衛星データ解析の全体探索

何を計画し、何をやり、何が見えたか

2026年3月 / 松島宏佑

Space Tech Accelerator 共有資料

背景と問題意識

衛星データ解析の全体像を理解したいと思いました。

衛星解析は、データの取得・加工・解析・可視化まで多くのステップがあり、使うセンサーやモデル、前処理の方法によって結果が大きく変わります。パームオイルなど特定テーマに絞る前に、まず全体像を身体感覚として掴みたい。

特に知りたかったのは、AIがある時代に、これらがどの程度民主化されるのか、されないのかということです。

AIエージェントの能力が急速に上がっている。衛星データは無料で大量に手に入る。この2つが交差したとき、衛星解析はどこまで「誰でもできるもの」になるのか。それとも、専門家でなければ触れない領域が依然として残るのか。

座学ではなく、実際にデータを動かして一つずつ確認していく方法で、1週間探索しました。

学習計画

設計原則

原則	内容
変数を一度に変えない	各日で「固定する変数」と「動かす変数」を分け、差が何に起因するかを明確にする
2軸で広げる	縦軸: データにどこまで遡るか / 横軸: 解析をどこまで深めるか

5日間の計画

Day	テーマ	固定	動かす	時間
1	光学画像分類（EuroSAT）	データ	解析手法 L1→L2→L3	5.5h
2	SAR洪水検出（Sen1Floods11）	解析の型	センサー（光学→SAR）	6.5h
3	データパイプライン	解析（L1固定）	データ側（前処理・指標・センサー種）	5-8h
4	AI手法総当たり	データ（EuroSAT）	モデル（古典ML→DL→基盤モデル）	8.5h
5	統合・バッファ	—	未消化 + 時系列合成	9h

全37タスク、合計33-38時間。

実行体制

役割	担当
問いを立てる / 結果を判断する	人間（松島）
カリキュラム設計	人間 + Claude
コード生成・実行・可視化・レポート	AIエージェント（Codex）

