Google Earth AI Farmscapes: jak deep learning mapuje niewidoczne żywopłoty

Google Research udostępnił Farmscapes: otwartą mapę żywopłotów, murków kamiennych i zadrzewień śródpolnych, która pokrywa ponad 130 000 km² Anglii w rozdzielczości 25 cm. Model wykrywa pasy zieleni zbyt wąskie dla klasycznych map pokrycia terenu, a wersja wektorowa zamienia je w policzalny spis obiektów. Dane leżą w katalogu Google Earth Engine na licencji CC BY 4.0, więc wolno ich użyć komercyjnie.

Dlaczego akurat żywopłoty

Żywopłoty, miedze i pasy zadrzewień zajmują ułamek powierzchni pola, a pełnią funkcje nieproporcjonalne do rozmiaru: wiążą węgiel w drewnie i glebie, dają schronienie owadom i ptakom, hamują wiatr, ograniczają erozję i spowalniają spływ wody. Kłopot polega na tym, że są wąskie. Standardowe mapy pokrycia terenu mają oczko siatki znacznie szersze niż sam żywopłot, więc pas krzewów rozpływa się w pikselu opisanym jako grunt orny. Ze statystyki znika coś, co fizycznie stoi na miejscu.

Skutek jest bardzo praktyczny: instytucja, która chce te struktury chronić albo odtwarzać, nie zna nawet punktu wyjścia. Pomiar terenowy działa na jednej farmie i przestaje działać na skali regionu, bo kosztuje i trwa. Farmscapes celuje dokładnie w tę lukę. Nie ma być dokładniejszy niż geodeta na miejscu, ma być pierwszym źródłem, które policzy wszystko naraz.

Co dokładnie zostało opublikowane

W katalogu Earth Engine leżą dwa zbiory. Pierwszy, Farmscapes 2020, to mapy prawdopodobieństwa w rozdzielczości 25 cm z trzema warstwami: żywopłot, murek kamienny oraz las lub zadrzewienie. Wartości są skalowane od 0 do 250, więc każdy piksel mówi, jak bardzo model jest czegoś pewny, a nie co tam stoi. Drugi zbiór, Farmscapes 2020 Vectorised, to już gotowe wielokąty z jedną etykietą na obiekt: hedgerow, copse, linear_woodland, stone wall albo woodland.

Zbiór powstał we współpracy z Leverhulme Centre for Nature Recovery na Uniwersytecie Oksfordzkim, a Google opisał wersję wektorową 16 czerwca 2026 na swoim blogu badawczym. Licencja to CC BY 4.0 z obowiązkiem wskazania Google jako autora. Podstawą techniczną jest raport Conserva i współpracowników „Mapping Farmed Landscapes from Remote Sensing”, dostępny w arXiv i podany w katalogu jako cytowanie zbioru.

Jak model widzi pas krzewów szeroki na dwa metry

Sercem systemu jest Vision Transformer z backbonem RSF, wstępnie uczony na ponad 300 milionach zdjęć satelitarnych. Sam trening pod żywopłoty poszedł na materiale nieporównanie mniejszym: 942 ręcznie opisane kafle zdjęć lotniczych, w sumie około 247 km² etykiet. To typowy układ w tego typu projektach, gdzie ogólna wiedza o obrazie pochodzi z wielkiego zbioru, a wiedza o konkretnym obiekcie z małego i drogiego.

Kluczem jest sposób etykietowania. Zamiast jednej warstwy obrazu zespół dał anotatorom dwie: zdjęcia submetrowe oraz dane LiDAR o rozdzielczości jednego metra. Zdjęcie pokazuje granicę na ziemi, LiDAR pokazuje wysokość nad ziemią. Dopiero razem pozwalają odróżnić żywy pas krzewów od miedzy, cienia albo ogrodzenia, czyli od rzeczy, które na płaskim zdjęciu wyglądają identycznie.

