面向碳中和的多源遙測與地理資訊系統森林碳監測Multi-Source Remote Sensing and GIS for Forest Carbon Monitoring Toward Carbon Neutrality
Liang, X.; Yu, S.; Meng, B.; Wang, X.; Yang, C.; Shi, C.; Ding, J.｜Forests 16(6): 971｜DOI: 10.3390/f16060971
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
forest carboncarbon neutralitymulti-source fusionopticalSARLiDARGISmachine learningremote sensingglobal
專討核心文獻定位
[37]
Ch1 · 研究背景
新增
光學單源 R2 約 0.56，光學加 SAR 加 LiDAR 多源融合可拉到 R2 約 0.83、RMSE 低於 25 Mg ha-1
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
這篇是面向碳中和目標的森林碳監測綜合回顧，正好補足研究背景章節中多源遙測融合如何量化提升估算精度，以及遙測如何與 REDD+ MRV 與碳市場政策接軌的論述。它和 Xu et al. 2025 互補，後者偏感測器與方法歷史，這篇偏政策整合與多源融合的實際精度增益。
結構式摘要｜中英文對照
| 研究問題 | 在邁向碳中和的目標下，現行森林碳儲量估算方法各有何優劣，多源遙測與地理資訊系統整合如何提升監測的精度與可擴展性？ Toward carbon neutrality, what are the strengths and limitations of current forest carbon stock estimation methods, and how can multi-source remote sensing combined with GIS improve monitoring accuracy and scalability? |
|---|---|
| 資料來源 | 原文第 4 至 5 頁的回顧方法說明，作者以 Web of Science、Scopus 與 Google Scholar 為資料庫，聚焦 2010 年 1 月至 2025 年 6 月的文獻，從初步約 300 篇中最終納入超過 100 篇同儕審查文獻，並參照 PRISMA-ScR 流程記錄篩選過程。 The review methodology on pages 4 to 5 states that the authors searched Web of Science, Scopus, and Google Scholar, focusing on publications from January 2010 through June 2025. From an initial pool of about 300 works, over 100 peer-reviewed studies were finally included, following a PRISMA-ScR style process. |
| 方法 | 這是一篇綜合回顧，將地面實測、光學衛星、SAR、LiDAR 與多源融合資料、機器學習與深度學習模型、過程模型，以及 GIS 空間建模整合成面向碳中和的監測架構，並以多篇研究的整合分析比較不同感測器組合與不同建模典範的精度。 This is a comprehensive review that integrates field measurements, optical satellite, SAR, LiDAR and multi-source data, machine learning and deep learning models, process-based models, and GIS spatial modeling into a carbon-neutrality-oriented monitoring architecture, and uses meta-analyses to compare accuracy across sensor combinations and modeling paradigms. |
| 主要結果 | 原文第 5 頁確認，整合分析顯示明顯的精度梯度，光學單源模型平均 R2 約 0.56、RMSE 約 45 Mg ha-1，且在 150 Mg ha-1 以上出現飽和；加入 C 波段 SAR 後平均 R2 提升到 0.68；完整的光學加 SAR 加 LiDAR 堆疊可達平均 R2 約 0.83、RMSE 低於 25 Mg ha-1。原文 Table 8 的 30 篇研究整合分析進一步顯示，深度學習平均 R2 約 0.85、RMSE 約 25 Mg C ha-1 最高，機器學習平均 R2 約 0.78，過程模型約 0.66，經驗回歸約 0.62。 Page 5 confirms a clear accuracy gradient. Optical-only models reach a mean R2 of about 0.56 with RMSE around 45 Mg ha-1 and saturate above 150 Mg ha-1. Adding C-band SAR lifts mean R2 to 0.68, and a full optical plus SAR plus LiDAR stack reaches mean R2 of about 0.83 with RMSE below 25 Mg ha-1. Table 8, a meta-analysis of 30 studies, further shows deep learning with the highest mean R2 of about 0.85 and RMSE around 25 Mg C ha-1, machine learning at about 0.78, process-based modeling at about 0.66, and empirical regression at about 0.62. |
| 限制 | 原文第 26 至 27 頁的挑戰與結論指出，跨感測器資料標準化、模型跨生物群系的可轉移性，以及極高解析度監測的高成本仍限制全球規模的營運部署；地下碳庫等估算的空間轉移與時間穩定性不確定度仍高。這篇可支撐多源融合確實提升精度的背景論述，但不能直接證明這些精度在台灣森林情境下可直接套用。 The challenges and conclusion on pages 26 to 27 note that cross-sensor data standardization, model transferability across biomes, and the high cost of very high resolution monitoring still constrain global operational deployment, and that uncertainties for pools such as belowground carbon remain high. This paper supports the background claim that multi-source fusion improves accuracy, but it cannot directly prove these accuracies transfer to Taiwan forest contexts. |
