谷歌 Deepmind 创建全球森林地图

谷歌Deepmind与世界资源研究所共同开发了ForTy，这是一款能够区分全球原始森林、木材种植园和树木作物农场的AI地图。

卫星地图通常显示某个区域是否有树木生长，但不会识别森林或作物的类型。ForTy，即森林类型学，更进一步，以10米分辨率将2020年全球陆地划分为6个类别。这些类别包括原始森林、自然再生森林、种植森林、种植园森林、油棕、橡胶或可可等树木作物，以及其他土地。作者称ForTy是同类产品中的首张全球地图。早期的数据集，包括欧盟委员会的数据集，仅覆盖了世界部分地区。

The map shows the most common forest or land use class in each square kilometer, while the underlying data has a resolution of 10 meters. — 该地图显示了每个平方公里中最常见的森林或土地利用类别，而底层数据的分辨率为10米。 | 图片：谷歌Deepmind

欧盟森林砍伐规则需要一个可靠的2020年参考点

该项目的驱动力主要来自《欧盟无森林砍伐产品法规》(EUDR)，该法规禁止与2020年12月31日之后被砍伐或退化的森林相关的商品，包括在原始森林被转化为种植园后生产的商品。油棕和可可农场被视为农业用地，因此评估供应链风险的公司需要知道该地点在2020年的使用情况。

ForTy为他们提供了2020年的参考点，并且还可以为其他依赖相同类型数据的倡议提供支持，包括热带森林永续设施（TFFF）和联合国到2030年保护全球30%土地的目标。

构建参考点很困难，因为森林的类型不仅取决于其外观，还取决于其历史，DeepMind表示。一个古老的种植混合森林从太空看可能像自然森林，而一个最近被砍伐的种植园在定义上仍然被视为森林，尽管卫星图像显示的是裸露的土地。

The model distinguishes the 5 visually similar forest and tree crop classes using planting patterns, growth cycles, and harvest schedules. — 该模型使用种植模式、生长周期和收获时间表来区分这5个视觉上相似的森林和树木作物类别。 | 图片：谷歌Deepmind

ForTy使用三个模型阶段来完善其分类

为了区分这些类别，ForTy运行在谷歌Deepmind的AlphaEarth基础模型上，该模型将来自多个卫星的数据压缩为每个像素的紧凑描述。几个图像识别模型基于这些描述构建，首先是学习已验证示例的模型。

第一个模型的预测，结合了关于树木高度、建筑物和森林砍伐的外部数据，成为第二个模型的扩展训练数据。最后一步将多年的数据结合起来，以平滑异常值。谷歌的Gemini语言模型也帮助将旧训练数据调整为欧盟的定义。

ForTy trains 3 models in sequence and improves its training data through several rounds of active learning focused on areas where the map made mistakes. — ForTy训练了三个相互依赖的模型，并在多个主动学习轮次中专门改进训练数据，这些轮次中地图显示了错误。 | 图片：谷歌Deepmind

在这些纠正轮次中，专家添加了大约43,000个示例，以解决诸如欧洲的葡萄园被归类为树木作物、中美洲的自然松林被标记为种植森林，以及非洲和印度尼西亚遗漏的油棕等错误。

即使进行了这些纠正，卫星单独仍然无法实现某些区分。卫星图像很少显示土地的管理方式，因此研究人员使用40年的轮作周期来区分种植园和其他种植森林，但这并不适用于所有地区。

ForTy 对种植园和树木作物不够可靠

为核实地图，2 位专家检查了 8,190 个随机选定的地点，发现地图在 90.2% 的情况下是正确的。作者警告说，这个总体评分很大程度上得益于容易识别的“其他土地”类别

结果因森林类型差异很大。地图正确识别了专家实地确认的 89% 的原始森林，但只发现了树木作物和人工林的大约一半，以及种植园的 60%。反过来，大约四分之一到三分之一被标记为种植园或树木作物的地区被错误分类，而三分之一被标记为人工林的地区地图也是错误的

这些差距影响了 EUDR 最重要的边界，评估中的不确定性也可能使结果看起来比实际情况略好。专家们最不确定的是管理区域，团队将其从评估中排除了这些不确定的情况

ForTy 在同一测试数据上仍然优于欧洲委员会专门为 EUDR 制作的地图，森林与非森林分类得分为 95.5%，与 93.6% 相比，森林类型得分为 90.9%，与 87.8% 相比

该模型还继承了其训练数据中的一个弱点，其标注者很少将靠近道路或定居点的森林分类为原始森林，即使这些森林看起来完好无损

瑞典树木众多，但天然森林很少

研究人员估计，世界上有大约 41 亿公顷森林，包括近 39 亿公顷天然森林，其中约 20 亿公顷为原始森林。人工林覆盖约 2.5 亿公顷，树木作物覆盖近 2 亿公顷，主要在亚洲

区域误差使情况复杂化。地图在亚洲高估了原始森林约 2 亿公顷，主要在俄罗斯的针叶林。在非洲，它却遗漏了约 9400 万公顷的森林，可能是由于开阔的热带干旱林和稀树草原

Tree crops and plantations dominate in Southeast Asia, while planted forests account for most of the forest area in Sweden and Finland. — 东南亚以树木作物和种植园为主，而瑞典和芬兰的森林面积大部分由人工林构成。 | 图片：Google Deepmind

瑞典约三分之二的森林面积是人工林，天然森林只占该国约五分之一。作者说，那里的总体树木覆盖可能充足，但天然森林的比例，对生物多样性至关重要，可能严重偏低。刚果民主共和国、印度尼西亚和巴西拥有最高的天然森林比例

ForTy 仍然难以处理遮荫作物和开阔林地

除了这些区域误差之外，某些土地利用仍然难以分类。在某些地区，地图仍然将自然树冠下种植的遮荫可可或咖啡标记为森林，而选择性砍伐或燃烧的森林也构成问题

ForTy 目前还没有为开阔林地设置单独的类别，而 EUDR 将其分开处理，尽管研究人员表示未来的版本应该添加一个。用户可以使用数据集的每个类别的置信度分数来做出自己的分类选择，这让他们可以设置自己的阈值

地图、分类图层和测试数据在CC BY 4.0许可下免费提供，包括在Google Earth Engine中。Google Deepmind已将代码发布在GeeFlow和JEO存储库中.

Deepmind 于 2025 年 7 月推出了其底层 AlphaEarth 基础模型，将其描述为一种虚拟卫星。该模型结合了光学卫星图像、雷达、激光扫描和气候模拟，为每个 10 米 x 10 米的区域生成紧凑的描述，并且自 2017 年以来的年度嵌入数据在 Google Earth Engine 上免费提供。

ForTy 是基于这些嵌入构建的早期大型测绘项目之一，并且据 Google 称，它是 Earth AI 的一部分。这种联系将项目置于一项更广泛的工作范围内，因为 Google 于 2025 年秋季将 Earth AI 与 Gemini 连接起来，以帮助更快地检测洪水、干旱和藻华泛滥。