EM POUCAS LINHAS
- ForTy entrega classes florestais e probabilidades; OlmoEarth entrega representações para análises posteriores.
- A cobertura global divulgada para os embeddings pré-computados do OlmoEarth começa em 2023; anos anteriores abrangem países selecionados.
- A validação global relatada para ForTy não comprova precisão em regiões brasileiras.
A escolha depende da pergunta, não de qual produto parece mais sofisticado. Se a necessidade é começar com categorias de floresta já mapeadas, o ForTy oferece um ponto de partida. Se é preciso definir uma classificação própria ou procurar padrões de mudança, vale avaliar os embeddings do OlmoEarth v1.3. Nenhum dos anúncios demonstra, por si só, que o resultado será confiável em uma área brasileira específica.
As duas publicações são de 22 de outubro de 2026: a equipe do OlmoEarth descreve o lançamento da versão 1.3, enquanto o Google DeepMind apresenta o Forest Typology, ou ForTy. Essa é a data das publicações, não o ano representado pelo mapa-base do ForTy nem a data de uma validação feita no Brasil.
Vetor de características não é tipo de floresta
O OlmoEarth v1.3 transforma séries anuais de radar Sentinel-1 e imagens multiespectrais Sentinel-2 e Landsat em um vetor de 128 componentes para cada pixel de 10 metros; a publicação diz que os primeiros 64 componentes também funcionam como representação reduzida (fonte). Esse vetor reúne características aprendidas das observações. Ele não informa diretamente se o pixel contém floresta primária, plantação ou outro uso: para produzir um mapa com classes escolhidas pelo usuário, a equipe propõe treinar um classificador sobre os embeddings (fonte). É uma diferença importante entre receber insumos para modelagem e receber um resultado temático.
O ForTy 2020, por sua vez, é apresentado como mapa global que atribui a cada área de 10 por 10 metros uma categoria de floresta ou uso da terra (fonte). Suas seis categorias são floresta primária, floresta em regeneração natural, floresta plantada, plantação florestal, cultivos arbóreos e agrofloresta, e outras terras; a última reúne áreas que não se enquadram nas categorias anteriores (fonte). Além do rótulo, o ForTy fornece probabilidades por classe, que permitem escolher limiares conforme a tarefa, sem transformar incerteza em certeza (fonte). Segundo seus autores, o modelo usa embeddings do AlphaEarth Foundations como uma de suas entradas; isso não significa que o ForTy seja uma classificação feita com OlmoEarth (fonte).
Qual escolher para uma pergunta brasileira?
Para levantar onde o próprio ForTy identifica floresta natural, plantios ou cultivos arbóreos, começar pelo mapa temático evita primeiro construir um classificador. Convém examinar tanto a classe escolhida quanto as probabilidades: uma área de baixa confiança merece tratamento distinto de uma identificação consistente. O mapa pode servir para formular hipóteses e priorizar checagens, não como decisão automática sobre uma propriedade.
Para uma definição local que não coincida com as categorias do ForTy, os embeddings do OlmoEarth oferecem outro caminho: reunir exemplos rotulados para a tarefa, treinar uma classificação e verificar onde ela falha. Exemplo hipotético: uma equipe que queira separar estágios de recuperação definidos em seu próprio levantamento de campo poderia testar se os vetores ajudam a distinguir esses rótulos. Não há, nas publicações fornecidas, demonstração de que essa separação já funcione para tal tarefa no Brasil. Também não seria válido declarar um vencedor em precisão: as duas publicações não apresentam um confronto controlado entre ForTy e um classificador treinado com OlmoEarth para a mesma pergunta e os mesmos dados brasileiros.
Anos, resolução e acesso não são equivalentes
No lançamento, os embeddings pré-computados do OlmoEarth tinham cobertura global para 2023, 2024 e 2025; de 2017 a 2022, cobriam países selecionados (fonte). Assim, a descrição de cobertura global inclui em princípio o território brasileiro nos anos globais, mas não autoriza presumir que o Brasil esteja no arquivo pré-computado de todos os anos anteriores. O Explorer anunciado permite comparar anos disponíveis, consultar a imagem Sentinel-2 subjacente, rotular pontos, treinar uma classificação inicial e exportá-la como GeoTIFF; a equipe afirma que o Explorer dispensa conta (fonte). Os embeddings também são divulgados no Source Cooperative, enquanto a publicação cita ferramentas para gerar representações em janelas escolhidas pelo usuário; isso é diferente de encontrar todos os períodos já pré-computados.
O ForTy distingue o mapa-base 2020 de uma série temporal preliminar de 2017 a 2025, divulgada para acompanhar mudanças anuais entre tipos de floresta e outros usos (fonte). A publicação afirma que ambos estão disponíveis no Google Earth Engine sob licença aberta, mas não especifica ali os termos dessa licença nem comprova as condições de acesso para cada usuário no Brasil (fonte). Pixels da mesma ordem de tamanho não tornam os produtos intercambiáveis: um é uma representação a interpretar ou modelar; o outro já propõe categorias e probabilidades.
O que validar antes de confiar no resultado
A equipe do ForTy relata avaliação em mais de 9 mil locais amostrados pelo mundo, com acerto do tipo florestal em 90% dos casos e distinção entre floresta e não floresta em 95% (fonte). São resultados globais relatados pelos autores, não taxas por bioma, classe ou região brasileira. Já a equipe do OlmoEarth relata desempenho dos embeddings em avaliações de tarefas diversas, o que não mede automaticamente a qualidade de um mapa florestal treinado com rótulos locais (fonte). As métricas não devem ser comparadas como se respondessem à mesma pergunta; veja também o guia do acervo sobre como interpretar benchmarks de IA.
Em uma aplicação brasileira, a decisão responsável é delimitar região, período, definição de classe e finalidade antes de medir erros. Confronte rótulos e probabilidades do ForTy, ou a classificação criada com OlmoEarth, com referências independentes adequadas à área; se a pergunta for mudança, confira também as transições ao longo do tempo. Sem essa validação local, cobertura global e facilidade de exploração indicam onde começar a investigar, não a confiabilidade final para fiscalização, inventários ou decisões sobre uso da terra.
Fontes e referências
- OlmoEarth v1.3: State-of-the-art embeddings for the whole planethuggingface.co · Consultado em 22/10/2026
- Not All Forests Are Equal: Mapping the World’s Forests — Google DeepMinddeepmind.google · Consultado em 22/10/2026