DeepMind 发布全球森林类型地图 精度10米

时间：2026 年 10 月 31 日（本次报道所依据的英文媒体发布日）。研究本身由 Google DeepMind 与 Google Research 于 10 月 22 日通过官方博客和 Nature 旗下的 Scientific Data 论文同时公布，10 月 23 日已有海外科技媒体报道，随后的数周内陆续有更多跟进解读。 地点：全球。研发方是美国谷歌旗下的 Google DeepMind 与 Google Research，合作方包括美国世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）；成果通过 Google Earth Engine 与开放数据仓库向全球用户开放。 人物：Google DeepMind 研究员 Maxim Neumann 与 Charlotte Stanton 在 10 月 22 日的官方博客中署名介绍这项工作；世界资源研究所一侧的作者包括 Michelle Sims、Anton Raichuk、Peter Potapov、Myroslava Lesiv 与 Sarah Carter。 事件详情：三方团队做出了第一张全球尺度、10 米分辨率、能够区分林型的地图 ForTy，把 2020 年全球地表按联合国粮农组织的森林定义划为六类，分别是原始森林、自然更新林、人工林、生产性人工林（例如桉树种植园）、经济林作物（例如油棕、橡胶、可可）以及其他用地。模型以 AlphaEarth Foundations 的年度地表嵌入作为输入，分三个阶段训练：第一阶段使用约 45 万条专家标注的高质量样本，第二阶段把训练规模扩大到 120 万个样本，每一块是 1280 米见方、每个 10 米像素都带标签，第三阶段用 2019 至 2024 年的时序嵌入做时间校准，并用主动学习让专家在多轮纠错中补充标注。官方公布的总体准确率为 90.2%，地图同时附带按类别给出的概率置信分，用户可以自行设定阈值。团队同时放出了 2017 至 2025 年的年度林型时序数据早期版本，用来观察各年之间的林型变化。 背景：卫星林地监测长期只能说"有树不等于有林"，因为树冠覆盖度只看得出有没有木本植被，分不出原始林、种植园和油棕园，而森林类型直接决定生物多样性价值、碳密度和社区生计。欧盟反毁林法规要求企业证明咖啡、可可、油棕、橡胶、木材等商品与 2020 年 12 月 31 日之后的毁林或退化无关，并把 2020 年当作基准年，因此正好需要一张可信的 2020 年林型底图。类似需求也来自按森林生态价值付费的热带雨林永续基金机制，以及联合国到 2030 年保护全球三成土地的生物多样性目标。 影响：这项工作把遥感从"看图分类"推进到"用历史推断管理意图"，靠的是种植模式、轮伐周期和生长节律，而不是只凭当前外观，因此一块老的人工混交林和一片看着未受扰动的原始林可以被区分开。对企业而言，2020 年林型底图加上逐年变化，可以直接用于筛查供应链里的毁林风险，把过去依赖供应商自证文件和现场抽查的合规流程往前推一步。团队还给出两个初步结论：2021 至 2025 年全球树木覆盖损失中有 71% 发生在原始林和自然更新林；2000 至 2020 年的新增树木覆盖中，72% 主要是自然林的恢复，受扰动之后的再生也有 73% 属于自然林恢复。短板同样明确，人工林和经济林作物这两类恰恰是监管最在意的地方，准确率明显偏低，原地平化的树木覆盖度会显著高估林地面积，因此团队建议把产品定位在初筛和风险排序上，具体地块的合规判断仍需人工复核。另一层意义在数据可得性，地图、分类图层和测试数据以 CC BY 4.0 许可开放，代码开源在 GeeFlow 与 Jeo 两个仓库，研究团队和创业公司可以在其上直接开发环境风险分析或供应链管理服务，官方表示后续会把这些数据接入 Global Nature Watch 平台。 总结：ForTy 是第一张全球高分辨率林型地图，也是少数把基础模型能力直接对齐到联合国粮农组织口径和欧盟法规口径的遥感项目。看点不在于用 AI 画了一张地图，而在于三件事叠加，公开可验证的数据、可以自行设定的置信阈值，以及和欧盟反毁林法规基准年对齐的时间锚点。对国内做遥感、遥感大模型和供应链合规产品的团队来说，这也是一份可以直接对标的公开基线。 常见问题： 问：这张地图在哪看？免费吗？ 答：地图、分类图层与测试数据以 CC BY 4.0 许可开放，可在 Google Earth Engine 直接调用，也提供整图下载，代码开源在 GeeFlow 与 Jeo 仓库。 问：准确率多少？能直接判断合规吗？ 答：总体准确率 90.2%，但人工林与经济林作物明显偏低。类别概率只是相对置信分，单个地块的合规判断仍需本地验证。 参考来源： Google DeepMind 官方博客：Beyond tree cover: mapping the world's forest types（2026 年 10 月 22 日，作者 Maxim Neumann 与 Charlotte Stanton） https://deepmind.google/blog/beyond-tree-cover-mapping-the-worlds-forest-types/ Global Nature Watch（世界资源研究所）博客：New Data Identifies Forest Types Across the Globe（2026 年 10 月 22 日） https://globalnaturewatch.org/blog/data-and-tools/new-forest-typology-map/ The Decoder：Google Deepmind creates a global map of forests with satellite data and AI（2026 年 10 月 31 日） https://the-decoder.com/google-deepmind-creates-a-global-map-of-forests-with-satellite-data-and-ai/ ZDNet Korea：谷歌以 AI 追踪全球森林变化，环保合规与供应链管理受影响（2026 年 10 月 23 日） https://zdnet.co.kr/view/?no=20261023105302 GitHub：google-deepmind/geeflow，用 Google Earth Engine 生成与处理大规模地理空间数据集的开源库 https://github.com/google-deepmind/geeflow GitHub：google-deepmind/jeo，用于地球观测任务的 Jax 模型训练库 https://github.com/google-deepmind/jeo