森林不僅僅是樹木的集合，更是固碳、淨水、支撐人類賴以生存的生物多樣性的關鍵系統。在全球努力應對氣候危機、遏制生物多樣性喪失的背景下，擴大森林棲息地已成為全球優先議題。
然而，土地利用問題使這一目標面臨現實挑戰。隨著人口增長，糧食需求持續上升，大規模擴張森林勢必與農業用地形成競爭。如何在不危及糧食安全、不引發"泄漏效應"（即某地的保護舉措無意間將環境破壞轉移至他處）的前提下應對氣候變化、遏制生物多樣性喪失，成為一道關鍵難題。
農田間分布的樹籬、防護林帶等精細木本景觀要素，或許正是破題之道。這些要素能夠在不占用耕地的情況下提升碳儲量與生物多樣性，卻因體量過小、難以被標準衛星探測捕捉，長期處於國家森林清查的"盲區"。
為讓這些隱藏資產"現形"，谷歌地球AI此前與牛津大學萊弗休姆自然恢復中心合作，發布了Farmscapes 2020數據集——首個大規模、高解析度的地圖，可識別英格蘭地區長期被忽視的樹籬和線性林地等要素。儘管最初的柵格（像素）格式在探測層面已是一大進步，但景觀修復與碳核算的實際應用需要的不僅僅是像素。近日，谷歌地球AI發布了向量化數據集，將上述地圖轉化為可操作的樹籬、石牆和小樹叢清單，為英國各地地主和保護人士提供了測量與擴展這些精細要素的有力工具。
技術突破：從柵格到向量
將高解析度柵格地圖轉化為可操作的向量數據集，需要攻克空間拓撲、語義識別與計算規模三大技術難關。
在空間拓撲方面，農業景觀結構複雜，各要素之間相互交疊——例如，樹籬可能緊貼農田邊界，也可能與石牆並行延伸，標準單層模型難以準確表達這種重疊關係。此外，處理大規模地圖時須將其切割為S2網格單元（一種將球形地球投影為平面方格的網格系統），這往往導致要素在切割邊界處出現人為斷裂。
在語義識別方面，一個普通的"木本"像素無法區分森林核心區、生態廊道還是孤立小樹叢。為使向量數據集真正服務於生態保護，團隊須根據實際生態功能對這些形狀進行程序化分類。
在計算規模方面，超高解析度數據集的體量使傳統柵格轉向量操作的計算成本極為高昂。對英格蘭全境（面積逾13萬平方公里）數以百萬計的木本要素進行處理，需要精心設計的數據處理方案，以避免傳統系統不堪重負。
深度學習框架的核心設計
為彌合像素與規劃之間的鴻溝，團隊構建了一套高解析度深度學習框架，專門用於在複雜農業景觀中精細化識別各類要素。
訓練AI識別英國鄉村的特定要素（如人工管理的樹籬）需要深厚的專業知識積累，而團隊最初僅擁有相對有限的標註數據（約247平方公里）。為此，團隊採用了遙感基礎模型（RSF）的視覺Transformer（ViT）骨幹網路，該網路經超過3億張全球衛星圖像預訓練而成。RSF是谷歌地球AI旗下地理空間模型與數據集系列的組成部分，致力於將全球行星數據轉化為可操作的洞察。在這一堅實基礎之上，團隊針對英國景觀的特定細節對模型進行了微調，大幅提升了識別精度。
針對鄉村地貌中"石牆隱於樹籬樹冠之下"這類分層拓撲結構，團隊開發了一套雙層標註系統，融合亞米級衛星影像與1米解析度LiDAR數據，使模型能夠同時感知地面邊界（如耕地、水體）和地上要素（如樹木、牆體）。為解決網格切割導致的要素斷裂問題，團隊設計了一種可擴展算法，跨單元合併幾何形狀，確保每個要素的幾何完整性。
在語義分類上，團隊引入了Polsby–Popper緊湊度評分這一數學指標，通過分析每個探測結果的物理輪廓，對鄉村地貌幾何形態進行程序化分類：直徑不低於30米的連續冠層歸類為林地，小型樹叢或單棵樹歸類為木本斑塊，緊湊度評分低於0.5的細長形態則歸類為線性木本要素（如樹籬和生態廊道）。這種幾何智能使團隊能夠精準識別出對野生動物遷徙至關重要的細長通道。
在計算擴展方面，團隊藉助谷歌地球引擎，通過並行處理數千個獨立S2單元，突破了傳統計算瓶頸，實現了對數以百萬計的單個要素同步生成向量幾何數據，從而將原始地圖轉化為服務於自然修復的功能性工具。
展望與影響
向量化數據集的發布只是重要的第一步，團隊目前仍在持續深化研究。
後續工作將探索高精度探測技術在更廣泛的自然解決方案中的應用潛力，例如支持林牧複合和農林複合系統中精細木本要素的量化核算，以及識別"泄漏"事件，確保局部碳匯與生物多樣性增益不因項目邊界之外的損失而被抵消。這些方向為在耕作土地上規模化推進生態修復、在不損害全球糧食安全的前提下應對氣候和生物多樣性危機，提供了關鍵路徑。
通過將這一數據集開放共享，團隊希望賦能農民、科學家和政策制定者，共同守護那些對地球產生深遠影響的精細要素。
Q&A
Q1：Farmscapes 2020數據集和新發布的向量化數據集有什麼區別？
A：Farmscapes 2020是首個大規模高解析度柵格地圖，能夠識別英格蘭地區的樹籬、線性林地等精細木本要素，但以像素形式呈現。新發布的向量化數據集在此基礎上更進一步，將像素地圖轉化為可操作的幾何要素清單，明確區分樹籬、石牆和小樹叢等類型，並標註各自的生態功能，可直接用於景觀修復規劃和碳核算。
Q2：谷歌地球AI如何用深度學習識別樹籬這類細小的地物？
A：團隊採用了遙感基礎模型（RSF）的視覺Transformer骨幹網路，該網路經超過3億張全球衛星圖像預訓練，再結合約247平方公里的英國本地標註數據進行微調。同時融合亞米級衛星影像和1米解析度LiDAR數據，建立雙層標註系統，並引入Polsby–Popper緊湊度評分對識別結果進行語義分類，從而精準區分林地、小樹叢和樹籬等不同類型的地物。
Q3：這套技術對解決氣候變化和糧食安全矛盾有什麼實際意義？
A：樹籬、防護林帶等精細木本要素能在不占用耕地的前提下提升碳儲量與生物多樣性，是協調氣候保護與糧食安全的重要途徑。該向量化數據集讓這些長期"隱形"的要素變得可測量、可管理，有助於農民和政策制定者更科學地擴展這些要素，同時還可用於識別碳核算中的"泄漏"風險，確保生態收益真實有效。
