Google DeepMind выпустила карту типов лесов ForTy 2020 с точностью 10 метров

Google DeepMind и Google Research совместно с World Resources Institute (WRI) и Международным институтом прикладного системного анализа (IIASA) выпустили Forest Typology (ForTy) 2020, глобальную карту, которая относит каждый участок земли размером 10 на 10 метров к одному из шести типов леса и землепользования. Авторы называют её ключевой базовой картой для регламента Евросоюза по продукции, не связанной с обезлесением (EUDR). Вместе с картой опубликован ранний временной ряд, который показывает, как леса менялись каждый год с 2017 по 2025 год, в том числе где природные леса сменились плантациями или фермами. По словам авторов, впервые во всём мире с детализацией 10 метров и по годам видно не только где лес исчез, но и что пришло ему на смену: лесная плантация, ферма с древесными культурами или другая земля.

Исходная проблема в том, что с орбиты старый тропический лес, эвкалиптовая плантация и пальмовая плантация могут выглядеть одинаково зелёными, хотя запасы углерода и биоразнообразие у них сильно различаются. Первичный лес, который никогда не вырубали, хранит заметно больше углерода и видов, чем плантация одной породы, которую рубят раз в десять, двадцать лет. Большинство глобальных карт показывает лишь наличие деревьев. Между тем EUDR требует, чтобы кофе, какао или пальмовое масло не происходили с земель, бывших лесом в 2020 году и затем превращённых в сельхозугодья. Для древесной продукции, например мебели, нельзя использовать первичные леса, превращённые в плантационные или посадочные леса, и естественно возобновившиеся леса, превращённые в плантации. Поэтому компаниям и регуляторам нужно знать не только где деревья, но и какой это лес и что появляется на месте после рубки.

Год назад те же партнёры выпустили карту Natural Forests of the World 2020 с разрешением 10 метров, отделявшую природные леса от всего остального древесного покрова: она отвечала на вопрос «был ли участок природным лесом в 2020 году». ForTy идёт дальше и показывает, какой именно это лес, а новый временной ряд, как это меняется по годам.

Шесть категорий опираются на определения Продовольственной и сельскохозяйственной организации ООН (FAO): первичный лес (местный лес без видимых следов человеческого воздействия); естественно возобновляющийся лес (вырос сам, например после вырубки или пожара); посадочный лес (посажен или засеян человеком и управляется длинными циклами); плантационный лес (быстрорастущие интенсивно управляемые древесные фермы, часто одной породы); древесные культуры и агролесоводство (фермы не ради древесины, масличная пальма, каучук, какао, фрукты); прочая земля (всё остальное: луга, пашни, города, вода).

Обучение осложнялось тем, что категории отчасти зависят от использования земли, а не только от внешнего вида. Авторы собрали обучающую коллекцию примерно из 1,7 млн размеченных точек: экспертные обследования, национальные и региональные наборы данных и целевые проверки мест, где модель ошибалась. Модель использует специальную архитектуру для данных дистанционного зондирования, а ключевой вход, эмбеддинги AlphaEarth Foundations, компактные сводки многолетних спутниковых наблюдений для каждого пикселя 10 метров. Благодаря им модель улавливает тонкие признаки: рисунок посадок, циклы роста, ритм уборки урожая.

Проверка: вместе с IIASA и WRI авторы сверили ForTy более чем с 9000 случайно выбранных участков по всему миру. На каждом два обученных эксперта изучали снимки высокого разрешения и многолетние спутниковые записи, чтобы определить фактический тип земли. ForTy правильно определила тип леса в 90% случаев и отличила лес от нелесной земли в 95% случаев; авторы заявляют, что это лучше других глобальных карт леса.

Карта выдаёт не ответ «да/нет», а оценку вероятности для каждого класса, так что порог можно подстроить под задачу. Компания, оценивающая риски по EUDR, может установить строгий порог и принимать только пиксели, в которых модель очень уверена. Исследователь, оценивающий общую площадь леса, может использовать весь спектр вероятностей.

Временной ряд применяет тот же подход к каждому году 2017-2025. Он показывает, где леса исчезают и где восстанавливаются, и какого рода было изменение: природный лес стал лесной плантацией или заброшенная земля постепенно заросла лесом. Это важно, потому что часть перемен трудно увидеть из космоса: если природный лес вырубили и засадили плантацией, земля быстро снова зеленеет, и обычные карты древесного покрова могут этого не заметить.

