Google DeepMind, Google Research, World Resources Institute (WRI) i Międzynarodowy Instytut Stosowanej Analizy Systemowej (IIASA) udostępniły ForTy, globalną mapę, która z dokładnością do 10 metrów dzieli wszystkie lądy na sześć klas, od lasów pierwotnych przez plantacje drewna po uprawy palmy olejowej i kakaowca. W niezależnej walidacji na 8190 punktach mapa przypisała właściwą klasę w 90,2 proc. przypadków, choć plantacje i uprawy drzewiaste rozpoznaje wyraźnie słabiej niż lasy naturalne.
- Google DeepMind, Google Research, WRI i IIASA udostępniły ForTy – globalną mapę typów lasów o rozdzielczości 10 metrów, która klasyfikuje lądy na sześć klas zgodnych z definicjami FAO, takich jak las pierwotny, plantacyjny czy uprawy drzewiaste, i jako pierwsza globalna mapa oddziela uprawy drzewiaste od lasu naturalnego.
- W niezależnej walidacji na 8190 punktach ForTy osiągnęła ogólną trafność 90,2 proc., jednak dla klas upraw drzewiastych i lasów sadzonych wykrywała zaledwie co drugi rzeczywisty obszar danej klasy, a co trzeci lub czwarty obszar oznaczony jako plantacja okazywał się pomyłką.
- Mapa pokazuje stan z 2020 roku – punktu odniesienia unijnego rozporządzenia EUDR (UE 2023/1115), które zacznie obowiązywać duże i średnie firmy od 30 grudnia 2026 r. i wymaga od importerów m.in. kakao, kawy, oleju palmowego i drewna udowodnienia, że surowce nie pochodzą z terenów wylesionych po tej dacie.
Mapa pokazuje stan z 2020 roku. To nie przypadek, bo właśnie ten rok jest punktem odniesienia unijnego rozporządzenia o produktach niepowodujących wylesiania (EUDR). Artykuł naukowy opisujący zbiór ukazał się 21 października 2026 r. w czasopiśmie „Scientific Data” z grupy Nature. Dzień później Google DeepMind opisał projekt na swoim blogu i udostępnił wczesną wersję serii czasowej, która pokazuje zmiany w lasach rok po roku, od 2017 do 2025 r.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
ForTy klasyfikuje lasy według ich historii i sposobu gospodarowania
Większość globalnych map satelitarnych odpowiada tylko na pytanie, czy w danym miejscu rosną drzewa. ForTy (skrót od Forest Typology) przypisuje każdy kwadrat 10 na 10 metrów do jednej z sześciu klas zgodnych z definicjami Organizacji Narodów Zjednoczonych do spraw Wyżywienia i Rolnictwa (FAO):
- las pierwotny: rodzime gatunki bez widocznych śladów działalności człowieka,
- las naturalnie odnawiający się: odrósł sam, np. po wycince lub pożarze,
- las sadzony: posadzony lub posiany przez ludzi i prowadzony w długich cyklach,
- las plantacyjny: intensywnie prowadzone uprawy szybko rosnących drzew, zwykle jednego lub dwóch gatunków,
- uprawy drzewiaste i systemy rolno-leśne: palma olejowa, kauczukowiec, kakaowiec, sady owocowe,
- pozostałe tereny: łąki, pola uprawne, miasta, wody.
Według autorów żaden wcześniejszy zbiór danych nie obejmował takiej typologii w wysokiej rozdzielczości dla całego świata. Wspólne Centrum Badawcze (JRC) Komisji Europejskiej przygotowało na potrzeby EUDR mapy GFC2020 i GFT2020. Pierwsza odróżnia las od terenów bez lasu, druga dzieli lasy na pierwotne, naturalnie odnawiające się i sadzone. Żadna globalna mapa nie oddzielała dotąd upraw drzewiastych od lasu.
Trudność polega na tym, że typ lasu zależy od tego, jak ziemia jest użytkowana. Satelita widzi tylko to, co rośnie. Dojrzały las sadzony z rodzimych gatunków może z orbity wyglądać identycznie jak naturalny. Plantacja tuż po wyrębie nadal jest lasem w świetle definicji, mimo że na zdjęciu widać gołą ziemię.
EUDR wymaga dowodu, co rosło na działce 31 grudnia 2020 roku
Rozporządzenie UE 2023/1115, czyli EUDR, zakazuje wprowadzania na rynek unijny towarów pochodzących z terenów wylesionych lub zdegradowanych po 31 grudnia 2020 r. Obejmuje bydło, kakao, kawę, palmę olejową, kauczuk, soję i drewno oraz produkty z nich wytwarzane.
