一份「樹有多高」的全球地圖，換了骨幹模型
2026 年 3 月 10 日，Meta 與 World Resources Institute 公布 Canopy Height Maps v2（CHMv2），包含一個開源模型與用它生成的全球尺度地圖。根據 Meta 的發布說明，這批資料要讓研究人員與政府能逐棵樹、逐個空隙、逐條樹冠邊緣地量測森林結構，用於生物多樣性與土地管理決策。
真正值得產品團隊停下來看的，不是「地圖變漂亮了」，而是這次改版把一個舊骨幹換成 DINOv3，並把預測與實測的吻合度指標 R² 從 0.53 拉到 0.86。同一份任務、同一類輸出，換掉表徵學習的底座，就換到一個不同量級的可用性。
準確度是怎麼來的：不是更多標註，而是更好的特徵
CHMv2 的核心是 DINOv3，Meta 的自我監督視覺模型，先在 SAT-493M 這個大型衛星影像資料集上預訓練。自我監督的意思是，模型從大量未標註影像中學到穩健的視覺特徵，不需要數百萬筆人工標註。
樹冠高度這種任務，線索藏在陰影、紋理與樹冠形狀裡。DINOv3 從多樣衛星資料中捕捉到這些細微視覺訊號，於是 CHMv2 在準確度與細節上明顯優於前一代，也降低了對高大樹木的偏差。
訓練資料端也做了調整：加入更多地理分布多元、品質較高的光達（lidar）樣本，並建立自動化配對工具，讓衛星影像與真實光達量測對齊，另外設計了專門的損失函數來處理樹冠高度估計的特殊難題。
WRI 資料科學主管 John Brandt 在說明中表示，DINOv3 強化了他們在不同地貌上量測森林結構的能力，讓高解析度的復育監測更一致、也更容易規模化。
已經在跑的使用場景，比模型本身更能說明門檻
前一代 CHMv1 已經進入實際流程。英國 Forest Research 用它支援全國尺度的森林清查與氣候承諾進度追蹤；歐盟執委會聯合研究中心把它用在 2020 年全球森林覆蓋研究，並希望把 CHMv2 用於後續地圖版本與其他樹木監測工作，包括目標在 2030 年前於歐盟種下至少 30 億棵生物多樣性樹木的 3 Billion Tree Initiative。
美國方面，這些地圖被用在城市規劃工具中，支援由 Smart Surfaces Coalition 主導的 Cities for Smart Surfaces，已有 10 個城市簽署，包括 Atlanta、Baltimore、Boston、Columbia（南卡羅來納州）、Dallas 與 New Orleans。WRI Ross Center for Sustainable Cities 也把地圖用於 Cool Cities Lab，一個初期涵蓋 11 個國家城市的氣候情境規劃工具。
這裡的模式很清楚：模型先被放進既有的決策流程，再回頭拉動下一代模型的需求。
對做產品的人來說，這次改版示範了三件事
第一，換底座比調參數更值得投資。當你的輸出品質卡在某個天花板，先問是不是表徵層不夠好，而不是先加標註預算。
第二，把評估指標講清楚。R² 從 0.53 到 0.86 之所以有說服力，是因為它對應到「預測與實測有多接近」這個具體問題。若你的產品也在做推論型輸出，這種可對外複述的單一數字，比一堆內部 benchmark 更能推進採購與合作決策。這跟我們先前談 企業 AI 採購邏輯的變化 是同一個道理：買方要的是可驗證的改善幅度。
第三，開源與公共資料的組合會改變誰能進場。模型、資料集與地圖都對外釋出，代表小型團隊與地方政府不必自建訓練管線，就能把全球尺度的森林結構資料接進自己的工具。
還沒解決的部分
Meta 自己列出三個待辦：資料稀疏地區的預測仍待改善、觀測幾何造成的效應要處理、時間覆蓋範圍要延伸以支援長期變化偵測。對要拿這份資料做碳儲量估算或復育驗收的團隊來說，這三點直接影響你能承諾什麼、不能承諾什麼。
實務上的下一步很簡單：先確認你的使用情境落在哪個地理區與哪個時間點，再去看 CHMv2 在該條件下的表現，而不是直接套用全球平均的準確度數字。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。