← 回文獻卡索引

統一深度學習模型從高解析度多感測器衛星影像全球預測地上生物量、樹冠高度與覆蓋度Unified Deep Learning Model for Global Prediction of Aboveground Biomass, Canopy Height, and Cover from High-Resolution, Multi-Sensor Satellite Imagery

Weber, M.; Beneke, C.; Wheeler, C.｜Remote Sensing 17(9): 1594｜DOI: 10.3390/rs17091594

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

讀學習筆記 →

AGBcanopy heightcanopy covercarbon accountingdeep learningCNNfeature pyramid networkGEDImulti-sensor fusionuncertainty estimationglobal

專討核心文獻定位

[41] Ch4 · LiDAR 新增
Weber et al. · 2025
單一深度學習模型以 Sentinel-1/2 與 GEDI 訓練，同時全球預測地上生物量、樹冠高度與覆蓋度及其不確定性

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 Ch4 光達章節中關鍵的『太空光達升尺度』案例，示範如何用太空光達（GEDI）稀疏點資料當地面真值，搭配光學與雷達衛星影像與深度學習，將點狀光達量測升尺度為全球連續地圖，並同時輸出生物量、樹冠高度與覆蓋度與其不確定性。

結構式摘要｜中英文對照

研究問題
能否用單一深度學習模型，結合多感測器衛星影像與 GEDI 稀疏光達真值，在全球尺度同時且高解析度地預測地上生物量、樹冠高度與樹冠覆蓋度及其不確定性？
Can a single deep learning model, combining multi-sensor satellite imagery with sparse GEDI LiDAR ground truth, jointly predict aboveground biomass density, canopy height, and canopy cover with their uncertainties at high resolution and global scale?
資料來源
輸入為 10 公尺解析度的多感測器影像，包含 Sentinel-2 光學（紅綠藍）與熱紅外波段、Sentinel-1 合成孔徑雷達 VV/VH 回波，以及 SRTM 數位高程模型（高度、坡向、坡度）與經緯度座標，重採樣堆疊為 13 通道張量。地面真值取自 GEDI 太空光達的 level 2a/b 與 level 4a 點資料。共產生 276,766 個樣本（其中 5%、14,745 個作為測試集），地面真值點訓練集 6700 萬點、測試集 380 萬點。
Inputs are 10 m multi-sensor imagery: Sentinel-2 optical (RGB) and thermal bands, Sentinel-1 SAR VV/VH backscatter, plus SRTM DEM (altitude, aspect, slope) and lon/lat coordinates, resampled and stacked into a 13-channel tensor. Ground truth comes from GEDI spaceborne LiDAR level 2a/b and level 4a point data. In total 276,766 samples were created (5%, i.e. 14,745, held out as test set); ground-truth points total 67 M for training and 3.8 M for test.
方法
模型為自訂的特徵金字塔網路（Feature Pyramid Network），由編碼器、解碼器與多個預測頭組成，全部基於卷積神經網路；採多頭架構同時輸出 AGBD、樹冠高度與覆蓋度及其不確定性。因 GEDI 點資料稀疏，作者提出弱監督訓練程序，用兩個相同網路互當教師與學生並週期性互換角色（mean-teacher 式）來處理稀疏標籤。並示範以本地異速生長方程式對應的 RH 變數微調基礎模型（Section 4.3）。
The model is a custom Feature Pyramid Network with an encoder, decoder, and multiple prediction heads, all CNN-based; the multi-head architecture simultaneously outputs AGBD, canopy height, and canopy cover plus their uncertainties. Because GEDI point data are sparse, the authors introduce a weakly supervised training procedure using two identical teacher and student networks that periodically switch roles. They also demonstrate fine-tuning the base model on RH variables tied to local allometric equations (Section 4.3).
主要結果
在全球抽樣測試集上，AGBD（樹冠高度、覆蓋度）的平均絕對誤差為 26.1 Mg/ha（3.7 m、9.9%），均方根誤差為 50.6 Mg/ha（5.4 m、15.8%），相較先前發表結果有顯著改善（摘要與 Table 1）。Discussion 指出相較於先前 AGBD 與樹冠高度的 SOTA 方法，本模型在所有變數範圍都達到最低誤差；其中 AGBD 在 200 Mg/ha 以上（如雨林等高碳區）表現優於前作。模型同時部署於 2023 年全球（緯度 57°S 到 67°N）並回溯 2016 年產製年度地圖。
On the globally sampled test set, the mean absolute error for AGBD (CH, CC) is 26.1 Mg/ha (3.7 m, 9.9%) and RMSE is 50.6 Mg/ha (5.4 m, 15.8%), a significant improvement over previously published results (Abstract and Table 1). The Discussion states the model achieves the lowest error across all variable ranges compared with prior SOTA for AGBD and CH, with improved AGBD performance above 200 Mg/ha (high-carbon regions such as rainforests). The model was deployed globally for 2023 (latitude 57S to 67N) and back to 2016 for annual maps.
限制
模型在非常茂密的森林表現受限，因為輸入特徵在高生物量區較不分明，存在空間解析度限制與光譜飽和效應；AGBD 在高值區更明顯，還疊加了 GEDI 地面真值在高值時不確定性增大、由異速生長校正傳遞的誤差。GEDI 約 25 公尺足跡帶來的固有不確定性會以雜訊形式進入訓練資料，導致高 AGBD 與樹冠高度區被低估。
Performance is limited in very dense forests where input features are less distinct, due to spatial-resolution limits and spectral saturation; the effect is stronger for AGBD, compounded by the increasing uncertainty of GEDI ground truth at high values propagated from allometric calibration. The roughly 25 m GEDI footprint introduces inherent uncertainty that appears as noise in the training data, leading to underestimation at high AGBD and canopy height values.

