← 回文獻卡索引

結合 Sentinel-2 與多元環境資料大幅改善中國北方森林地上生物量估算Combining Sentinel-2 and diverse environmental data largely improved aboveground biomass estimation in China's boreal forests

Liu, P., Ren, C., Yang, X., Wang, Z., Jia, M., Zhao, C., Yu, W., Ren, H.｜Scientific Reports 14: 27528｜DOI: 10.1038/s41598-024-78615-9

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 →

AGBoptical remote sensingenvironmental databoreal forestSentinel-2Sentinel-1ALOS-2 PALSARRandom ForestGradient Boosting RegressionGoogle Earth EngineChinaGreater Khingan MountainsTaheMohe

專討核心文獻定位

[42] Ch3 · 光學遙測 新增
Liu et al. · 2024
Sentinel-2 加環境資料以 GBR 達 R²=0.75、RMSE=23.60 Mg/ha，再加 SAR 反而變差

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 光學遙測章節的效果驗證型文獻，量化比較單用 Sentinel-2、加 SAR、加環境資料三種組合對北方森林 AGB 估算的相對增益，凸顯環境輔助資料的價值與 SAR 在此區域的飽和限制。

結構式摘要｜中英文對照

研究問題
在中國北方森林（大興安嶺），整合 Sentinel-2 與環境資料以及 SAR 影像對地上生物量估算各能帶來多少相對增益，又該如何建立準確的 AGB 估算模型？
In China's boreal forests (Greater Khingan Mountains), what are the relative gains of integrating Sentinel-2 with environmental data and with SAR imagery for aboveground biomass estimation, and how can an accurate AGB estimation model be built?
資料來源
研究地點為大興安嶺最北端的塔河與漠河，面積約 3.28 萬平方公里。地面真值取自 2018 年 5 至 9 月的森林經營調查資料，共 2235 個樣本（DBF 662、DCF 628、ECF 651、MF 294），AGB 介於 4.09 至 346.25 Mg/ha、平均 64.85 Mg/ha，依 8 比 2 切分訓練與驗證。遙感與環境資料含 Sentinel-2 多光譜、Sentinel-1 與 ALOS-2 PALSAR SAR、氣候、土壤、擾動、地形與地理位置，於 Google Earth Engine 平台處理，最終建立 91 個特徵的特徵池。
The study area is Tahe and Mohe at the northernmost Greater Khingan Mountains, about 3.28 by 10000 square km. Ground truth came from 2018 forest management inventory data surveyed May to September, totaling 2235 samples (DBF 662, DCF 628, ECF 651, MF 294), with AGB from 4.09 to 346.25 Mg/ha and a mean of 64.85 Mg/ha, split 80 to 20 into training and validation. Remote-sensing and environmental data include Sentinel-2 multispectral, Sentinel-1 and ALOS-2 PALSAR SAR, climate, soil, disturbance, topography, and location, processed on Google Earth Engine to form a feature pool of 91 features.
方法
先以 Pearson 相關分析與隨機森林節點純度的變數重要性做兩步特徵選取，從 91 個降到 31 個候選變數。建立四種輸入組合的模型 S2、S2+SAR、S2+Envi、S2+SAR+Envi，每種皆以隨機森林（RF）與梯度提升迴歸（GBR）兩種演算法估算 AGB，以五折交叉驗證調參並以 R² 與 RMSE 評估。再做像元尺度不確定性分析（以 RMSE 多項式模型分三級），最後與 Yang、Santoro、Nie、Chen 四個既有 AGB 產品比較。
Two-step feature selection used Pearson correlation and random forest node-purity importance, reducing 91 to 31 candidate variables. Four input combinations were built, S2, S2+SAR, S2+Envi, and S2+SAR+Envi, each estimated with both random forest (RF) and gradient boosting regression (GBR), tuned by five-fold cross-validation and assessed by R-squared and RMSE. Pixel-scale uncertainty was analyzed with an RMSE polynomial model in three classes, and the best map was compared with four existing AGB products from Yang, Santoro, Nie, and Chen.
主要結果
基於 Sentinel-2 加環境資料的 GBR 模型估算能力最佳（R²=0.75、RMSE=23.60 Mg/ha）。相較單用 Sentinel-2 的 GBR（R²=0.50、RMSE=32.67），加環境資料使 R² 提升 50%、RMSE 下降 27.76%。在所有資料組合中 GBR 一致優於 RF。再加入 SAR 對模型沒有幫助甚至變差（GBR 降為 R²=0.70、RMSE=25.78）。TCD、Sentinel-2 短波紅外、黑龍江大火擾動、高程與地理位置是主要貢獻變數。AGB 估算範圍 3.23 至 346.37 Mg/ha，呈南北梯度，平均約 64 Mg/ha，本研究地圖優於四個既有產品。
The GBR model based on Sentinel-2 plus environmental data had the best estimation capability (R-squared 0.75, RMSE 23.60 Mg/ha). Compared with GBR using Sentinel-2 alone (R-squared 0.50, RMSE 32.67), adding environmental data raised R-squared by 50% and reduced RMSE by 27.76%. GBR consistently outperformed RF across all data combinations. Adding SAR did not help and even degraded performance (GBR fell to R-squared 0.70, RMSE 25.78). TCD, Sentinel-2 short-wave infrared, the Black dragon fire disturbance, elevation, and geographic location were the major contributing variables. Estimated AGB ranged 3.23 to 346.37 Mg/ha with a south-north gradient and a mean around 64 Mg/ha, and the map outperformed four existing products.
限制
所有模型對高生物量區皆有低估、對低生物量區有高估，反射率與雷達後向散射對 AGB 的敏感度在生物量升高時下降，SAR 在約 100 Mg/ha 即飽和。ALOS-2 PALSAR 採年度鑲嵌影像存在獲取變異。因時間不匹配未納入 ICESat-2，亦未採用 GEDI 樹高產品。南部高生物量區仍呈現高不確定性，缺乏依樹種分層所需的細緻空間分布圖。
All models underestimated high-biomass areas and overestimated low-biomass areas, as reflectance and radar backscatter lose sensitivity to AGB as biomass increases, and SAR saturated around 100 Mg/ha. The ALOS-2 PALSAR yearly mosaic introduced acquisition variation. ICESat-2 was excluded due to temporal mismatch and GEDI canopy-height products were not used. High uncertainty remained in the high-biomass southern part, and the detailed species-distribution map needed for species stratification was unavailable.

