From pixels to planning: Earth AI for nature restoration

从像素到规划：用于自然恢复的地球人工智能

2026年6月16日

Michelangelo Conserva，研究科学家，以及Charlotte Stanton，高级项目主管，Google Research

我们开发了一种高分辨率的深度学习框架，以揭示通常标准卫星检测无法发现的精细尺度生态特征，如田间树篱和小树林。这种精确的矢量数据为在不损害粮食安全的前提下，解决工作土地上的气候和生物多样性危机提供了一条新路径。

快速链接

• 矢量化农田景观 2020

• 农田景观 2020

• 分享 复制链接 ×

森林不仅仅是树木的聚集；它们是关键的生态系统，能够吸收碳、过滤水，并支持人类赖以生存的生物多样性。随着世界努力缓解气候危机并阻止生物多样性丧失，增加森林栖息地已成为全球优先事项。

困难在于土地利用。随着人口增长，对粮食的需求不断增加，大规模扩展森林不可避免地与满足这一需求所需的农业用地发生竞争。这种紧张关系创造了一个关键挑战：我们如何在不损害粮食安全或造成“泄漏”（即在一个地区进行保护工作无意中将环境退化转移到另一个地区）的情况下应对气候变化并阻止生物多样性丧失？

精细尺度的木质特征，如我们农田中交织的树篱和防护林带，提供了一个潜在的解决方案。它们可以在不驱逐作物的情况下增强碳储存和生物多样性，但它们通常“不可见”，因为它们太小，无法被标准卫星检测到，因此经常被国家森林清查遗漏。

为了使这些隐藏的资产变得可见，我们之前发布了 Farmscapes 2020：这是与牛津大学 Leverhulme 自然恢复中心合作，首次发布的高分辨率大型地图，用于识别英格兰各地被忽视的特征，如树篱和线性林地。虽然最初的栅格（基于像素）格式在检测方面是一个进步，但景观恢复和碳核算的实际应用需要的不仅仅是像素。今天，我们发布了矢量化数据集，将这些地图转化为可操作的树篱、石墙和小树林清单。这一新资源使土地所有者和保护主义者能够在整个英国测量并扩展这些精细尺度的特征。

根据 image_width 确定适当的宽度

对于移动图像，请使用默认宽度

关键景观特征及其主要生态功能。

绘制乡村的纹理

从高分辨率栅格地图转向可操作的矢量数据集，需要克服空间拓扑、语义和计算规模交叉点上的技术难题。

首先，农业景观呈现复杂的空间拓扑结构。特征很少是孤立的；例如，一条树篱可能与一个田地相邻，或直接沿着石墙延伸，这意味着标准的单层模型难以表示这些重叠元素。此外，处理如此大的地图需要将其划分为 S2-cell 瓷砖（一种将我们圆形的星球扁平化为地图上平坦正方形的网格系统），这通常会导致特征在瓷砖边界处被人为切割。

其次，还有语义价值的问题。一个简单的“木质”像素无法区分森林核心、连接通道或孤立的树丛。为了让矢量化数据集对保护工作有用，我们必须找到一种方法，根据这些形状的实际生态功能对它们进行程序化分类。

最后，我们面临计算规模的问题。高分辨率数据集的巨大规模使得标准的栅格到矢量操作在计算上变得难以承受。在英格兰全境（面积超过130,000平方公里）处理数百万个单独的木质特征，需要谨慎处理数据，以避免压垮传统系统。

教会AI乡村的形状

为了弥合像素与规划之间的差距，我们开发了一个高分辨率的深度学习框架，旨在明确地将特征映射到农业用地复杂拼图中。

训练AI识别英国乡村特定特征，如管理良好的树篱，需要深厚的专业知识，但我们只有相对较小的标注数据集（约247平方公里）。为了解决这个问题，我们使用了Remote Sensing Foundations（RSF）的Vision-Transformer（ViT）主干网络，该网络是在超过3亿张全球卫星图像上预训练的。RSF是Google Earth AI的一部分，我们的地理空间模型和数据集集合，旨在将行星数据转化为可操作的见解。通过从这个强大的空间纹理基础开始，我们对模型进行了微调，以更精确地识别英国景观的特定细微差别。

有了这个训练好的模型作为基础，我们设计了一条流程，以解决核心的空间、语义和扩展挑战。

为了处理乡村的分层拓扑结构，其中一块石墙可能直接位于树篱的树冠之下，我们开发了一种双层标记系统，使用亚米级影像和1米LiDAR数据。这使我们的模型能够在同一空间中看到两件事：（1）地面边界（如耕地或水域）和（2）地面上的特征（如位于其上的树木和墙壁）。为了解决瓦片边界处的人工切片问题，我们开发了一种可扩展的算法，用于合并单元格之间的几何形状，确保每个特征在几何上都是完整的。

然后，我们解决了语义挑战。AI模型可以轻松检测到绿色植被，但并不自然地知道一小片树木与一条细长的树篱之间的区别。为了将模型的原始数字轮廓转化为有用的生态清单，我们应用了一种称为Polsby–Popper紧凑性评分的数学测试。通过分析每个检测的物理足迹，我们对乡村的几何形状进行了程序化分类。我们将森林定义为直径至少30米的实质性连续树冠，将木质斑块定义为小树丛或单个树木，而将线性木质特征（如树篱和细长通道）通过其拉伸的足迹进行定义，严格定义为紧凑性评分低于0.5的特征。这种几何智能使我们能够程序化地隔离对野生动物移动至关重要的长而细的通道。

景观特征提取方法的工作流程。

最后，为了解决计算瓶颈并在全国范围内扩展此分析，我们利用了 Google Earth Engine。通过并行处理数千个独立的 S2 单元，我们突破了传统的计算限制，使我们能够同时为数百万个独立要素生成矢量几何图形。这些进步使我们能够将原始地图转化为用于自然恢复的功能性工具。

前景展望

尽管矢量化数据集的发布是一个重要的进展，但我们已经在进一步完善这些数据。

我们正在研究高精度检测在各种基于自然的解决方案中的更广泛用途，例如支持在农林复合系统和农业林业系统中对细尺度木质特征的量化。这项技术还可以帮助识别“泄漏”事件，确保项目边界之外的碳和生物多样性损失不会抵消当地的增益。这些方法为在工作土地上扩大恢复规模提供了关键途径，并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。

通过使这些数据开放和可访问，我们希望赋予农民、科学家和政策制定者力量，保护那些对我们的星球产生大规模影响的小规模特征。

了解更多关于我们的 AI 和可持续发展努力的信息，请查看 Google Earth AI 和 Google Earth Engine。

标签：

• 气候与可持续发展

• 地球 AI

• 机器智能

• 开源模型与数据集

其他相关文章

• 2026年6月12日 从退役手机中打造低碳计算平台 气候与可持续发展 · 分布式系统与并行计算

• 2026年6月5日 通过 Gemini 企业代理平台实现可靠的响应 Agentic RAG 数据管理 · 机器智能 · 自然语言处理 · 产品

• 2026年6月4日 通过智能手机摄像头实现被动的心脏健康监测 健康与生物科学 · 人机交互与可视化 · 机器智能

×

❮

❯