谷歌 Deepmind 创建全球森林地图

Google Deepmind 和世界资源研究所开发了 ForTy，一个区分全球原始森林、木材种植园和树木作物农田的人工智能地图。 卫星地图通常显示某个区域是否有树木生长，但不识别森林或作物类型。 ForTy 通过将 2020 年的世界陆地面积分配到 6 个类别，以 10 米分辨率进行分类，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和其他土地。 ForTy 是首个此类全球地图。 早期数据集，包括欧盟委员会的数据集，仅覆盖世界部分地区。

该地图显示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。 该项目的主要驱动力是欧盟无森林砍伐产品法规（EUDR），该法规禁止 2020 年 12 月 31 日后与森林清除或退化相关的商品，包括原始森林转换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 2020 年该地的使用情况。

ForTy 为他们提供了 2020 年的参考点，并可能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 年保护世界 30% 土地的目标。 由于森林类型取决于其历史，而不仅仅是外观，因此创建参考点很困难。 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，而一个最近清除的种植园在定义上仍被视为森林，尽管卫星图像显示的是裸地。 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。

ForTy 运行在 Google DeepMind 的 AlphaEarth 基础模型上，该模型将来自多个卫星的数据压缩到每个像素的紧凑描述中。 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。 该第一个模型的预测与树木高度、建筑物和森林损失的外部数据相结合，成为第二个模型的扩展训练数据。 最后一步分析多年的数据以平滑异常值。 Google 的 Gemini 语言模型也帮助将旧训练数据调整为欧盟的定义。

ForTy 训练了三个相互关联的模型，并在多个主动学习回合中专门改进了训练数据，在这些回合中，地图显示了错误。 在那些纠正回合中，专家添加了约 43,000 个示例，以解决欧洲将葡萄园分类为树木作物、中美洲将天然松林标记为种植森林以及非洲和印度尼西亚遗漏油棕等错误。 即使进行了这些纠正，卫星单独也无法实现某些区分。 由于卫星图像很少显示土地管理方式，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，但这并不适合每个地区。 ForTy 对种植园和树木作物不太可靠。

为了检查地图，2 位专家审查了 8,190 个随机选择的地点，发现它在 90.2% 的情况下是正确的。 作者警告说，这个总体分数很大程度上受益于易于识别的“其他土地”类别。 结果按森林类型变化很大。 该地图正确识别了专家在实地确认的 89% 的原始森林，但发现只有大约一半的树木作物和种植森林以及 60% 的种植园。