[01]Ch1 · 研究背景
使用遙測技術估算森林碳儲量的進展與限制：一篇綜合回顧
WOS 1999-2024 共 2,191 筆；2022 起每年超過 400 篇
AI_DRAFT_FROM_REVIEW｜A
文獻卡索引
參考專討核心 14 篇的導覽方式：編號、章節定位、作者年份、一句關鍵發現。點進文獻卡後再看深度證據表與批判評估。
[02]Ch2 · 地面量測
天然林樹木地上生物量估算的異速生長方程式 通用或物種特異
以武夷山 9,105 株實測建立 AGB 系統性誤差階層，個體發育大於分類學大於系統發育
AI_DRAFT_FROM_REVIEW｜A
[03]Ch3 · 光學遙測
遙感與機器學習演算法整合於落葉松屬地上生物量估算
XGBoost 搭配 Sentinel-2 在華北落葉松林達 R²=0.82，植生指數為最重要預測因子
AI_DRAFT_FROM_REVIEW｜A
[04]Ch3 · 光學遙測
運用 Sentinel-2 與 Landsat 進行年際與年內森林變化偵測及地上生物量動態監測
TIIC 演算法融合 Sentinel-2 與 Landsat，實現加拿大全國尺度年內 AGB 動態監測，精度達 99%
AI_DRAFT_FROM_REVIEW｜A
[05]Ch4 · LiDAR
從太空光達到在地校準：GEDI 在森林生物量估算中的角色
GEDI + MGWR 在地校準，RMSE 40.756 → 14.059 Mg/ha（原文確認）
AI_DRAFT_FROM_REVIEW｜A
[06]Ch5 · 機器學習
被動光學、微波與光達資料於森林地上生物量估算之遙感方法回顧
50 年遙感 AGB 方法演進全景綜述，整合光學、微波、LiDAR 三大技術與多源融合，並系統剖析四大不確定性來源
AI_DRAFT_FROM_REVIEW｜A
[07]Ch5 · 機器學習
運用多源遙感數據與深度學習演算法估算森林地上生物量－以中國杭州地區為例
CNN-LSTM 混合架構結合多源遙感融合，R²=0.74 優於傳統機器學習，並可低成本微調遷移到新區域
AI_DRAFT_FROM_REVIEW｜A
[08]Ch6 · 多源融合
整合 Sentinel-1、Sentinel-2 與機載 LiDAR 的多決策向量融合模型於亞熱帶森林地上生物量製圖之強化
MDVF 三階段融合 Sentinel-1/2 與機載 LiDAR，在亞熱帶森林 AGB 估算達 R²=0.715
AI_DRAFT_FROM_REVIEW｜A
[10]Ch6 · 多源融合
森林地上部生物量動態遙測研究：一篇回顧
166篇 AGB dynamics 研究；僅 11.9% 採獨立驗證，8.8% 無驗證
AI_DRAFT_FROM_REVIEW｜A
[11]Ch7 · 數位孿生 ★
森林數位孿生框架及其展望之提案
FDT框架：樹木作為核心單元，整合樹級/森林級資料、模型、風險與碳權交易
AI_DRAFT_FROM_REVIEW｜A
[12]Ch7 · 數位孿生 ★
森林數位孿生—基於時空資料、3D 模擬引擎與智慧互動環境的森林經營新工具
完整 FDT 實作案例：2,160 棵毛白楊、10 類數據、Unreal Engine 3D，記憶體效率↓67%
AI_DRAFT_FROM_REVIEW｜A
[14]Ch7 · 數位孿生 ★
森林數位孿生：技術、應用與新興趨勢之綜合回顧
FDT復育架構：四層 cyber-physical system，成本 USD 2.00-3.75 → 0.11-1.08/棵
AI_DRAFT_FROM_REVIEW｜A