Ein Wald verschwindet, später wachsen auf derselben Fläche wieder Bäume. Auf einer Karte der Baumdeckung kann das wie eine Erholung aussehen. Doch zwischen einem gewachsenen Naturwald und einer regelmäßig geernteten Plantage liegt eine ganze Nutzungsgeschichte. Eine neue KI-Karte soll diesen Unterschied sichtbar machen: Sie fragt, welche Art von Wald oder Baumkultur auf einer Fläche steht.
Google DeepMind und Google Research haben das System ForTy am 22. Oktober gemeinsam mit dem World Resources Institute und IIASA vorgestellt. Zur Basiskarte für 2020 kommt eine vorläufige jährliche Zeitreihe von 2017 bis 2025. Damit lässt sich verfolgen, was nach einem Waldverlust entsteht. Für Naturschutz und die Beobachtung von Lieferketten ist gerade diese Anschlussfrage interessant: Grün kann zurückkehren, während sich die Nutzung grundlegend verändert.
Sechs Arten, eine Landschaft zu lesen
ForTy unterscheidet Primärwald, natürlich nachgewachsenen Wald, gepflanzten Wald, intensiv bewirtschaftete Forstplantagen, Baumkulturen samt Agroforstsystemen sowie übriges Land. Die Kategorien beschreiben unterschiedliche Geschichten. Ein nach einer Störung selbst nachwachsender Wald gehört in eine andere Klasse als ein Bestand, den Menschen gezielt pflanzen. Ölpalmen oder Obstbäume wiederum können eine Fläche mit Kronen bedecken und zugleich Landwirtschaft sein.
Die technische Dokumentation beschreibt ein Raster mit zehn Metern Kantenlänge. In einer solchen Zelle steckt eine Fläche von 100 Quadratmetern. Diese Rastergröße sagt, wie fein die Ausgabe unterteilt ist. Für eine bestimmte Baumgruppe bleibt entscheidend, wie zuverlässig das Modell ihre Klasse erkennt.
Die KI braucht mehr als ein grünes Foto
Ein einzelnes Luftbild kann die Unterscheidung schwer machen. Regelmäßige Reihen geben einen Hinweis auf Bewirtschaftung. Ein älterer gepflanzter Bestand kann einem natürlich entstandenen Wald dagegen sehr ähnlich sehen. Die Nutzung steht den Bäumen gewissermaßen nicht auf der Stirn.
Das Modell greift deshalb auf AlphaEarth-Daten zurück: kompakte Darstellungen, die Informationen aus vielen Satellitenbeobachtungen bündeln. Zeitliche Muster helfen etwa dabei, Wachstum und Ernte zu unterscheiden. Der Datensatzbeschreibung zufolge wurde die dreistufige Lernpipeline mit rund 1,7 Millionen weltweit verteilten Beispielen trainiert. Als Ausgabe liefert sie abgestufte Werte für die Klassen. Eine fertige bunte Karte entsteht, indem einer Rasterzelle beispielsweise die Klasse mit dem höchsten Wert zugeordnet wird.
Die Basiskarte bezieht sich auf 2020; das Datenarchiv führt sie bereits seit Mai 2026. Neu vorgestellt werden jetzt das Gesamtvorhaben und die ergänzende frühe Zeitreihe. Wer die Karte öffnet, sieht daher je nach Produkt einen historischen Ausgangszustand oder eine vorläufige Folge von Jahresständen.
Wo die Zuordnung schwierig bleibt
Die am 21. Oktober in Scientific Data veröffentlichte Studie nennt 9.100 geschichtet zufällig ausgewählte Prüfstellen. Für 8.190 lag eine abschließende gemeinsame Expertenbewertung vor. Daraus berechneten die Forschenden eine flächengewichtete Gesamtgenauigkeit von 90,2 Prozent über alle sechs Klassen. Die große Klasse „übriges Land“ beeinflusst diesen Wert stark.
Bei gepflanztem Wald fällt das Ergebnis schwächer aus: Der F1-Wert liegt bei 58,2 Prozent. Dieses Maß verbindet die Zuverlässigkeit vergebener Zuordnungen mit dem Anteil tatsächlich erkannter Fälle; es ist eine andere Kennzahl als die Gesamtgenauigkeit. Gerade die Übergänge zwischen gepflanztem, natürlich nachgewachsenem Wald und Plantagen bleiben schwierig.
Für eine konkrete Fläche zählen deshalb ihre örtlichen Bedingungen. Unter einem Kronendach wachsende Kakao- oder Kaffeekulturen können beispielsweise als Naturwald eingeordnet werden. Auch die ausgegebenen Klassenwerte sind laut Dokumentation keine nachträglich kalibrierten Wahrscheinlichkeiten. Lokale Referenzdaten helfen, ihre Bedeutung für eine bestimmte Anwendung zu prüfen.
Der Gewinn der Karte liegt in der präziseren Frage an die Landschaft: Was wächst dort, wie wird es genutzt und was hat sich verändert? So wird aus einer grünen Fläche ein Ausgangspunkt für gezielte Prüfung und Naturschutz.
Quellen
- Google DeepMind, Maxim Neumann und Charlotte Stanton: Beyond tree cover: mapping the world’s forest types, 22. Oktober 2026.
- Neumann et al., Scientific Data: Global forest typology at 10-meter resolution for forest and land-use monitoring, 21. Oktober 2026.
- Google/Nature Trace: Forest Typology (ForTy) 2020 v1.0, technische Datendokumentation, abgerufen am 23. Oktober 2026.
- Neumann et al., Figshare+: Forest Typology 2020 (v1), Datensatz vom 22. Mai 2026.
Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
