Google DeepMind 发布 ForTy 全球森林类型图：10 米分辨率区分天然林、人工林与农耕林，2017–2025 年时序同步上线

北京时间 10 月 22 日晚间，发布森林类型学地图 ForTy（Forest Typology）：一张 10 米分辨率的全球地图，把地球上每个 10×10 米地块归入不同森林与木本作物类型，用于帮助识别毁林。据，项目由 Google DeepMind 与 Google Research 联合世界资源研究所（WRI）、国际应用系统分析研究所（IIASA）完成，论文发表于 Nature 旗下开放数据期刊。ForTy 2020 年基线图与一套 2017–2025 年逐年时间序列即日起在 Google Earth Engine 免费开放。

官方把动机说得直白：从太空看，一片从未被砍伐的原始雨林、一片每一二十年轮伐一次的单一树种木材林和一座油棕园，可能呈现同一片绿色，但储存的碳和承载的物种差别巨大。据论文摘要，ForTy 在 8,190 个分层随机站点上完成独立验证，六类划分总体准确率 90.2%，天然林判别 94.8%，森林与非森林判别 95.5%。官方博客称，用户首次能在全球范围逐年看清：森林消失之后，顶替它的是木材种植园、经济作物农场，还是别的土地。

六类划分对应欧盟零毁林法案的具体问法

大多数全球地图只回答「这里有没有树」。ForTy 按 FAO（联合国粮农组织）定义把所有土地分成六类：无明显人为干扰的原始林（Primary Forest）；采伐或火灾后以自然恢复为主长回的天然更新林（Naturally Regenerating Forest）；人工种植或播种形成、经营轮伐周期超过 40 年的人工种植林（Planted Forest）；一两个树种、同龄、规则间距、轮伐期不超过 40 年的集约种植园林（Plantation Forest）；油棕、橡胶、可可、果园等产木材以外商品的经济林与农林复合（Tree Crops and Agroforestry）；以及草地、农田、城市、水体等非树木的其他土地。类别与数据格式的完整定义见。

这套划分直接对着欧盟零毁林法案（EUDR）的问法设计。据官方博客介绍，EUDR 要求咖啡、可可、棕榈油等产品不得来自 2020 年时仍为森林、之后被转为农业用地的土地；家具等木制品还须不涉及森林退化——不得来自此后被改种为人工林的原始林，也不得来自被改成种植园林的天然更新林。Google Research 在 2025 年 11 月发布的前作 Natural Forests of the World 2020（）只回答了每块地在 2020 年是不是天然林，准确率 92.2%；ForTy 进一步回答「是哪一种森林，之后变成了什么」。论文摘要称，此前没有任何全球数据集能在高分辨率下区分这套类型学。

模型靠多年卫星轨迹认森林，而不是单张影像

这六类的差别部分取决于土地怎么被经营，而不只是长什么样，所以难以从单张影像判断。据，训练数据汇集了约 170 万个标注点位，来源包括专家调查、全国与区域数据集，以及针对模型薄弱处的定点复核；预印本（，2026 年 5 月上传）描述其为级联深度学习管线，结合弱监督学习与主动学习。模型的关键输入是 AlphaEarth Foundations（Google DeepMind 在帖文中称其为「面向行星数据的基础 AI 模型」）生成的嵌入：它把每个 10 米像素多年的卫星观测压缩成紧凑向量，使模型能捕捉种植格局、生长周期与采伐节奏这类线索。

ForTy 对每个像素输出的是六个类别各自的概率分，而非单一标签。官方博客给出两种用法：受 EUDR 约束的公司评估毁林风险时可以只接受模型高置信度的像素，把监管风险压低；估算森林总量的研究者则可以用全部概率谱系还原更完整的图景。验证环节由 IIASA 与 WRI 参与，每处站点由两名受训专家研读高分辨率影像和多年卫星记录后独立定标；官方博客称，ForTy 在这些站点上优于其他全球森林地图。

