Google DeepMindとGoogle Researchは、世界資源研究所（WRI）および国際応用システム分析研究所（IIASA）と共同で、地球上のすべての10m×10mの土地を6つの異なる森林・土地利用タイプに分類する世界地図「Forest Typology（ForTy）2020」を公開しました。両組織はこの公開を、欧州連合の森林破壊関連規制における重要な基盤と位置づけています。地図と併せて、チームは2017年から2025年までの森林の年次変化を追跡する先行公開の時系列データも公開しており、天然林が農園林や農場に置き換えられた地域を含めて把握できます。

研究者のMaxim Neumann氏とCharlotte Stanton氏がGoogle DeepMindブログで発表したこの発表によると、ユーザーは世界全体を10メートルの詳細さで、年ごとに、森林が失われた場所だけでなく、その後に何が置き換わったか（木材用植林、果樹作物農場、その他の土地）を確認できるようになります。

なぜ「森林被覆」だけでは不十分なのか

宇宙から見ると、原始林の熱帯雨林、ユーカリの植林、油ヤシの農園は、同じ緑の区域に見えることがあります。しかし、これらが蓄える炭素と生物多様性の量は大きく異なります。投稿によれば、すべての森林は炭素を蓄えており、森林全体では世界の陸上植物・動物種の大部分の生息地となっています。しかし、森林の生態学的価値はその歴史にも依存します。一度も皆伐されたことのない原始林は、10年から20年ごとに伐採される単一樹種の木材植林よりも、はるかに多くの炭素と生物多様性を保持しています。

ほとんどの世界地図は樹木の有無しか示しておらず、これは天然林を保護しようとする者にとって課題となります。たとえば、EUの無破壊製品規制（EUDR）では、コーヒー、カカオ、パーム油などの製品が、2020年に森林だった土地がその後に農業地帯へ転換されていないことを求めています。その対象にはゴム、大豆、牛およびその派生製品も含まれます。家具などの木製品も森林劣化がないことが求められ、原始林がその後に農園林や植林地へ転換されたもの、あるいは天然更新林が農園林へ転換されたもの由来であってはなりません。その結果、企業や規制当局は、樹木がどこにあるかだけでなく、どのような種類の森林（原始林か再生林、植栽林か農園林、森林か農場か）であるか、そして伐採後に何がその森林に取って代わるかを知る必要があります。

同じグループは以前、天然林とその他のすべての森林被覆を区別する10メートル解像度の世界地図「Natural Forests of the World 2020」を公開しました。この公開は、企業や規制当局がEU森林破壊規制を実施する出発点となり、商品生産者が天然林を転換しないというコミットメントを果たすことを支援しました。この地図はすべての土地について「2020年に天然林であったか否か」という一つの問いに答えるものでした。ForTyはさらに踏み込み、原始林から木材植林、果樹作物まで、そこにどのような種類の森林があるかを示し、新しい時系列データによって毎年の変化を示します。

ForTyが世界の森林を分類する仕組み

ForTyは、国連食糧農業機関（FAO）の定義に基づき、土地を6つのカテゴリーに分類します。

• 原始林：人為的撹乱の目に見える兆候がない天然林。
• 天然更新林：伐採や火災の後に自力で再生した森林。
• 植栽林：人が植林や播種を行い、長期サイクルで管理している森林。
• 農園林：速生樹種を集中的に管理する樹木農場で、多くの場合単一樹種。
• 果樹作物・アグロフォレストリー：油ヤシ、ゴム、カカオ、果物など、木材以外を生産する農場。
• その他の土地：草原や農地から都市や水域まで、その他すべて。

FAOは、各国が森林状況を報告する定期的な評価である世界森林資源評価において、これらと同じ定義を適用しており、地図のカテゴリーは国際的な森林報告で既に使用されている用語と一致しています。

Forest Typology 2020地図では、各色が1平方キロメートルごとに最も一般的な森林または土地タイプを示しており、ユーザーはEarth Engineアプリで10メートルの詳細さで閲覧できます。

ForTyモデルの学習は、これらのカテゴリーが土地の見た目だけでなく土地利用のされ方にも依存するため、困難を極めました。この違いをモデルに教えるため、チームは専門家調査、国および地域のデータセット、モデルが苦手とした場所の集中的なレビューから得られた約170万か所のラベル付き地点を含む大規模な森林タイプのサンプル集を構築しました。モデルはリモートセンシングデータの課題に対応して設計されたカスタムアーキテクチャを使用し、AlphaEarth Foundations埋め込み（各10メートルピクセルに対する数年分の衛星観測のデータ圧縮サマリー）を主要な入力として利用することで、植栽パターン、成長サイクル、伐採のリズムといった微細な手がかりを捉えます。

