運用 ICESat-2 估算與製圖森林地上生物量之首例Using ICESat-2 to Estimate and Map Forest Aboveground Biomass: A First Example

Narine, Popescu, Malambo｜Remote Sensing 12(11): 1824｜DOI: 10.3390/rs12111824

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 →

ICESat-2aboveground biomassspaceborne lidarphoton-counting lidarlinear regressionrandom forestLandsat upscalingUSATexas

專討核心文獻定位

[71] Ch4 · LiDAR 新增

Narine et al. · 2020

首次以實際 ICESat-2 光子資料估算森林 AGB，強光束 R2 達 0.61，再以 Landsat 升尺度成 30 公尺生物量圖

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

這是首篇以實際 ICESat-2 光子計數光達資料（而非模擬資料）估算並製圖森林地上生物量的論文，是 Ch4 太空光達子題的關鍵起點，示範了 ATL03 點雲處理、冠層指標萃取與光學影像升尺度的完整流程。

結構式摘要｜中英文對照

研究問題	實際的 ICESat-2 光子計數光達資料能否用於估算與製圖森林地上生物量，強光束與弱光束的精度差異如何？ Can actual ICESat-2 photon-counting lidar data be used to estimate and map forest aboveground biomass, and how does accuracy differ between the strong and weak beam?
資料來源	研究區位於美國德州東南部約 283 平方公里，涵蓋 Sam Houston National Forest。資料包含 ICESat-2 ATL03 地理定位光子與 ATL08 植被產品（GT3R 強光束與 GT3L 弱光束），參考 AGB 來自既有機載光達推導的生物量圖，升尺度則用 Landsat 8 OLI 植生指數與 NLCD 土地覆蓋與冠層覆蓋。 The study area covers about 283 km2 in south-east Texas, including Sam Houston National Forest. Data include ICESat-2 ATL03 geolocated photons and the ATL08 vegetation product (strong beam GT3R and weak beam GT3L), with reference AGB from an existing airborne-lidar-derived biomass map, and Landsat 8 OLI vegetation indices plus NLCD land cover and canopy cover for upscaling.
方法	對 ATL03 光子套用自訂的雜訊濾除與光子分類演算法以取得冠層高度，於沿軌 100 公尺 × 17 公尺分段萃取冠層高度指標；以逐步迴歸建立 AGB 估算模型並以 VIF 檢核共線性，再以 Random Forest 結合 Landsat 與 NLCD 變數，將分段 AGB 升尺度成 30 公尺像元的生物量圖。 Custom noise-filtering and photon-classification algorithms were applied to ATL03 photons to retrieve canopy heights, and canopy height metrics were extracted in 100 m by 17 m along-track segments. Stepwise regression built the AGB models with VIF multicollinearity checks, and random forest combined with Landsat and NLCD variables upscaled segment AGB to a 30 m pixel biomass map.
主要結果	強光束最佳迴歸模型用最大高度、平均高度與第 5 百分位高度三項指標，訓練 R2 為 0.61、RMSE 為 22.15 Mg/ha，測試 R2 為 0.60、RMSE 為 24.91 Mg/ha；弱光束僅用平均高度，表現較差（訓練 R2 0.41，測試 R2 0.37）。Random Forest 升尺度模型測試 R2 為 0.58、RMSE 為 23.89 Mg/ha，最重要的預測變數為冠層覆蓋，其次為 NDVI；研究區平均預測 AGB 為 74.93 Mg/ha。 The best strong-beam regression used maximum height, mean height, and the 5th percentile height, with training R2 of 0.61 and RMSE of 22.15 Mg/ha, and test R2 of 0.60 and RMSE of 24.91 Mg/ha; the weak beam used only mean height and performed worse (training R2 0.41, test R2 0.37). The random forest upscaling model achieved test R2 of 0.58 and RMSE of 23.89 Mg/ha, with canopy cover the most important predictor followed by NDVI; mean predicted AGB over the study area was 74.93 Mg/ha.
限制	缺乏與 ICESat-2 軌道空間吻合的地面實測，改以升尺度後的機載光達 AGB 圖作為參考；參考 AGB 與 ICESat-2 之間存在時間落差（機載光達為 2010 年）；光學影像在高生物量時出現飽和導致低估。作者建議後續做完整不確定性分析並整合 GEDI 等多源資料與深度學習。 There was no ground reference spatially coincident with the ICESat-2 transect, so an upscaled airborne-lidar AGB map was used as reference; temporal mismatch exists between the reference AGB and ICESat-2 data (airborne lidar from 2010); optical imagery saturated at high biomass, causing underestimation. The authors recommend comprehensive uncertainty analysis and integration of multi-source data such as GEDI and deep learning.

