Условный пример: два участка на спутниковом снимке выглядят почти одинаково — ровный зелёный цвет, ни одной проплешины. Один — первичный лес. Второй — промышленная плантация, где деревья стоят рядами, как на чертеже, а цикл выращивания укладывается в десятилетия: в методике ForTy для плантаций речь идёт о сроке до 40 лет. Для обычной карты древесного покрова это одна и та же категория: «здесь есть деревья».
Бытовое сравнение напрашивается само. Два стула в магазине выглядят похоже: один из массива дуба, второй — шпон на ДСП. На вид почти одно и то же, но ведут они себя по-разному — это условная иллюстрация, а не гарантия про конкретную мебель. С лесом ставки выше: от того, что именно растёт на участке, зависит, считаем мы это утратой или восстановлением.
22 октября 2026 года Google DeepMind вместе с Google Research, World Resources Institute и IIASA показали карту ForTy — Forest Typology. Она отвечает не на вопрос «есть ли здесь деревья», а на вопрос «что это за лес и в каком он состоянии». Самое интересное в этой истории, по-моему, не общая точность в 90,2%, а F1-показатель для посаженного леса — 58,2%. Именно он честно показывает, где заканчивается уверенность модели в этом классе.
Почему «здесь есть деревья» — плохой ответ
Древесный покров — это, грубо говоря, зелёная масса, которую видно из космоса. О происхождении она не говорит ничего. Вырубили первичный лес, посадили на его месте плантацию — через несколько лет карта снова покажет зелень. Формально деревья есть, лес как будто не исчез. По факту исчезла экосистема, а на её месте появилось интенсивно управляемое хозяйственное насаждение.
Именно на стыке ИИ и спутниковых данных эта разница становится принципиальной. Для оценки вырубки и деградации важно не просто заметить, что зелёный пиксель пропал, а понять, что пришло на его место. Для углеродного контекста тип леса тоже имеет значение: первичный массив, вторичный лес и плантация накапливают углерод по-разному, и считать их одним числом — значит рисовать красивый отчёт с сомнительной основой. Для цепочек поставок всё ещё практичнее: покупатель хочет знать, не связан ли товар с преобразованием природного леса, а не просто с участком, где формально растут деревья.
С регуляторикой тут нужно быть аккуратным. Подходы ForTy в значительной степени согласуются с определениями FAO и логикой требований EUDR к подтверждению происхождения продукции. Но это не значит, что карта автоматически заменяет национальные правовые определения леса или юридическую проверку поставщика. Она даёт контекст, а не приговор.
Что на самом деле показала ForTy
22 октября представили не анонс «когда-нибудь потом», а опубликованную карту и открытый набор данных. Базовый продукт — ForTy 2020: глобальная карта с разрешением 10 × 10 метров, которая охватывает сушу примерно от 65-й параллели южной широты до 84-й северной и описывает состояние на 2020 год. Это важная деталь: карта не про «сегодня», а про вполне конкретный срез.
Классов шесть, и они не сводятся к паре «лес — не лес». Первичный лес и естественно восстанавливающийся лес — природный блок. Посаженный лес и интенсивно управляемая плантация — хозяйственный. Отдельно идут древесные сельскохозяйственные культуры и агролесоводство: масличная пальма, каучук, фруктовые сады. И остаток — прочие земли.
Посаженный лес и плантацию ForTy разделяет по конкретным критериям. Это интенсивность управления, структура насаждения и оборот выращивания. Для плантаций учитываются, в частности, один-два вида деревьев, одинаковый возраст, регулярные интервалы и цикл до 40 лет. То есть плантация — не «лес, который посадил человек», а довольно конкретный промышленный формат с предсказуемой геометрией и коротким оборотом.
И ещё одна оговорка, которую легко потерять. 10 метров — это размер пикселя карты, а не гарантия, что каждый участок такого размера классифицирован безошибочно. Разрешение и точность — разные вещи, как размер объектива и качество фотографии.
Как модель видит разницу
Самое важное в методе — модель смотрит не на один снимок. Основным входом служат пространственные представления AlphaEarth Foundations, собранные из многолетних и многоканальных спутниковых наблюдений. В описании методики упоминаются Sentinel-1, Sentinel-2, Landsat, ALOS PALSAR-2 и другие источники. Иными словами, на вход идёт не фотография леса, а его поведение во времени.
Время здесь решает многое. Модель опирается не на универсальное правило «так выглядит лес», а на признаки, которые видны в серии наблюдений: регулярность структуры, повторяющиеся интервалы, сезонную динамику, характер роста и следы хозяйственного цикла «посадка — уход — рубка». У природного массива эти признаки обычно выражены слабее: кроны разного возраста, просветы, неровная мозаика. По одному кадру такой рисунок легко спутать, по многолетней серии — сложнее.
На выходе модель даёт не жёсткую подпись, а относительные вероятности по пяти основным классам; шестой, «прочие земли», считается как остаток. Итоговую категорию можно получить, выбрав класс с максимальным значением, но порог уверенности разрешено ужесточить под конкретную задачу. Однако авторы отдельно предупреждают: эти значения не были дополнительно откалиброваны и должны восприниматься как относительные оценки, а не как буквальная вероятность ошибки. Проще говоря, это не паспорт участка, а подсказка, где стоит присмотреться внимательнее.