Key Findings
| 發現 | 證據 | 確定性 |
|---|---|---|
| Multi-source fusion quantitatively improves forest biomass estimation accuracy across biomes. | 原文第 5 頁 Section 3.1：光學單源 mean R2 約 0.56（RMSE 約 45 Mg ha-1），加 C 波段 SAR 提升至 0.68，完整光學加 SAR 加 LiDAR 堆疊達 mean R2 約 0.83、RMSE 低於 25 Mg ha-1。 | checked_against_full_text |
| Across 30 studies, deep learning and machine learning outperform empirical and process-based models for carbon estimation. | 原文第 20 至 21 頁 Table 8 與其後條列：深度學習 mean R2 約 0.85、機器學習約 0.78、過程模型約 0.66、經驗回歸約 0.62。 | checked_against_full_text |
| The review explicitly links remote sensing to carbon neutrality policy mechanisms such as REDD+ MRV, national GHG inventories, and carbon markets. | 原文 Table 1 與 Section 5 強調本回顧相較 Xu et al. 2025 更聚焦政策整合，並以 REDD+ MRV、GHGI 與自願碳市場為應用情境。 | 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 |
|---|---|---|---|---|
| Table 1 | 原文以時間範疇、建模觀點、政策整合、案例納入與策略展望等維度，對比本回顧與 Xu et al. 2025，指出本回顧偏 2020-2025 碳中和導向整合與政策連結，Xu et al. 偏 1999-2024 技術導向。 | 本回顧聚焦時間範疇 2020-2025；Xu et al. 為 1999-2024。 | 可用 Table 1 把 Liang 與 Xu 兩篇 Ch1 背景文獻清楚分工，Xu 給文獻成長與技術歷史，Liang 給政策整合與多源融合的精度增益。 | 原文為 CC BY 4.0，重用須標註出處；公開頁面建議以自繪對照表呈現並標明來源。 |
| Table 8 | 基於 30 篇研究（2010-2025）整合分析，比較經驗回歸、機器學習、深度學習與過程模型的平均 R2、平均 RMSE 與 95% 信賴區間。 | 深度學習 mean R2 約 0.85、RMSE 約 25 Mg C ha-1；機器學習 約 0.78、RMSE 約 30；過程模型 約 0.66、RMSE 約 50；經驗回歸 約 0.62、RMSE 約 42。 | 用來支撐機器學習與深度學習在森林碳估算的精度優勢，但要同時點出可解釋性與地面真值資料可得性的取捨。 | 原文為 CC BY 4.0，重用須標註出處；建議自製整理表並標明來源與整合研究數。 |
Extracted Evidence Table
| 可支撐主張 | 指標或結果 | 原文位置 | 可引用 | 備註 |
|---|---|---|---|---|
| Adding more sensor modalities monotonically improves biomass estimation accuracy. | 光學單源 mean R2 約 0.56 → 加 C 波段 SAR 0.68 → 光學加 SAR 加 LiDAR 約 0.83，RMSE 由約 45 降至低於 25 Mg ha-1。 | 原文第 5 頁 Section 3.1。 | True | 此精度梯度來自原文引用的整合分析（47 篇研究，2010-2025），引用時宜註明為文獻整合結果而非單一實測。 |
| Deep learning and machine learning currently lead carbon estimation accuracy among modeling paradigms. | 深度學習 mean R2 約 0.85、機器學習約 0.78、過程模型約 0.66、經驗回歸約 0.62（30 篇研究整合）。 | 原文第 20 至 21 頁 Table 8 與條列摘要。 | True | Table 8 原文版面有錯位，但其後條列文字明確標示各典範數值，引用以條列文字為準。 |
Critical Appraisal
Strengths
- 明確把多源遙測融合的精度增益以量化梯度呈現，適合作為背景章節的證據。
- 把遙測技術與 REDD+ MRV、GHGI 與碳市場等政策機制連結，補足純技術回顧的不足。
- 以 PRISMA-ScR 風格記錄文獻篩選，方法透明度較高。
Weaknesses
- 多數精度數字為文獻整合結果，非作者自行驗證的實測，引用時不宜當作單一研究的硬證據。
- 缺乏台灣或亞熱帶在地案例，跨生物群系可轉移性仍需另行確認。
| Validation quality | 回顧本身屬整合分析，所引精度數字的驗證設計需回到各原始研究確認 |
|---|---|
| Transferability to Taiwan | medium |
| Risk of overclaiming | 不可用本文直接宣稱光學加 SAR 加 LiDAR 在台灣森林必達 R2 約 0.83；這些是跨研究整合的平均值，需在地校準驗證。 |
與 Jacky 博論 / Review 的用途
| 博士論文 | 支撐博論把多源遙測融合與 GIS、AI 整合定位為碳中和導向監測架構，並提供精度梯度的量化背景。 |
|---|---|
| TJFS Review | 為 TJFS review 的研究背景提供多源融合提升精度與政策接軌兩條主線，與 Xu et al. 2025 形成技術歷史與政策整合的互補。 |
| 可引用句候選 | 2025 年，Liang 等人發表的文獻中指出，光學單源模型平均決定係數約為 0.56，而結合光學、SAR 與 LiDAR 的多源融合可將平均決定係數提升至約 0.83，並將均方根誤差壓低至每公頃 25 Mg 以下，顯示多源整合能在不同生物群系量化改善森林碳估算。 |
| 不可用來主張 | 不可單獨用本文宣稱台灣森林的多源融合精度數值，也不可把跨研究整合平均當成單一研究的實測結果。 |
授權與圖表重用
| Article license | CC BY 4.0 |
|---|---|
| Figure reuse policy | REUSE_ALLOWED_WITH_ATTRIBUTION_CC_BY |
| Notes | 原文首頁版權頁標示為 MDPI open access，採 Creative Commons Attribution (CC BY 4.0) 授權；圖表可在標註出處下重用，仍建議公開頁面以自繪圖示為主並標明來源。 |
待查核清單
- 選擇性地目視確認原文 Figure 2 的 2010-2025 出版趨勢與 Table 1 對照表。
- 若升級為完整文獻頁，整理 Table 2 的代表性遙測資料源與 Table 7 的建模方法比較。
- 標明所有精度數字為文獻整合平均，避免被當成單一實測硬證據。