ForTy 2020: Weltkarte unterscheidet Urwald, Plantage und Farm in 10 Metern
Google DeepMind und Google Research haben mit WRI und IIASA eine globale Karte veröffentlicht, die jedes 10×10-Meter-Stück Land einem von sechs Wald- und Landnutzungstypen zuordnet. Dazu gibt es eine frühe Zeitreihe von 2017 bis 2025, die zeigt, was nach dem Waldverlust an dessen Stelle trat. Die Daten sind frei in Google Earth Engine verfügbar.

Worum es geht
Google DeepMind und Google Research haben gemeinsam mit dem World Resources Institute (WRI) und dem International Institute for Applied Systems Analysis (IIASA) die Karte Forest Typology (ForTy) 2020 veröffentlicht. Sie teilt jedes 10×10-Meter-Stück Land der Erde in sechs Kategorien ein. Dazu kommt eine frühe Zeitreihe für die Jahre 2017 bis 2025. Sie zeigt Jahr für Jahr, wie sich die Waldtypen verändert haben, auch wo Naturwald durch Plantagen oder Farmen ersetzt wurde. Beides ist frei in Google Earth Engine abrufbar, einer Plattform für Satellitendaten und Geodatenanalyse.
Warum „Baumbedeckung“ nicht reicht
Aus dem All können ein alter Regenwald, eine Eukalyptusplantage und eine Ölpalmenfarm gleich grün aussehen. Sie speichern aber sehr unterschiedlich viel Kohlenstoff und beherbergen sehr unterschiedlich viele Arten. Ein Primärwald, der nie gerodet wurde, enthält laut Google weit mehr Kohlenstoff und Artenvielfalt als eine Plantage mit einer einzigen Baumart, die alle ein bis zwei Jahrzehnte geerntet wird.
Die meisten globalen Karten zeigen nur, ob Bäume vorhanden sind. Das ist ein Problem für die EU-Verordnung für entwaldungsfreie Produkte (EUDR). Kaffee, Kakao oder Palmöl dürfen demnach nicht von Flächen stammen, die 2020 Wald waren und seitdem in Landwirtschaft umgewandelt wurden. Holzprodukte wie Möbel müssen zudem frei von Waldschädigung sein. Sie dürfen nicht von Flächen kommen, auf denen Primärwald oder natürlich nachwachsender Wald inzwischen in Plantagen- oder Pflanzwald umgewandelt wurde. Firmen und Behörden müssen also wissen, welche Art Wald vorliegt und was nach einer Ernte folgt.
Vorgänger war die Karte „Natural Forests of the World 2020“ aus dem Vorjahr. Sie trennte nur Naturwald von allem anderen Baumbestand. ForTy geht weiter und unterscheidet die Waldtypen genauer.
Die sechs Kategorien
Die Einteilung folgt Definitionen der UN-Landwirtschaftsorganisation FAO:
- Primärwald: einheimischer Wald ohne sichtbare menschliche Störung.
- Natürlich nachwachsender Wald: Wald, der von selbst zurückkam, etwa nach Holzeinschlag oder Feuer.
- Pflanzwald: von Menschen gepflanzter oder gesäter Wald, der über lange Zyklen bewirtschaftet wird.
- Plantagenwald: schnell wachsende, intensiv bewirtschaftete Baumfarmen, oft mit einer Art.
- Baumkulturen und Agroforst: Farmen für anderes als Holz, etwa Ölpalme, Kautschuk, Kakao oder Obst.
- Sonstiges Land: alles andere, von Grasland und Ackerland bis zu Städten und Gewässern.
Wie das Modell arbeitet
Das Training war schwierig, weil die Kategorien teils von der Nutzung des Landes abhängen und nicht nur vom Aussehen. Das Team baute dafür eine große Sammlung mit etwa 1,7 Millionen beschrifteten Orten. Sie stammen aus Expertenerhebungen, nationalen und regionalen Datensätzen und gezielten Nachprüfungen dort, wo das Modell Schwierigkeiten hatte.
Das Modell nutzt eine eigens für Fernerkundungsdaten entworfene Architektur. Wichtigste Eingabe sind Embeddings von AlphaEarth Foundations. Das sind kompakte Zusammenfassungen jahrelanger Satellitenbeobachtungen für jedes 10-Meter-Pixel. Damit kann es feine Hinweise erkennen, etwa Pflanzmuster, Wachstumszyklen und Erntetakte.
Genauigkeit und Wahrscheinlichkeiten
Mit IIASA und WRI wurde ForTy an mehr als 9.000 zufällig gewählten Orten weltweit geprüft. An jedem Ort werteten zwei geschulte Experten hochauflösende Bilder und jahrelange Satellitendaten aus. Laut Google traf ForTy in 90 % der Fälle den richtigen Waldtyp und trennte in 95 % Wald von Nichtwald. Es soll damit andere globale Waldkarten übertreffen. Das sind Herstellerangaben, einen detaillierten Vergleich nennt der Text nicht.
ForTy liefert zudem für jede Klasse einen Wahrscheinlichkeitswert statt eines Ja-Nein-Labels. Nutzer können Schwellen an ihren Zweck anpassen. Ein Unternehmen, das EUDR-Risiken prüft, kann nur Pixel akzeptieren, bei denen sich das Modell sehr sicher ist. Ein Forscher, der die gesamte Waldfläche schätzt, kann das ganze Spektrum der Wahrscheinlichkeiten nutzen.
Die Zeitreihe: versteckte Veränderungen
Die frühe Zeitreihe wendet einen ähnlichen Ansatz auf jedes Jahr von 2017 bis 2025 an. Sie zeigt, wo Wald verschwindet und nachwächst, und auch die Art des Wandels. Beispiele sind Naturwald, der zur Holzplantage wird, oder brachliegendes Land, das sich zu Wald zurückentwickelt.
Das ist wichtig, weil manche Veränderungen aus dem All schwer sichtbar sind. Wird ein Naturwald gerodet und als Plantage neu bepflanzt, sieht das Land bald wieder grün aus. Gewöhnliche Baumbedeckungskarten erfassen das womöglich nicht. Laut Google macht ForTy solche Verluste und Gewinne sichtbar, weltweit, jährlich und in 10 Metern Auflösung.
Verfügbarkeit und Ausblick
Die Karte ist in der Fachzeitschrift Scientific Data beschrieben. Karte und Zeitreihe sind unter offener Lizenz in Google Earth Engine frei verfügbar. In den kommenden Monaten will Google die Zeitreihe mit Partnern und Nutzern weiter verbessern. ForTy gehört zu Googles Forschung „AI for Nature“ und ist neu in Google Earth AI, einer Sammlung von Geodatenmodellen und -datensätzen.
Einordnung
Für Lieferkettenprüfungen unter der EUDR, für Naturschutzorganisationen und Forschung ist die Unterscheidung nach Waldtyp ein praktischer Fortschritt gegenüber reinen Baumbedeckungskarten. Besonders nützlich ist die Zeitreihe, weil sie auch den Ersatz von Naturwald durch Plantagen erfasst. Die Wahrscheinlichkeitswerte erlauben es, die Strenge an den Zweck anzupassen.
Kritisch zu beachten: Die Genauigkeitsangaben stammen vom Hersteller und seinen Partnern. Die Zeitreihe ist ausdrücklich ein früher Release und soll noch verbessert werden. Zudem hängen die Kategorien teils von der Landnutzung ab, die sich aus Satellitenbildern nur indirekt ableiten lässt. Für rechtlich relevante Entscheidungen bleiben Schwellenwerte und regionale Prüfung wichtig.
Quellen
- Google DeepMind deepmind.google