運用光學衛星影像與太空光達融合進行碳儲量估算之森林減排評估Forest Emissions Reduction Assessment Using Optical Satellite Imagery and Space LiDAR Fusion for Carbon Stock Estimation
Jiao, Y.; Wang, D.; Yao, X.; Wang, S.; Chi, T.; Meng, Y.｜Remote Sensing 15(5): 1410｜DOI: 10.3390/rs15051410
狀態：AI_DRAFT_FROM_REVIEW｜分級：A｜閱讀深度：FULL_TEXT_CHECKED｜Jacky 審核：False
森林數位孿生方法平台
carbon stockforest emissions reductionREDD+MRVoptical-LiDAR fusionGEDISentinel-2ALSfully convolutional networkOLS regressionChinasubtropical
專討核心文獻定位
[90]
Ch6 · 多源融合
新增
GEDI 與 Sentinel-2 融合估算 10 公尺解析度冠層高與碳儲量，可規模化評估森林減排
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 Ch6 多源融合的代表性實作案例，把太空光達 GEDI 與光學 Sentinel-2 融合，建立可規模化的 10 公尺碳儲量產品，並用一個正在進行的森林碳專案做實地驗證，直接連到 REDD+ 與 MRV 應用情境。
結構式摘要｜中英文對照
| 研究問題 | 能否用光學衛星影像與太空光達融合，建立可規模化且低成本的森林減排評估方法，用於 REDD+ 碳專案？ Can fusing optical satellite imagery with space LiDAR provide a scalable and low-cost method to assess forest emissions reduction for REDD+ carbon projects? |
|---|---|
| 資料來源 | 研究區為中國福建順昌的森林碳中和專案，主要樹種為杉木，總面積 3395.51 公頃、由 909 個分散地塊組成。使用四類資料：野外實測（8 個 20 公尺見方樣區、290 棵樹的胸徑與樹高）、無人機 ALS 光達（涵蓋 8 個樣區、共 30 公頃）、Sentinel-2 L2A 光學影像（12 個波段），以及 GEDI L2A 太空光達（過濾後 9500 個足跡冠層高）。 The study site is the Fujian Carbon Neutrality Forest Project in Shunchang, China, dominated by Cunninghamia lanceolata, covering 3395.51 ha across 909 discrete parcels. Four data sources were used: field measurements (eight 20 m square plots, 290 trees with DBH and tree height), UAV ALS LiDAR (eight plots, 30 ha total), Sentinel-2 L2A optical imagery (12 bands), and GEDI L2A space LiDAR (9500 filtered footprint canopy top heights). |
| 方法 | 先以異速生長方程式從野外實測建立 ALS 樹級碳儲量模型，再用全卷積網路 FCN 結合 Sentinel-2 與 GEDI RH98 估算每個 10 公尺像元的冠層頂高，並以最小二乘 OLS 迴歸把冠層高轉成碳儲量密度，最後加總全專案碳儲量並換算為減排量。模型訓練皆採 30% 資料留作驗證，並以空載與太空光達最大高差 5 公尺為過濾門檻。 An ALS-based tree-level carbon stock model was first built from field measurements via allometric equations. A fully convolutional network (FCN) then fused Sentinel-2 with GEDI RH98 to estimate canopy top height for each 10 m pixel, and OLS regression translated canopy height into carbon stock density. Project-level carbon stock was summed and converted into emissions reduction. Models held out 30% of data for validation and applied a 5 m airborne-versus-space LiDAR maximum-height filter. |
| 主要結果 | 融合方法估算的碳儲量密度相對 ALS 結果的 R2 達 0.72；FCN 冠層高估算 pseudo-R2 為 0.8142、RMSE 3.5467 公尺，優於 RF、SVR、CNN。融合法評估的減排量 589,169 tCO2e 與官方監測報告的 598,442 tCO2e 高度一致。ALS 模型相對野外法成本僅約九分之一、rME 為 3.22%。 The fusion-derived carbon stock density reached R2 of 0.72 relative to ALS results. The FCN canopy height model achieved pseudo-R2 of 0.8142 and RMSE of 3.5467 m, outperforming RF, SVR, and CNN. The fusion-assessed emissions reduction of 589,169 tCO2e was highly consistent with the official monitoring report value of 598,442 tCO2e. The ALS model cost about one-ninth of the field method with rME of 3.22%. |
