GitHub Radar

這是 Google DeepMind 部落格的研究文章（作者 Maxim Neumann、Charlotte Stanton）。Google DeepMind 與 Google Research 聯手 World Resources Institute（WRI）和國際應用系統分析研究所（IIASA），發布 Forest Typology（ForTy）2020：一張把全球每塊 10×10 公尺土地分成六種森林與土地利用類型的地圖，另外附上 2017 到 2025 年的早期年度時間序列，讓使用者不只看到哪裡失去森林，還能看到被什麼取代。這張地圖是歐盟毀林法規（EUDR）的基準資料。

為什麼只看樹冠不夠

原始林儲存的碳和生物多樣性，遠高於每 10 到 20 年就收成一次的單一樹種人工林，但多數全球地圖只標示「有沒有樹」。EUDR 要求咖啡、可可、棕櫚油等產品不得來自 2020 年時是森林、之後被轉作農業的土地；家具等木材產品也必須避免森林劣化，所以企業需要知道那裡原本是哪種森林，收成後又被什麼取代。ForTy 延續了去年發布的 10 公尺「Natural Forests of the World」地圖，進一步辨識森林類型並逐年追蹤變化。

六種類別

依 FAO 定義分為：沒有可見人為干擾的原始林；伐木或火災後自行再生的天然更新林；種植後長週期經營的人工林；快速生長、密集經營、通常是單一樹種的 plantation；油棕、橡膠、可可、果樹等樹作物與農林混作；以及其他土地，例如草地、農地、城市和水域。

方法

由於類別部分取決於土地利用而不只是外觀，團隊建立了約 170 萬個標註點的訓練集，來源包括專家調查、國家與區域資料集，以及針對模型表現不佳地點的定向審查。模型使用專為遙測資料設計的架構，關鍵輸入是 AlphaEarth Foundations 嵌入，它把每個 10 公尺像素多年的衛星觀測壓縮成精簡表示，有助於辨識種植模式、生長週期和收成節奏。

驗證與準確度

團隊在全球隨機選出的 9,000 多個地點進行測試，每個點由兩名受過訓練的專家用高解析影像與衛星紀錄核對。ForTy 判對森林類型的比例是 90%，區分森林與非森林的比例是 95%，優於其他全球森林地圖。ForTy 給的不是單一標籤，而是每個類別的機率：管理 EUDR 風險的企業可以只採用高信心像素，估算森林總面積的研究者則可以使用完整機率範圍。

2017–2025 時間序列

早期版本的時間序列把同一套方法套用到每一年，顯示森林在哪裡消失或再生、發生的是哪一種變化，例如天然林被改成木材人工林，或荒地回復成森林。它的設計目的是揭露一般樹冠地圖看不到的變化，例如天然林被砍伐後重新種植，很快又會變回一片綠。

取得方式與後續

2020 地圖（已發表於 Scientific Data）與時間序列以開放授權在 Google Earth Engine 上免費提供，2020 地圖也可以從 Figshare 下載。團隊會和合作夥伴、使用者持續改進時間序列。ForTy 屬於 Google 的 AI for Nature 研究組合，同一組合還包括毀林驅動因子地圖、毀林風險預測、物種分布模型和野外生物多樣性監測，也是 Google Earth AI 的一部分。

侷限

時間序列仍是早期版本，持續修正中。森林類型準確率 90%，代表大約每十個地點就有一個判錯，而且文章沒有提供各類別的準確率。有些變化從太空很難偵測，類別又部分取決於土地利用，單靠影像未必能完全掌握。