合分析，提供了跨資料來源、森林生物群系與建模方法的標準化誤差基準，可作為 Ch4 LiDAR 章節量化 AGB 估算精度與限制的核心引用。

結構式摘要｜中英文對照

研究問題
過去十年機載光達 AGB 估算研究的誤差，如何隨資料來源、森林生物群系與建模方法而變化，且這些異質性可否透過統合分析量化？
How do AGB model errors from airborne LiDAR over the past decade vary by data source, forest biome, and modeling method, and can this heterogeneity be quantified through meta-analysis?
資料來源
依 PRISMA 流程從 Web of Science（419 篇）與 Scopus（368 篇）共 787 篇 2013-2023 年英文文獻中篩選，最終納入 53 篇（其中 1 篇為回顧、52 篇為期刊研究）；系統性回顧使用 52 篇、抽取 361 筆觀測值，蒐集 15 項變數（含 R²、調整 R²、RMSE、rRMSE、樣本數、樣區大小、資料來源、生物群系、建模方法等）。
Following PRISMA, 787 English articles (2013-2023) from Web of Science (419) and Scopus (368) were screened down to 53 included articles (1 review, 52 journal studies). The systematic review used 52 articles and extracted 361 observations across 15 collected variables, including R2, adjusted R2, RMSE, rRMSE, sample size, plot size, data source, biome, and modeling method.
方法
系統性回顧以標準化相對標準誤差（RSE，由 RMSE 除以平均 AGB 求得）比較不同資料來源（2 類）、森林生物群系（5 類）與建模方法（5 類），並以非參數 Kruskal-Wallis 檢定加 Bonferroni 校正的成對 Wilcoxon 檢定判斷組間差異。統合分析以 R² 轉換為相關係數 r 再轉 Fisher's z，用 Metafor 套件的 escalc 與 rma 函式計算效應量，以 I² 與 Q 統計量評估異質性、漏斗圖評估發表偏差；採兩種策略：全體 288 筆觀測與控制條件（同預測變數平均冠層高度＋同迴歸方法）42 筆觀測。
The systematic review compared standardized relative standard error (RSE, RMSE divided by mean AGB) across two data-source groups, five forest biomes, and five modeling methods, using a non-parametric Kruskal-Wallis test plus pairwise Wilcoxon tests with Bonferroni correction. The meta-analysis converted R2 to the correlation coefficient r, then to Fisher's z, and used the escalc and rma functions of the Metafor package to compute effect sizes; heterogeneity was assessed with I2 and Q statistics and publication bias with funnel plots. Two strategies were applied: an overall set of 288 observations and a controlled set of 42 observations (same predictor, mean canopy height, and same regression method).
主要結果
原文確認的核心數字：選出的研究分布於 19 國，以美國（11 篇）與中國（9 篇）最多。資料來源方面，僅用機載光達的研究平均 RSE 為 33.86%，顯著高於結合多源資料的 20.46%（成對 Wilcoxon p=2.6×10⁻⁵）。生物群系方面，熱帶林 RSE 最高（32.71%）、溫帶落葉林最低（17.93%）。建模方法方面，深度學習平均 RSE 最低（6.56%），顯著低於貝氏統計（37.01%）、迴歸分析（36.27%）與機器學習（20.83%）；地統計法為 13%。統合分析顯示全體 288 筆觀測 I²=96.38%、Q=6648.28；控制條件 42 筆觀測 I²=91.67%、Q=399.97，控制預測變數與方法後異質性略降但差異不大。
Confirmed core numbers: selected studies span 19 countries, led by the USA (11) and China (9). For data source, studies using airborne LiDAR alone had a mean RSE of 33.86%, significantly higher than the 20.46% for LiDAR combined with multi-source data (pairwise Wilcoxon p=2.6x10^-5). For forest biomes, tropical forests had the highest RSE (32.71%) and temperate deciduous the lowest (17.93%). For modeling methods, deep learning had the lowest mean RSE (6.56%), significantly lower than Bayesian statistics (37.01%), regression analysis (36.27%), and machine learning (20.83%); geostatistical approaches were 13%. The meta-analysis gave I2=96.38% and Q=6648.28 for the 288 overall observations, versus I2=91.67% and Q=399.97 for the 42 controlled observations, showing only a modest reduction in heterogeneity after controlling for predictor and method.
限制
原文自述限制：篩選與資料抽取由單一作者執行可能引入偏差；灰色文獻搜尋不完整、可能漏掉未發表研究的偏差評估；部分生物群系（如貝氏統計、地統計）樣本數過小，無法達到統計顯著結論；因樣本量限制無法進行調節變數（moderator）分析以釐清變異來源。
Stated limitations: screening and data extraction were performed by a single author, which may introduce bias; the grey-literature search was not comprehensive and may have excluded unpublished studies; some biomes and methods (e.g., Bayesian, geostatistical) had sample sizes too small for statistically significant conclusions; and sample-size constraints prevented a moderator analysis to pinpoint exact sources of variation.