Key Findings

發現證據確定性
在 Sentinel-2 模型中加入多元環境資料，以 GBR 達到最佳 AGB 估算（R²=0.75、RMSE=23.60 Mg/ha），R² 提升 50%、RMSE 下降 27.76%。原文摘要與 AGB models assessment 段：S2+Envi 之 GBR R² 由 0.50 升至 0.75、RMSE 由 32.67 降至 23.60 Mg/ha（Fig. 5e,f）。checked_against_original_txt
再加入 Sentinel-1 與 ALOS-2 PALSAR 的 SAR 特徵對模型沒有助益甚至變差，顯示 SAR 在此北方森林互補性有限。原文結果與討論：S2+SAR+Envi 之 GBR R² 由 0.75 降為 0.70、RMSE 25.78 Mg/ha，SAR 約於 100 Mg/ha 飽和（Fig. 5g,h；Discussion）。checked_against_original_txt
TCD 與 B12 在四個模型中變數重要性皆排前三，黑龍江大火擾動在含環境資料模型中為最重要變數。原文 Variable selection 與 Fig. 4：TCD、Black dragon fire、B12 與 AGB 相關係數最高（-0.56、-0.48、-0.43），S2+Envi 模型中 Black dragon fire 最重要。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
Fig. 5（精度比較）、Table 1（91 個特徵）、Table 4（各模型選用變數）、Fig. 6（AGB 空間分布）、Fig. 7（不確定性）Fig. 5 比較 S2/S2+SAR/S2+Envi/S2+SAR+Envi 在 RF 與 GBR 下的散點與 R²、RMSE；Table 1 列出由遙感與環境資料導出的 91 個預測特徵；Table 4 列出各模型最終選用變數；Fig. 6 呈現 10m 解析度的 AGB 南北梯度分布；Fig. 7 呈現不確定性多項式擬合與分級。S2+Envi GBR R²=0.75、RMSE=23.60 Mg/ha；S2 GBR R²=0.50、RMSE=32.67；S2+SAR+Envi GBR R²=0.70、RMSE=25.78；91 個特徵降至 31 候選；最終 S2/S2+SAR/S2+Envi/S2+SAR+Envi 各選 5/8/11/12 個變數；不確定性中度佔 73.90%、低度 16.8%、高度 9.30%；不確定性多項式 R²=0.84。可作為光學加環境輔助資料 AGB 估算的精度與飽和限制對照基準，並佐證在北方森林環境變數的增益遠大於 SAR。授權為 CC-BY-NC-ND，禁止改作衍生，發布時不重製或改繪原圖，僅以自繪示意圖呈現精度比較與變數重要性概念，並標註出處。

