ForTyが10メートル解像度の地図で森林の種類を見分ける
今回の進展
Google DeepMindが、森林と土地利用を6種類に分けた地図を紹介し、2017年から2025年までの変化を示す年次系列の初期版も公開した。新たに分かるのは、緑に見える土地が天然林なのか、人工林なのか、樹木作物の栽培地なのか、そして、それらがどう移り変わるかだ。
要点AI支援による分析
ForTyは、木があるかどうかの把握から一歩進み、土地の種類とその転換過程を比較可能な記録にする。天然林の保護、人による管理、森林の回復をそれぞれ観察できる一方、実際の判断には分類誤差と、それに対応する現地の証拠を引き続き用いる必要がある。
事実を読み解く
基準となる地図と年ごとの変化をつなぐ
Google DeepMindは10月22日、Forest Typologyを紹介し、2017年から2025年までの年次系列の初期版も公開した。2020年の地図は変化を比較するための基準であり、2026年の森林の現状をリアルタイムで示すものではない。
関連論文の公開日は10月21日、Figshareのデータセットに記録された初回公開日は5月22日だ。本稿は今回の紹介記事の日付に沿って整理しており、既存のデータや過去の観測を、今日新たに得られたものとして扱わない。
参照資料Beyond tree cover: mapping the world’s forest typesGoogle DeepMind · Maxim Neumann and Charlotte Stanton · 2026-10-22資料を読む参照資料Global forest typology at 10-meter resolution for forest and land-use monitoringScientific Data · Neumann et al. · 2026-10-21資料を読む参照資料Forest Typology 2020 (v1)Figshare · Forest Typology research team · 2026-05-22資料を読む樹冠の見た目から土地利用の分類へ
ForTyは地表を、原生林、天然更新林、人工林、集約管理されたプランテーション林、樹木作物・アグロフォレストリー、その他の土地という6種類に分類する。モデルはAlphaEarth Foundationsによる衛星観測の表現を利用し、多段階の学習と人手でラベル付けした資料を通じて、分類ごとの違いを学ぶ。
論文によると、この分類には管理の履歴や用途が関わるため、緑の樹冠を写した1枚の写真だけでは判断できない。出力には最もスコアの高い分類ラベルだけでなく、各分類の相対的な信頼度スコアも残されている。ただし、これらのスコアには事後の確率校正を施していない。
参照資料Global forest typology at 10-meter resolution for forest and land-use monitoringScientific Data · Neumann et al. · 2026-10-21資料を読む約9割の正解率をどう読むか
論文は、世界全体から層化抽出した9,100か所の検証地点のうち、専門家の判断が一致した8,190か所を用いて性能を推定した。6種類を合わせた全体の正解率は90.2%であり、すべての地域、すべての森林分類で同じ水準に達したという意味ではない。
論文は特に、面積による重みが大きい「その他の土地」が全体指標に強く影響すると指摘している。人工林のF1スコアは58.2%で、原生林の82.9%を下回る。特定の分類が目的に十分使えるかを判断するには、その分類の適合率、再現率、不確実性を見る必要がある。F1は誤検出と見逃しを総合的に捉える指標であり、各ピクセルの分類が正しい確率とそのまま読み替えることはできない。
参照資料Global forest typology at 10-meter resolution for forest and land-use monitoringScientific Data · Neumann et al. · 2026-10-21資料を読むH/ACC の視点
緑の増加を、議論できる変化にする
H/ACC編集部の見方：この取り組みの価値は、ある土地が何から何に変わったのかを、共通の形式で比較できる記録にすることにある。天然林を伐採した後に再び木を植えれば、樹冠面積は回復するかもしれない。しかし、管理形態はすでに変わっている。種類を分けることで、森林の回復、植林、天然林の保護を、それぞれの目標に沿って捉えられる。
分類スコアを残すことは、確認作業の優先順位をつける余地にもなる。利用者は判断が曖昧な区画から確認し、地域の記録と照らし合わせて検証できる。色分けしたラベルだけを残すと、こうした不確実性は後の計算から抜け落ちてしまう。ここで加わるのは検証可能な情報の層であり、炭素蓄積量や生物多様性については、それぞれに対応する測定が引き続き必要だ。
年次系列には別の検証が必要になる
H/ACC編集部の見方：ある時点の分類精度を高めることは、継続的な監視の重要な土台になる。そこから、ある土地がいつ天然林からプランテーション林に変わったかを判断するには、実際の変化と分類の揺れを見分ける必要がある。隣り合う年でラベルが異なる地点は調査の手がかりになるが、その後、時系列の画像や現地の記録と照合すべきだ。
今後、特に価値のある進展は、年ごと、分類ごとの転換について検証結果を公開し、誤差が面積統計にどう影響するかを示すことだ。そうすることで、地図の更新は、毎年色を塗り替えるだけでなく、追跡可能な証拠の積み重ねになっていく。
判断の限界
- 論文の検証指標は2020年の基準地図に対応しており、初期版の年次系列の各年や、個々の種類の転換にそのまま適用することはできない。
- 分類スコアは事後校正を行っていない相対的な信頼度である。データの対象は南緯65度から北緯84度までの陸地であり、すべての極域を網羅すると文字どおりに受け取ることはできない。
- 森林の管理形態には地域差があり、論文も一部の分類には実務上の近似を用いると説明している。本稿ではモデルの独立した再実行や、個別の区画の検証は行っていない。
次に注目することAI支援による分析
- 2017年から2025年までの系列について、年ごと、分類ごとの独立した検証は公開されるか。特に、天然林からプランテーション林への転換の適合率と再現率はどうか。
- 同じ地域の伐採・再生記録を連続する年次分類と照合できるか。また、信頼度の低い区画を再確認した結果は公開されるか。
参照資料
この記事で参照した報道や研究資料。
- Beyond tree cover: mapping the world’s forest typesGoogle DeepMind · Maxim Neumann and Charlotte Stanton · 資料公開日 2026-10-22
- Global forest typology at 10-meter resolution for forest and land-use monitoringScientific Data · Neumann et al. · 資料公開日 2026-10-21
- Forest Typology 2020 (v1)Figshare · Forest Typology research team · 資料公開日 2026-05-22