運用 Sentinel 2A 與 Landsat 8 影像評估森林碳儲量變化Using Sentinel 2A and Landsat 8 imagery to assess changes in forest carbon storage

Li, B., Liu, S., Liu, D., Fan, Z., Qu, Z., Yao, S., Su, X., Wang, L.｜Scientific Reports 15: 37489｜DOI: 10.1038/s41598-025-21607-0

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 →

forest carbon storageoptical remote sensingcarbon changedominant species classificationSentinel 2ALandsat 8Random ForestDecision TreeMultiple Linear Regressionvegetation indicesgeodetectorChinaInner MongoliaOrdos

專討核心文獻定位

[65] Ch3 · 光學遙測新增

Li et al. · 2025

以 Sentinel 2A 高解析估算當參照值校 Landsat 8，重建鄂爾多斯 2013 至 2023 碳儲量並監測長期變化

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

本文是 Ch3 光學遙測章節的方法驗證型文獻，提出以高解析 Sentinel 2A 的優勢樹種碳儲量估算結果作為參照值，去校準低解析但時序長的 Landsat 8 影像（Approach 2），藉此克服高解析衛星產品時間覆蓋短的限制，重建乾旱半乾旱區森林長期碳儲量變化。

結構式摘要｜中英文對照

研究問題	在資料受限的乾旱半乾旱區，如何用高解析 Sentinel 2A 的優勢樹種碳儲量估算結果當作參照值，去校準時序較長但解析度較低的 Landsat 8 影像，以準確估算整片森林碳儲量並重建其長期變化？ In a data-limited arid to semi-arid region, how can carbon storage estimates from high-resolution Sentinel 2A imagery of dominant species serve as reference values to calibrate longer-time-series but lower-resolution Landsat 8 imagery, so as to accurately estimate whole-forest carbon storage and reconstruct its long-term change?
資料來源	研究地為中國內蒙古鄂爾多斯，屬乾旱至半乾旱生態過渡帶。地面真值取自 2023 年 7 至 9 月的野外調查，共 96 個樣地，分為 Populus 20、Salix 18、Pinus tabuliformis 20、其他樹種 18、灌木 20，喬木樣地 20×20 平方公尺、灌木樣地 10×10 平方公尺。遙感資料用 ESA Sentinel 2A 的 L2A 產品（重採樣至 10 公尺）與 USGS/NASA Landsat 8 OLI（30 公尺），透過 Google Earth Engine 取得並控制雲量低於 5%；2013 年另以最大概似法做土地利用分類（整體精度 76.8%、kappa 0.71）以萃取森林與灌木範圍。 The study area is Ordos in Inner Mongolia, China, an arid to semi-arid ecological transition zone. Ground truth came from a July to September 2023 field survey of 96 plots, split into Populus 20, Salix 18, Pinus tabuliformis 20, other species 18, and shrub 20, with 20 by 20 m tree plots and 10 by 10 m shrub plots. Remote-sensing data used the ESA Sentinel 2A L2A product resampled to 10 m and the USGS and NASA Landsat 8 OLI at 30 m, obtained via Google Earth Engine with cloud cover below 5 percent. A 2013 maximum-likelihood land-use classification, with 76.8 percent overall accuracy and kappa 0.71, was used to extract forest and shrub extent.
方法	先以異速生長方程式與碳係數（依中國 LY/T 2988-2018 規範）算出各樣地的喬木、灌木與草本碳儲量。再以 Pearson 相關（取決定係數大於 0.5）與變異膨脹因子（VIF 大於 10 剔除）篩選植被指數，從 Sentinel 2A 的 16 個與 Landsat 8 的 12 個候選中選出建模變數。用 Random Forest、Decision Tree、Multiple Linear Regression 三種模型、7 比 3 切分訓練測試，以 R²、RMSE、rRMSE、MAE 評估。整片森林估算採兩種途徑：Approach 1 直接以實測碳儲量對 Landsat 8 指數建模；Approach 2 先以 Sentinel 2A 估各優勢樹種碳儲量（Result S2），重採樣至 30 公尺後作為參照值再對 Landsat 8 建模。另以地理探測器分析自然與社經因子的交互作用。 