EUDR rozróżnia dwa zjawiska. Wylesianie to zamiana lasu na grunty rolne. Degradacja lasu to zmiana w obrębie lasu, np. przekształcenie lasu pierwotnego w plantację. Plantacje palmy olejowej i kakaowca rozporządzenie traktuje jako użytki rolne. Importer kakao, kawy czy mebli musi więc wiedzieć nie tylko, czy w 2020 r. rosły na danej działce drzewa, ale też jaki to był las.
Autorzy publikacji wskazują dwa kolejne zastosowania mapy:
- Tropical Forest Forever Facility (TFFF), fundusz, który ma płacić za każdy hektar stojącego lasu tropikalnego, będzie musiał wyłączyć z rozliczeń plantacje i uprawy drzewiaste,
- cel „30×30” z globalnych ram różnorodności biologicznej Kunming-Montreal, czyli objęcie ochroną 30 proc. lądów do 2030 r., wymaga wiedzy, gdzie zostały lasy naturalne.
ForTy działa na danych AlphaEarth i uczył się na 1,7 mln przykładów
Podstawą mapy jest AlphaEarth Foundations, model Google DeepMind zaprezentowany w lipcu 2025 r. AlphaEarth łączy obserwacje z wielu satelitów, m.in. Sentinel-1, Sentinel-2, Landsat i ALOS PALSAR-2, i zapisuje je jako zwarty opis każdego piksela 10 na 10 metrów dla danego roku. Z takich opisów ForTy odczytuje wzorce nasadzeń, cykle wzrostu i rytm wycinki.
Zespół zbudował trzy modele, z których każdy korzysta z wyników poprzedniego:
- Pierwszy model uczył się na 450 275 starannie dobranych, oznaczonych przykładach.
- Jego przewidywania, uzupełnione zewnętrznymi danymi o wysokości drzew, budynkach, drogach i utracie lasu, posłużyły jako dane treningowe dla drugiego modelu. Ten pracował już na 1,2 mln fragmentów terenu o wymiarach 1,28 na 1,28 km.
- Trzeci model analizuje jednocześnie lata 2019-2024, żeby wygładzić przypadkowe wahania i zachować prawdziwe zmiany.
Na każdym etapie działa zespół pięciu modeli rozpoznawania obrazu, których wyniki są uśredniane. Model językowy Gemini pomógł dostosować starsze etykiety z bazy Global Forest Management do definicji EUDR.
W trzech rundach poprawek eksperci dodali ok. 43 tys. przykładów w miejscach, gdzie mapa się myliła. Model brał winnice w Europie za uprawy drzewiaste, naturalne lasy sosnowe Miskito w Ameryce Środkowej za lasy sadzone i pomijał plantacje palmy olejowej w Afryce oraz Indonezji.
Jednej granicy satelity nie rozwiążą wcale. Intensywności gospodarki leśnej nie widać z orbity, więc autorzy przyjęli umowny próg: las sadzony z cyklem wyrębu do 40 lat trafia do plantacji, dłuższy cykl oznacza las sadzony. Sami przyznają, że ten próg nie pasuje do wszystkich regionów i tradycji leśnych.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
ForTy trafia w 90,2 proc. przypadków i wyprzedza mapy Komisji Europejskiej
Do walidacji wylosowano 9100 punktów na całym świecie. Każdy oceniało niezależnie dwóch ekspertów na platformie Geo-Wiki instytutu IIASA, korzystając ze zdjęć o bardzo wysokiej rozdzielczości i wieloletnich serii satelitarnych. Do obliczeń trafiło 8190 punktów, co do których eksperci doszli do porozumienia.
Mapa przypisała właściwą klasę w 90,2 proc. przypadków. Przy podziale na las naturalny i całą resztę skuteczność wyniosła 94,8 proc. Przy prostym rozróżnieniu „las albo nie las” ForTy osiągnęła 95,5 proc., podczas gdy najnowsza wersja mapy GFC2020 Komisji Europejskiej uzyskała na tych samych danych 93,6 proc. W porównaniu z mapą typów lasu GFT2020 wynik ForTy to 90,9 proc. wobec 87,8 proc.