上空からは、森林と果樹作物の5つのクラスはよく似て見えます。ForTyは、これらを区別する構造や季節パターンの微細な違いを識別し、世界規模の地図データベースで正確に分類することができます。プロジェクトの画像はGoogle Earth、Maxar Technologies、Airbusに帰属します。

地図の精度検証

地図は信頼されてこそ有用です。チームはIIASAおよびWRIとともに、世界中から無作為に選ばれた9,000以上の地点でForTyを検証しました。各地点で2名の訓練を受けた専門家が高解像度画像と数年分の衛星記録を調査し、実際にどのタイプの土地が存在したかを判定しました。ForTyは正しい森林タイプを90%の確率で特定し、森林と非森林の区別は95%の確率で判別し、他の世界の森林地図を上回る性能を示しました。

精度に加え、チームは世界的な自然保護は画一的なものではないと指摘します。ForTyは特定の土地に対する二者択一のラベルではなく、各クラスの確率スコアを提供しており、ユーザーは地域の文脈や用途に応じた精度のトレードオフに合わせて分類を調整できます。たとえば、EUDRの下で森林破壊リスクを評価する企業は、規制リスクを避けるため、モデルが高い確度を持つピクセルのみを受け入れる厳格な閾値を設定するかもしれません。一方、森林総面積を推定する研究者は、確率の全範囲を用いて潜在的な景観のより完全な姿を把握するかもしれません。

単一の時点のスナップショットから変化の物語へ

単一年の地図は有用な基盤ですが、森林は変化します。新しい先行公開の時系列データは、2017年から2025年までの毎年に同様のアプローチを適用しています。森林が消滅した場所や再生した場所だけでなく、どのような変化が起きたかも示します。たとえば、天然林が木材植林に転換されたり、放棄された土地がゆっくりと森林に再生したりといった変化です。

この別が重要なのは、最も重要な変化の一部は宇宙からは見えにくいためです。天然林が伐採され農園林として再植林されると、土地はすぐに緑色に戻るため、標準的な森林被覆地図では変化を検出できないことがあります。ForTyの時系列データは、こうした隠れた変化を喪失と回復の両面で可視化します。変化は別のEarth Engineアプリで閲覧できます。

提供状況と今後の展望

Forest Typology 2020地図は、Nature Portfolioのピアレビュー付きオープンアクセスジャーナルであるScientific Data誌の論文で解説されており、新しい時系列データとともに、オープンライセンスで地理空間分析用クラウドプラットフォームGoogle Earth Engineから無償で入手可能です。データセットはFigshareでも公開されています。チームは、政府、企業、自然保護団体、科学者がこれらを活用し、無森林破壊のサプライチェーンの構築、必要な場所への森林金融の誘導、最も重要な天然林の保護につなげることを期待しています。今後数か月にわたり、チームはパートナーやユーザーとともに時系列データの改善を続けるとしています。

ForTyは、森林喪失の要因のマッピング、森林破壊リスクの予測、世界の種分布のモデリング、現場での生物多様性モニタリングを含むGoogleのAI for Nature研究ポートフォリオの一部です。また、ForTyは、地球の最重要の環境課題への取り組みを支援するために設計された地理空間モデルおよびデータセットのコレクションであるGoogle Earth AIに新たに追加されたものです。

謝辞

この研究は、Google DeepMindとGoogle Researchが、世界資源研究所および国際応用システム分析研究所と共同で開発しました。共著者はAnton Raichuk氏、Peter Potapov氏、Myroslava Lesiv氏、Matthew Overlan氏、Mélanie Rey氏、Ravindran Rajakumar氏、Michelangelo Conserva氏、Radost Stanimirova氏、Michelle Sims氏、Sarah Carter氏、Elizabeth Goldman氏、Yuchang Jiang氏、Linus Scheibenreif氏、Ivelina Georgieva氏、Maria Shchepashchenko氏、Steffen Fritz氏、Nicholas Clinton氏、Dan Morris氏、Drew Purves氏で、さらに地図の改善に貢献した信頼できるテスターの方々に感謝します。