Plot-level carbon storage of trees, shrubs, and herbaceous layers was first computed from allometric equations and carbon coefficients based on China's LY/T 2988-2018 guidelines. Vegetation indices were screened by Pearson correlation, keeping coefficient of determination above 0.5, and by variance inflation factor, removing VIF above 10, selecting modeling variables from 16 Sentinel 2A and 12 Landsat 8 candidates. Random Forest, Decision Tree, and Multiple Linear Regression were trained with a 7 to 3 train-test split and assessed by R-squared, RMSE, rRMSE, and MAE. Whole-forest estimation used two approaches. Approach 1 directly modeled measured carbon storage against Landsat 8 indices. Approach 2 first estimated each dominant species carbon storage from Sentinel 2A (Result S2), resampled it to 30 m, and used it as the reference for Landsat 8 modeling. A geodetector analyzed interactions of natural and socioeconomic factors.
主要結果	機器學習模型搭配 Sentinel 2A 與優勢樹種分類估算碳儲量表現良好（如 Populus 的 RF R²=0.66、灌木的 MLR R²=0.78）。整片森林估算上，Approach 2 的 R² 與 Approach 1 差異不大，但 RMSE、rRMSE、MAE 一致較低。以 Sentinel 2A 為基準，Approach 2 估的全森林碳儲量差異約 3%，Approach 1 則達約 36%（偏高估）；Approach 2 的「微小差異」面積達 95.12%。各樹種貢獻：灌木雖碳密度低（平均 9.02 t/ha）卻因覆蓋廣占總碳儲量 66.52%，Populus 17.38%、其他樹種 8.30%、Salix 4.62%、Pinus tabuliformis 3.18%。重建顯示鄂爾多斯森林碳儲量自 2013 到 2023 增加約 27 Mt、約 89%。 Machine-learning models with Sentinel 2A and dominant-species classification estimated carbon storage well, for example Populus RF R-squared 0.66 and shrub MLR R-squared 0.78. For whole-forest estimation, Approach 2 had R-squared similar to Approach 1 but consistently lower RMSE, rRMSE, and MAE. Relative to Sentinel 2A, the whole-forest carbon storage estimated by Approach 2 differed by about 3 percent, whereas Approach 1 differed by about 36 percent and tended to overestimate. The minor-difference area for Approach 2 reached 95.12 percent. By species, shrubs had low carbon density (mean 9.02 t/ha) but, due to wide coverage, made up 66.52 percent of total carbon storage, with Populus 17.38 percent, other species 8.30 percent, Salix 4.62 percent, and Pinus tabuliformis 3.18 percent. The reconstruction showed Ordos forest carbon storage increased by about 27 Mt, roughly 89 percent, from 2013 to 2023.
限制	樣本量偏少（96 樣地），機器學習在高碳密度區有明顯低估、低碳密度區高估的傾向；以 Sentinel 2A 結果為參照的 Approach 2 對實測值擬合偏低（R²=0.26、RMSE=14.58、rRMSE=0.70、MAE=9.72），在高碳密度區精度不足，呈系統性低估，Approach 1 則系統性高估。原文內部數值存在不一致：摘要與部分段落寫 2013 到 2023 增加約 27 Mt，內文另處寫增量約 12.21 Mt、2013 約 13.72 Mt 與 16.55 t/ha，結論又寫 2023 總量 26.74 Mt、較 2013 增加 89.02%。研究侷限於鄂爾多斯乾旱半乾旱、人工林與灌木為主的相對單純植被結構。 The sample size was small at 96 plots, and machine-learning models clearly underestimated high-carbon-density areas and overestimated low-carbon-density areas. Approach 2, using Sentinel 2A results as reference, fit poorly against measured values, with R-squared 0.26, RMSE 14.58, rRMSE 0.70, and MAE 9.72, and was inaccurate at high carbon density, showing systematic underestimation while Approach 1 systematically overestimated. The paper contains internal numerical inconsistencies. The abstract and some passages state an increase of about 27 Mt from 2013 to 2023, while other passages give an increment of about 12.21 Mt with 2013 around 13.72 Mt and 16.55 t/ha, and the conclusion states a 2023 total of 26.74 Mt and an 89.02 percent increase over 2013. The work is confined to the arid to semi-arid, plantation- and shrub-dominated, relatively simple vegetation structure of Ordos.