Extracted Evidence Table

可支撐主張指標或結果原文位置可引用備註
在中國北方森林，光學遙測結合多元環境資料可顯著提升 AGB 估算精度，且 SAR 增益有限。S2+Envi GBR R²=0.75、RMSE=23.60 Mg/ha（較 S2 之 R²+50%、RMSE-27.76%）；再加 SAR R² 降為 0.70。原文摘要；Results - AGB models assessment；Discussion - Forest AGB modeling；Fig. 5；Conclusion。True結論為中國大興安嶺特定條件下結果；引用時以效果驗證型結論呈現，勿延伸宣稱於其他生物群系或台灣已驗證。

Critical Appraisal

Strengths

Weaknesses

Validation quality五折交叉驗證調參；以 20% 獨立驗證樣本評估，最佳模型 R²=0.75、RMSE=23.60 Mg/ha；並與既有產品比較（AGB_100 r=0.83、RMSE=26.54 Mg/ha，優於 Santoro、Chen、Yang、Nie）。
Transferability to Taiwan中等，環境輔助資料與 GBR 路線可參考，但本研究為寒溫帶北方森林，與台灣亞熱帶到溫帶山地森林差異大，需在地樣本與在地擾動因子重新校準。
Risk of overclaiming勿宣稱本方法已在台灣或其他森林型驗證；R²=0.75 為大興安嶺特定條件結果，SAR 無增益亦屬此區結論，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整合環境輔助資料（氣候、土壤、擾動、地形、位置）與樹基集成學習（GBR）以提升 AGB 估算的技術路線，並提醒 SAR 在特定森林型的飽和限制。
TJFS Review作為 TJFS review Ch3 光學遙測章節的效果驗證型文獻，量化佐證 Sentinel-2 加環境資料的相對增益，並與多源融合章節（SAR 增益有限）形成對照。
可引用句候選2024 年，Liu 等人發表的文獻中指出，在中國北方森林以 Sentinel-2 結合氣候、土壤、擾動與地形等環境資料，並以梯度提升迴歸建模，可使地上生物量估算的 R² 達 0.75、RMSE 降至 23.60 Mg/ha，而再加入 SAR 影像反而無助於精度提升。
不可用來主張勿以本文作為 SAR 對 AGB 估算普遍無效的證據，亦勿作為光學遙測在台灣山地森林已驗證可用的依據。

授權與圖表重用

Article licenseCC-BY-NC-ND-4.0
Figure reuse policyDO_NOT_REUSE_ORIGINAL_FIGURES_PUBLICLY_UNTIL_LICENSE_CHECKED
Notes原文授權頁載明 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License（CC-BY-NC-ND 4.0）。明文禁止分享改作衍生內容，故不可重製或改繪原圖、不可發布整段翻譯，引用須註明出處。

待查核清單