Autorzy sami zastrzegają, że wysoki wynik ogólny w dużej mierze zawdzięczają klasie „pozostałe tereny”, która zajmuje większość lądów i jest łatwa do rozpoznania. Wyniki dla poszczególnych klas wyglądają tak:
| Klasa | Jaką część rzeczywistych terenów danej klasy mapa wykryła | Jaka część oznaczeń na mapie była trafna |
|---|---|---|
| Las pierwotny | 88,5 proc. | 77,9 proc. |
| Las naturalnie odnawiający się | 65,8 proc. | 81,1 proc. |
| Las sadzony | 52,6 proc. | 65,1 proc. |
| Las plantacyjny | 60,4 proc. | 74,4 proc. |
| Uprawy drzewiaste | 52,1 proc. | 76,9 proc. |
| Pozostałe tereny | 97,3 proc. | 95,4 proc. |
ForTy wykrywa więc mniej więcej co drugą uprawę drzewiastą i co drugi las sadzony. Mniej więcej co czwarty obszar oznaczony jako plantacja lub uprawa drzewiasta okazał się pomyłką. Przy lasach sadzonych pomyłką był co trzeci.
Prawdziwy obraz może być nieco gorszy. Eksperci najczęściej nie potrafili ocenić punktów leżących na plantacjach, w uprawach i lasach sadzonych. Te niepewne przypadki wyłączono z obliczeń, co według samych autorów może lekko zawyżać wyniki.
Doceniam, że autorzy nie schowali słabych wyników. Sami piszą, że 90 proc. trafności to w dużej części zasługa łąk, pól i miast, i podają dokładne liczby dla każdej klasy. W komunikatach dużych firm technologicznych nie widuję tego często.
Martwi mnie coś innego. EUDR zaczyna obowiązywać za niecałe dwa miesiące i firmy szukają szybkiego, taniego sposobu na udokumentowanie łańcucha dostaw. Darmowa mapa z logo Google i publikacją w czasopiśmie z grupy Nature łatwo stanie się domyślnym narzędziem, nawet jeśli w sprawie upraw kakaowca czy kauczukowca myli się w połowie przypadków. Pomyłka w jedną stronę oznacza zablokowaną dostawę od drobnego rolnika z Ghany, który niczego nie wyciął. Pomyłka w drugą stronę przepuszcza towar z wyciętego lasu.
Mapa daje też użytkownikom poziom pewności dla każdego piksela, więc firma może sama zdecydować, ile ryzyka akceptuje. To rozsądne rozwiązanie. Pytanie tylko, kto w praktyce będzie ustawiał te progi: dział zgodności, który zna ryzyko, czy stażysta, który ma do piątku odhaczyć listę kontrolną?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Według ForTy lasy zajmują 4,1 mld ha. W Szwecji dominują lasy sadzone
Na podstawie próby walidacyjnej autorzy szacują, że w 2020 r. lasy zajmowały ok. 4,14 mld ha. Lasy naturalne to ok. 3,89 mld ha, z czego ok. 2,04 mld ha przypada na lasy pierwotne i ok. 1,85 mld ha na lasy naturalnie odnawiające się. Lasy sadzone i plantacyjne łącznie zajmują ok. 251 mln ha, najwięcej w Europie (89 mln ha) i Azji (84 mln ha). Uprawy drzewiaste i systemy rolno-leśne to ok. 196 mln ha, głównie w Azji.
Mapa myli się w niektórych regionach na dużą skalę. W Azji przypisuje lasom pierwotnym 859 mln ha, podczas gdy szacunek z próby daje 661 mln ha. Różnica wynika głównie z rosyjskich lasów borealnych, gdzie trudno odróżnić las nietknięty od lasu z dawną lub lekką gospodarką. W Afryce mapa pomija ok. 94 mln ha lasu, najpewniej suchych lasów i sawann z rzadkim drzewostanem, np. w Sahelu i ekoregionie Miombo.
Najciekawszy przypadek dotyczy Szwecji. Ok. dwóch trzecich szwedzkich lasów to lasy sadzone lub plantacyjne. Lasy naturalne zajmują tylko ok. jednej piątej powierzchni kraju. Autorzy piszą, że łączna powierzchnia lasów może tam wyglądać dobrze, choć udział lasów naturalnych, od których zależy większość różnorodności biologicznej, może być krytycznie niski. Najwyższy udział lasów naturalnych wśród analizowanych krajów mają Demokratyczna Republika Konga, Indonezja i Brazylia.
