我們開發了一個高解析度深度學習框架，能夠揭示傳統衛星偵測通常無法看見的細微生態特徵，例如樹籬和小型林地。這些精確的向量資料為在農地上應對氣候和生物多樣性危機提供了新途徑，同時不影響糧食安全。

森林不僅僅是樹木的集合；它們是關鍵的生態系統，能夠固碳、過濾水源並支持人類賴以生存的生物多樣性。隨著全球努力緩解氣候危機並阻止生物多樣性喪失，增加森林棲地已成為全球優先事項。

困難在於土地利用。隨著人口增長，對糧食的需求不斷增加，大規模擴展森林無可避免地會與滿足糧食需求所需的農業用地產生競爭。這種緊張關係帶來了一個關鍵挑戰：我們如何在不影響糧食安全或造成「洩漏」（即一個區域的保育無意中將環境退化轉移到另一個區域）的情況下，應對氣候變遷並阻止生物多樣性喪失？

細微的木本特徵，例如農場間的樹籬和防風林，提供了一個潛在的解決方案。它們可以在不取代農作物的情況下增強碳儲存和生物多樣性，但由於它們對於標準衛星偵測來說太小，因此在國家森林清單中常常「隱形」。

為了讓這些隱藏的資產可見，我們之前與牛津大學 Leverhulme 自然復育中心合作，發布了 Farmscapes 2020。這是第一個大規模、高解析度地圖，用於識別英格蘭各地被忽視的特徵，如樹籬和線性林地。雖然最初的點陣（像素）格式在偵測方面邁出了一步，但景觀復育和碳會計的實際應用需要的不僅僅是像素。

今天，我們發布了一個向量化資料集，將這些地圖轉化為樹籬、石牆和小型林地的可操作清單。這項新資源使土地所有者和保育人士能夠測量並擴展英國各地這些細微的特徵。

從高解析度點陣地圖轉變為可操作的向量資料集，需要在空間拓撲、語義和計算規模的交叉點上克服技術障礙。

首先，農業景觀呈現複雜的空間拓撲結構。特徵很少是孤立的；例如，樹籬可能與田地接壤，或直接沿著石牆延伸，這意味著標準的單層模型難以表示這些重疊的元素。此外，處理如此大的地圖需要將其分解為 S2-cell 網格（一種將我們圓形地球扁平化為地圖上方形的網格系統），這常常導致特徵在網格邊界處被人工切割。

其次是語義價值問題。一個簡單的「木本」像素無法區分森林核心、連接走廊或孤立的小型林地。為了使向量化資料集對保育有用，我們必須找到一種方法，根據其實際生態功能對這些形狀進行程式化分類。

最後，我們面臨計算規模的問題。高解析度資料集的龐大規模使得標準的點陣到向量操作在計算上難以承受。處理英格蘭全境（面積超過 130,000 平方公里）數百萬個單獨的木本特徵，需要仔細的資料處理，以避免傳統系統不堪重負。

為了彌合像素與規劃之間的鴻溝，我們開發了一個高解析度深度學習框架，旨在明確地繪製複雜農業地景中的特徵。

訓練 AI 識別英國鄉村的特定特徵，例如受管理的樹籬，需要深厚的專業知識，但我們只有相對較小的帶註釋資料集（約 247 平方公里）。為了解決這個問題，我們使用了 Remote Sensing Foundations (RSF) 的 Vision-Transformer (ViT) Backbone，該模型已在超過 3 億張全球衛星影像上進行預訓練。

RSF 是 Google Earth AI 的一部分，Google Earth AI 是我們地理空間模型和資料集的集合，旨在將地球資料轉化為可操作的洞察。

透過從這個強大的空間紋理基礎開始，我們對模型進行了微調，以更高的精度識別英國景觀的特定細微差別。以這個訓練好的模型為基礎，我們設計了一個流程來解決我們核心的空間、語義和規模挑戰。

為了處理鄉村分層的拓撲結構（例如石牆可能直接位於樹籬冠層下方），我們開發了一個雙層標註系統，結合了亞米級影像和 1 米 LiDAR 資料。這使得我們的模型能夠在同一空間中看到兩件事：(1) 地面邊界（如農地或水域）和 (2) 地上特徵（如其上方的樹木和牆壁）。為了解決網格邊界處的人工切割問題，我們開發了一種可擴展的演算法，可以合併跨單元的幾何形狀，確保每個特徵都幾何完整。

接著，我們解決了語義挑戰。AI 模型可以輕鬆偵測綠色植物，但它自然無法區分一小叢樹木和一條細長的樹籬。為了將模型的原始數位輪廓轉化為有用的生態清單，我們應用了一種稱為 Polsby–Popper 緊湊度分數的數學測試。

透過分析每個偵測到的實體足跡，我們程式化地對鄉村的幾何形狀進行了分類。我們將林地定義為直徑至少 30 米的實質連續冠層，木本斑塊定義為小型林地或單棵樹木，而線性木本特徵（如樹籬和細長走廊）則根據其延伸的足跡定義，嚴格規定緊湊度分數小於 0.5。這種幾何智慧使我們能夠程式化地分離出對野生動物移動至關重要的細長走廊。

最後，為了解決計算瓶頸並將這項分析推廣到全國範圍，我們利用了 Google Earth Engine。透過平行處理數千個獨立的 S2 單元，我們繞過了傳統的計算限制，使我們能夠同時為數百萬個單獨的特徵生成向量幾何形狀。總體而言，這些進步使我們能夠將原始地圖轉變為自然復育的功能性工具。

儘管向量化資料集的發布是向前邁出的重要一步，但我們已經在努力進一步完善這些資料。

我們正在研究高精度偵測在各種自然解決方案中的更廣泛應用，例如支持在林牧業和農林業系統中量化細微木本特徵。這項技術還可以幫助識別「洩漏」事件，確保碳和生物多樣性在當地取得的收益不會因專案邊界之外的損失而抵消。這些方法為在農地上擴大復育規模，並在不影響全球糧食安全的情況下應對氣候和生物多樣性危機提供了關鍵途徑。

透過公開和開放這些數據，我們希望賦予農民、科學家和政策制定者能力，共同保護那些對地球產生巨大影響的微小特徵。欲了解更多關於我們的 AI 和永續發展工作，請查閱 Google Earth AI 和 Google Earth Engine。