Wektoryzacja dokłada geometrię. Obiekty rozdzielono na liniowe i zwarte przy pomocy wskaźnika zwartości Polsby-Popper: poniżej 0,5 obiekt jest traktowany jako liniowy, czyli żywopłot lub pas zadrzewienia, powyżej jako kępa albo las, przy czym las musi mieć co najmniej 30 metrów średnicy. Luki w żywopłotach zostały z wersji wektorowej odfiltrowane, więc ciągłość pasa na mapie jest decyzją algorytmu, a nie obserwacją.

Czego Farmscapes nie mówi

Najważniejsza liczba w tym zbiorze to ta, której nie ma w nagłówkach. W raporcie technicznym F1 dla lasu wynosi 96%, dla gruntów uprawnych 95%, a dla żywopłotów 72%. Czyli akurat ta klasa, dla której cały projekt powstał, wypada najsłabiej. To nadal użyteczne źródło do planowania, ale to nie jest ewidencja gruntów i nie nadaje się do rozstrzygania sporów o konkretną działkę.

Katalog Earth Engine dokłada trzy zastrzeżenia. Murki kamienne wypadają najgorzej ze wszystkich klas z powodu nierównowagi w danych treningowych. Jakość spada w gęstej zabudowie i w terenie górskim. Materiał pochodzi z lat 2018-2020, więc żywopłot wycięty w 2023 roku nadal na mapie jest: „2020” w nazwie to data zdjęć, nie znacznik aktualności warstwy.

Ostrożnie też z węglem. Zbiór podaje geometrię: gdzie obiekt jest i jaki ma kształt. Przeliczenie metrów żywopłotu na tony CO2 wymaga współczynników allometrycznych i założeń lokalnych, których Google w tym zbiorze nie dostarcza. Jeśli ktoś sprzedaje wynik opisany jako „węgiel policzony przez AI” na tej podstawie, sprzedaje własne założenia doklejone do cudzych wielokątów. Warto zapytać, które liczby pochodzą z danych, a które z arkusza.

Co z tego ma polska firma

Dla Polski tego zbioru po prostu nie ma. Farmscapes obejmuje Anglię, a wersja o zasięgu europejskim jest w katalogu opisana jako eksperyment udostępniany na życzenie. Metoda jednak podróżuje: zespół Hoesera i współpracowników opublikował w 2026 roku krajowy produkt dla Niemiec, mapujący żywopłoty i liniowe zadrzewienia z danych o rozdzielczości 0,73 m, 1 m i 3 m, jedną siecią bez ponownego trenowania, weryfikowany na danych z kampanii kartowania biotopów w czterech landach.

Praktyczny wniosek dla małej firmy jest krótszy, niż się wydaje. Jeśli robisz doradztwo rolne, geodezję, dobór lokalizacji pod fotowoltaikę, raportowanie środowiskowe albo ocenę ryzyka dla ubezpieczyciela, warstwa pomiarowa tego rodzaju jest wejściem, które dostajesz za darmo zamiast zamawiać nalot. Koszt przenosi się z pozyskania danych na ich interpretację, a to zupełnie inny rachunek i zupełnie inne kompetencje w zespole. Jeśli zastanawiasz się, komu zlecić taką pracę, obowiązuje ta sama logika co przy wyborze firmy do wdrożeń AI: pytaj o źródło danych i margines błędu, nie o nazwę modelu.

Trzy kroki, jeśli pracujesz na danych o terenie

1. Sprawdź zasięg, zanim obiecasz klientowi analizę. Farmscapes kończy się na granicy Anglii i żadna sztuczka nie rozciągnie go na Mazowsze.
2. Bierz wersję wektorową, jeśli chcesz liczyć długość i powierzchnię. Raster to prawdopodobieństwa w skali 0-250, a nie obiekty, więc próg odcięcia i tak ustawisz sam, często nieświadomie.
3. Wpisz do oferty datę materiału i F1 klasy, której używasz. Klient, który zobaczy 72% czarno na białym, nie wróci po pół roku z pretensją o zawyżony wynik.