Key Findings

發現證據確定性
單一深度學習模型可同時預測地上生物量密度、樹冠高度與樹冠覆蓋度及其不確定性，作者稱這是首個將三者統一於一個模型的工作。摘要與 Introduction 原文寫道，『To the best of our knowledge, our work is the first to combine the estimation of aboveground biomass density, canopy height, and canopy cover into a single unified model.』checked_against_original_txt
以 GEDI 太空光達稀疏點資料為地面真值，搭配 10 公尺多感測器影像與弱監督訓練，可將點狀光達升尺度為全球連續地圖。Section 2.1-2.3 使用 GEDI level 2a/b 與 4a 作 ground truth，弱監督訓練處理稀疏標籤，全資料集 276,766 樣本、6700 萬訓練真值點。checked_against_original_txt
全球測試集 AGBD MAE 26.1 Mg/ha、RMSE 50.6 Mg/ha，且在 200 Mg/ha 以上高碳區優於先前 SOTA。摘要、Table 1（Original 測試集 AGBD MAE 26.07、RMSE 50.59 Mg/ha）、Section 3 與 Discussion 對比 [8][9]。checked_against_original_txt
多頭架構支援以本地異速生長方程式對應的 RH 變數微調基礎模型，降低區域誤差，體現可遷移性。Section 4.3 與 Table 5，結論段指出 fine-tuning highlights benefit of incorporating regional allometric calibrations.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列出 AGBD、樹冠高度、覆蓋度在原始與均勻抽樣兩種測試分布下的 ME、MAE、MAPE、RMSE 與相關係數。Original 測試集，AGBD MAE 26.07 Mg/ha、RMSE 50.59 Mg/ha，樹冠高度 MAE 370.95 cm、RMSE 543.81 cm，覆蓋度 MAE 9.86%、RMSE 15.75%。可直接引用此誤差水準作為『太空光達 + 深度學習全球升尺度』目前的代表性精度基準。文章為 CC BY 4.0，可在標註出處下重製或重畫此表的關鍵數字。
Table 2、Table 3依生物量／樹冠高度分箱比較本模型與先前最佳方法的平均絕對誤差，粗體標示最佳。AGBD 在 200 Mg/ha 以上優於 [8]；樹冠高度在 <10 m 與 [9] 相當、其餘範圍勝出（待查確切分箱數值）。用來論證在高碳熱帶森林區，新一代多源深度學習比舊單變數方法更可靠。CC BY 4.0，可引用比較結論並標註出處。
Figure 1由統一模型同時估算的三項變數全球地圖合成。10 m 解析度；涵蓋緯度 57°S 到 67°N（結論段）。視覺化『單模型多產品』的全球輸出，可作為數位孿生中尺度資料層的來源範例。CC BY 4.0，可引用並標註出處。

Extracted Evidence Table

可支撐主張指標或結果原文位置可引用備註
單一統一深度學習模型可同時輸出 AGBD、樹冠高度與覆蓋度，達成全球高解析度估算。全球測試集 AGBD MAE 26.1 Mg/ha、RMSE 50.6 Mg/ha（CH 3.7 m/5.4 m、CC 9.9%/15.8%），相較前作有顯著改善。Abstract；Table 1（p.16-17, 17 of 33）；Conclusions（p.26-27）。True引用時須說明這是相對誤差水準與分布相關，原文強調指標會因抽樣分布偏移，比較須謹慎。
GEDI 太空光達稀疏點可作為地面真值，透過弱監督訓練升尺度為全球地圖。276,766 樣本、訓練真值 6700 萬點；mean-teacher 式雙網路弱監督。Section 2.1-2.3；Figure 4（訓練流程）。True屬方法層證據，不宜誇稱已取代地面實測。

Critical Appraisal

Strengths

Weaknesses

Validation quality高，採 held-out 全球測試集加上 NEON、Central Africa 等第三方地面資料外部驗證，並與多篇 SOTA 分箱比較。
Transferability to Taiwan中高，方法可遷移，但台灣多雲與陡峭地形、密林飽和問題會放大限制，需本地 GEDI 光達與異速生長微調。
Risk of overclaiming勿宣稱本模型可取代地面實測或已在台灣驗證；高碳密林低估與資料集非商業授權須明確標註。

與 Jacky 博論 / Review 的用途

博士論文支撐博論『結合衛星遙測與 AI 估算固碳量』的中尺度資料層，示範太空光達升尺度與不確定性量化如何成為森林數位孿生的可更新輸入。
TJFS Review在 TJFS review 的 Ch4 光達段，作為 GEDI 與深度學習融合、全球 AGB 升尺度的代表性近期案例，並與多源融合章節銜接。
可引用句候選2025 年，Weber 等人發表的文獻中指出，以單一深度學習模型結合 Sentinel-1/2 影像與 GEDI 稀疏光達真值，可在全球尺度同時估算地上生物量、樹冠高度與覆蓋度，其全球測試集地上生物量平均絕對誤差為 26.1 Mg/ha。
不可用來主張不可用本文單獨佐證深度學習已可在密林或台灣場景取代地面實測，也不可忽略其在高生物量區的系統性低估。

授權與圖表重用

Article licenseCC-BY-4.0
Figure reuse policyREUSE_WITH_ATTRIBUTION_UNDER_CC_BY_4_0
Notes文章本身採 Creative Commons Attribution (CC BY 4.0) 授權，可在標註出處下重用圖表。要注意本文於 Zenodo 釋出的全球地圖資料集另採 CC BY-NC 4.0，僅限學術研究使用、商業用途需聯絡通訊作者，與文章授權需分開看待。

待查核清單