從太空認出人種下的樹：ForTy 全球森林地圖，最容易認錯的是人工林

整體準確率 90.2%，換到人工造林這一類只剩 58.2%。兩個數字來自同一張地圖，都沒算錯，差別在你問的問題，以及答錯時要付的代價。

一句話先講清楚 ForTy

ForTy 是一份以 2020 年為基準的全球森林分類地圖，名目解析度 10 公尺，由 Google DeepMind、Google Research、世界資源研究所（WRI）與國際應用系統分析研究所（IIASA）等團隊共同開發。它把全球陸地分成六類，每個網格附上一個信心分數。

它與常見的樹冠覆蓋圖差別在哪裡？多數全球森林產品回答的是「這裡有沒有樹、樹冠蓋了多少」，ForTy 多回答一層：這片樹是自然長成的，還是被人為擾動後自己長回來的，或者是被刻意種下、按什麼節奏經營的。碳匯估算、造林成果驗收、油棕與橡膠等商品作物的擴張監測，都需要這一層資訊。FAO 與歐盟的森林定義本身就涵蓋用途與管理方式，ForTy 的分類架構便是依這些定義整理而成。

六種分類，與它們容易搞混的原因

六類分別是：原始林、自然再生林、人工造林、集約經營人工林、樹木作物與農林複合系統，以及其他土地。

原始林指以本地樹種為主、沒有可見人為擾動的自然林，自然擾動後恢復的森林仍可能歸入此類。自然再生林是人為擾動後靠自然更新長回來的森林，包括休耕地與砍伐後的再生林。人工造林主要靠種植或播種建立；集約經營人工林通常樹種少、林齡相近、排列規則。論文用 40 年輪伐期當分水嶺：超過的算人工造林，不超過的算集約經營。油棕、橡膠、果園這類非木材作物歸入樹木作物與農林複合系統；達不到森林門檻的稀疏植被與小樹叢，則是其他土地。

要注意，40 年輪伐期是研究者的操作定義。衛星看不見林班的經營紀錄，模型能靠的只有外觀線索：樹種單不單純、林齡整不整齊、行列規不規則。成熟次生林的光譜與冠層可能逼近原始林，遮蔭農林系統看起來可能像自然林。外觀相近而來歷不同，正是分類錯誤的主要來源。

衛星影像怎麼變成六分類地圖

ForTy 的核心做法，是先把多來源、多年份的衛星觀測轉成「地理嵌入」。可以想成替每塊 10 公尺見方的土地寫一份履歷，欄位是光譜、紋理與跨年份變化等數值，模型比對的是履歷，照片只是原料。這類把地表觀測轉成數值表徵的研究正在增多，OlmoEarth 等衛星嵌入計畫走的是相近路線；Google DeepMind 近期釋出的能生成互動世界的 Genie 4也屬於從海量資料學出空間規律的嘗試，只是用途從分類換成生成。

訓練分三個階段。第一階段用參考樣本建立基本分類；第二階段讓模型先做初步預測，再吸收品質參差、未必逐像素標記的其他資料，這是弱監督學習；第三階段加入 2019 至 2024 年的觀測脈絡，讓同一塊地前後年份的判讀趨於一致。最終成品仍是 2020 年那一年的快照，它並非持續更新的即時地圖。

標註資源在全球分布不均，團隊因此用上主動學習：讓模型先考試，找出錯誤集中或資料不足的區域，再請專家針對那些區域補判讀。這套流程後來真的揪出了幾個系統性錯誤，後面會談。

90.2% 與 58.2%，兩個數字各管一件事

驗證用的是獨立樣本。論文從全球分層隨機抽出 9,100 個地點，其中 8,190 個由兩位專家完成判讀並整理出共識，得出六分類整體準確率 90.2%。

問題在於，整體準確率會把各類別的表現平均掉。「其他土地」佔比高、特徵好認，F1 達 96.4%；原始林 82.9%，自然再生林 72.6%，人工造林只有 58.2%。F1 同時考慮精確率與召回率：精確率問「模型說是人工林的地點，有多少真的是」；召回率問「真正的人工林，有多少被抓到」。人工造林兩頭都喫虧，誤判與漏判都偏多，這個類別的 F1 自然難看。

論文另外給了兩個粗分類數字：自然林與非自然二分，準確率 94.8%；森林與非森林二分，95.5%。題目問得越粗，分數越漂亮，這是分類模型的通則。使用前先想清楚要回答哪一層問題：有沒有森林、自然林比例，還是人工林與樹木作物的分布，再挑對應的指標，別讓 90.2% 替所有問題背書。

類似的處境在其他領域也出現過。資安圈把 AI 找出的漏洞修進 Firefox的經驗是：模型把候選答案大量產出之後，關卡移到驗證端。地圖同理，AI 已經把全球都畫完，你關心的那一塊準不準，仍要自己核。

信心分數有但書，出錯的地區有名有姓

每個網格都附信心分數，但這個分數怎麼讀，論文講得很白。

白話翻譯：標 0.8 的格子，並不表示這格有八成機率屬於該類。它傳達的訊息簡單得多，模型對這格的把握，高於標 0.6 的那一格。想拿分數當篩選門檻的人，得先知道它沒經過校準。

開發團隊自己公布的錯誤案例也值得記下：在中國的案例中，地圖低估了人工林；印度西孟加拉的香蕉園曾被過度分成樹木作物；歐洲的葡萄園出現類似問題。這些錯誤靠主動學習找出、補判讀後獲得改善。它們同時說明兩件事：同一張全球地圖，分類表現因地區與作物而異；連開發者都要求使用者，先檢視目標地區的表現再下結論。

使用之前，先排好檢查順序

先對準問題層級。全球比較、主題初篩，ForTy 撐得起；特定地塊的合規判斷或資源配置決策，仍須當地查核與地面資料佐證。

接著看對指標。先決定要問森林有無、自然林比例，或人工林分布，再回論文查該類別的 F1 與錯誤型態，整體數字不能代替逐類檢查。

最後核對定義。40 年輪伐期是研究操作定義，FAO 與歐盟的定義也未必等於你專案的定義。分類對得上，地圖才是證據；對不上，它只是起點。

說到底，衛星拍得到樹冠，拍不到樹的來歷。ForTy 的做法是用模型把這段來歷反推出來，並誠實標上把握度；而論文反覆提醒的也是同一件事：全球尺度它幫你把範圍縮小，個別地塊的最終確認，仍屬於使用者的工作。

資料來源：本站編輯參考 APPI News〈什麼是 ForTy？全球森林地圖的準確度與使用方法〉（作者：張饒輝 Lightman Chang）改寫而成，原文出處；原文文字內容採 CC BY 4.0 授權。