衛星データ入門ガイド 2026年版 — 種類・解像度・主要衛星・無料ツール・学習リソースを完全解説

この記事は「衛星データ活用ガイド」の詳細記事です。

はじめに — 衛星データは誰でも使える時代に

「衛星データ」と聞くと、NASAやJAXAの専門家だけが扱うものというイメージを持つ人が多い。しかし2026年現在、衛星データは無料で取得でき、ブラウザ上で可視化でき、Pythonで分析できる。農業、防災、都市計画、環境モニタリング、金融分析に至るまで、衛星データの活用領域は急速に広がっている。

この記事では、衛星データをゼロから理解するための体系的なガイドを提供する。データの種類、解像度の概念、主要衛星の一覧、無料で始める方法、分析ツール、学習リソース、そして実際に手を動かすための実践課題まで、これ1本で衛星データの全体像を把握できるように構成した。

---

衛星データとは

基本的な仕組み

地球観測衛星は、地球の表面や大気から放射・反射される電磁波を計測するセンサーを搭載し、高度数百〜数千kmの軌道から地球を観測する。このセンサーが取得したデータが「衛星データ」だ。

人間の目に見える光（可視光）だけでなく、赤外線、マイクロ波、紫外線など、さまざまな波長の電磁波を捉えることで、肉眼では見えない情報を取得できる。例えば、植物の健康状態（近赤外線）、地表温度（熱赤外線）、雲の下の地形（マイクロ波）などだ。

センサーの種類

衛星に搭載されるセンサーは大きく2つに分類される。

受動型センサー（パッシブセンサー）

太陽光の反射や地表からの熱放射など、自然の電磁波を観測する。光学センサー、マルチスペクトルセンサー、熱赤外センサーがこれに該当する。太陽光が必要なため夜間や曇天時にはデータが取得しにくいという制約がある。

能動型センサー（アクティブセンサー）

センサー自らが電磁波を発射し、その反射波を計測する。SAR（合成開口レーダー）やLiDARがこれに該当する。自らの電波を使うため、昼夜を問わず、雲の下でも観測可能という大きな利点がある。

---

衛星データの5つのタイプ

1. 光学データ（パンクロマティック/RGB）

人間の目に見える可視光（赤・緑・青）を撮影するデータ。Google Earthで見るような「普通の衛星写真」がこれに当たる。パンクロマティック（白黒）は高解像度、RGBカラーはやや低解像度という関係にある。

• 用途: 地図作成、建物検出、変化検出、災害被害把握
• 代表的な衛星: WorldView Legion（30cm）、Pléiades Neo（30cm）、Pelican（40cm）
• 制約: 雲があると観測不可、夜間は撮影できない

2. マルチスペクトルデータ

可視光に加え、近赤外線（NIR）やレッドエッジなど、複数の波長帯（バンド）を同時に撮影するデータ。バンド数は一般的に4〜13程度。

• 用途: 植生解析（NDVI）、水質分析、土地利用分類、農業モニタリング
• 代表的な衛星: Sentinel-2（13バンド、10m）、Landsat-8/9（11バンド、30m）、SuperDove（8バンド、3m）
• キーポイント: バンドの組み合わせ（バンドコンポジット）で異なる情報を可視化できる

3. ハイパースペクトルデータ

数十〜数百のバンドを持つデータ。マルチスペクトルの「拡張版」で、物質の詳細な分光特性を捉えられる。

• 用途: 鉱物識別、作物の種類・健康状態の詳細分析、水質の化学成分分析
• 代表的な衛星: WorldView-3（29バンド、SWIR含む）、EnMAP（ドイツ、2022年〜）、PRISMA（イタリア）
• キーポイント: データ量が大きく処理が重いが、物質同定の精度は圧倒的に高い

4. SAR（合成開口レーダー）データ

衛星自らがマイクロ波を照射し、地表からの反射を捉えるレーダーデータ。昼夜を問わず、雲・雨を透過して観測できるため、災害時や常時曇天の地域で特に重要。

• 用途: 洪水マッピング、地盤沈下検出（InSAR）、船舶検出、海氷モニタリング、森林バイオマス推定
• 代表的な衛星: Sentinel-1（Cバンド、5×20m）、ALOS-2 PALSAR-2（Lバンド、3〜10m）
• キーポイント: 波長帯によって特性が異なる（Cバンド: 表面散乱、Lバンド: 森林透過性が高い）