Key Findings

發現證據確定性
結合多源資料能顯著降低機載光達 AGB 估算誤差。原文 Results 與 Table 6：僅用光達平均 RSE 33.86%，結合多源資料降至 20.46%，成對 Wilcoxon 檢定 p=2.6×10⁻⁵。checked_against_full_text
建模方法對誤差的影響最大，深度學習誤差最低但採用率仍偏低。原文 Results：方法別 Kruskal-Wallis chi-squared 74.94 高於資料來源 17.69 與生物群系 18.36；深度學習平均 RSE 6.56%，遠低於迴歸 36.27%、機器學習 20.83%、貝氏 37.01%、地統計 13%。checked_against_full_text
熱帶林因結構複雜與物種多樣性高，AGB 估算誤差顯著高於其他生物群系。原文 Results 與 Fig.6：熱帶林 RSE 32.71% 最高、溫帶落葉林 17.93% 最低，熱帶與溫帶混合林差異顯著（p=0.0027）。checked_against_full_text
控制預測變數與建模方法後統合分析的異質性下降但仍偏高，顯示方法學標準化的必要性。原文 Table 6：全體 288 筆 I²=96.38%、Q=6648.28；控制 42 筆 I²=91.67%、Q=399.97。checked_against_full_text

Key Figures and Tables

公開網站原則：未確認授權前，不直接複製原文圖表；優先使用自製圖表導讀或重繪圖。

項目內容關鍵數字Jacky 判讀重用策略
Fig. 1從 787 篇（WoS 419＋Scopus 368）經去重 290 篇、標題摘要篩除 390 篇、全文排除 54 篇，最終納入 53 篇的篩選流程。787 → 去重後 497 → 全文評估 107 → 納入 53 篇（52 篇研究＋1 篇回顧）。可作為我自己 review 或博論做 PRISMA 流程圖時的標準範本，數字鏈完整可追溯。CC BY 4.0 允許標註後重製；若引用直接標 Thapa et al. 2025, Fig.1。
Fig. 5資料來源以僅用光達（42 篇）最多、結合多源 24 篇；生物群系以熱帶林（27 篇）最多；方法以迴歸分析（41 篇）最多、機器學習 19 篇。資料來源 L=42、LMS=24；生物群系 熱帶 27、溫帶混合 11、溫帶針葉 9、寒帶 8、溫帶落葉 4；方法 迴歸 41、機器學習 19、深度學習 5、貝氏 3、地統計 2。印證 Ch4 論述：實務上機載光達 AGB 研究仍偏重單源＋迴歸，多源融合與深度學習尚未充分利用，正是 FDT 多源整合的切入點。CC BY 4.0；引用時標 Thapa et al. 2025, Fig.5。
Fig. 6三組變數各自的 RSE 分布與平均值，呈現多源優於單源、溫帶落葉林誤差最低、深度學習誤差最低。光達單源 33.86% vs 多源 20.46%；熱帶 32.71%、溫帶針葉 28.74%、寒帶 26.1%、溫帶混合 23.66%、溫帶落葉 17.93%；深度學習 6.56%、地統計 13%、機器學習 20.83%、迴歸 36.27%、貝氏 37.01%。這是全篇最可引用的量化誤差基準圖，能直接支撐我比較不同資料來源與方法精度的論述。CC BY 4.0；引用時標 Thapa et al. 2025, Fig.6。
Table 6對比全體 288 筆與控制 42 筆觀測的異質性統計。全體：I²=96.38%、Q=6648.28（df=287，p<0.001）；控制：I²=91.67%、Q=399.97（df=41，p<0.001）。用於說明 AGB 文獻間異質性極高、方法學標準化能小幅降低不確定性。CC BY 4.0；引用時標 Thapa et al. 2025, Table 6。

