@GoogleDeepMind: Not all forests are equal, and now we can map the difference.
Google DeepMind 發布 Forest Typology(ForTy)10 米森林型別地圖。該地圖區分天然林、人工林和農業林,用於識別毀林並幫助保護最重要的森林。
依意思最接近的 12 筆
Google DeepMind 發布 Forest Typology(ForTy)10 米森林型別地圖。該地圖區分天然林、人工林和農業林,用於識別毀林並幫助保護最重要的森林。
Google DeepMind 與 Google Research 聯合 WRI、IIASA 發布 ForTy 2020,把全球每一塊 10×10 米土地劃入原始林、自然再生林、人工林、種植園、樹木作物與農林複合、其他土地六類,作為歐盟森林砍伐法規(EUDR)的基準。隨附 2017–2025 年逐年時間序列,首次以 10 米精度顯示森林消失後被什麼取代:用材林、樹木作物農場還是其他用地。
Google DeepMind 發布 ForTy,用於追蹤森林隨時間發生的變化。它基於面向行星資料的基礎模型 AlphaEarth Foundations,讀取覆蓋 170 萬個站點、跨越多年的衛星影像,分辨出外觀相似但變化歷史不同的森林。該工具面向政府、企業、環保組織與科研人員,用於建置不涉及毀林的供應鏈。
Google DeepMind 推出 ForTy,可把地球上每 10×10 米的地塊劃入不同的森林與樹作物型別。官方同時強調,未經採伐的天然林在碳儲量與生物多樣性上遠高於每一二十年砍伐一次的單樹種人工林,而這正是需要按地塊區分天然林、人工林與樹作物的原因。推文給出的是分類粒度與這組對比結論,未披露模型規模與使用方式。
Google DeepMind 免費開放 ForTy 2020 地圖與 2017–2025 時間序列,相關資料已在 Google Earth Engine 上線。該成果發表於 Scientific Data,其中 ForTy 2020 提供 2020 年地圖,時間序列覆蓋 2017–2025 年,可用於幫助機構建置無毀林供應鏈、保護重要天然林。使用者可通過 Google Earth Engine 免費獲取這些資料。
Google 在芬蘭的 130 億歐元 AI 資料中心專案,在環境影響評估完成前已清出約 300 公頃森林(約 420 個足球場),芬蘭許可與監督機構 LVV 已要求其當地公司 Tuike Finland Oy 作出解釋,施工可能被叫停。Google 稱清林完全符合芬蘭法規,動工前已勘察以確保不破壞高價值環境區域;芬蘭自然保護協會則援引衛星影像稱,本應受保護的區域已被推平,並請求 LVV 全面停工核查。
開發者用 Claude Code 製作了義大利 La Thuile 滑雪場的 3D 地圖,該雪場跨邊境連線法國 La Rosière。資料指令碼用 Python 從 OpenStreetMap 下載雪道與纜車資料、從 AWS Terrain Tiles 獲取高程,最終打包成單個 0.8 MB 的 HTML 檔案,可在手機或桌面瀏覽器中執行。
LayerFS 在 Hacker News 上對外亮相,定位為「面向 AI coding agent 的檔案系統」,官網 layerfs.ai 已可訪問。目前公開資訊很少:沒有說明實現方式、適配哪些 coding agent,也沒有價格與開源情況;該帖在 HN 上僅獲 10 分、6 條評論,屬於早期低調發布。
Black Forest Labs 發布開源影像生成模型 FLUX.3 Image Klein,新增可用 bounding box 指定畫面元素位置的佈局控制,Diffusers 已首日支援。單一模型同時覆蓋文生圖、多參考圖生圖:提示詞中用 <ref_image_0> 引用參考圖,編輯時用 src_bbox 與 tgt_bbox 指定區域移動,座標按 0–1000 歸一化、y 在前,任意尺寸通用。
Vercel 資料顯示,TypeSafe AI 的輕量決策模型 Jev 上線兩週內被 35% 付費團隊使用,覆蓋面接近第二名 Sonnet 5.5 的兩倍,是 Vercel 平台上普及最快的模型。Jev 於 9 月 15 日限量發布,通過限定候選輸出降低推理成本、提升速度,適合大批次資料分類,Vercel 已用它替換 GPT-6 Luna 做有害命令分類。
Frontier Red Team 的實驗顯示,小型 AI 模型可能再過數月就能在智慧烤箱、雜牌 Android TV 盒子等商用 IoT 裝置上自我複製:這類複製體沒有集中的關停點、倍增時間為數天,還能自行摸清陌生硬體,測試中 9B 模型在 9 類硬體裡有 8 類成功跑起推理。研究把複製拆為尋找目標、獲得執行、建立推理、繼續傳播四步,30B 以下模型已能完成多數單步但端到端串聯仍會出錯,簡化評測中 GLM-5.2 及更強模型可端到端複製。
一個社群維護的資料視覺化工具目錄上線,收錄 291 個圖表庫、地圖工具包、圖形視覺化與儀表盤工具,分 23 個類別,按 GitHub、npm、PyPI、CRAN 的即時資料每日重新整理排名。這些工具合計獲得 240 萬 GitHub stars,其中 171 個(60%)倉庫在過去 90 天內有活動。目錄還提供 MCP server、JSON API 和 llms.txt,方便 AI 助手基於最新資料推薦工具。