| 限制 | FCN 對低矮冠層高估、高大冠層低估；CHM 個別樹分割在多層次混合林表現下降；本案僅以單一杉木為主的亞熱帶林、單一專案驗證，跨樹種與跨區轉移仍待參考資料支撐；不確定性如何由樹級向專案級傳遞尚不清楚，需建立品質控制框架。 The FCN overestimates low canopies and underestimates tall ones; CHM-based individual tree segmentation degrades in multi-layered mixed stands. The study validated only a single subtropical Cunninghamia-dominated project, so transferability across species and regions still needs reference data. How uncertainty propagates from tree to project level remains unclear and requires a quality control framework. |
Key Findings
| 發現 | 證據 | 確定性 |
|---|---|---|
| GEDI 與 Sentinel-2 融合估算的密集冠層頂高，可準確預測 ALS 法的森林碳儲量（R2 = 0.72）。 | 原文 Abstract 與 Section 3.3：融合法碳儲量密度相對 ALS 法的 R2 達 0.72，Figure 8 顯示對數轉換迴歸表現更佳。 | checked_against_original_txt |
| 融合法評估的減排量與官方監測報告高度一致，且成本與規模化優於 ALS。 | 原文 Section 3.3 與 Conclusions：融合法 589,169 tCO2e 對比官方 598,442 tCO2e；Sentinel-2 與 GEDI 資料免費，ALS 成本僅野外法約九分之一。 | 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 | 比較四種冠層高估算模型的 pseudo-R2、RMSE、rRMSE、ME、rME。 | FCN pseudo-R2 0.8142、RMSE 3.5467 m、rRMSE 16.89%；RF RMSE 6.1348 m；SVR RMSE 6.3252 m；CNN RMSE 4.6730 m。FCN 在 R2 最高、RMSE 最低。 | 可作為 Ch6 多源融合中深度學習冠層高估算優於傳統 ML 的佐證，但要註明 FCN 對低矮冠層仍有高估。 | CC BY 4.0 授權，可附出處重用或自行重繪簡化版比較表。 |
| Table 2 / Table 3 | 8 個樣區碳儲量密度的平均、標準差、最大、最小值，分別由 ALS 法與融合法產出。 | ALS 法 Plot 7 最高（平均 137.42 Mg/ha）、Plot 3 最低（平均 23.62 Mg/ha）；融合法 Plot 7 最高（平均 129.40 Mg/ha）、Plot 3 最低（平均 29.12 Mg/ha），兩者趨勢一致。 | 顯示融合法在樣區層級與 ALS 法有可接受一致性，但會略為高估低值、低估高值。 | CC BY 4.0，可附出處重用或重繪。 |
Extracted Evidence Table
| 可支撐主張 | 指標或結果 | 原文位置 | 可引用 | 備註 |
|---|---|---|---|---|
| 光學與太空光達融合可在不增加資料成本下，規模化估算 10 公尺碳儲量。 | Sentinel-2 與 GEDI 資料免費；融合碳儲量密度相對 ALS 之 R2 = 0.72；UAV LiDAR 約 USD 2500/日、定翼機 LiDAR 約 USD 30,000/日。 | 原文 Section 3.3、Section 4.1、Conclusions。 | True | 可作為融合法成本效益與規模化的證據，但需說明僅單一亞熱帶杉木專案驗證。 |
Critical Appraisal
Strengths
- 用真實正在進行的森林碳專案做實地驗證，並與官方監測報告對比，外部效度高。
- 明確量化成本優勢與規模化能力，貼近 REDD+ 與 MRV 實務需求。
- FCN 稀疏監督訓練設計巧妙，把稀疏 GEDI 足跡放大為密集冠層高產品。
Weaknesses
- 僅單一亞熱帶杉木為主的專案、單一研究區驗證，跨樹種與跨區轉移性未證實。
- FCN 對低矮冠層高估、高大冠層低估，CHM 個別樹分割在混合林表現下降。
- 未整合 Sentinel-1 SAR、ICESat-2 等，雲量高地區可能受限。
| Validation quality | 良好，野外與官方監測報告雙重對照，但樣本樹種與地理範圍狹窄。 |
|---|---|
| Transferability to Taiwan | 中高，台灣亞熱帶山地林與杉木造林情境相近，但需重新校正異速方程式與分割參數。 |
| Risk of overclaiming | 不可宣稱此法已普適於各種森林型態與區域；原文自述需更多參考資料與品質控制框架才能跨型態轉移。 |
與 Jacky 博論 / Review 的用途
| 博士論文 | 支撐博論把太空光達加光學融合定位為地上生物量與碳儲量的可規模化中層技術，並提供 MRV 一致性驗證的方法範例。 |
|---|---|
| TJFS Review | 為 TJFS review 的 Ch6 多源融合提供具實地驗證的代表案例，可與只做地圖產品的研究區隔。 |
| 可引用句候選 | 2023 年，Jiao 等人發表的文獻中指出，融合 GEDI 太空光達與 Sentinel-2 光學影像所估算的密集冠層頂高，能準確預測 ALS 法的森林碳儲量（R2 = 0.72），且其評估的減排量與官方監測報告高度一致。 |
| 不可用來主張 | 不要單憑本文宣稱光學與太空光達融合已可跨樹種、跨區域普適地取代野外調查。 |
授權與圖表重用
| Article license | CC-BY-4.0 |
|---|---|
| Figure reuse policy | REUSE_ALLOWED_WITH_ATTRIBUTION_CC_BY_4_0 |
| Notes | 原文版權頁載明 MDPI 開放取用，採 Creative Commons Attribution (CC BY) 4.0 授權，圖表可附出處重用。 |
待查核清單
- 如需引用樣區層級數字，回原文 Table 2、Table 3 逐筆核對。
- 確認台灣杉木與柳杉異速生長方程式參數差異後，再評估方法移植可行性。
- 圖表為 CC BY 4.0，可重用但須附完整出處。