衛星データ解析とは？

地球を周回する人工衛星から得られる観測データは、地上解像度30cmクラスにまで高精細化しています。天候を問わず地表を捉えるレーダー技術や空間解析アルゴリズムの進歩により、これらは単なる画像情報から、ミリ単位の地盤変位や不可視の温度変化を自動検出する高精度なインフラセンサーへと進化を遂げました。ビジネスにおいて高額なPoC（概念実証）の失敗を避け、実用的な投資対効果（ROI）を導き出すためには、光学・SARをはじめとする各データの特性、無料プラットフォームの活用手順、そして開発要件の定義を正しく理解する必要があります。

衛星データ解析のビジネス基礎：光学・SARデータの違いと最適な選択基準

比較軸	光学データ	SAR（合成開口レーダー）データ
波長帯とセンサー種別	可視光・近赤外・短波長赤外（パッシブセンサー：受動型）	マイクロ波（アクティブセンサー：能動型）
観測条件（天候・昼夜）	天候に左右される（雲や霧で地表が隠れる）、昼間のみ観測可能	天候に左右されない（雲を透過する）、夜間も観測可能
空間解像度	高解像度（商用衛星では30cm級の超高解像度データが存在）	中〜高解像度（商用衛星で数十cmから数m級）
得意な解析対象	植物の活性度（植生指数）、水質、色彩変化、災害時の浸水域	ミリ単位の地盤変位（地滑り・沈下）、夜間の船舶、構造物の三次元変化

自社のプロジェクト目的（広域の状況把握か、高頻度の定点観測か）に応じて、どちらのデータを選択すべきかを判断するための意思決定フローは以下の通りです。

• ステップ1：気象条件・時間帯の制約を許容できるか
  • 「曇雨天が多い東南アジア地域を定期的にモニタリングしたい」「夜間のインフラ稼働状況を把握したい」場合は、天候や時間帯に依存しないSARデータが不可欠です。
  • 「日本国内の晴天日の高精度な画像があれば十分である」場合は、次のステップへ進みます。
• ステップ2：解析対象の「性質」は何か
  • 「農作物の生育状況（NDVI：正規化植生指数）」や「ビルの屋根の色調変化」など、波長ごとの反射スペクトル（色情報）が必要な場合は、光学データを選択します。
  • 「沿岸部の護岸コンクリートの経年劣化（ミリ単位の傾き）」や「トンネル掘削に伴う周辺地盤の沈下傾向」など、微小な形状・構造変化を捉えたい場合は、SARデータを選択します。
• ステップ3：予算と開発フェーズの適合性
  • 「まずはコストをかけずに検証を行いたい」場合は、Sentinel-1（SAR）やSentinel-2（光学）などのオープンデータを用いた、衛星データ 解析 無料の開発環境やAPIから着手します。

「光学データ」と「SAR（合成開口レーダー）データ」の物理的特性とトレードオフ

光学データは、太陽光が地表面で反射した電磁波を測定する「パッシブセンサー」です。可視光（青・緑・赤）に加えて近赤外線や短波長赤外線など複数の「波長帯（バンド）」を持ち、人間の目では判別できない地表の組成を分析することに長けています。しかし、光学データの最大のトレードオフは雲による遮蔽です。地球全体の年間平均雲量は約67%に達するため、観測日に雲がかかれば地表データは取得できません。例えば、特定の港湾のコンテナ数を週単位で定点観測しようとしても、日本の梅雨時や夏の発達した積乱雲がある環境下では、実用的な解析結果が得られないリスクがあります。

一方、SAR（合成開口レーダー）データは、衛星自ら電磁波（マイクロ波）を地表に向けて照射し、跳ね返ってきた波を記録する「アクティブセンサー」です。マイクロ波は雲の水滴に遮られることなく透過するため、悪天候下や太陽光のない夜間でも完全に同一条件のデータが収集可能です。この特性を利用したSARデータ 解析は、地表面の凹凸や構造物の物理的な変化をミリ単位で検出する「干渉SAR解析（InSAR）」に強みを持ちます。ただし、SAR画像は電波の反射強度を濃淡で表したものであり、特有の「スペックルノイズ」が含まれるため、人間が直感的に画像を見て理解することは困難です。実務に組み込むには、ノイズ低減や幾何学的な歪み補正を施す高度な前処理が必要となります。