AI jako przyrząd pomiarowy

Najciekawsze w tym projekcie nie jest to, że model generuje. Ciekawe jest to, że mierzy: zamienia zdjęcia w spis obiektów, który da się zsumować, sprawdzić i zakwestionować. Google buduje tę warstwę równolegle do modeli językowych, o których mówi się głośniej, jak Gemini z trybem Deep Think, tylko że tutaj wynikiem jest plik z geometrią, a nie akapit tekstu.

Reguła zostaje ta sama co przy każdym głośnym wyniku modelu: liczba bez metody i bez marginesu błędu jest komunikatem marketingowym, a nie pomiarem. Farmscapes swoje 72% podaje otwarcie i akurat ta otwartość jest w całym zbiorze najbardziej wiarygodna.

Najczęstsze pytania

Czym jest Farmscapes?

To otwarty zbiór danych Google Research, przygotowany z Leverhulme Centre for Nature Recovery na Uniwersytecie Oksfordzkim. Mapuje żywopłoty, murki kamienne i zadrzewienia na ponad 130 000 km² Anglii w rozdzielczości 25 cm, na licencji CC BY 4.0 w katalogu Google Earth Engine.

Jak dokładny jest model Farmscapes?

W raporcie technicznym Conserva i współpracowników F1 wynosi 96% dla lasu i 95% dla gruntów uprawnych, ale tylko 72% dla żywopłotów. Katalog Earth Engine dodaje, że najsłabszą klasą są murki kamienne, a jakość spada w gęstej zabudowie i w terenie górskim.

Czy Farmscapes liczy węgiel związany w żywopłotach?

Nie. Zbiór podaje geometrię: położenie i kształt obiektów. Przeliczenie długości żywopłotu na tony CO2 wymaga współczynników allometrycznych i lokalnych założeń, których Google w tym zbiorze nie dostarcza.

Czy są takie dane dla Polski?

Nie w tym zbiorze. Farmscapes obejmuje Anglię, a wersja europejska jest udostępniana wyłącznie jako eksperyment na życzenie. Dla Niemiec zespół Hoesera i współpracowników opublikował w 2026 roku osobny krajowy produkt mapujący liniowe zadrzewienia.

Źródła

• Google Research, „From pixels to planning: Earth AI for nature restoration” (16.06.2026) - zasięg ponad 130 000 km², backbone RSF ViT i 300 mln zdjęć, około 247 km² etykiet, wskaźnik Polsby-Popper, partner z Oksfordu.
• Earth Engine Data Catalog, Farmscapes 2020 - rozdzielczość 25 cm, materiał 2018-2020, trzy warstwy prawdopodobieństwa 0-250, licencja CC BY 4.0, słabsza klasa murków i spadek jakości w miastach oraz w górach.
• Earth Engine Data Catalog, Farmscapes 2020 Vectorised - wielokąty z etykietami hedgerow, copse, linear_woodland, stone wall i woodland oraz odfiltrowanie luk w żywopłotach.
• M. Conserva i in., „Mapping Farmed Landscapes from Remote Sensing”, arXiv:2506.13993 - 942 ręcznie opisane kafle, F1 96% dla lasu, 95% dla gruntów uprawnych i 72% dla żywopłotów.
• T. Hoeser i in., „Towards Generalizable Mapping of Hedges and Linear Woody Features from Earth Observation Data: a national Product for Germany”, arXiv:2604.27247 - krajowy produkt dla Niemiec z danych 0,73 m, 1 m i 3 m, walidacja na kartowaniu biotopów w czterech landach.

Powiązane artykuły

• Suwerenna AI Indii
• Flock Safety i inwigilacja AI
• Gemini 2.5 Pro Deep Think
• NVIDIA DGX Spark do lokalnych LLM
• Bańka AI: wyprzedaż 2026