从像素到规划：地球AI助力自然生态修复

森林不仅仅是树木的集合，更是固碳、净水、支撑人类赖以生存的生物多样性的关键系统。在全球努力应对气候危机、遏制生物多样性丧失的背景下，扩大森林栖息地已成为全球优先议题。

然而，土地利用问题使这一目标面临现实挑战。随着人口增长，粮食需求持续上升，大规模扩张森林势必与农业用地形成竞争。如何在不危及粮食安全、不引发"泄漏效应"（即某地的保护举措无意间将环境破坏转移至他处）的前提下应对气候变化、遏制生物多样性丧失，成为一道关键难题。

农田间分布的树篱、防护林带等精细木本景观要素，或许正是破题之道。这些要素能够在不占用耕地的情况下提升碳储量与生物多样性，却因体量过小、难以被标准卫星探测捕捉，长期处于国家森林清查的"盲区"。

为让这些隐藏资产"现形"，谷歌地球AI此前与牛津大学莱弗休姆自然恢复中心合作，发布了Farmscapes 2020数据集——首个大规模、高分辨率的地图，可识别英格兰地区长期被忽视的树篱和线性林地等要素。尽管最初的栅格（像素）格式在探测层面已是一大进步，但景观修复与碳核算的实际应用需要的不仅仅是像素。近日，谷歌地球AI发布了矢量化数据集，将上述地图转化为可操作的树篱、石墙和小树丛清单，为英国各地地主和保护人士提供了测量与扩展这些精细要素的有力工具。

技术突破：从栅格到矢量

将高分辨率栅格地图转化为可操作的矢量数据集，需要攻克空间拓扑、语义识别与计算规模三大技术难关。

在空间拓扑方面，农业景观结构复杂，各要素之间相互交叠——例如，树篱可能紧贴农田边界，也可能与石墙并行延伸，标准单层模型难以准确表达这种重叠关系。此外，处理大规模地图时须将其切割为S2网格单元（一种将球形地球投影为平面方格的网格系统），这往往导致要素在切割边界处出现人为断裂。

在语义识别方面，一个普通的"木本"像素无法区分森林核心区、生态廊道还是孤立小树丛。为使矢量数据集真正服务于生态保护，团队须根据实际生态功能对这些形状进行程序化分类。

在计算规模方面，超高分辨率数据集的体量使传统栅格转矢量操作的计算成本极为高昂。对英格兰全境（面积逾13万平方公里）数以百万计的木本要素进行处理，需要精心设计的数据处理方案，以避免传统系统不堪重负。

深度学习框架的核心设计

为弥合像素与规划之间的鸿沟，团队构建了一套高分辨率深度学习框架，专门用于在复杂农业景观中精细化识别各类要素。

训练AI识别英国乡村的特定要素（如人工管理的树篱）需要深厚的专业知识积累，而团队最初仅拥有相对有限的标注数据（约247平方公里）。为此，团队采用了遥感基础模型（RSF）的视觉Transformer（ViT）骨干网络，该网络经超过3亿张全球卫星图像预训练而成。RSF是谷歌地球AI旗下地理空间模型与数据集系列的组成部分，致力于将全球行星数据转化为可操作的洞察。在这一坚实基础之上，团队针对英国景观的特定细节对模型进行了微调，大幅提升了识别精度。

针对乡村地貌中"石墙隐于树篱树冠之下"这类分层拓扑结构，团队开发了一套双层标注系统，融合亚米级卫星影像与1米分辨率LiDAR数据，使模型能够同时感知地面边界（如耕地、水体）和地上要素（如树木、墙体）。为解决网格切割导致的要素断裂问题，团队设计了一种可扩展算法，跨单元合并几何形状，确保每个要素的几何完整性。

在语义分类上，团队引入了Polsby–Popper紧凑度评分这一数学指标，通过分析每个探测结果的物理轮廓，对乡村地貌几何形态进行程序化分类：直径不低于30米的连续冠层归类为林地，小型树丛或单棵树归类为木本斑块，紧凑度评分低于0.5的细长形态则归类为线性木本要素（如树篱和生态廊道）。这种几何智能使团队能够精准识别出对野生动物迁徙至关重要的细长通道。

在计算扩展方面，团队借助谷歌地球引擎，通过并行处理数千个独立S2单元，突破了传统计算瓶颈，实现了对数以百万计的单个要素同步生成矢量几何数据，从而将原始地图转化为服务于自然修复的功能性工具。

展望与影响

矢量化数据集的发布只是重要的第一步，团队目前仍在持续深化研究。

后续工作将探索高精度探测技术在更广泛的自然解决方案中的应用潜力，例如支持林牧复合和农林复合系统中精细木本要素的量化核算，以及识别"泄漏"事件，确保局部碳汇与生物多样性增益不因项目边界之外的损失而被抵消。这些方向为在耕作土地上规模化推进生态修复、在不损害全球粮食安全的前提下应对气候和生物多样性危机，提供了关键路径。

通过将这一数据集开放共享，团队希望赋能农民、科学家和政策制定者，共同守护那些对地球产生深远影响的精细要素。

Q&A

Q1：Farmscapes 2020数据集和新发布的矢量化数据集有什么区别？

A：Farmscapes 2020是首个大规模高分辨率栅格地图，能够识别英格兰地区的树篱、线性林地等精细木本要素，但以像素形式呈现。新发布的矢量化数据集在此基础上更进一步，将像素地图转化为可操作的几何要素清单，明确区分树篱、石墙和小树丛等类型，并标注各自的生态功能，可直接用于景观修复规划和碳核算。

Q2：谷歌地球AI如何用深度学习识别树篱这类细小的地物？

A：团队采用了遥感基础模型（RSF）的视觉Transformer骨干网络，该网络经超过3亿张全球卫星图像预训练，再结合约247平方公里的英国本地标注数据进行微调。同时融合亚米级卫星影像和1米分辨率LiDAR数据，建立双层标注系统，并引入Polsby–Popper紧凑度评分对识别结果进行语义分类，从而精准区分林地、小树丛和树篱等不同类型的地物。

Q3：这套技术对解决气候变化和粮食安全矛盾有什么实际意义？

A：树篱、防护林带等精细木本要素能在不占用耕地的前提下提升碳储量与生物多样性，是协调气候保护与粮食安全的重要途径。该矢量化数据集让这些长期"隐形"的要素变得可测量、可管理，有助于农民和政策制定者更科学地扩展这些要素，同时还可用于识别碳核算中的"泄漏"风险，确保生态收益真实有效。