W badaniu opublikowanym w Scientific Data mapa ForTy z 2020 roku osiągnęła 90,2% dokładności ogólnej w klasyfikacji sześciu klas. Nie oznacza to, że każda klasa lasu ani każdy piksel mapy są poprawne w takim samym stopniu. Wynik oparto na 8190 lokalizacjach z etykietami uzgodnionymi przez ekspertów (badanie w Scientific Data).
Co mierzy wynik 90,2%
Dokładność ogólna opisuje wyniki całego sześcioklasowego podziału. Zespół badawczy wylosował 9100 lokalizacji; dwóch ekspertów niezależnie oceniało każdą z nich, a różnice rozstrzygano wspólnie. Do obliczenia dokładności wykorzystano 8190 lokalizacji z uzgodnionymi etykietami, porównując klasyfikację centralnego piksela o rozdzielczości 10 metrów.
Pozostałe 172 lokalizacje oznaczono jako niepewne, a 738 pozostało nierozstrzygniętych. Badanie wskazuje, że ich wyłączenie mogło nieznacznie zawyżyć wynik. Niepewność częściej dotyczyła kategorii zarządzanych i przejściowych, takich jak lasy sadzone i plantacyjne.
Wyniki F1 różnią się między klasami
F1 to odrębna miara wyników dla poszczególnych klas, a nie dokładność ogólna całej mapy. Wartość dla lasów sadzonych była najniższa spośród podanych wyników dla klas leśnych. Z kolei wysoki wynik kategorii „Pozostałe” znacząco wpływał na wynik ogólny.
| Klasa | Wynik F1 w schemacie sześciu klas |
| Lasy pierwotne | 82,9% |
| Lasy regenerujące się naturalnie | 72,6% |
| Lasy sadzone | 58,2% |
| Lasy plantacyjne | 66,7% |
| Pozostałe | 96,4% |
Wyniki pokazują, dlaczego 90,2% nie wystarcza do oceny konkretnego rodzaju lasu. W mapie uprawy drzewne i agroleśnictwo tworzą jedną klasę, a lasy odrastające po zaburzeniach mają osobną kategorię lasów regenerujących się naturalnie. Przydatność mapy dla konkretnego regionu lub zastosowania można oceniać na podstawie lokalnych danych walidacyjnych i dobranego progu klasyfikacji.
Wartości pewności nie są prawdopodobieństwami
Warstwy pewności ForTy pokazują względne wyniki zespołu modeli. Badanie podaje, że nie zostały one skalibrowane a posteriori jako prawdopodobieństwa, więc wartość przypisana pikselowi nie jest bezpośrednią miarą szansy, że jego klasa jest poprawna. Przy zastosowaniach regionalnych badacze zalecają ocenę progów na lokalnych danych walidacyjnych. Wyższy próg sprzyja ograniczeniu błędnego przypisywania klas, a niższy zmniejsza ryzyko pominięć.
Mapa z 2020 roku i seria roczna
Wynik 90,2% dotyczy mapy bazowej ForTy z 2020 roku. Google DeepMind ogłosiło 22 października 2026 roku wczesną serię roczną obejmującą lata 2017–2025 (ogłoszenie Google DeepMind). To osobny zestaw od mapy bazowej, której dotyczy opisana walidacja.
