DeepMind发布全球高精森林地图ForTy

从太空中俯瞰地球，一片原始热带雨林、一片桉树人工林和一处油棕种植园往往呈现出近乎相同的绿色。然而，它们所蕴藏的碳汇规模和生物多样性却有着天壤之别。精准区分这些林地类型，并掌握它们随时间推移的演化轨迹，是评估保护成效、遏制天然林退化的前提。

Google DeepMind、Google Research 联合世界资源研究所（WRI）以及国际应用系统分析研究所（IIASA），正式发布了全球森林类型地图 Forest Typology (ForTy) 2020。该数据集将全球陆地按 10×10 米的精度，划分为六种不同的森林与土地利用类型。同步公开的还有 2017 至 2025 年的年度演变时序数据，首次在全球范围内以 10 米分辨率清晰呈现：哪些森林遭到了砍伐，以及林地被何种地类所替代。

为何单纯的「树木覆盖率」远远不够？

森林是陆地上绝大多数动植物的栖息地，也是关键的碳汇。但森林的生态价值与其形成历史密切相关：从未被砍伐过的原始林，其固碳能力和生物多样性远非一二十年就轮伐一次的单一树种人工林可比。

传统遥感地图大多仅标示地表是否存在树木，这给监管和保护带来了盲区。以欧盟《反毁林法案》（EUDR）为例，法规明确禁止咖啡、可可、棕榈油等商品来自 2020 年后由森林改建的农田；木制品也不能采购自被改造成人工林的原始林或天然次生林。因此，监管机构和跨国企业迫切需要了解的不仅是「有没有树」，而是「这是什么林」以及「砍伐后变成了什么」。

去年，研究团队曾发布分辨率同为 10 米的 Natural Forests of the World 2020 地图，初步区分了天然林与其他树木覆盖。此次推出的 ForTy 则进一步细化了分类粒度，并补齐了连续多年的动态追踪能力。

联合国标准的六大类精准划分

依照联合国粮农组织（FAO）的定义，ForTy 将全球地表细分为六种类型：

1. 原始林：未见明显人为干扰痕迹的天然林。
2. 天然次生林：采伐或火灾后自然恢复生长的森林。
3. 植造林：人工播种或栽植、采取长周期管理的森林。
4. 集约化人工林：快速生长、高强度经营的树木农场，通常为单一树种。
5. 经济林与农林复合地：非用材林农场，如油棕、橡胶、可可或果树等。
6. 其他用地：涵盖草地、耕地、城镇建筑和水体等。

用户可通过 Earth Engine 交互界面 探索 10 米精度的详细数据。

训练该分类模型的难点在于，地类属性不仅取决于植被的静态外观，更取决于其背后的土地用途。为此，团队构建了包含约 1.7 百万个标注样本的庞大训练集，涵盖专家实地调查、区域官方数据集以及针对疑难地块的定向复核。模型引入定制化架构，并接入 AlphaEarth Foundations 遥感嵌入向量（embeddings）作为核心输入，以此提取每个 10 米像素在数年卫星观测中的种植规律、生长周期与采伐节奏等微弱特征。

准确率达90%，支持按需调节分类阈值

地图的实用价值取决于其可信度。研究团队联合 IIASA 和 WRI，在全球范围内随机抽取了 9000 多个样点进行双盲交叉验证。评估结果显示，ForTy 在森林具体子类型的识别准确率达到 90%，在林地与非林地区分上的准确率达到 95%，表现优于现存同类全球数据集。

针对不同应用场景，ForTy 不仅输出类别结果，还为每个像元提供各类别的置信度概率分数。例如，企业进行合规排查时，可调高置信度阈值，仅筛出高度确信的像素以降低违规风险；而从事宏观生态评估的研究人员，则可利用完整的概率分布掌握全貌。

追踪时序变迁，捕捉「看不见的毁林」

静态地图只是基准，森林始终处于动态变迁中。通过最新上线的时序版本，模型完整还原了 2017 至 2025 年间的地类转换过程。这不仅能看出森林在何处缩减或再生，还能看清变化的实质性质。

当一片原始林被采伐并迅速补种人工幼苗后，遥感影像在短期内很快会重新变绿，常规树木覆盖图往往会漏报这种隐蔽的生态退化。ForTy 的连续时序分析则让这类隐藏的生态演替过程无所遁形。

目前，Forest Typology 2020 地图与时间序列数据均已在 Google Earth Engine 上以开源协议免费开放，归属于 Google Earth AI 遥感生态体系，供科研人员、环保机构及企业免费调用。