5. 熱赤外データ

地表から放射される熱赤外線を計測するデータ。地表温度を直接測定できる。

• 用途: ヒートアイランド解析、火山活動監視、森林火災検出、地表温度マッピング
• 代表的な衛星: Landsat-8/9（TIRS、100m）、ASTER（90m）、MODIS（1km）
• キーポイント: 解像度が低い傾向があるが、温度情報は他のセンサーでは代替できない

---

解像度の4つの種類

衛星データの「解像度」には4つの異なる概念がある。用途に応じて、どの解像度が重要かが変わる。

1. 空間解像度

1ピクセルが地上のどれだけの範囲に対応するかを示す。「解像度」といえば通常これを指す。

2. 時間解像度（回帰日数）

同じ地点を再び観測するまでの日数。高頻度に観測できるほど変化検出に有利だ。

3. 分光解像度（スペクトル解像度）

観測する波長帯（バンド）の数と幅。バンド数が多いほど、物質の識別精度が向上する。

• パンクロマティック: 1バンド（白黒、高空間解像度）
• マルチスペクトル: 4〜13バンド（Sentinel-2: 13バンド）
• ハイパースペクトル: 数十〜数百バンド（EnMAP: 230バンド）

4. 放射量解像度（ラジオメトリック解像度）

センサーが光の強度をどれだけ細かく区別できるかを示す。ビット数で表現され、ビット数が高いほど微妙な明暗差を捉えられる。

• 8ビット: 256段階（初期の衛星）
• 11ビット: 2,048段階（Landsat-8）
• 12ビット: 4,096段階（Sentinel-2、WorldView Legion）

---

主要衛星一覧

2026年時点で利用可能な主要な地球観測衛星を一覧にまとめた。

無料データが利用できる衛星

商用衛星

---

無料で衛星データを使い始める方法

ステップ1: ブラウザで衛星画像を見る（所要時間5分）

プログラミング不要で衛星画像を閲覧できるサービスを使ってみよう。

Copernicus Browser

Copernicus Data Space Ecosystemのアカウントを作成すると、Sentinel-1/2/3/5Pの全データをブラウザ上で閲覧・ダウンロードできる。バンドコンポジットの変更やNDVIの表示など、基本的な画像処理もGUI上で操作可能だ。

EO Browser（Sentinel Hub）

Sentinel Hubが提供するブラウザベースの衛星画像ビューア。カスタムバンドコンポジット、NDVI、NDWIなどの植生・水域指数をワンクリックで表示できる。タイムラプスアニメーションの作成も可能。

ステップ2: JAXA G-Portalでデータをダウンロード

JAXA G-Portalでアカウントを作成し、ALOS-2やGCOM-Cのデータを検索・ダウンロードする。日本語UIで操作でき、ALOS-2 L1.1データは無料で公開されている。

ステップ3: Tellusで解析環境を体験

Tellusのアカウントを作成すると、ブラウザ上のJupyter NotebookやQGIS環境で衛星データの解析を始められる。日本語のチュートリアルが豊富で、ALOS-2やAVNIR-2のデータをすぐに使える。

ステップ4: Google Earth Engineで大規模分析

Google Earth Engineのアカウントを取得すると、数十ペタバイトの衛星データをブラウザ上のCode Editorで分析できる。JavaScript（Code Editor）またはPython（earthengine-api）でコードを書き、Googleのクラウドインフラ上で処理が実行される。

---

Python/GISツールの紹介

衛星データの本格的な分析には、以下のツールが必要になる。

QGIS（デスクトップGIS）

オープンソースのGISソフトウェア。衛星画像の表示・解析・地図作成が可能。プログラミングなしでGUI操作だけで多くの分析ができる。TellusのSatellite Data Masterでもクラウド上のQGISが利用可能。

