2026 年 10 月 22 日，APPI News 刊出一篇比較 Google DeepMind 兩項地球觀測成果的長文：ForTy 2020 森林類型地圖，以及 OlmoEarth v1.3 遙測嵌入模型。兩者都處理衛星資料、都以 10 公尺尺度呈現全球地表，但一件是「已經判好類別的地圖」，另一件是「給你自己蓋房子的磚頭」。想把它們搬進專案的人，第一個要分清楚的就是這件事。
一個是成品，一個是半成品
用買菜來比喻：ForTy 像是超市裡切好、裝盒、貼好標籤的冷凍蔬菜包，打開就能下鍋；OlmoEarth 像是整箱的當季食材，菜色要自己設計，火候要自己掌握。
ForTy 的全名是 Forest Typology，森林類型分類。它把 2020 年的全球地表分成六類：原始森林、自然更新森林、人工種植森林、人工林、樹木作物與農林複合，以及其他土地。它補足了傳統樹冠覆蓋圖看不出來的細節，能區分天然森林、經營林地，以及油棕、橡膠這類農作區。對森林監測或供應鏈查核的人來說，這六個標籤可以直接拿來圈選範圍。
OlmoEarth v1.3 給的不是標籤，而是向量。它把一年的 Sentinel-1 雷達、Sentinel-2 多光譜與 Landsat 衛星時間序列，壓縮成每個 10 公尺像元的 128 維嵌入。原理說穿了不神祕：地表狀況相似的地方，向量在空間裡就靠得近；狀態不同，距離就遠。想用它回答「這塊地是什麼」，你得再準備自己的標註樣本，訓練分類器，或比較不同年份的向量變化。
所以兩者的使用者負擔完全不同。ForTy 的六類標籤能不能用，取決於類別定義是否符合你的計畫；OlmoEarth 能不能得出結果，取決於你手上有沒有可靠的標籤與驗證資料。向量本身不會自動告訴你哪裡是森林。
分類的定義，比解析度更容易踩雷
ForTy 論文說明，分類流程使用了約 170 萬個全球標註樣本，結合弱監督與主動學習，為每個類別產出信心圖。標籤來自專家調查、國家與區域資料集，以及難判地點的人工檢視。
數字聽起來很大，但樣本多不等於地圖準。不同地區的資料來源、標註年份、採用定義可能不一致，某些地貌或經營方式本來就難以一致判讀。弱監督能整合不完全一致的標籤，主動學習能把需要專家判斷的案例集中處理，這些方法改善的是效率，仍然取代不了獨立驗證。
更關鍵的是類別定義連動的管理脈絡。「人工種植森林」和「人工林」在 ForTy 裡對齊的是聯合國糧農組織（FAO）與歐盟的規範。如果你的計畫採用本地法規或另一套統計口徑，類別名稱看起來眼熟，內容卻可能對不上。要估算某一類林地面積之前，得先把這些定義逐一對照，否則後續比較就沒有基準。
嵌入的使用者則面對另一種工作：先決定要分類什麼，再整理標註資料，選擇分類方法，最後檢查結果在目標地區是否成立。向量相似性可以拿來找相近的地表特徵，但「相近」不會自動變成土地類型或變化原因。
重用前的四個檢查點
無論拿的是地圖還是嵌入，APPI News 那篇文章建議的檢查方向可以收斂成幾件事。
範圍先對齊：資料是 2020 年的全球基準，你要分析的是哪一年、哪個地區？驗證樣點是否涵蓋該地的主要地貌類型？容易混淆的類別（例如人工種植森林與人工林）有沒有被分開檢視？
標籤先翻譯：六類標籤對應 FAO 與歐盟定義，換到臺灣或東南亞的林地管理語境時，先做一層定義對照表，再談面積或變化量的比較。
授權先確認：地圖與模型的授權條款決定能不能商用、能不能改作、引用時要標示什麼。來源文對此有提醒，但實際條款仍應以發布方文件為準。
標籤品質先想清楚：用 OlmoEarth 做分類時，成果上限由你的標註資料決定。手上沒有在地樣本與驗證設計，向量再完整也撐不起正式判斷。
對實際工作的意義
如果你的任務是初步圈選可能的森林區域，ForTy 的六類標籤已經夠用，可以直接縮小檢視範圍。如果你的任務是追蹤某類土地的年度變化、或需要符合特定定義的面積估算，OlmoEarth 這類嵌入反而是更靈活的起點，搭配自有標籤能做出任務專用的地圖，只是建模與驗證的成本要自己扛。
衛星資料產品越來越多，看起來都在講「全球」、「10 公尺」、「AI」，但交付物的性質決定了你在工作流裡站的位置。下次看到一份新的地球觀測地圖，先問它給的是答案還是材料，後面每一步的判斷才會踏實。