FAO树作物制图指南：用卫星、雷达、无人机与地面数据形成证据汇合

发布背景

FAO于2026年6月3日在GeoField 2026会议发布树作物商品制图良好实践，面向政府、企业、社会组织和研究人员。指南关注可可、咖啡、橡胶、油棕及农林系统，目标是提高森林与农业用地识别的可靠性。

难点所在

阴生可可或咖啡农林系统在光学卫星影像中可能与天然林非常相似。小农地块往往面积小、形状不规则并被树冠遮挡，若模型只依据绿色程度或单期影像，容易把农田错分为森林或反向错分。

证据汇合

FAO建议采用“证据汇合”方法，把不同来源相互验证，而不是让某一幅地图成为唯一真相。光学影像、雷达、植被高度、时间序列、地面样本、无人机影像和本地知识分别补充云层、树冠和土地利用信息。

突破云层

热带地区多云，传统光学影像经常缺少清晰观测。指南建议结合能够反映植被结构或较少受天气影响的传感器，利用多时相数据识别种植规律。传感器增加并不自动提高准确率，仍需校准和验证。

算法作用

机器学习可以识别管理行列、冠层纹理和时间变化等复杂模式，帮助区分自然生长与人工种植。算法输出受训练样本、类别平衡和地区迁移影响，在一个国家准确的模型未必可以不经验证直接用于另一地区。

地面验证

遥感和雷达结果应与高分辨率无人机、现场数据和本地专家判断比较。验证样本要覆盖不同地貌、种植年限、阴影、混农林和小地块，不能只选择道路附近和易识别农场，否则会高估整体准确率。

定义一致

森林、土地覆盖、土地利用、毁林和农林系统必须使用明确且可比较的定义。同一地块可以在覆盖层面看似树木密集，却在利用层面属于农业。报告或合规系统若不公开分类定义，地图颜色没有可比意义。

元数据要求

每幅地图应说明制作日期、输入数据、分辨率、分类方法、验证方案、准确度、限制和版本。元数据让使用者知道地图能回答什么、不能回答什么，也使新数据到来后可以复算，而不是只保留一张无法追溯的导出图片。

小农风险

小农生产全球约80%的咖啡，却可能因为地块小、数据不足或定位错误被排除在供应链之外。企业不应把“地图无记录”直接等同于不合规，需要提供补充现场证据、申诉、更正与共同制图的通道。

隐私与共享

公开数据可降低重复制图成本，但农户姓名、联系方式、收益和精确地块具有隐私与商业敏感性。数据共享应定义目的、权限、保存期限和删除机制，并让农户理解自己的数据如何被采集、组合和用于市场准入，同时保留纠错与撤回授权的渠道。

口径边界

阅读FAO树作物商品制图良好实践时，必须把已经发生的事实、主管机构或披露主体的原话、编辑部基于资料作出的分析以及尚未发生的计划分开。地图是带有分辨率、时间、类别定义和误差的模型输出，不能单独证明某个地块、农户或批次符合零毁林要求。任何没有对应原始文件、适用对象和时间范围的延伸，都不应写成确定结论。

企业动作

把信息转为经营动作，不能只停在转发标题。企业应把地块边界、采集日期、数据来源、分类模型、置信度、地面验证、版本和申诉纠错机制一起纳入数据治理。每一步都应留下负责人、日期、批次或项目编号和复核结果，使采购、生产、销售与合规部门使用同一版本的证据。

后续观察

后续需观察开放数据覆盖、国家森林定义、模型在不同树冠与小地块条件下的误差，以及小农能否获得并纠正自己的数据。后续公告若改变适用范围、统计口径、执行时间或公司判断，应以新文件为准，并在内部记录中保留旧版本，避免把不同日期和不同口径的数字直接拼接。

结论

FAO树作物商品制图良好实践提供了一个可核验的行业观察入口，但不能替代合同、设计文件、法定要求或单批次检验。稳妥做法是回到本文列出的原始来源，确认对象、日期和定义，再把对自身真正有影响的事项写进清单和流程。