Key Findings

發現	證據	確定性
以 Sentinel 2A 優勢樹種碳儲量估算結果作為參照值校準 Landsat 8（Approach 2），整片森林碳儲量與 Sentinel 2A 的差異僅約 3%，遠優於傳統直接建模的 Approach 1（約 36%）。	原文 Spatial distribution of forest carbon density 段：Approach 2 與 Sentinel 2A 差異約 3%、Approach 1 約 36%；Approach 2「微小差異」面積達 95.12%（Table 5）。	checked_against_original_txt
灌木雖碳密度最低（平均 9.02 t/ha），但因覆蓋面積大而成為總碳儲量最大貢獻者，占 66.52%。	原文 Spatial distribution 段與 Table 6：灌木總碳儲量 17,245,919.68 t、占 66.52%；Populus 17.38%、其他 8.30%、Salix 4.62%、Pinus tabuliformis 3.18%。	checked_against_original_txt
重建顯示鄂爾多斯森林碳儲量在 2013 至 2023 約增加 27 Mt（約 89%），證明低解析影像可用於長期碳監測。	原文摘要：carbon storage increased by 27 Mt (89%) from 2013 to 2023；惟內文與結論的增量數值不一致（見 limitations 與 todo）。	checked_against_original_txt

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
Table 1（96 樣地碳密度）、Table 4（21 組模型精度）、Table 5（兩途徑差異百分比）、Table 6（各樹種碳密度與碳儲量）、Table 7（不同年份全森林碳儲量）、Fig. 3（散點圖）、Fig. 6（不同年份空間分布）	Table 1 列 96 樣地各類碳密度（全森林平均 20.62 t/ha）；Table 4 比較三模型在兩解析度與兩分類尺度下的 R²/RMSE/rRMSE/MAE；Table 5 列兩途徑相對 Sentinel 2A 的差異等級；Table 6 列各優勢樹種碳密度與總碳儲量及占比；Table 7 列 2023/2013 不同影像與途徑的全森林碳密度與碳儲量；Fig. 3 為實測對預測散點；Fig. 6 為 2013 與 2023 全森林碳密度空間分布。	全森林實測平均碳密度 20.62 t/ha；Populus RF R²=0.66；灌木 MLR R²=0.78；灌木占總碳儲量 66.52%；Sentinel 2A 2023 全森林碳儲量 25,925,488.23 t（平均 20.36 t/ha）；Landsat 8 Approach 1 為 40,544,080.50 t、Approach 2 為 26,735,429.73 t；Approach 2 微小差異面積 95.12%；2013 到 2023 增加約 27 Mt（約 89%）。	可作為光學遙測以高解析參照值跨解析度延伸碳儲量估算、克服長時序資料限制的方法對照範例，並佐證灌木在乾旱區碳儲量的關鍵地位。	授權為 CC-BY 4.0，允許註明出處後使用與改作；發布前由 Jacky 最終確認，並以自繪示意圖呈現兩途徑流程與各樹種占比概念，標註原作者與出處。

Extracted Evidence Table

可支撐主張	指標或結果	原文位置	可引用	備註
以高解析 Sentinel 2A 的優勢樹種碳儲量估算結果作為參照值，能顯著改善低解析 Landsat 8 的整片森林碳儲量估算並支援長期變化重建。	Approach 2 與 Sentinel 2A 差異約 3%（Approach 1 約 36%）；Approach 2 微小差異面積 95.12%；重建顯示 2013 到 2023 碳儲量增加約 27 Mt（約 89%）。	原文摘要；Results - Spatial differences；Spatial distribution of forest carbon density；Table 5；Table 6；Table 7；Conclusions。	True	為鄂爾多斯乾旱半乾旱、植被結構相對單純條件下結果；引用時以方法驗證型結論呈現，勿延伸宣稱於其他生物群系或台灣已驗證。年份增量數值原文內部不一致，引用時以摘要 27 Mt/89% 為頭條並註明待查。