Google Colab（無料枠 T4 GPU）で全タスク実行。人間はコードを一行も書いていない。

やったこと一覧

日間

タスク

155+

ビジュアル

278

ファイル

#	タスク名	主な学び
Day 1: 光学画像分類（5タスク）
1-1	NDVI閾値分類（L1）	精度64.4%。
1-2	ResNet50 事前学習モデル推論（L2）	精度95.7%（+31.3pt）。
1-3	ResNet50 ファインチューニング（L3）	精度98.5%（+2.8pt）。
1-4	L1 / L2 / L3 精度比較 ★	最大ジャンプはL1→L2（+31pt）。
1-5	全モデル比較（8手法）	ViT=ResNet50 FT=98.5%（同率首位）。
Day 2: SAR洪水検出・InSAR（19タスク）
2-1	SAR閾値法による洪水検出（L1）	F1=0.396。
2-2	事前学習モデル洪水検出（L2）	F1=0.167。
2-3	U-Net学習による洪水検出（L3）	F1=0.240。
2-4	SAR洪水検出 L1/L2/L3 比較 ★	Day1と真逆: L1(0.396) > L3(0.240) > L2(0.167)。
2-5	NDVI 時系列解析	農地・森林・都市の年間NDVI変動を季節分解。
2-6	SAR 変化検出（3手法）	差分法・比率法・CVAの3手法でPre/Post変化を検出。
2a-1	Sentinel-1 データ取得と理解	asf_searchによるSentinel-1データ検索。
2a-2	HyP3 RTC前処理パイプライン	HyP3 RTCによるSAR前処理（地形補正等）。
2a-3	JRC恒常水域マスク	JRC Global Surface Waterで恒常水域と洪水域を分離。
2a-4	大規模SAR処理	タイリング・並列処理・モザイク化による広域SAR解析パイプライン。
2b-1	SAR可視化・スペックルフィルタ比較	リニア vs dBスケール、スペックルフィルタ5種の効果比較。
2b-2	Otsu閾値＋水域マスク	Otsu自動閾値・固定dB閾値最適化・恒常水域マスクの3手法を比較。
2b-3	偏波活用＋Pre/Post変化検出	VV/VH偏波情報を活用した変化検出。
2b-4	SAR 3ch U-Net洪水検出	VV/VH/VV-VHの3チャンネル入力U-Net。
2b-5	全手法比較＋判断フローチャート ★	5手法を統一条件で比較。
2c-1	InSAR基礎	SLC・干渉縞・コヒーレンスの概念理解。
2c-2	コヒーレンス変化検出	Pre/Postコヒーレンス差分で地震被害域を推定。
2c-3	DInSAR変位解析	Unwrapped PhaseからLOS変位マップを生成。
2c-4	SAR統合まとめ ★	Day2全13タスクを「3つの物理量」（後方散乱/コヒーレンス/位相差）で統合整理。
Day 3: データパイプライン（8タスク）
3-0	前処理比較実験 ★	大気補正なしだとNDVIが254.7%過小評価。
3-1	スペクトル指数20種 ★	同じ画像からバンドの組み合わせを変えるだけで20通りの情報。
3-2	バンド合成・雲マスク・大気補正	10種バンド合成、3種雲マスク、L1C vs L2A大気補正を比較。
3-3	DEM地形解析	SRTM 30mで関東平野の地形解析。
3-4	水域・海洋解析	琵琶湖の水域抽出、東京湾のクロロフィル推定、Sentinel-3 SSTとの比較。
3-5	大気解析（TROPOMI 7プロダクト）★ ★	地表ではなく大気の化学成分を測定する全く別種の衛星データ。
3-6	熱赤外・ヒートアイランド	Landsat TIRSで東京の地表面温度を実測。
3-7	都市拡大検出＋夜間光	2018→2024年のNDBI差分で東京の都市拡大を検出。
Day 4: AI手法比較（8タスク）
4-1	ファウンデーションモデル4種比較 ★	ResNet50(96.0%) ≈ DINOv2(95.0%) >> CLIP(34.6%)。
4-2	セグメンテーション3手法比較	U-Net mIoU 28.1%。
4-3	物体検出	DeepForest 55本検出 vs YOLOv8 0検出。
4-4	古典的機械学習6手法比較	RF/SVM/k-NN等をPCA圧縮特徴で比較。
4-4b	ピクセルレベル古典ML	ピクセル単位の13バンドスペクトル分類。
4-5	深層学習4手法比較	ViT 99.1% > ViT+LoRA 98.8% > ResNet FT 98.4% > Scratch 91.…
4-6	データ効率性実験 ★	教師データ0枚(35%)→5枚(75%,+40pt!)→100枚(94%)→全量(98%)。
4-7	解像度感度実験 ★	分類は30mで95%維持、物体検出は0.5mで信頼度半減。

★ = 特に重要な発見があったタスク。+ ドローン×衛星統合リサーチ（6ドキュメント、参考文献100件超）

衛星解析のプロセスマップ

全工程を手を動かして通した結果、衛星解析の全体像を整理できました。

①

目的定義

→

②

センサー選定

→

③

データ取得

→

④

前処理

→

⑤

解析

→

⑥

精度検証

→

⑦

地図化

→

⑧

Web配信

重要: 解析（⑤）は全体の一部に過ぎず、実際の作業時間の6-7割は①〜④のデータ側が占める。

センサーの全体像

センサー	代表衛星	解像度	何が見えるか	特徴
光学	Sentinel-2	10m	植生、都市、水域	直感的だが雲に弱い
SAR	Sentinel-1	10m	洪水、地盤変動	雲を貫通するが解釈が難しい
熱赤外	Landsat	100m	地表面温度	温度が測れる唯一の無料衛星
大気	Sentinel-5P	3.5-7km	NO2、メタン等	地表が全く見えない別世界
DEM	SRTM	30m	標高・地形	MLは不要、計算幾何学

TROPOMI 7プロダクト — 大気7プロダクト — 地表が全く見えない別世界

主な発見 ①

転移学習の威力と「逆転現象」

光学（Day 1）: 転移学習が圧勝

レベル	手法	精度
L1: 数式	NDVI閾値	64.4%
L2: 転移学習	ResNet50	95.7%（+31pt）
L3: FT	ResNet50 FT	98.5%（+2.8pt）

SAR（Day 2）: 物理原理が勝つ

レベル	手法	F1
L1: 閾値	後方散乱	0.396（1位）
L2: 転移学習	ResNet-UNet	0.167（3位）
L3: FT	U-Net学習	0.240（2位）

なぜ逆転するか: ImageNetの知識（テクスチャ・形状）はSAR（後方散乱強度）に転用できない。「水面は鏡→マイクロ波が返ってこない→暗い=洪水」という物理原理のほうが強い。

