この記事は「衛星データ活用ガイド」の詳細記事です。
なぜ衛星画像にAIが必要なのか
現在、地球を周回する地球観測衛星は数百機に達し、毎日数十TBの画像データが生成されている。Planet社だけでも毎日350万km²の地球表面を撮影している。この膨大なデータを人間が目視で解析することは物理的に不可能だ。
AIと機械学習は、この「データの洪水」を処理し、意味のある情報に変換する鍵となる技術だ。
衛星画像解析におけるAI技術
画像分類（Classification）
画像全体を「森林」「都市」「水域」「農地」などのカテゴリに分類する。最も基本的なタスクだが、土地被覆の全球マッピングなど大規模な分析に不可欠だ。
CNN（畳み込みニューラルネットワーク）やVision Transformerなどのモデルが使用される。
物体検出（Object Detection）
画像中の特定のオブジェクト（建物、車両、船舶、航空機など）を矩形（バウンディングボックス）で検出する。YOLOv8やFaster R-CNNなどのモデルが衛星画像に適用されている。
応用例: 港湾の船舶数カウント、軍事基地の車両検出、駐車場の稼働率分析
セマンティックセグメンテーション
画像の各ピクセルをカテゴリに分類する。物体検出が「何がどこにあるか」を矩形で示すのに対し、セグメンテーションは正確な境界を抽出する。
U-Net、DeepLabv3+、SegFormerなどのモデルが使用される。建物のフットプリント抽出、道路ネットワークの自動マッピング、浸水域の正確な把握などに活用される。
変化検出（Change Detection）
同一地点の異時期の画像を比較し、変化を自動検出する。森林伐採の検出、都市の拡大、災害被害の把握、建設活動の監視などに用いられる。
Siameseネットワーク（2つの画像を同時に処理するツインネットワーク）を用いた手法が一般的だ。
超解像（Super Resolution）
低分解能の画像から高分解能の画像を推定する技術。中分解能のSentinel-2データ（10m）から、見かけ上5m級の画像を生成するといった応用がある。ただし、存在しない情報を「生成」するため、利用には注意が必要だ。
Foundation Model（基盤モデル）の登場
衛星画像特化の基盤モデル
NLPの世界でGPTが革命を起こしたように、衛星画像分野でも基盤モデルの開発が進んでいる。
- IBM / NASA Prithvi: NASAのHLS（Harmonized Landsat Sentinel-2）データで事前学習されたジオスペーシャル基盤モデル。洪水マッピング、山火事検出、作物分類などのタスクに少量のラベルデータでファインチューニング可能
- Microsoft Satlas: Sentinel-2データで事前学習された大規模モデル。太陽光パネル、風力発電設備、樹木の自動マッピングに対応
- Clay Foundation Model: オープンソースの地球観測基盤モデル。マルチセンサー（光学+SAR）データに対応
基盤モデルのメリット
従来の衛星画像解析では、タスクごとに大量のラベル付きデータが必要だった。基盤モデルは大規模なラベルなしデータで事前学習されているため、少量のラベルデータでも高精度なモデルを構築できる（Few-shot Learning）。
応用事例
災害対応
地震・洪水・山火事の被害範囲を自動推定する。国連のUNOSAT、Maxar Open Data Programなどが災害時に衛星画像を公開し、AIモデルによる被害分析を迅速に行っている。
農業
作物の種類識別、生育状況のモニタリング、収穫量の予測、病害の早期検出にAI×衛星画像が活用されている。保険会社が農業保険の査定に衛星データを利用するケースも増えている。
金融（代替データ）
小売店の駐車場の車両数、工場の稼働状況、原油タンクの在庫量など、経済活動の指標を衛星画像から自動抽出する。ヘッジファンドや投資銀行が「代替データ」として利用している。
安全保障
軍事施設の変化検出、艦船の追跡、ミサイル発射台の監視など、安全保障インテリジェンスにAI×衛星画像解析は不可欠だ。OSINTコミュニティでもオープンな衛星画像を用いた分析が活発に行われている。
都市計画
建物のフットプリント自動抽出、人口密度の推定、インフォーマル居住地の検出などに活用される。発展途上国では最新の地図データがない地域も多く、衛星画像からの自動マッピングが重要だ。
技術的な課題
ラベルデータの不足
衛星画像のラベル付けは専門知識が必要であり、コストが高い。基盤モデルのFew-shot Learningやアクティブラーニングがこの課題を緩和しつつある。
センサーの多様性
光学画像、SAR画像、ハイパースペクトル画像では、データの特性が大きく異なる。汎用的なモデルの構築が難しく、センサーごとに最適化が必要だ。
スケールの問題
衛星画像は非常に大きい（1シーンで数百MB〜数GB）。画像を小さなタイルに分割して処理する必要があり、タイル境界での処理が課題になる。
まとめ
AI×衛星画像解析は、膨大な地球観測データから自動的に有意義な情報を抽出する技術として急成長している。基盤モデルの登場により、少ないラベルデータでも高精度な解析が可能になりつつある。災害対応、農業、金融、安全保障など幅広い分野での応用が進んでおり、衛星データビジネスの付加価値を大きく高めている。
あわせて読みたい
- 衛星データのクラウド処理: AWS・Azure・Google Earth Engine比較ガイド
- 北海道×衛星データの可能性 — 農業・漁業・港湾・防災を束ねる「衛星活用の宝庫」
- Japan’s Satellite Data Ecosystem: Tellus, JAXA G-Portal, and the Path to Data-Driven Society
参考としたサイト
- NASA Prithvi Geospatial AI Foundation Model — NASAとIBMが共同開発した地理空間AI基盤モデル
- Planet Labs Analytics — Planet社の衛星画像AI解析プラットフォーム
- Microsoft Planetary Computer — Microsoftの地球環境データプラットフォーム
- Google Earth Engine — Googleの衛星画像解析クラウドプラットフォーム
- ESA Sentinel Hub — ESA Copernicus衛星データのクラウド処理サービス