Где точность расходится с красивой цифрой
Карту проверяли по глобально стратифицированной выборке из 9100 участков. В оценку вошли 8190, по которым эксперты достигли согласованной классификации. Общая точность по шести классам составила 90,2%, а для различения природного леса и всего остального — 94,8%. Вот эти два числа, скорее всего, и разойдутся по заголовкам.
Дальше начинается менее парадная часть. F1-показатель по классам заметно разный: первичный лес — около 82,9%, естественно восстанавливающийся — 72,6%, плантация — 66,7%, древесные культуры и агролесоводство — 62,1%, посаженный лес — всего 58,2%. Для посаженного леса это означает: модель путается чаще, чем хотелось бы, и на конкретном участке вполне может ошибиться.
Похоже, причина в том, что посаженный лес структурно сидит между природным массивом и промышленной плантацией: режимы управления там самые разные, от почти естественного восстановления до вполне промышленного ухода, и провести границу между ними труднее всего. Это и объясняет, почему нельзя обещать «ИИ видит любое насаждение». 90,2% — средняя по больнице, но не обещание для конкретного гектара. Там, где цена ошибки высока, нужен более строгий порог и локальная проверка, а не слепая вера в красивую цифру из пресс-релиза.
Временной ряд 2017–2025 — отдельный продукт
Вместе с картой Google DeepMind сообщила о ранней версии временного ряда, который показывает изменения по годам с 2017 по 2025 год. Его задача — не только зафиксировать исчезновение древесного покрова, но и понять, чем участок заменили: плантацией, древесной культурой, другим землепользованием или вновь растущим лесом.
Здесь важно не смешивать два продукта. Базовая карта ForTy 2020 и ранний временной ряд — не одно и то же по степени проверки. По переходам между годами валидация слабее, и честнее сказать об этом прямо, чем делать вид, что перед нами одинаково надёжные данные. Практический смысл ряда от этого не исчезает: именно он может помочь заметить классическую манипуляцию, когда первичный лес вырубили, посадили пальму, а карта древесного покрова снова зелёная и как будто ничего не потеряно.
Кому это нужно на самом деле
Первый сценарий — вырубка и деградация. ForTy 2020 фиксирует тип участка на один срез, по состоянию на 2020 год; саму смену природного леса хозяйственным использованием помогает выявлять уже ранний временной ряд 2017–2025 или сопоставление с другими данными. В любом случае карта не заменяет наземный мониторинг: она подсказывает, куда смотреть, а не выносит окончательный вердикт.
Второй — углеродный контекст. Тип леса влияет на оценку запасов, но ForTy не измеряет углерод. Это входной слой для расчётов, но не готовый углеродный баланс. Разница примерно как между картой почв и анализом конкретного образца.
Третий — цепочки поставок. Карта может быть предварительным инструментом проверки того, не связан ли участок с преобразованием природного леса в плантацию или сельхозугодье. Именно скрининг. Самостоятельным доказательством легальности происхождения товара карта не становится.
В исследовании приведены и региональные примеры: посаженные леса Скандинавии, плантации и природные леса юго-востока Австралии, древесные культуры Юго-Восточной Азии, агролесоводство Западной Африки. На таких примерах видно, зачем вообще нужна типология: одинаково зелёные участки в разных регионах могут означать совершенно разные вещи.
Карта лесов — хороший пример того, как ИИ-проект перестаёт быть демонстрацией и становится рабочим слоем для чужой проверки. Ровно по такому же принципу — что реально работает, а что красиво только в презентации — мы разбираем инструменты и сервисы в GPT-Лаборатории. Если хочется продолжения без восторженных заголовков, оно здесь: https://t.me/jopotology.
Где карта ошибётся
Помимо слабых классов есть ограничения, заложенные в самой конструкции. В смешанном пикселе на границе леса и поля может не быть ни одного чистого класса: часть площади — деревья, часть — трава или пашня. Исходный слой хранит по каждому пикселю относительные баллы классов, и только при построении итоговой категориальной подписи один класс выбирается по максимальному значению — а значит, на таком пикселе он может оказаться спорным. Мелкие участки и узкие полосы насаждений, которые не укладываются в пиксель размером 10 метров, тоже повышают риск ошибки.
К этому добавляется терминологическая тонкость. «Плантация» в ForTy — рабочее определение с критериями, а не универсальный юридический термин. Если в национальном законодательстве плантация считается лесом, а в методике — хозяйственным классом, это не ошибка карты, а разные рамки. Но именно на таких стыках и возникают споры.
Два зелёных участка на снимке так и останутся двумя зелёными участками, пока кто-то не спросит, какой это тип леса, откуда он взялся и как используется участок. ForTy — попытка задать этот вопрос системно и хотя бы частично ответить на него из космоса. Главный результат здесь не 90,2%, а признание простого факта: у леса есть происхождение, и теперь его можно различать не только по цвету.