教訓: AIの民主化は「既知のドメイン」には強力だが、ドメインが変わると汎用モデルは機能しない。

SAR L1/L2/L3比較 — SAR同一画像での検出結果 — 閾値法のシャープさ vs DLの過検出

主な発見 ②

前処理がすべてを決める

大気補正なしだとNDVIが254.7%ズレる

L2A（補正済み）vs TOA（未補正）でNDVIの絶対値が信頼不可に。相関r=0.96でパターンは似るが、閾値分類は崩壊する。
→ どんな高精度モデルを使っても、前処理を間違えると結果が崩壊する。

1画像から20通りの情報が取れる

スペクトル指標20種（植生/水域/都市/災害/土壌/農業/合成）を同一画像から計算。実質5-6次元に圧縮可能。DL時代でも探索・説明性・業界標準として指標は残る。

5種のセンサーで見える世界が全く違う

DEM: MLなしで傾斜・流域・浸水シミュレーション — 計算幾何学の世界
大気（TROPOMI）: 1ピクセル(7km) = Sentinel-2(10m)の面積50万倍。地表が見えない別世界
熱赤外（Landsat）: 地表面温度を実測。「温度」と「54年の過去」はLandsat一択
都市: 6年間のNDBI差分で東京の都市拡大+8.3%（108.5km²）を検出

主な発見 ③

データ効率とドメインギャップ

たった5枚で+40ポイント

教師データ量	精度	改善幅
0枚（zero-shot）	35.4%	—
5枚/クラス	75.2%	+39.8pt
全量（2,700枚）	98.0%	+22.8pt

「良い表現（事前学習）+ 少量データ」 > 「悪い表現 + 大量データ」。ラベル付けが高コストな衛星ドメインでは基盤モデル + Few-shot が現実的。

ドメインギャップの決定的実証

YOLOv8（COCO学習）: 航空写真で0検出。COCOの「建物」と上空の「屋根」は別物
DeepForest（航空写真特化）: 同じ画像で55本の樹木を検出
ドメイン特化の事前学習モデルが存在するかどうかが決定的

やりたいことで必要な解像度が2桁違う

分類は30mで95%維持（Landsatで十分）。物体検出は0.5mで信頼度半減（ドローンが必要）。

主な発見 ④

何が民主化され、何がされないか（3層構造）

4日間の実験から、衛星解析の民主化に3つの層が見えました。

層	内容	具体例
第1層完全自動化	AIエージェントに丸投げできる	データ取得（STAC API）、定型前処理（L2A）、スペクトル指標20種一括計算、事前学習モデル適用、DEM地形計算、レポート・可視化
第2層 AI+人間協働	AIが実装、人間が判断	閾値の最適化（-15dBは妥当か？）、モデル適合性判断、前処理パラメータ選択、結果の解釈（F1=0.4は許容か？）
第3層専門家必須	AIでは代替困難	解析の目的定義、ドメインギャップの事前評価、物理原理に基づく妥当性検証、教師データの品質管理

実感としての結論: 80%の作業は自動化可能。残り20%が結果の質を決定的に左右する。

AIエージェント時代の衛星解析

消滅する専門性

コードを書く能力（rasterioでNDVI計算等）
データ取得・前処理のルーチンワーク
既存モデルの適用スクリプト

残る / 高まる専門性

問題定義 — 何を見たいか決める力
ドメイン適応 — 欧州モデルを東南アジアで使う調整
妥当性保証 — この精度で実務に耐えるか
AIオペレーション — 指示→確認→FBの高速サイクル

「コードを書く専門家」→「問いを設計し、妥当性を保証する専門家」への不可逆なシフト

学習方法としての振り返り

「変数を一度に変えない」設計が効いた

Day	固定	動かす	見えたもの
1	データ	手法	手法の効果が明確に見える
2	手法の型	センサー	ドメインの違いが浮き彫りに
3	手法	データ側	前処理の重要性を実感
4	データ	モデル	手法間の差が数値で比較可能

AIエージェント駆動の学習の特性

特性	内容
速い	37タスクを4日間で実行。従来なら数ヶ月かかる量
網羅的	全手法を総当たりで試せる。「とりあえず全部やる」が現実的に
再現可能	全コードが残っている。2周目以降で即座に再利用
限界	結果の妥当性判断は人間 / 「何が足りないか」のメタ認知はAI不可 / 専門家FBなしの盲点