GDAL（Geospatial Data Abstraction Library）

地理空間データの読み書き・変換・処理のための基盤ライブラリ。ほぼすべてのGISソフトウェアとPythonライブラリがGDALに依存している。コマンドラインツールとしても利用できる。

rasterio

PythonでラスターGISデータ（衛星画像など）を読み書きするためのライブラリ。GDALのPythonバインディングだが、よりPythonic（Pythonらしい）なAPIを提供する。NumPy配列として衛星データを操作できるため、科学計算やAIとの連携が容易。

geopandas

PythonでベクターGISデータ（ポリゴン、ポイント等）を扱うためのライブラリ。pandasの拡張で、シェープファイルやGeoJSONの読み書き、空間結合、バッファ分析などが可能。

xarray / rioxarray

多次元配列データ（時系列の衛星データなど）を効率的に扱うPythonライブラリ。NetCDF形式の気象・海洋データや、時系列衛星データの分析に特に有用。

Jupyter Notebook

対話的なPython実行環境。コード・実行結果・説明文を1つのドキュメントにまとめられるため、衛星データの探索的分析に最適。Google Colab、Tellus、CDSEのJupyterHubなど、クラウド上で利用できる環境も多い。

sentinelhub-py

Sentinel Hub APIをPythonから利用するための公式ライブラリ。Sentinel-1/2/3のデータ取得、カスタムスクリプトの実行、統計値の取得などをプログラマティックに行える。

earthengine-api

Google Earth EngineのPython APIライブラリ。EEのデータカタログへのアクセス、クラウド上での解析実行、結果の可視化が可能。Google ColabやJupyter Notebookで利用することが多い。

---

学習リソース

オンライン講座（MOOC）

ESA MOOC（EO College）

ESAが提供する無料のオンライン講座。リモートセンシングの基礎から、Sentinelデータの活用方法、SNAP（ESAの解析ソフト）の使い方まで体系的に学べる。英語だが、字幕付きの動画が中心で理解しやすい。

NASA ARSET（Applied Remote Sensing Training）

NASAの応用リモートセンシングトレーニングプログラム。無料のウェビナーとオンライン講座で、衛星データの実践的な活用方法を学べる。農業、水資源、大気質、健康など、テーマ別のコースが豊富。

Coursera / edX

「Remote Sensing」「Geospatial Analysis」「Google Earth Engine」などのキーワードで検索すると、大学・研究機関が提供する質の高いコースが見つかる。一部は無料で聴講可能。

日本語リソース

宙畑（sorabatake）

さくらインターネットが運営する衛星データ解説メディア。Tellusの使い方チュートリアル、衛星データの基礎知識、Pythonコード例などが日本語で豊富に公開されている。

Tellus公式ドキュメント・チュートリアル

Tellus Traveler APIの使い方、衛星データのダウンロード方法、NDVI計算の手順などが日本語で詳しく解説されている。

RESTEC研修

RESTECが実施するリモートセンシング研修。基礎コースからGIS/リモートセンシング技術者認定試験対策まで、日本語の対面・オンライン研修が受けられる。

書籍・教材

• 「リモートセンシングのための合成開口レーダの基礎」（シリーズ関連）
• QGIS公式ドキュメント（日本語版あり）
• 「Pythonで学ぶ地理空間データ分析」（関連書籍）

公式ドキュメント

• Copernicus Data Space Ecosystem Documentation
• Google Earth Engine Developers Guide
• NASA Earthdata Documentation
• Sentinel Hub Documentation

---

実践課題 — 手を動かして学ぶ

課題1: NDVI（植生指数）の計算

概要: 衛星データ分析の最も基本的な指標であるNDVI（Normalized Difference Vegetation Index）を計算する。

手順の概要:

1. Copernicus BrowserまたはGoogle Earth EngineでSentinel-2データを取得
2. 赤バンド（B4）と近赤外バンド（B8）を使う
3. NDVI = (B8 - B4) / (B8 + B4) を計算
4. 結果を色付きマップで可視化

学べること: マルチスペクトルデータの基本、バンド演算、植生の健康状態の評価方法

難易度: 初級（プログラミングなしでもCopernicus Browser上で実行可能）

課題2: 水域検出（NDWI）

概要: NDWI（Normalized Difference Water Index）を使って水域を抽出する。

手順の概要:

1. Sentinel-2データの緑バンド（B3）と近赤外バンド（B8）を取得
2. NDWI = (B3 - B8) / (B3 + B8) を計算
3. 閾値を設定して水域をマスキング
4. 季節や豪雨前後のデータを比較して水域の変化を検出