Critical Appraisal

Strengths

提出以高解析參照值校準低解析長時序影像的 Approach 2，巧妙克服高解析衛星產品時間覆蓋短的限制。
系統性比較兩解析度、兩分類尺度與三種模型共 21 組組合，並量化兩途徑相對誤差。
結合地理探測器分析自然與社經因子對碳儲量的交互作用，提供驅動因子洞察。

Weaknesses

樣本量僅 96 樣地，機器學習於高碳密度區明顯低估、低碳密度區高估。
Approach 2 對實測值擬合偏低（R²=0.26），高碳密度區精度不足。
年份間碳儲量增量數值（27 Mt 對 12.21 Mt 對 26.74 Mt）在原文內部不一致。

Validation quality	7 比 3 切分訓練測試，以 R²、RMSE、rRMSE、MAE、MBE 評估；Sentinel 2A 優勢樹種模型表現較佳（Populus RF R²=0.66、灌木 MLR R²=0.78），Landsat 8 全森林模型 R² 偏低（約 0.31 至 0.35）；Approach 2 對實測值獨立驗證 R² 僅 0.26。
Transferability to Taiwan	中等偏低。高解析參照值校準低解析長時序影像的思路可借鏡，但本研究為乾旱半乾旱、人工林與灌木主導、植被結構單純的鄂爾多斯，與台灣亞熱帶到溫帶複雜山地森林差異大，需在地樣本與在地異速方程式重新校準。
Risk of overclaiming	勿宣稱本方法已在台灣或複雜森林驗證；3% 對 36% 的優勢與 27 Mt/89% 增量均為鄂爾多斯特定條件結果，且年份增量原文數值不一致，不可一般化。

與 Jacky 博論 / Review 的用途

博士論文	支持博論在光學遙測層以高解析參照值跨解析度延伸、結合多模型與地面異速方程式重建長期碳儲量變化的技術思路，並提醒高碳密度區低估與飽和限制。
TJFS Review	作為 TJFS review Ch3 光學遙測章節的方法驗證型文獻，量化佐證高解析參照值校準低解析長時序影像的相對增益，並與多源融合章節形成對照。
可引用句候選	2025 年，Li 等人發表的文獻中指出，以高解析 Sentinel 2A 影像對優勢樹種估算的碳儲量作為參照值，去校準時序較長但解析度較低的 Landsat 8 影像，可使整片森林碳儲量估算與 Sentinel 2A 的差異由傳統直接建模的約 36% 降至約 3%，並據此重建鄂爾多斯森林 2013 至 2023 約增加 27 Mt、約 89% 的長期碳儲量變化。
不可用來主張	勿以本文作為高解析參照值校準法在台灣或複雜森林已驗證可用的依據，亦勿引用其年份增量數值而不註明原文內部不一致。

授權與圖表重用

Article license	CC-BY-4.0
Figure reuse policy	REUSE_ALLOWED_WITH_ATTRIBUTION_AFTER_HUMAN_CONFIRM
Notes	原文授權頁明載 Creative Commons Attribution 4.0 International License（CC-BY 4.0），允許在註明原作者與出處、提供授權連結並標示變更的前提下使用、分享與改作。圖表重用前仍由 Jacky 最終確認。

待查核清單

原文年份碳儲量增量數值不一致（摘要 27 Mt/89% 對內文 12.21 Mt 對結論 2023 總量 26.74 Mt、增 89.02%），引用前由 Jacky 釐清採用哪一組並標註待查。
如需引用 Table 2 異速生長方程式與碳係數，補查 LY/T 2988-2018 規範細節。
授權為 CC-BY 4.0，圖表重用或整段翻譯前再由 Jacky 最終確認並標註原作者與出處。
由 Jacky 最終審核書目、數字與引用句。