Nel confronto tra ForTy e la mappa JRC GFC2020, ForTy ha ottenuto un’accuratezza del 95,5% nel distinguere foresta e non foresta; Wood Central riporta 93,6% per la mappa JRC sugli stessi 8.190 siti di validazione. Il divario aritmetico è di 1,9 punti percentuali e riguarda questa specifica classificazione, non tutte le categorie forestali.
| Confronto | ForTy v1 | Mappa JRC, risultato riportato da Wood Central |
| Foresta contro non foresta, GFC2020 | 95,5% | 93,6% |
| Tipi forestali, confronto a quattro classi con GFT2020 | 90,9% | 87,8% |
Che cosa misura il confronto con JRC
La prima riga mette a confronto ForTy e Global Forest Cover 2020 (GFC2020), prodotto dal Joint Research Centre della Commissione europea. Le due percentuali sono riferite alla distinzione tra tutte le classi forestali raggruppate e il territorio non forestale. Wood Central attribuisce il 93,6% a GFC2020 e riporta entrambe le misure sugli stessi siti.
La seconda riga riguarda invece Global Forest Types 2020 (GFT2020), sempre del JRC, e un confronto a quattro classi. Wood Central riporta l’87,8% per GFT2020; ForTy ha raggiunto il 90,9% in questa valutazione. I due risultati non vanno mescolati con quello a sei classi di ForTy.
Perché il 95,5% non è il risultato a sei classi
ForTy v1 è una mappa globale del 2020 con risoluzione di 10 metri. Le sue sei categorie sono foresta primaria, foresta a rigenerazione naturale, foresta piantata, foresta di piantagione, colture arboree e agroforestazione, e altre terre. L’articolo scientifico pubblicato su Scientific Data riporta il 95,5% quando tutte le classi forestali sono unite e confrontate con il non forestale; per l’intero schema a sei classi, l’accuratezza complessiva è 90,2%. La misura per foresta naturale rispetto alle altre terre è 94,8%. Sono risultati di classificazioni diverse, non valori in conflitto (articolo scientifico su ForTy).
La valutazione ha preso in considerazione 8.190 siti con etichette concordate dagli esperti, selezionati da un campione stratificato iniziale di 9.100. Per ciascun sito, il calcolo ha usato il pixel centrale di 10 × 10 metri. Quindi l’accuratezza complessiva descrive l’esito su quel campione, non la probabilità che ogni singolo pixel sia corretto.
Il 90,2% riguarda l’intero schema; i punteggi F1 mostrano invece come variano i risultati tra alcune classi forestali. L’F1 combina precisione e richiamo, cioè quanto correttamente una classe viene identificata e quanto spesso viene individuata senza omissioni:
| Classe forestale | Punteggio F1 |
| Foresta primaria | 82,9% |
| Foresta a rigenerazione naturale | 72,6% |
| Foresta piantata | 58,2% |
| Foresta di piantagione | 66,7% |
La foresta piantata ha il valore F1 più basso tra queste quattro classi. Gli autori segnalano inoltre che distinguere i tipi di foresta dai dati satellitari può essere difficile: il criterio operativo dei 40 anni di rotazione, usato per separare foresta piantata e foresta di piantagione, è una semplificazione che può non rappresentare alcuni sistemi di gestione.
Una parcella tagliata di recente può risultare come «Altre terre», anche se un terreno temporaneamente privo di alberi può ancora rientrare nella definizione FAO di foresta. La stessa categoria comprende anche le altre terre boscate.
Come usare i punteggi di confidenza
Per ogni pixel, ForTy assegna per impostazione predefinita la classe con il punteggio relativo più alto. Questi valori derivano da un insieme di modelli, ma non sono probabilità calibrate: un punteggio di confidenza non equivale alla probabilità che il pixel sia classificato correttamente.
Cambiare la soglia modifica il compromesso tra precisione e richiamo. Una soglia più alta privilegia la precisione e riduce le false assegnazioni; una più bassa favorisce il richiamo, riducendo le omissioni. Per scegliere una soglia in funzione di un uso specifico, gli autori raccomandano di valutarla con dati di validazione locali.
La spiegazione di che cosa misura il 90,2% di ForTy approfondisce il risultato a sei classi; nel confronto con JRC, la distinzione decisiva resta quella tra le diverse attività di classificazione.
