The Pulse
Google DeepMind mappa sei tipi di foresta con una risoluzione di 10 metri
Google DeepMind e i suoi partner di ricerca hanno pubblicato una mappa globale che classifica i tipi di foresta e altri usi del suolo in quadrati di 10 metri di lato. Il dataset ForTy fornisce una mappa di riferimento per il 2020 e comprend
AI.info Team · Scritto con l’IA · verificato ·
ForTy classifica i tipi di foresta in sei categorie con un’accuratezza complessiva del 90,2%, secondo una valutazione indipendente. Google DeepMind, Google Research, il World Resources Institute e l’International Institute for Applied Systems Analysis hanno pubblicato la mappa con una risoluzione di 10 metri il 22 ottobre, con l’obiettivo di mostrare non solo dove si trovano gli alberi, ma anche quale tipo di foresta o uso del suolo caratterizza ogni area mappata.
Sei classi oltre la copertura arborea
Forest Typology, o ForTy, assegna il territorio a una di sei classi: foresta primaria, foresta in rigenerazione naturale, foresta piantata, foresta da piantagione, colture arboree e agroforestazione, oppure altri terreni. Le categorie seguono definizioni in linea con quelle dell’Organizzazione delle Nazioni Unite per l’alimentazione e l’agricoltura e del regolamento dell’Unione europea sui prodotti a deforestazione zero. La distinzione è importante perché una foresta naturale matura, una piantagione forestale gestita per la produzione di legname e una coltivazione di palma da olio possono apparire tutte come copertura arborea verde in una mappa satellitare convenzionale, pur differendo per uso del suolo e valore ecologico.
La mappa di riferimento di ForTy per il 2020 copre le terre comprese tra i 65 gradi di latitudine sud e gli 84 gradi di latitudine nord. Il dataset sottostante fornisce punteggi di confidenza relativi per ciascuna classe con una risoluzione di 10 metri, anziché costringere gli utenti ad affidarsi soltanto a un’unica categoria assegnata a ogni pixel. I file sono disponibili tramite Google Earth Engine e come dati geospaziali scaricabili con licenza Creative Commons Attribution 4.0.
Perché gli autori usano le serie storiche satellitari
Il tipo di foresta dipende in parte dalla storia dell’uso del suolo, non soltanto dall’aspetto della chioma degli alberi in una singola immagine. I ricercatori hanno addestrato il modello su circa 1,7 milioni di località etichettate, raccolte attraverso rilevazioni condotte da esperti, dataset nazionali e regionali ed esami mirati dei luoghi in cui le previsioni si sono rivelate difficili. ForTy usa gli embedding di AlphaEarth Foundations — rappresentazioni compatte delle osservazioni satellitari nel tempo — per individuare indizi come la disposizione delle piantagioni, la crescita stagionale e i cicli di raccolta.
«Anziché assegnare etichette di categoria rigide, il dataset distribuisce punteggi di confidenza relativi per ciascuna classe, consentendo agli utenti di adattare la classificazione ai contesti regionali e ai compromessi tra precision e recall specifici delle applicazioni.»
Maxim Neumann et al., Scientific Data
I valori di confidenza possono aiutare gli analisti a fissare soglie diverse per compiti diversi, ma non sono probabilità calibrate che una classe sia quella corretta. L’articolo consiglia agli utenti di esaminare i punteggi nelle aree di loro interesse e, se necessario, di scegliere le soglie usando dati di validazione locali. Questa avvertenza è importante per le organizzazioni che valutano l’uso della mappa in analisi normative o delle catene di approvvigionamento: una mappa globale può orientare le verifiche, ma le condizioni locali continuano a influenzare l’interpretazione dei punteggi.
Che cosa ha misurato la validazione
Il gruppo ha valutato la mappa usando un campione stratificato a livello globale di 9.100 siti. Due esperti formati hanno esaminato le immagini ad alta risoluzione e le registrazioni satellitari di ciascun sito; per 8.190 siti la classificazione era stata definita mediante il consenso degli esperti e questi siti sono stati usati per stimare l’accuratezza. La classificazione in sei classi ha raggiunto un’accuratezza complessiva del 90,2%, mentre l’articolo riporta il 94,8% per la distinzione tra foreste naturali e non naturali e il 95,5% per quella tra foreste e aree non forestali.
Questi dati descrivono compiti di classificazione diversi, non misure di prestazione intercambiabili. La distinzione generale tra foreste e aree non forestali è più semplice dell’identificazione di quale delle sei classi di foresta e uso del suolo occupi un pixel. Nell’annuncio, Google arrotonda al 95% il risultato relativo alla distinzione tra foreste e aree non forestali e afferma che la mappa supera altre mappe forestali globali.
Una panoramica annuale dei cambiamenti, non solo delle perdite
Insieme alla mappa del 2020, i ricercatori hanno pubblicato una prima serie annuale che copre il periodo dal 2017 al 2025. È progettata per mostrare che cosa segue alla perdita di foresta, oltre a indicare dove questa si verifica: una foresta naturale può diventare una piantagione forestale destinata alla produzione di legname, mentre un terreno abbandonato può tornare gradualmente a essere una foresta. Una mappa standard della copertura arborea può non rilevare la prima trasformazione quando gli alberi ripiantati ripristinano una chioma verde; la serie ForTy cerca di classificare l’uso del suolo che subentra.
La mappa è destinata a sostenere la pianificazione degli interventi di conservazione, il monitoraggio delle foreste e le verifiche legate alle catene di approvvigionamento a deforestazione zero. È un dataset di ricerca, non un livello di Google Maps destinato ai consumatori, e i suoi punteggi di confidenza lasciano agli utenti un compito pratico: decidere quale grado di certezza sia adeguato alla regione e alla decisione specifica.