GeoAIラボ — 人間の地図 vs AIの地図

左が人間の地図（国土地理院の標準地図）、右がAIの地図 — Sentinel-2やALOS-2などの衛星画像を機械学習で分類した土地被覆図（JAXA・解像度10m）です。 中央のバーをドラッグすると、同じ場所を「人間の目」と「AIの目」で見比べられます。

人間の地図は道路・建物・地名など人の活動を抽象化して描くのに対し、 AIの地図は地表が実際に何で覆われているか（森・水田・草地・人工物…）をピクセル単位で塗り分けます。 AIレイヤーを薄くすると、下の航空写真と照合して「AIの判定が正しいか」を自分の目で検証できます。

• 太陽光パネル — 2010年代以降に急増したメガソーラーを専用クラスとして検出します。 郊外の山あいや造成地に紫色のまとまりを探してみてください。
• 水田と畑の区別 — 見た目が似ている農地も、衛星の時系列観測（田植え期の水張りなど）から AIは水田（青）と畑（ピンク）を区別します。日本の土地被覆図ならではの分類です。
• ビニールハウス — v25.04版から追加された新クラス。 農業地帯で白い区画として現れます。AIの分類器が年々賢くなっている証拠です。

逆に「AIの間違い探し」も面白い使い方です。ゴルフ場が「草地」になっていたり、 広い駐車場が「裸地」に見えたり — なぜAIがそう判定したかを考えると、機械学習の特性が見えてきます。

この土地被覆図は、JAXA地球観測研究センター（EORC）がSentinel-2（光学）とALOS-2/PALSAR-2（LバンドSAR）を中心に複数の衛星観測を組み合わせ、 JAXA独自のCNNベース分類器「SACLASS2」で日本全土を15クラスに分類したものです（高解像度土地利用土地被覆図 v25.04・2024年版）。

• 光学センサ（Sentinel-2など）— 色や植生の反射特性を捉える
• レーダ（SAR）（ALOS-2/PALSAR-2）— 雲を透過して地表の凹凸や水分を捉える
• 時系列観測 — 季節変化（田植え・落葉など）が分類の決め手になる

人手で作った教師データ（正解ラベル）でモデルを学習させ、日本全土へ適用する — これは「AIによる画像セグメンテーション」の代表的な実応用です。 同じ仕組みは災害時の浸水範囲把握、農地管理、生態系評価などに使われています。

AIの分類はどのくらい正確？

JAXAが公表する全体精度（overall accuracy）は版やカテゴリ数で変わります。 12カテゴリ版（v21.11）で 88.9%、 カテゴリを増やした改良研究（関東域）では19カテゴリで 93.5%±2.0% と報告されています。本デモが使う2024年版（v25.04）は15カテゴリです。

ただしクラスごとに得意・不得意があり、森林の種類（落葉/常緑×広葉/針葉）の区別や 都市内の小さな緑地などは一般に難しい傾向です。 AIレイヤーを薄くして航空写真と照合し、自分の知っている場所で「AIの判定が正しいか」を確かめてみてください。

なぜ主要7都市だけ？

v0（初版）では東京・大阪・名古屋・札幌・福岡・仙台・広島の周辺を収録しています。 データ自体は日本全土が公開されているので、反響を見ながら拡大予定です。

データはいつ時点のもの？

2024年の観測に基づく最新版（v25.04、2025年4月公開）です。 同シリーズには2020年・2022年版もあり、時点間の変化（都市拡大・メガソーラー増加など）の 可視化を次のバージョンで予定しています。

土地被覆データ: JAXA 高解像度土地利用土地被覆図 v25.04（2024年版）をJAXA Earth API経由で取得し、 主要7都市周辺をタイル化して使用（利用ポリシー）。 ベースマップ・航空写真は地理院タイルです。

• 本ページの表示は教育目的の参考情報です。土地利用の正確な判定（法令・取引等）には使用しないでください。
• タイル配信は静的ファイル（PMTiles）のサーバレス構成で、サーバレスGISラボと同じクラウドネイティブGISの実装です。