一张 10 米地图，分出六种森林

在卫星图上，一片长了几百年的雨林和一片油棕种植园，颜色几乎一样。

一、发生了什么

10 月 22 日，Google DeepMind 发布了 ForTy 2020，一张全球森林类型地图，分辨率 10 米。合作方包括 Google Research、世界资源研究所（WRI）和国际应用系统分析研究所（IIASA）。

它分六类：原始林、自然再生林、人工种植林、集约经营的用材林、树作物与农林复合，以及其他土地。分类定义沿用联合国粮农组织的框架。按 DeepMind 的说法，模型在 9000 多个随机验证点上判断森林类型，正确率约 90%；判断「是森林还是非森林」，正确率约 95%。每个点由两名受训专家分别看高分辨率影像和多年卫星记录来确定真值，训练集则来自约 170 万个标注位置。

技术路线上，模型的输入是 AlphaEarth Foundations 的嵌入向量——把多年卫星观测压成每个 10 米像素的紧凑表示，再交给一个为遥感设计的分类器。除了 2020 年基准图，团队还放出了 2017 到 2025 的逐年早期版本，用来看森林消失和恢复，以及变化发生成了什么类型。数据在 Google Earth Engine 上免费开放，采用开放许可，可下载。

二、跟你有什么关系

做跨境供应链的人：欧盟的无毁林法规以 2020 年为基准年，咖啡、可可、棕榈油这类商品必须证明不来自当年是林、后来被改成农地的地块。这张图能帮你先筛一遍采购区域的风险。

做遥感或地信的团队：值得学的是它的验证协议。9000 多个随机点、双人标注、明确区分训练与测试，这套流程比模型结构更值得抄。

看环保议题的人：树覆盖图一直是各方吵架的工具。能分出「天然林被砍后补种的用材林」，等于给这类争论提供了一个可查的图层。

三、怎么判断

1. 先看它给的是概率还是标签。ForTy 输出每一类的概率，做合规筛查可以卡一个很高的阈值，只信模型很确定的像素；做面积统计则应使用完整分布。
2. 再问逐类准确率。90% 是总体平均，最容易混的两组——人工林与用材林、原始林与再生林——表现如何，官方博客没有给分项表。
3. 最后叠一层本地数据。地图是证据，不是法律认定。热点区域要用高分辨率影像或地方记录交叉核对。

四、三个别信的说法

90% 准确率说明可以自动判定合规。 合规结论依赖供应链记录、地块坐标和法规定义，模型输出只是输入之一。平均每十个像素就有一个类型判断出错，且错误分布不均。

这是第三方独立评测。 建图的团队自己做了验证，合作方也在名单里。真正独立的评估还没出现，论文里的协议值得细看，但别把它当外部背书。

有了逐年序列就能追责。 时间序列目前是早期版本，官方说还会继续修订。用它做法律证据，先要确认你查的那一年数据是否已经定稿。

五、一句话结论

这张图真正的进步不是更准，而是把「森林」从一个是非题拆成了六种答案，让监管第一次有了可操作的对象。

信息来源

• DeepMind 发布 10 米森林类型地图 ForTy，2026-10-22

功能与价格以官方公告为准。本文写于 2026 年 10 月 23 日。