これら物理特性の異なるデータを同一環境で比較検証する手段として、日本の「Tellus（テルース）」のような国産衛星データプラットフォームの活用が挙げられます。光学データ（ASNARO-1など）とSARデータ（ALOS-2など）のアーカイブを同一のクラウド空間に統合することで、それぞれの特性に応じた前処理プロセスの比較を効率化することができます。

熱赤外・標高（DEM）データが強みを発揮する特殊なユースケース

光学データとSARデータの二者択一に留まらず、ビジネスの特定の課題に対しては「熱赤外データ」や「標高（DEM：数値標高モデル）データ」を組み合わせることで、極めて価値の高い分析が可能になります。

熱赤外データは、地表面から放射される赤外線（熱エネルギー）を捉えるパッシブデータであり、温度差の可視化に秀でています。これをビジネスに応用した衛星データ 活用事例として、米国の農業分野ではHydrosatが熱赤外データを活用し、農地全体の地表面温度を測定しています。作物が水分ストレスにさらされると葉の温度が上昇するため、光学データに現れるよりも数日早く「水不足」の兆候を検知し、散水効率を最適化することに成功しています。また、都市のヒートアイランド現象の特定や、深夜の工場稼働率（排熱状況）のモニタリングにも活用されています。

標高データ（DEM：Digital Elevation Model）は、地表の標高値を格子状に記録した3D地形データです。これは主に風力発電や太陽光発電の事業者による適地選定（メガソーラー建設に伴う土砂災害リスクのシミュレーション）において威力を発揮します。例えば、NTTデータが提供する全世界最高精度の3D地図「AW3D」は、50cm解像度での地形形状の再現を実現しており、複雑な起伏を正確にモデリングすることで、土砂崩れの危険度予測や洪水発生時の浸水想定シミュレーションに、世界各国の政府機関やゼネコンによって組み込まれています。これら多様なデータ特性を熟知し、適切な衛星データを選択することが、限られたPoC予算を最大化し、実用的なビジネスソリューションを導くための鍵となります。

産業別・実在の取り組みに学ぶ衛星データ活用の先進ユースケース

人工衛星から得られる情報は、単なる研究用途を超え、多くの産業で具体的な経済価値を生み出す実用フェーズへと移行しています。光学・SARデータの物理的特性を実ビジネスの課題解決に適用し、劇的なコスト削減や業務効率化を達成した実在の事例を、具体的な数値を交えて解説します。

農業・林業：収穫適期予測と炭素吸収量（ブルーカーボン・グリーンカーボン）の可視化

従来の農業や林業では、作物の生育状況や土壌の状態、あるいは広大な森林のバイオマス量を正確に把握するために、多大な時間と人力を要する「現地調査」が前提となっていました。このプロセスに衛星データ解析を導入することで、コストの大幅な削減と広域モニタリングの即時化が進んでいます。

農業分野における「衛星データ 活用事例」として顕著なのが、日本のスタートアップであるSAGRI株式会社の取り組みです。同社は、Planet Labs（プラネット・ラボ）社が提供する毎日地球全土を観測可能な分解能3メートルの高頻度光学観測データを活用し、農地一筆（区画）ごとの生育状況や土壌中の窒素含有量を推定するアルゴリズムを構築しました。従来、1検体あたり数千円の分析費用と約2週間の待ち時間を要していた現地での化学分析に対し、衛星データによる土壌解析モデルは解析コストを最大80%削減し、かつ即時の判定出力を実現しています。

また、広域の森林バイオマス（グリーンカーボン）や浅海域の藻場（ブルーカーボン）の定量評価においても、衛星データの役割が確立されつつあります。JAXA（宇宙航空研究開発機構）の地球観測衛星「しきさい（SGLI）」などが取得する波長データをGIS上で時系列解析することにより、現地調査を行うことなく、数十平方キロメートル規模の炭素固定量の経時変化を誤差約10%以内で可視化・検証することが可能です。

防災・インフラ管理：SARデータを活用したミリ単位の地盤沈下・構造物変位監視

橋梁や道路、鉄道、ダムといった大規模インフラや、都市部の地盤沈下監視において、天候や夜間の影響を受けずに計測できる「SARデータ 解析」は、従来の現地測量を代替する強力な手段となっています。