Zacienione kakaowce i rzadkie zadrzewienia nadal mylą model
Kilka rodzajów terenu ForTy wciąż klasyfikuje niepewnie:
- kakaowce i kawowce uprawiane w cieniu naturalnego drzewostanu w niektórych regionach mapa nadal uznaje za las naturalny,
- lasy przerzedzone wybiórczą wycinką albo pożarem mogą trafić po obu stronach granicy między lasem pierwotnym a odnawiającym się,
- mapa nie ma osobnej klasy dla „innych gruntów zadrzewionych”, czyli terenów z pokryciem koron od 5 do 10 proc., które EUDR traktuje oddzielnie. Takie tereny trafiają do „pozostałych”, a autorzy zapowiadają osobną klasę w kolejnych wersjach,
- model odziedziczył nawyk z danych treningowych, bo osoby oznaczające zdjęcia rzadko uznawały za pierwotne lasy leżące blisko dróg i osad, nawet gdy wyglądały na nietknięte.
Zamiast sztywnej etykiety ForTy podaje dla każdego piksela poziom pewności każdej z klas. Firma oceniająca ryzyko w ramach EUDR może przyjąć wysoki próg i uznawać tylko piksele, co do których model ma dużą pewność. Badacz szacujący całkowitą powierzchnię lasów może wykorzystać pełny rozkład. Autorzy zaznaczają przy tym, że te wartości nie zostały skalibrowane i należy je traktować jako względne.
Polskie firmy mają niecałe dwa miesiące do startu EUDR
EUDR zacznie obowiązywać duże i średnie firmy od 30 grudnia 2026 r., mikro i małe od 30 czerwca 2027 r. Termin był przesuwany dwukrotnie, ostatnio w grudniu 2025 r. Polska należała do państw, które jesienią 2025 r. w Radzie UE opowiadały się za rocznym odroczeniem i dalszymi uproszczeniami. Krajowe przepisy wykonawcze powstają w formie projektu ustawy o ochronie rynku i konkurencyjnej gospodarki przed produktami i towarami powodującymi wylesianie oraz degradację lasów.
Obowiązki obejmą polskich importerów kawy, kakao, soi i oleju palmowego, a także branżę drzewną i meblarską. ForTy można sprawdzić w przeglądarce, bez kosztów, z dokładnością do pojedynczej działki w kraju pochodzenia surowca. Mapa nie zastąpi jednak tego, czego wymaga samo rozporządzenie: geolokalizacji działek, informacji o legalności produkcji i oświadczenia o należytej staranności.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Przy europejskim drewnie zachowałbym dodatkową ostrożność. Europa ma w walidacji najniższą ogólną trafność ze wszystkich kontynentów (88,5 proc.). Wskaźnik F1, łączący oba rodzaje błędów, wyniósł tu dla lasów plantacyjnych 36,3 proc., a dla upraw drzewiastych 40,6 proc. Autorzy zaznaczają, że europejska próba plantacji była mała, więc to szacunki obarczone dużym błędem. Polska nie znalazła się też wśród 12 krajów, dla których publikacja podaje osobne szacunki, bo miała w próbie za mało punktów.
Mapa, dane walidacyjne i kod są dostępne za darmo
ForTy 2020 jest dostępna na licencji CC BY 4.0 w Google Earth Engine i w serwisie Figshare. Opublikowano również warstwę z gotową klasyfikacją oraz zestaw 9100 punktów walidacyjnych z ocenami ekspertów. Kod do budowy danych treningowych i mapy Google DeepMind udostępnił w repozytoriach GeeFlow i JEO na GitHubie.
Seria czasowa za lata 2017-2025 ma na razie status wczesnej wersji. Google DeepMind zapowiada, że w najbliższych miesiącach będzie ją poprawiać z partnerami. Ma ona pokazywać nie tylko zniknięcie lasu, ale też to, co go zastąpiło. Dla zwykłych map pokrycia drzewami las pierwotny wycięty i obsadzony plantacją po kilku latach znów wygląda na zielony. ForTy ma takie zmiany wychwytywać. Projekt należy do Google Earth AI, zestawu modeli i danych geoprzestrzennych Google.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym publikacji naukowej Global forest typology at 10-meter resolution for forest and land-use monitoring w „Scientific Data” z dnia 21.10.2026, wpisu Google DeepMind na blogu firmy z dnia 22.10.2026 oraz materiałów The Decoder i odpowiedzi rządu na interpelację poselską w sprawie EUDR. Informacje o polskich przepisach: IJHARS, strona o EUDR.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o mapie ForTy i wdrażaniu EUDR.