Extracted Evidence Table

可支撐主張指標或結果原文位置可引用備註
機載光達結合多源資料顯著降低 AGB 估算誤差。僅光達 mean RSE 33.86% vs 多源 20.46%，pairwise Wilcoxon p=2.6×10⁻⁵。Results（資料來源段）、Table 2、Fig.6、p.400、p.405。True可直接作為多源融合優於單源的量化證據。
建模方法是影響 AGB 估算誤差最大的變數，深度學習誤差最低。方法別 Kruskal-Wallis chi-squared 74.94（高於資料來源 17.69、生物群系 18.36）；深度學習 RSE 6.56% 最低。Results、Table 1、Table 4、Discussion、p.401、p.406。True深度學習樣本僅 5 篇，引用時須註明採用率低、樣本小的限制。
熱帶林 AGB 估算誤差顯著高於溫帶生物群系。熱帶 RSE 32.71% 最高、溫帶落葉 17.93% 最低；熱帶與溫帶混合差異 p=0.0027。Results（生物群系段）、Table 3、Fig.6、p.400-401、p.405-406。True其他生物群系間差異不顯著且樣本小，勿過度推論。
AGB 文獻間異質性極高，方法學標準化僅能小幅降低。全體 I²=96.38%/Q=6648.28；控制 I²=91.67%/Q=399.97。Meta-Analysis Results、Table 6、p.402-403。True控制條件僅 7 篇 42 筆觀測，樣本小是主要限制。

Critical Appraisal

Strengths

Weaknesses

Validation quality方法學透明、統計流程明確，但小樣本與單一審查者限制了部分結論的可靠度。
Transferability to Taiwanhigh — 台灣以亞熱帶/暖溫帶混合林為主，本文的多源融合優於單源、熱帶林誤差偏高等結論對台灣機載光達 AGB 研究有直接參考價值。
Risk of overclaiming勿將深度學習 6.56% 的低誤差直接推論為普遍最佳；原文明確指出該結論受 5 篇小樣本與潛在過擬合限制。

與 Jacky 博論 / Review 的用途

博士論文為博論 Ch4 LiDAR 部分提供截至 2025 的最新誤差基準，並以量化證據支撐『多源融合 + 進階學習方法』是降低 AGB 估算不確定性的方向，呼應 FDT 多源整合主軸。
TJFS ReviewTJFS review 可引用此文作為機載光達 AGB 估算精度與限制的權威統合分析，並用其 PRISMA 數字鏈佐證文獻方法學標準化的必要性。
可引用句候選2025 年，Thapa 等人發表的文獻中指出，僅使用機載光達估算地上生物量的平均相對標準誤差達 33.86%，而結合多源資料後可顯著降至 20.46%，顯示多源融合對提升估算精度的關鍵作用。
不可用來主張不要用本文單獨證明深度學習在 AGB 估算上普遍優於其他方法，原文已警示其樣本數過小、採用率低。

授權與圖表重用

Article licenseCC BY 4.0
Figure reuse policyREUSE_ALLOWED_WITH_ATTRIBUTION_CC_BY_4_0
Notes原文第 406 段明確標示 Open Access、Creative Commons Attribution 4.0 International License（http://creativecommons.org/licenses/by/4.0/）。再利用圖表須標註原作者與來源並指明是否有修改；惟文章內第三方素材若另有版權聲明則需另行取得授權。

待查核清單