議論したいこと

素人の初期仮説を1週間で形にしました。間違っているところも多いと思いますが、フィードバックをもらえたらすぐに修正して次にいけます。

特に聞きたいこと

#	問い
1	SARでドメイン知識がDLに勝つ — 実務でもそうですか？
2	5枚で+40ポイント — 教師データ戦略、実務ではどう考えますか？
3	3層構造（自動化/協働/専門家） — この整理は実感に合いますか？ずれている部分は？
4	プロセスマップ — 抜けているステップや重要なのに触れていない領域は？
5	この学習方法の有効性 — 素人がAIエージェントで学ぶアプローチの可能性と限界は？

STA が解析をするしないとはまったく別の次元として、AIエージェント時代にどう衛星解析がなっていくのかの仮説を持ちたくて探索しています。

Appendix — 全成果物

Day 1〜4の全タスク、全ビジュアルを収録

Day 1: 光学画像分類（EuroSAT / Sentinel-2）

Task 1-1: NDVI閾値分類（L1）

精度64.4%。NDVI/NDWI/NDBIの3指数だけで土地被覆を分類。都市の識別は完全に失敗（0.0%）。スペクトル指数の限界を3D散布図が示す。

Task 1-2: ResNet50 事前学習モデル推論（L2）

精度95.7%（+31.3pt）。ImageNetで犬猫を学んだモデルが、そのまま衛星画像の10クラス分類に有効。最もコスパの良いステップ。

Task 1-3: ResNet50 ファインチューニング（L3）

精度98.5%（+2.8pt）。衛星画像で再学習し全クラスF1≥0.96。データ50%でも98.0%、きれいなデータでは量より質。

Task 1-4: L1 / L2 / L3 精度比較 ★

最大ジャンプはL1→L2（+31pt）。学習済みモデルをそのまま使うだけで精度が劇的に向上する。effort vs accuracyが核心メッセージ。

Task 1-5: 全モデル比較（8手法）

ViT=ResNet50 FT=98.5%（同率首位）。SVM 93.8%で古典MLも健闘。アーキテクチャの差より事前学習の有無が重要。

Day 2: SAR洪水検出・時系列・InSAR（Sen1Floods11 / Sentinel-1）

Task 2-1: SAR閾値法による洪水検出（L1）

F1=0.396。水面はマイクロ波を鏡面反射→暗い=洪水。物理原理に基づくシンプルかつ高速な手法。

Task 2-2: 事前学習モデル洪水検出（L2）

F1=0.167。ImageNet/Prithviのzero-shotはSARで機能せず。光学と全く異なるドメインギャップ。

Task 2-3: U-Net学習による洪水検出（L3）

F1=0.240。CPU 20エポックでは学習不足。DLはSARで大量の学習データと計算リソースが必要。

Task 2-4: SAR洪水検出 L1/L2/L3 比較 ★

Day1と真逆: L1(0.396) > L3(0.240) > L2(0.167)。SARではドメイン知識がDLに勝つ。

Task 2-5: NDVI 時系列解析

農地・森林・都市の年間NDVI変動を季節分解。異常検知・フェノロジー分析で「いつ何が起きたか」を把握。

Task 2-6: SAR 変化検出（3手法）

差分法・比率法・CVAの3手法でPre/Post変化を検出。Day1(光学) vs Day2(SAR)の比較まとめ含む。

Task 2a-1: Sentinel-1 データ取得と理解

asf_searchによるSentinel-1データ検索。昇交/降交軌道、VV/VH偏波の特性理解。

Task 2a-2: HyP3 RTC前処理パイプライン

HyP3 RTCによるSAR前処理（地形補正等）。クラウド処理で月8,000クレジット無料。

Task 2a-3: JRC恒常水域マスク

JRC Global Surface Waterで恒常水域と洪水域を分離。誤検出の大幅削減。

Task 2a-4: 大規模SAR処理

タイリング・並列処理・モザイク化による広域SAR解析パイプライン。

Task 2b-1: SAR可視化・スペックルフィルタ比較

リニア vs dBスケール、スペックルフィルタ5種の効果比較。ENLによるフィルタ定量評価。

Task 2b-2: Otsu閾値＋水域マスク

Otsu自動閾値・固定dB閾値最適化・恒常水域マスクの3手法を比較。

Task 2b-3: 偏波活用＋Pre/Post変化検出

