Google DeepMind создала глобальную карту лесов по спутниковым данным и с помощью ИИ

Зачем нужен срез за 2020 год

Спутниковые карты обычно показывают, растут ли на участке деревья, но не определяют тип леса или культуры. ForTy — сокращение от Forest Typology — относит каждый участок суши к одному из шести классов: первичный лес, естественно восстанавливающийся лес, посаженный лес, лесная плантация, древесные культуры вроде масличной пальмы, каучукового дерева или какао и прочие территории. Авторы называют ForTy первой картой такого типа для всего мира. Более ранние наборы данных, в том числе карта Еврокомиссии, охватывают только отдельные регионы.

На карте показан наиболее распространённый класс леса или землепользования в каждом квадратном километре, а исходные данные имеют разрешение 10 метров

Источник: the-decoder.com

Главным поводом для проекта стал регламент Евросоюза о продукции, не связанной с обезлесением (EUDR). Он запрещает товары, связанные с лесами, вырубленными или деградировавшими после 31 декабря 2020 года. Ограничения распространяются и на продукцию, которую начали выпускать после превращения первичного леса в плантацию. Фермы по выращиванию масличной пальмы и какао считаются сельскохозяйственными землями, поэтому компаниям для оценки рисков в цепочках поставок нужно знать, как использовался участок в 2020 году.

Модель различает 5 визуально схожих классов лесов и древесных культур по схемам посадки, циклам роста и графикам сбора урожая

Источник: the-decoder.com

ForTy предоставляет такую точку отсчёта. Карта также может пригодиться другим инициативам, которым нужны аналогичные данные, в том числе Tropical Forest Forever Facility (TFFF) и цели ООН — защитить 30% суши к 2030 году.

Составить такую карту сложно: тип леса определяется его историей, а не только внешним видом, отмечают в DeepMind. Старый смешанный лес, посаженный человеком, со спутника может выглядеть как естественный. А недавно расчищенная плантация по определению всё ещё считается лесом, хотя на снимках видна голая земля.

Три этапа классификации

ForTy работает на модели AlphaEarth Foundations от Google DeepMind. Она сжимает данные с нескольких спутников в компактное описание каждого пикселя. На основе этих описаний работают несколько моделей распознавания изображений. Сначала модель обучается на проверенных примерах.

Затем её прогнозы объединяют с внешними данными о высоте деревьев, зданиях и потере лесного покрова. На этой основе формируют расширенный обучающий набор для второй модели. На заключительном этапе система совместно анализирует данные за несколько лет, чтобы сгладить выбросы. Языковая модель Gemini от Google также помогла привести старые обучающие данные в соответствие с определениями Евросоюза.

ForTy обучает три модели, которые последовательно дополняют друг друга, и специально улучшает обучающие данные в ходе нескольких циклов активного обучения в тех местах, где на карте обнаруживались ошибки

Источник: the-decoder.com

Во время циклов исправления ошибок эксперты добавили около 43 000 примеров. Среди обнаруженных проблем были виноградники в Европе, ошибочно обозначенные как древесные культуры, естественные сосновые леса Центральной Америки, принятые за посаженные, и масличные пальмы в Африке и Индонезии, которые система не распознала.

Даже после исправлений некоторые различия невозможно надёжно определить только по спутниковым снимкам. На изображениях редко видно, как именно используют землю. Поэтому исследователи отделяют плантации от других посаженных лесов по сроку оборота в 40 лет, но этот порог подходит не всем регионам.

Где карта ошибается чаще

Для проверки карты два эксперта оценили каждый из 8 190 случайно выбранных участков. В 90,2% случаев классификация оказалась верной. Авторы предупреждают, что общую оценку заметно повышает класс «прочие территории»: его проще всего распознать.

Точность сильно различается в зависимости от типа леса:

Если смотреть на участки, которые карта отнесла к плантациям или древесным культурам, примерно от четверти до трети из них оказались размечены неверно. Среди территорий, обозначенных как посаженные леса, ошибка была примерно в каждом третьем случае.

Эти пробелы затрагивают границы, особенно важные для EUDR. Кроме того, неопределённость проверки могла немного завысить результаты: эксперты чаще всего сомневались в классификации территорий, где ведётся хозяйственная деятельность, а такие случаи команда исключила из оценки.

На тех же тестовых данных ForTy всё же превзошла карты Еврокомиссии, созданные специально для EUDR. При разделении лесов и территорий без леса результат составил 95,5% против 93,6%, а при определении типов леса — 90,9% против 87,8%.

Карта унаследовала и слабость обучающих данных: разметчики редко относили леса у дорог и поселений к первичным, даже если те выглядели нетронутыми.

Лесные площади и региональные ошибки

По оценкам исследователей, в мире около 4,1 млрд гектаров леса. Почти 3,9 млрд гектаров из них — естественные леса, включая около 2 млрд гектаров первичных. Посаженные леса занимают примерно 250 млн гектаров, а древесные культуры — почти 200 млн гектаров, преимущественно в Азии.

Региональные ошибки усложняют общую картину. В Азии карта завышает площадь первичных лесов примерно на 200 млн гектаров, в основном из-за хвойных лесов России. В Африке, напротив, она не учитывает около 94 млн гектаров леса — вероятно, из-за разреженных сухих лесов и саванн.

Около двух третей лесной площади Швеции занимают посаженные леса, а естественные леса покрывают лишь примерно пятую часть страны. Авторы считают, что общего древесного покрова может быть достаточно, но доля естественных лесов, важных для биоразнообразия, может быть критически низкой. Самые высокие доли естественных лесов приходятся на Демократическую Республику Конго, Индонезию и Бразилию.

В Юго-Восточной Азии преобладают древесные культуры и плантации, а в Швеции и Финляндии на лесные посадки приходится большая часть площади лесов

Источник: the-decoder.com

Какие территории пока трудно классифицировать

В некоторых регионах карта по-прежнему относит затенённые плантации какао или кофе под естественным пологом деревьев к лесам. Проблемы возникают и с выборочно вырубленными или выжженными лесами.

Отдельного класса для редколесий в ForTy пока нет, хотя EUDR рассматривает их отдельно. Исследователи говорят, что будущие версии карты должны получить такой класс. Пользователи могут самостоятельно выбирать способ классификации: для каждого класса в наборе данных есть оценка уверенности, на основе которой можно задать собственные пороговые значения.

Карта, слой классификации и тестовые данные доступны бесплатно по лицензии CC BY 4.0, в том числе в Google Earth Engine. Google DeepMind опубликовала код в репозиториях GeeFlow и JEO.

Основа ForTy — модель AlphaEarth Foundations

Google DeepMind представила AlphaEarth Foundations в июле 2025 года, назвав её своего рода виртуальным спутником. Модель объединяет оптические спутниковые снимки, радарные данные, лазерное сканирование и климатические симуляции в компактное описание каждого участка размером 10 на 10 метров. Годовые эмбеддинги, охватывающие период с 2017 года, доступны бесплатно в Google Earth Engine.

ForTy — один из первых крупных проектов по картографированию, построенных на этих эмбеддингах. По словам Google, он входит в направление Earth AI. Осенью 2025 года Google связала Earth AI с Gemini, чтобы быстрее выявлять наводнения, засухи и цветение водорослей.