Google DeepMind ve WRI, ilk global 10 metre çözünürlüklü orman tipolojisi haritası ForTy 2020'yi yayımladı

Google DeepMind ve Google Research, World Resources Institute (WRI) ve IIASA ile birlikte çalışarak Orman Tipolojisi 2020, kısaca ForTy olarak bilinen — araziyi 10 metre çözünürlükte altı orman ve arazi kullanımı kategorisine ayıran ilk global haritayı yayımladı. 31 Ekim 2026 tarihli Google DeepMind duyurusunun dev.to özetine göre, temelindeki veri seti makalesi Scientific Data'da yayımlandı.

Altı sınıf FAO tanımlarını izliyor: birincil orman, doğal yenilenme ormanı, ekili orman, plantasyon ormanı, ağaç ürünleri ve agroforestri ile diğer araziler. Sınıflandırma, hükûmetlerin ve şirketlerin orman verilerini raporlamak için halihazırda kullandığı tanımlarla eşleştiğinden, haritanın çıktısı mevcut raporlama ve muhasebe iş akışlarına bir çevrim katmanına ihtiyaç duymadan doğrudan yerleşebilir.

Model nasıl inşa edildi

Sınıflandırıcının önemli bir girdisi AlphaEarth Foundations embeddings — her 10 metrelik piksel için yıllarca süren uydu gözlemlerinin kompakt veri özetleri. Bu embeddings, modelin ekim desenleri, büyüme döngüleri ve hasat ritimleri gibi ince ipuçlarını yakalamasını sağlıyor; bunlar örneğin bir kereste plantasyonunu doğal yenilenme ormanından ayıran şeylerdir.

Eğitim, uzman anketlerinden, ulusal ve bölgesel veri setlerinden ve hedefli incelemelerden alınan yaklaşık 1,7 milyon etiketli konuma dayandı. Etiketler, sınıf başına güven haritaları da üreten kademeli bir derin öğrenme hattını besledi; böylece her piksel yalnızca yalın bir etiket taşımak yerine, modelin atanan sınıf hakkındaki kesinliğine dair bir gösterge de içeriyor.

Ölçülen doğruluk

Ekip, WRI ve IIASA ile birlikte ForTy'yi 8.190 uzman etiketli rastgele noktaya karşı doğruladı. Dev.to özetine göre altı sınıf genelinde yüzde 90,2, doğal ormanda yüzde 94,8 ve daha geniş orman-orman dışı sorusunda yüzde 95,5 doğruluk elde edildi. Aynı test verisinde modelin, Avrupa Komisyonu'nun karşılaştırılabilir haritasından daha iyi performans gösterdiği bildiriliyor.

Bir zaman serisi ve düzenleyici bir çapa

Statik 2020 anlık görüntüsünün ötesinde, yayım; 2017'den 2025'e ormanların yıl yıl nasıl değiştiğini, kaybedilen doğal ormanın yerini hangi arazi örtüsünün aldığı dahil, izleyen erken bir zaman serisi içeriyor. Proje, açıkça AB Ormansızlaştırma Yönetmeliği için bir referans katmanı olarak inşa edildi; yönetmeliğin temel kesim tarihi 31 Aralık 2020 — ana haritanın temsil ettiği tarihle aynı. Bu uyum, yönetmeliğin kesim tarihinde orman durumunu belirlemeye dayanan uyum çalışmalarının, çalışabileceği ücretsiz ve standartlaştırılmış bir katmana sahip olması anlamına geliyor.

Veri seti, kaynağa göre açık bir lisansla, başvuru süreci veya bekleme listesi olmadan Google Earth Engine üzerinde erişilebilir.

Neden önemli

Bugüne kadarki açık orman verilerinin çoğu ağaç örtüsüyle — gölgelik olup olmadığıyla — sınırlıydı, ormanın ne tür bir orman olduğuyla değil. Ücretsiz, global, 10 metrelik bir tipoloji katmanı bunu değiştiriyor. Jeouzamsal mühendisler, koruma araştırmacıları ve tedarik zinciri ekipleri artık özel sınıflandırma çalışması yaptırmadan sınıf düzeyinde orman izleme oluşturabilir ve sınıf başına güven puanları, tek bir ikili çıktıyı kabul etmek yerine karar eşiklerini bölgeye göre ayarlamalarına olanak tanır.

Earth Engine'de halihazırda çalışan ekipler için pratik değişim anlık: yalnızca ağaç örtüsü girdileri tüketen hatlar, tipolojiye duyarlı mantığa geçebilir ve örneğin köklü bir plantasyonu birincil ormandan ayırt edebilir. Sınıflar FAO tanımlarını izlediğinden, sonuçların resmi istatistiklerle karşılaştırılabilir olması gerekiyor. Ormansızlaştırma yönetmeliği uyumu, biyoçeşitlilik muhasebesi ve arazi kullanımı araştırmaları için, belirsizliği nicelleştirilmiş tutarlı bir global temel çizgiye sahip olmak mevcut durumdan anlamlı bir ilerlemedir.

Belirtilmesi gereken bir uyarı var: doğruluk rakamları projenin kendi doğrulamasından geliyor ve zaman serisi erken bir yayım olarak tanımlanıyor; bu nedenle hukuki veya düzenleyici kararlar için ona dayananlar, ulusal veri setlerinin mevcut olduğu yerlerde bunlarla çapraz kontrol yapmayı beklemelidir.