VV/VH偏波情報を活用した変化検出。偏波比(VV/VH)で植生の有無を判別。

Task 2b-4: SAR 3ch U-Net洪水検出

VV/VH/VV-VHの3チャンネル入力U-Net。431ペアで学習。閾値法との比較。

Task 2b-5: 全手法比較＋判断フローチャート ★

5手法を統一条件で比較。災害対応の手法選択フローチャートを作成。精度だけでなくスピード・データ制約も考慮。

Task 2c-1: InSAR基礎

SLC・干渉縞・コヒーレンスの概念理解。2016年熊本地震を題材にした合成データ演習。

Task 2c-2: コヒーレンス変化検出

Pre/Postコヒーレンス差分で地震被害域を推定。都市部 vs 農村部の応答差。

Task 2c-3: DInSAR変位解析

Unwrapped PhaseからLOS変位マップを生成。mm精度の地殻変動計測。

2c-3 displacement profile

Task 2c-4: SAR統合まとめ ★

Day2全13タスクを「3つの物理量」（後方散乱/コヒーレンス/位相差）で統合整理。決定木とパイプライン図。

Day 3: データパイプライン（Sentinel-2/3, Landsat, SRTM, TROPOMI）

Task 3-0: 前処理比較実験 ★

大気補正なしだとNDVIが254.7%過小評価。L2A vs TOAで絶対値が信頼不可に。前処理は必須。

Task 3-1: スペクトル指数20種 ★

同じ画像からバンドの組み合わせを変えるだけで20通りの情報。実質5-6次元に圧縮可能。NDVI↔SAVI r≥0.98。

Task 3-2: バンド合成・雲マスク・大気補正

10種バンド合成、3種雲マスク、L1C vs L2A大気補正を比較。SCL+膨張処理が実務的。

Task 3-3: DEM地形解析

SRTM 30mで関東平野の地形解析。傾斜・流域・浸水シミュレーション。水位5m→浸水10km2。

Task 3-4: 水域・海洋解析

琵琶湖の水域抽出、東京湾のクロロフィル推定、Sentinel-3 SSTとの比較。

Task 3-5: 大気解析（TROPOMI 7プロダクト）★

地表ではなく大気の化学成分を測定する全く別種の衛星データ。1ピクセル=面積50万倍の別世界。

Task 3-6: 熱赤外・ヒートアイランド

Landsat TIRSで東京の地表面温度を実測。LST 26-65度C。「温度」と「過去」はLandsat一択。

Task 3-7: 都市拡大検出＋夜間光

2018→2024年のNDBI差分で東京の都市拡大を検出。6年で新規市街化108.5km2（+8.3%）。

Day 4: AI手法の深掘り比較（基盤モデル・セグメンテーション・DL）

Task 4-1: ファウンデーションモデル4種比較 ★

ResNet50(96.0%) ≈ DINOv2(95.0%) >> CLIP(34.6%)。ラベルなしDINOv2が教師あり学習と同精度。

Task 4-2: セグメンテーション3手法比較

U-Net mIoU 28.1%。分類(96%) vs セグメンテーション(28%)の難易度差。教師データ作成コストが桁違い。

Task 4-3: 物体検出

DeepForest 55本検出 vs YOLOv8 0検出。ドメインギャップの決定的実証。COCOの「建物」と上空の「屋根」は別物。

Task 4-4: 古典的機械学習6手法比較

RF/SVM/k-NN等をPCA圧縮特徴で比較。SVM 93.8%で手作り特徴でも健闘。

Task 4-4b: ピクセルレベル古典ML

ピクセル単位の13バンドスペクトル分類。実務に近いアプローチ。

Task 4-5: 深層学習4手法比較

ViT 99.1% > ViT+LoRA 98.8% > ResNet FT 98.4% > Scratch 91.3%。事前学習の効果が支配的。

Task 4-6: データ効率性実験 ★

教師データ0枚(35%)→5枚(75%,+40pt!)→100枚(94%)→全量(98%)。最初の数枚が最もコスパ高い。

Task 4-7: 解像度感度実験 ★

分類は30mで95%維持、物体検出は0.5mで信頼度半減。やりたいことで必要な解像度が2桁違う。

Generated by AGI Cockpit / Claude Code — 2026-03-15

Space Tech Accelerator / 松島宏佑