ForTy: карта Google отличает природный лес от плантации с точностью 90,2%

Карты лесного покрова такую подмену не ловят: они считают деревья, а не их происхождение. 22 октября Google DeepMind и Google Research вместе с WRI и IIASA выложили ForTy, где природный лес, посадки, плантации и древесные культуры разведены по шести классам с шагом 10 метров.

Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.

Что в цифрах. Каскадную модель на SwinV2-Ti обучили на 1,7 млн образцов, а проверяли на 9100 случайных площадках, где каждую смотрели два эксперта. Общая точность на шести классах вышла 90,2%, выделение природного леса даёт 94,8%, разделение лес и не-лес 95,5% (статья в Scientific Data, 21.10.2026).

Прежние карты на той же валидации были грубее. JRC GFC2020 v3 показал на лес и не-лес 93,6%, ESA WorldCover 2020 дал 91,6%. На схеме из четырёх классов ForTy прибавил к JRC GFT2020 v1 3,1 процентного пункта общей точности и 8,6 пункта по посадкам.

Метке по одному пикселю верить рано. F1 по классу Planted Forest составил 58,2%, по Plantation 66,7%, по естественному возобновлению 72,6%, тогда как по Other Land 96,4%. Границу между посадками и плантацией авторы провели по ротации 40 лет и сами называют её рабочим допущением, а не официальной нормой FAO.

Открывается в браузере. Карта 2020 года и годовой ряд 2017–2025 лежат двумя приложениями Earth Engine, код для них не нужен. Внутри Earth Engine авторы положили готовый однополосный слой со значениями от 1 до 6, так что считать argmax по шести полосам вручную не придётся.

Кому Earth Engine не нужен, есть зеркало Source Cooperative: 135 542 тайла COG на 311 ГиБ, анонимный доступ по s3 и примеры на geopandas и DuckDB в README. Пустоту там маскируют по NoData 255, а не по нулю. Лицензия CC BY 4.0, полная выгрузка 2020 года весит 331,5 ГБ.

Точности для годового ряда 2017–2025 Google не публиковала и обещает улучшать его вместе с партнёрами в ближайшие месяцы.