Карта ForTy 2020 (описана в журнале Scientific Data) и новый временной ряд свободно доступны в Google Earth Engine по открытой лицензии. Авторы надеются, что правительства, компании, природоохранные организации и учёные используют их для цепочек поставок без обезлесения, направления лесного финансирования и защиты природных лесов. В ближайшие месяцы временной ряд будут улучшать с партнёрами и пользователями. ForTy входит в исследовательский портфель Google «ИИ для природы» и стала последним дополнением к Google Earth AI, набору геопространственных моделей и данных.

Ключевые факты

ForTy 2020 относит каждый участок земли 10 на 10 метров к одному из шести типов: первичный, естественно возобновляющийся, посадочный и плантационный лес, древесные культуры с агролесоводством, прочая земля.
К карте приложен ранний временной ряд за 2017-2025 годы: он показывает, чем заменили утраченный лес, плантацией, фермой или другой землёй.
Проверка на более чем 9000 случайных участков, где два эксперта сверяли снимки: правильный тип леса, в 90% случаев, отличие леса от не-леса, в 95%.
Модель обучена на примерно 1,7 млн размеченных точек и использует эмбеддинги AlphaEarth Foundations; для каждого класса выдаётся вероятность, а не метка «да/нет».
Карта и временной ряд свободно доступны в Google Earth Engine по открытой лицензии; авторы называют карту ключевой базой для регламента ЕС EUDR.

Почему это важно

Обычные карты древесного покрова показывают лишь наличие деревьев, а старый лес, плантация и пальмовая ферма из космоса выглядят одинаково зелёными, хотя углерода и биоразнообразия в них очень разное количество. Регламент ЕС EUDR требует, чтобы кофе, какао, пальмовое масло и древесная продукция не происходили с земель, на которых лес после 2020 года заменили сельхозугодьями или плантациями, поэтому нужна карта, различающая виды леса. Авторы называют ForTy 2020 ключевой базой для этого регламента, а временной ряд, первым в мире способом увидеть по годам с детализацией 10 метров, что именно пришло на место потерянного леса.

Кому это важно

Авторы адресуют работу правительствам, компаниям, природоохранным организациям и учёным. Компаниям и регуляторам она нужна для оценки рисков по EUDR и построения цепочек поставок без обезлесения; производителям сырья, для выполнения обязательств не заменять природный лес; исследователям, для оценки площади и динамики лесов. Авторы также упоминают направление лесного финансирования туда, где оно нужнее всего.

Как это применить

Карта ForTy 2020 и ранний временной ряд 2017-2025 свободно доступны в Google Earth Engine по открытой лицензии; карта описана в журнале Scientific Data. Поскольку для каждого класса выдаётся оценка вероятности, порог можно подбирать под задачу: компания, оценивающая риски по EUDR, может принимать только пиксели с высокой уверенностью модели, а исследователь, считающий общую площадь леса, использовать весь диапазон вероятностей. Авторы приглашают пользователей рассказывать, как они применяют данные.

Можно ли доверять

Это материал самих разработчиков в блоге Google DeepMind, поэтому оценки вроде «лучше других глобальных карт леса» исходят от авторов; названия сравниваемых карт в тексте не приведены. Проверка описана конкретно: более 9000 случайно выбранных участков по всему миру, на каждом два обученных эксперта изучали снимки высокого разрешения и многолетние спутниковые записи; проверяли совместно с IIASA и WRI. Итоговые 90% (тип леса) и 95% (лес против не-леса), общие цифры; разбивки по классам и регионам в тексте нет. Точность временного ряда отдельно не приводится: эти показатели относятся к проверке карты ForTy 2020.

Риски и подводные камни

Временной ряд, ранний выпуск, авторы обещают продолжать его улучшать в ближайшие месяцы с партнёрами и пользователями, так что данные могут меняться. Категории частично зависят от использования земли, а не только от внешнего вида, поэтому различать их трудно: с точностью 90% по типу леса остальные примерно 10% участков определены неверно. Из-за отсутствия разбивки по классам и регионам неясно, где ошибок больше. Карта выдаёт вероятности, и выбор порога влияет на результат: строгий порог отсеивает неуверенные пиксели, что для оценки рисков может быть уместно, но для оценки общей площади леса неудобно.