苏门答腊样区：六年间原始林从 73% 缩到 11%

2020 年基线图是快照，变化要靠时序看。官方博客称这套提前上线的时序用类似方法逐年处理 2017–2025 年，不只标出森林消失和恢复的位置，还标出变化的类型：天然林变成了木材种植园，或者弃耕地慢慢恢复成森林。交互界面见官方提供的。

博客配的 Figure 4 动画（本文两图为截帧）展示印尼苏门答腊占碑省一处 12×12 公里样区（东经 104.07 度，南纬 1.64 度，10 米分辨率）：2017 年原始林占 73%，分类图上以深绿的原始林为主；到 2023 年原始林只剩 11%，粉色种植园林与橙色经济林占了大半图面。官方博客解释了为什么这类变化此前难以捕捉：天然林被采伐再种上种植园后，土地很快重新变绿，常规树冠覆盖地图可能察觉不到——ForTy 时序把这些损失与恢复都变成可见。

概率栅格已可下载，官方文档同时列出已知误差

据，ForTy 2020 v1.0 覆盖南纬 65 度至北纬 84 度的全部陆地，主记录是五波段栅格，每个 10 米像素对五个森林与木本作物类别各存一个 0–250 的量化概率，第六类「其他土地」用 250 减去前五类之和得出；坐标系为 UTM（通用横轴墨卡托投影），源文件以 Cloud Optimized GeoTIFF（云优化 GeoTIFF）格式存放，取各类概率最大值即可导出分类图。官方博客称数据以开放许可发布。

同一页面把限制写得很具体：人工种植林是准确率最低的森林类别（F1 = 58.2%），因为它一端像天然更新林、一端像集约种植园林；遮荫栽种的可可、咖啡农林复合系统属于最难分辨的类别之一，部分地区仍会被误判为天然林；受训练数据空间缓冲效应影响，道路、居民点附近的林缘被系统性排除出原始林类，常被改标为天然更新林；轮伐后待补植的临时无林地可能被误归入「其他土地」。文档还提醒：概率值未经事后校准，做定量风险评估前应在区域尺度重新校准；虽然输出为 10 米，模型输入的有效分辨率可能更粗。面向研究者的 ForTy v1 基准数据集（20 万个多源多时相影像块）与 Planted 基准（230 万条时序样本）见仓库。

帖文发出后：供应链讨论与更新节奏的提问

Google DeepMind 在帖文中给出的目标用户是政府、企业、环保组织与科学家，用途是构建无毁林供应链。帖文下的多条回复围绕这一点展开。X 用户 Spencer Teague（）写道：「安静的看点是 2020 基线。按欧盟零毁林规则，可可、咖啡和棕榈油不能来自 2020 年是森林、之后被转用的土地——一张记录每块地 2020 年是什么的 10 米地图，正是进口商会被索要的那种凭据。」Saksham Jain（）则写道：「树冠损失数据把砍桉树和砍原始林算成同一件事，毁林统计一直因此含混。」

回复中也出现了目前没有答案的问题。X 用户 Will（）问 ForTy 多久更新一次——「只有更新得比清伐快，10 米地图才对毁林监测有用」；也有用户问，该如何判别。发布材料没有说明这套时序之后按什么节奏更新，官方只表示未来几个月会与合作伙伴和用户继续改进；ForTy 也成为 Google Earth AI——Google 的地球空间模型与数据集组合——的最新成员。

参考链接

Google DeepMind 官方宣布帖文（X）：
Google DeepMind 官方博客 Beyond tree cover: mapping the world's forest types：
论文 Global forest typology at 10-meter resolution for forest and land-use monitoring（Scientific Data）：
同一论文预印本（EarthArXiv，DOI 10.31223/X58R27）：
IIASA 机构库论文记录（含摘要）：
Google Earth Engine 数据目录：Forest Typology (ForTy) 2020 v1.0：
ForTy 时间序列 Earth Engine 应用：
Google Research 博客 Separating natural forests from other tree cover with AI（2025-11-13）：
google-deepmind/forest_typology（GitHub 基准数据集仓库）：
官方博客 Figure 4 动画源视频（本文截图来源）：
X 用户回复：@TheHarnessLab ；@sakshjn ；@FixChatWill ；@kabelsalat_info