学べること: 水域抽出、閾値設定、時系列比較の基礎

難易度: 初級〜中級

課題3: SARデータによる洪水マッピング

概要: Sentinel-1のSARデータを使って洪水による浸水域を検出する。

手順の概要:

1. 洪水前後のSentinel-1データを取得
2. 後方散乱係数の差分を計算
3. 水面は鏡面反射するため後方散乱が低下する原理を利用
4. 閾値処理で浸水域を抽出

学べること: SARデータの基礎、変化検出、災害対応への応用

難易度: 中級（SARデータの前処理知識が必要）

課題4: 時系列変化検出

概要: 1年間のSentinel-2データを時系列で分析し、都市開発や農地の変化を検出する。

手順の概要:

1. Google Earth Engineで特定エリアの1年分のSentinel-2データを取得
2. 雲マスクを適用して品質の高いピクセルのみを使用
3. 月次コンポジットを作成
4. NDVIの時系列グラフを作成し、変化点を特定

学べること: 時系列分析、雲マスク処理、GEEの使い方、変化検出アルゴリズム

難易度: 中級〜上級（GEEのJavaScript/Python知識が必要）

課題5: 機械学習による土地利用分類

概要: 衛星画像にランダムフォレスト等の機械学習を適用し、土地利用（森林・農地・都市・水域）を自動分類する。

手順の概要:

1. Sentinel-2のマルチスペクトルデータを取得
2. 教師データ（各土地利用クラスのサンプルポイント）を作成
3. 特徴量（各バンドの値、NDVI等）を抽出
4. ランダムフォレスト分類器を学習
5. 全域に分類を適用し、精度を評価

学べること: 教師あり学習、特徴量設計、精度評価、リモートセンシングとAIの融合

難易度: 上級（Python＋scikit-learn/GEEの知識が必要）

---

衛星データのキャリアパス

衛星データのスキルは、以下のような分野でキャリアに活かせる。

• リモートセンシングエンジニア: 衛星データの処理・解析パイプラインの構築
• GISアナリスト: 地理空間データを用いた意思決定支援
• データサイエンティスト（地理空間）: 衛星データ×AIの分析・モデリング
• 環境コンサルタント: 環境アセスメント、カーボンクレジット、ESGモニタリング
• 農業テクノロジー: 精密農業、収穫量予測、灌漑最適化
• 防災・危機管理: 災害リスク評価、被害推定、復旧計画
• スタートアップ: 衛星データを活用した新サービスの開発

宇宙ビジネス全体のキャリアについては宇宙ビジネス完全ガイドも参照してほしい。

---

まとめ

衛星データは「特別な人だけが使うもの」ではなくなった。Copernicus、NASA Earthdata、JAXA G-Portal、Tellusといったプラットフォームのおかげで、データは無料で手に入り、ブラウザだけで分析を始められる環境が整っている。

学習の道筋をまとめると以下の通りだ。

各プラットフォームの詳細な比較は衛星データプラットフォーム比較 2026年版で、Copernicusの詳しい使い方はCopernicus/Sentinel完全ガイドで解説している。

---

あわせて読みたい

• 衛星データの価格ガイド — 無料データから商用ライセンスまで、用途別のコストと入手方法
• 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」
• 海洋×衛星データ市場の全体像（2026年版）— 626億ドルの宇宙経済から海洋セグメントを読む

参考としたサイト

• Copernicus Data Space Ecosystem: https://dataspace.copernicus.eu/
• Sentinel Hub EO Browser: https://apps.sentinel-hub.com/eo-browser/
• NASA Earthdata: https://www.earthdata.nasa.gov/
• NASA ARSET: https://appliedsciences.nasa.gov/what-we-do/capacity-building/arset
• Google Earth Engine: https://earthengine.google.com/
• Tellus公式サイト: https://www.tellusxdp.com/
• 宙畑: https://sorabatake.jp/
• JAXA G-Portal: https://gportal.jaxa.jp/
• RESTEC: https://www.restec.or.jp/
• QGIS公式: https://qgis.org/
• rasterio: https://rasterio.readthedocs.io/
• ESA EO College: https://eo-college.org/