Google DeepMind mapuje typy lasów z całego świata - nowy model AI daje szczegółowość nieosiągalną dotąd z orbity

Ten news ukazał się 9 min po komunikacie źródła.

👁 119 przeczytań

Google DeepMind ogłosił w lipcu 2025 roku system AlphaEarth Foundations, który po raz pierwszy pozwala mapować typy lasów na całej planecie z dokładnością niedostępną dotychczas żadnemu narzędziu teledetekcji satelitarnej. To nie jest kolejna mapa pokazująca, gdzie rosną drzewa - to pierwsza technologia, która z orbity rozróżnia, jakie to lasy.

Różnica między „drzewami” a „lasem”

Przez dekady globalne systemy obserwacji Ziemi robiły jedno: liczyły pokrywę drzewną. Satelity potrafiły z dużą dokładnością powiedzieć, gdzie na powierzchni planety stoją drzewa, a gdzie ich nie ma. Ale pytanie o to, czy dany obszar to tropikalny las deszczowy, borealna tajga, suchy las liściasty czy plantacja monokulturowa - pozostawało poza zasięgiem automatycznej analizy z kosmosu. A to właśnie ta różnica decyduje o wartości ekosystemu: o jego bioróżnorodności, zdolności do pochłaniania węgla, odporności na zmianę klimatu i znaczeniu dla lokalnych społeczności.

AlphaEarth Foundations, opisany na oficjalnym blogu Google DeepMind, zmienia to fundamentalne ograniczenie. System idzie „beyond tree cover” - poza samą pokrywę drzewną - i klasyfikuje rodzaje ekosystemów leśnych w skali globalnej. To jakościowy skok w stosunku do tego, co dotąd oferowały programy takie jak Global Forest Watch czy dane z misji Copernicus Europejskiej Agencji Kosmicznej.

Jak działa AlphaEarth Foundations

Model opiera się na fundamencie, który DeepMind rozwijał jako część szerszej inicjatywy AlphaEarth - zestawu systemów AI do szczegółowego modelowania powierzchni Ziemi. Nazwa „Foundations” nie jest przypadkowa: chodzi o model bazowy, który można dostrajać do konkretnych zadań teledetekcji, podobnie jak duże modele językowe dostrajane są do konkretnych zastosowań biznesowych.

W przypadku mapowania lasów system uczony był na danych satelitarnych obejmujących różne spektra elektromagnetyczne i łączył je z referencyjnymi danymi terenowymi. Kluczowe jest to, że model nie tylko identyfikuje obecność roślinności, ale wyciąga z obrazów satelitarnych subtelne sygnały spektralne, teksturalne i fenologiczne - czyli informacje o tym, jak dany obszar zmienia się przez całe cykle sezonowe. To właśnie te wzorce pozwalają odróżnić, powiedzmy, amazońską selwę od wtórnego lasu po wylesionej działce, choć z perspektywy zwykłego zdjęcia oba obszary mogą wyglądać podobnie.

DeepMind podkreśla bezprecedensowość skali - system działa globalnie, nie jest kalibrowany pod jeden kontynent czy jeden typ biom. To oznacza, że te same wagi modelu, które radzą sobie z lasami równikowymi Konga, działają równie skutecznie na syberyjskiej tajdze czy lasostepu w Europie Środkowej.

Dlaczego to ważne dla klimatu i polityki środowiskowej

Konsekwencje tej technologii wykraczają daleko poza akademicką kartografię. Dokładne mapy typów leśnych są kluczowym wejściem do modeli klimatycznych - IPCC od lat wskazuje, że niepewności w szacowaniu pochłaniania CO₂ przez różne ekosystemy leśne są jednym z głównych źródeł błędów w prognozowaniu trajektorii ocieplenia. Las tropikalny i las borealny pochłaniają węgiel w zupełnie inny sposób i w zupełnie innym tempie, a dotychczasowe mapy często wrzucały je do jednego worka „pokrywy leśnej”.

Dla unijnej polityki środowiskowej, w tym rozporządzenia EUDR (regulacji o wylesianiu), które wymaga od importerów weryfikacji, czy towary nie pochodzą z obszarów wylesienia po 2020 roku, tego rodzaju narzędzie może być bezpośrednio użyteczne. Polska, jako duży rynek przetwórczy surowców drzewnych i rolnych, bezpośrednio podlega tym regulacjom - i każde narzędzie dające dokładniejszy obraz tego, co dzieje się z lasami na poziomie globalnym, ma realne znaczenie dla weryfikacji łańcuchów dostaw.

Podobna logika dotyczy rynku kredytów węglowych. Cały system handlu emisjami oparty na lesistości - wart dziesiątki miliardów dolarów rocznie - kuleje od lat z powodu braku wiarygodnych danych weryfikacyjnych. Projekty REDD+ (Reducing Emissions from Deforestation and Forest Degradation) wymagają dokładnego ustalenia, jaki las był chroniony i jakie ma znaczenie dla sekwestracji węgla. AlphaEarth Foundations mógłby dostarczać takich danych w sposób skalowalny i powtarzalny.

AlphaEarth jako platforma, nie tylko produkt

Warto zwrócić uwagę na strategię DeepMind w tym projekcie. Publikacja na blogu opatrzona jest tagiem „Science” i zapowiedzią „Learn more” - co sugeruje, że pełna dokumentacja techniczna i ewentualnie kod lub wagi modelu zostaną udostępnione środowisku naukowemu. To odróżnia AlphaEarth od czysto komercyjnych produktów teledetekcji, które sprzedają mapy jako usługę, nie udostępniając metodologii.

DeepMind pozycjonuje AlphaEarth Foundations jako fundament - bazowy model do obserwacji Ziemi, który inni badacze i instytucje mogą dostrajać do własnych potrzeb. Jeśli taka ścieżka się zrealizuje, technologia może trafić do narodowych służb leśnych, agencji środowiskowych i organizacji pozarządowych monitorujących wylesienie, bez konieczności budowania własnej infrastruktury ML od zera.

Porównanie z GPT-4 jako modelem bazowym dla setek aplikacji jest tu nieprzypadkowe - DeepMind wydaje się grać o podobną pozycję w domenie obserwacji Ziemi: dostarczyć model na tyle ogólny i silny, żeby cały ekosystem aplikacji środowiskowych mógł na nim stanąć.

Jeśli AlphaEarth rzeczywiście stanie się standardem w globalnej obserwacji ekosystemów leśnych, pytanie o to, kto i jak zarządza tymi danymi, nabierze znaczenia politycznego - nie tylko ekologicznego.