Key Findings

發現	證據	確定性
實際 ICESat-2 強光束資料可用於估算森林 AGB，少數冠層高度指標即提供主要訊息。	原文 Results 3.1 與 Discussion：強光束模型用平均、最大與第 5 百分位高度，訓練 R2 0.61、RMSE 22.15 Mg/ha；平均冠層高度與 AGB 相關 r=0.77。	checked_against_original_txt
強光束精度明顯優於弱光束，弱光束仍能提供有意義資訊。	原文 Table 3 與 Conclusions：弱光束最佳模型僅用平均高度，訓練 R2 0.41、測試 R2 0.37。	checked_against_original_txt
結合 Landsat 與 NLCD 以 Random Forest 升尺度，可產出 30 公尺生物量圖，但光學影像在高 AGB 時飽和。	原文 Results 3.2：RF 測試 R2 0.58、RMSE 23.89 Mg/ha，冠層覆蓋為最重要變數，並指出飽和導致低估。	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 3	比較 GT3R 強光束與 GT3L 弱光束的預測變數、訓練與測試 RMSE 及 R2，並列出模型方程式。	強光束訓練 R2 0.61、RMSE 22.15 Mg/ha，測試 R2 0.60、RMSE 24.91 Mg/ha；弱光束訓練 R2 0.41、RMSE 33.73 Mg/ha，測試 R2 0.37、RMSE 35.85 Mg/ha。	可作為太空光達單一軌道 AGB 估算精度的基準參考，凸顯強弱光束的能量差異對植被應用的影響。	CC BY 授權，引用時標示出處即可，或自行重繪精簡表。
Figure 6	以 ICESat-2 推導 AGB 為依變數、Landsat 與 NLCD 為預測變數，經 RF 升尺度後的整區生物量空間分布。	研究區平均預測 AGB 74.93 Mg/ha，最大 148.96 Mg/ha。	示範了由稀疏光達軌道走向 wall-to-wall 製圖的升尺度路徑，可對應台灣以多源遙測補足光達覆蓋的構想。	CC BY 授權，引用時標示出處即可。

Extracted Evidence Table

可支撐主張	指標或結果	原文位置	可引用	備註
實際 ICESat-2 光子資料首次成功估算森林 AGB。	強光束模型訓練 R2 0.61、RMSE 22.15 Mg/ha；測試 R2 0.60、RMSE 24.91 Mg/ha。	Results 3.1、Table 3、Discussion（p.9-12）。	True	屬單一軌道、單一研究區的初步示範，勿過度推論至全球精度。
Landsat 升尺度可產出 30 公尺生物量圖，但有飽和限制。	RF 測試 R2 0.58、RMSE 23.89 Mg/ha，冠層覆蓋最重要；高 AGB 飽和導致低估。	Results 3.2、Figure 5、Figure 6、Discussion（p.10-12）。	True	升尺度精度受光學影像飽和限制，建議搭配雷達或 GEDI。

Critical Appraisal

Strengths

首篇以實際（非模擬）ICESat-2 資料估算 AGB 的論文，具開創性。
完整示範 ATL03 光子處理、冠層指標萃取到光學影像升尺度的工作流。
明確比較強光束與弱光束精度差異。

Weaknesses

缺乏與軌道空間吻合的地面實測，參考 AGB 為升尺度後的機載光達圖。
參考 AGB（2010）與 ICESat-2 資料存在時間落差。
僅單一軌道、單一研究區，光學升尺度有飽和低估問題。

Validation quality	以獨立測試集評估（強光束 67 段、RF 144 像元），但無同步地面實測，屬初步驗證。
Transferability to Taiwan	中等，方法可轉移，但德州針葉林與台灣山地林條件不同，需重新建模與在地參考資料。
Risk of overclaiming	勿將單一軌道初步示範的精度當成 ICESat-2 全球或台灣的代表性精度。

與 Jacky 博論 / Review 的用途

博士論文	支撐博論將太空光達（ICESat-2/GEDI）作為森林結構與 AGB 的底層觀測資料，並示範與光學影像融合升尺度的技術路線。
TJFS Review	為 TJFS review 的 Ch4 太空光達段落提供開創性引用，可串接到多源融合與數位孿生的資料底層。
可引用句候選	2020 年，Narine 等人發表的文獻中指出，運用實際 ICESat-2 強光束光子資料估算森林地上生物量，最佳迴歸模型測試 R2 可達 0.60、RMSE 約 24.91 Mg/ha，並可結合 Landsat 影像升尺度為 30 公尺生物量圖。
不可用來主張	勿用本文單獨佐證 ICESat-2 在台灣山地林或全球的 AGB 估算精度。

授權與圖表重用

Article license	CC-BY-4.0
Figure reuse policy	MAY_REUSE_WITH_ATTRIBUTION_CC_BY
Notes	原文授權頁標示 © 2020 by the authors，Licensee MDPI，開放取用，採 CC BY 4.0；引用圖表須標示出處。

待查核清單

如需引用圖表，依 CC BY 標示原文出處或自行重繪。
確認台灣山地林條件下太空光達 AGB 估算的可轉移性與在地參考資料來源。