90.2% 的準確率是全局數字，你手上的那塊地未必：ForTy 森林地圖的使用說明書

2026 年 10 月 31 日，一篇針對 ForTy 的深度介紹文章重新引起討論。ForTy 是 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）等團隊共同開發的全球森林分類地圖，以 2020 年為基準年，名目解析度 10 公尺。討論焦點不在地圖本身有多新，而在一個更實際的問題：當你在簡報裡引用它，你知道那個數字在講什麼嗎？

先把最容易被誤讀的數字講清楚。90.2% 是六分類方案在全球分層抽樣驗證點上的整體準確率。研究團隊抽取 9,100 個全球分層隨機地點，其中 8,190 個完成兩位專家判讀與共識整理。這是獨立驗證，但它量測的是全球平均，不是你家旁邊那片山坡地的表現。

各類別的 F1 分數差異很大：「其他土地」96.4%、原始林 82.9%、自然再生林 72.6%、人工造林 58.2%。F1 綜合精確率與召回率，同時反映誤判和漏判。換句話說，如果你的分析對象恰好是人工造林或農林複合系統，整體數字會掩蓋分類難度。論文中國案例就發現地圖低估了人工林，團隊透過主動學習找出易錯區域補充判讀，這件事本身就說明全球地圖仍須逐一檢視目標地區的表現。

六類森林，分的不只是長相

ForTy 把全球陸地分成六類：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。分類依據 FAO 與歐盟相關定義整理，同時考量地表樣貌、用途和管理方式。

幾個容易混淆的界線值得記住。原始林指以本地樹種為主、無可見人為擾動的自然林，但成熟次生林的光譜與冠層外觀可能幾乎一樣，衛星影像未必能看到完整的管理史。人工造林與集約經營人工林之間，論文用 40 年輪伐期作為操作性門檻，這是研究上的工作定義，不是衛星直接拍到的管理紀錄。樹木作物涵蓋油棕、橡膠、果園等非木材商品作物，遮蔭農林系統看起來可能像自然林。

這就像看一張大樓照片判斷誰是房客、誰是房東、誰只是來借廁所。屋頂長得一樣，產權結構完全不同。而 ForTy 想分的就是產權結構，難度自然比數屋頂高。

如果單純只想問「有沒有森林」，ForTy 的森林與非森林二分準確率是 95.5%；自然林與非自然類別的準確率是 94.8%。粗分類不能替代六分類，但先決定你要回答哪一種問題，再選指標，可以少走很多冤枉路。

相對信心分數，不是機率

ForTy 的輸出是各類別的分數。Neumann 等人在論文中明確指出，這些分數未經事後校準，應視為相對信心分數，不能直接解讀為已校準的後驗機率。實務上，一個 0.8 的分數不代表那格有 80% 機率屬於該類別，只代表它比旁邊 0.6 的格子更確定。

生產流程上，ForTy 把多來源、多年份的衛星觀測整理成地理嵌入，再以三階段深度學習模型結合不同精度的標註資料、弱監督學習與主動學習。最後一階段加入 2019 至 2024 年的脈絡改善年度一致性，但目標地圖仍是 2020 年基準，並非即時監測。

標註資料在全球分布不均，也不全是逐像元標記。論文記錄的錯誤案例包括印度西孟加拉的香蕉園被過度分成樹木作物、歐洲葡萄園出現類似問題。這些修正靠主動學習找出錯誤集中區域再補充人工判讀，也再次印證分類表現因地區而異。

什麼時候該用它，什麼時候不該

依論文與介紹文章的定位，ForTy 適合全球比較與初篩。相對地，特定地塊的認定、合規查核或資源配置決策，仍須當地實地查核佐證。

決策前可以自問三件事。第一，問題層級：是要全球比較、區域趨勢，還是單一地塊認定。第二，目標類別：關心原始林還是人工造林，兩者的 F1 差了 24 個百分點以上。第三，誤判成本：把自然再生林誤判成原始林，在你的用途裡代價是什麼。

對於想更深入了解衛星資料交付形式差異的讀者，我們先前整理過ForTy 與 OlmoEarth 在地圖與遙測嵌入上的差異，兩者同樣使用地球觀測資料，交付內容與重用前的檢查點並不相同。

全球尺度的森林資料正在變多、變細，但資料的價值取決於使用者是否讀懂它的邊界。90.2% 是一個誠實的數字，前提是你知道它在量什麼、沒在量什麼。