日本国内の代表的な実証例として、株式会社Synspective（シンスペクティブ）が提供する地盤変動モニタリングサービス「Land Displacement Monitoring（LDM）」が挙げられます。同社は自社開発した小型SAR衛星群を活用し、インフラ周辺の微小な地盤変位を捉えるサービスを国交省や自治体、大手電力会社などに提供しています。

評価項目	従来手法（現地での水準測量・GNSS観測）	SARデータ 解析を用いた監視（Synspective LDM等）
調査コスト	基準（100%）	最大 85% 削減
計測頻度	年に1〜2回が限界	月数回〜週単位（高頻度）
計測範囲	指定した点（局所的）	数十平方km以上の広域を一度にカバー
測定精度	ミリメートル級	ミリメートル級（干渉SAR解析による累積変位）

この実証データは、従来の計測手法における「予算・人員の限界から主要拠点に絞って定点観測を行う」という制限を排除し、広域全体を網羅的に常時スキャンする仕組みへの転換を示しています。取得された地盤データは、盛土のすべり兆候や河川堤防の微小な沈下を早期に捉え、災害発生前の補修計画に組み込まれています。

金融・オルタナティブデータ：駐車場稼働率や石油タンク備蓄量からの経済指標予測

機関投資家やコモディティトレーダーは、公的機関がマクロ経済データを発表するよりも前に、衛星画像から先行指標（オルタナティブデータ）を抽出することで、投資判断の迅速化を図っています。

米国のOrbital Insight（オービタル・インサイト）社は、世界各地に数千基以上存在する「フローティングルーフ（浮き屋根）型」石油備蓄タンクの光学衛星画像を解析するサービスを提供しています。これは、タンク内の原油残量に応じて上下する屋根が作り出す内部の「影の面積」をコンピュータビジョンアルゴリズムで自動計測し、石油貯蔵量を日次ベースで推計する技術です。

米国エネルギー情報局（EIA）等が発表する公式の原油在庫統計が週次、かつ数日の遅れを伴うのに対し、同社の推計結果は日次で取得可能であり、公式統計と90%以上の極めて高い相関関係を維持しています。これにより、エネルギー先物取引やヘッジファンドは、公式発表より2〜3日早いタイミングで、需給予測に基づく正確な取引ポジションを構築できます。

さらに、同手法は小売業界の評価にも適用されています。Planet Labsが保有する高解像度画像を用いて、Walmartなど米国小売大手の店舗駐車場に停車している車両台数を日次でカウント・分析。公式の四半期決算発表より約3週間前に、実際の売上高を誤差3%未満の精度で予測した実証データが存在し、投資意思決定の客観的裏付けとして機能しています。

無料から始める衛星データ解析：主要プラットフォームとツール選定ガイド

自社ビジネスに衛星データを組み込む初期検証（PoC）において、高額なデータ購入費用や解析環境の構築コストは大きな障壁となります。まずはコストをかけずに検証を進めるため、無償で利用可能な衛星データ プラットフォームやオープンソースのGIS（地理情報システム）ツールを活用するのが確実なアプローチです。代表的な選択肢として、さくらインターネット株式会社が運用する日本発の「Tellus（テラス）」、Googleが提供するクラウド型の「Google Earth Engine（GEE）」、そしてデスクトップ型オープンソースソフトウェアの「QGIS」が存在します。これらを組み合わせることで、予算ゼロから本格的な衛星データ 解析 無料の環境を構築できます。

これらのプラットフォームおよびツールを、技術スタックや要件に応じて選定するための比較を以下に示します。

ツール / プラットフォーム	対応データ形式	ブラウザ上の解析可否	プログラミングの要否	主な無償データセット
Tellus（テラス）	GeoTIFF, Shapefile, PNG/JPEG, GeoJSON	可能（Tellus OS / Jupyter Notebook環境）	不要（GUI）、Python（API利用時）	ASNARO-1（光学）, Landsat-8（光学）, ALOS-2の一部（SAR）
Google Earth Engine（GEE）	Earth Engine内製形式（GeoTIFF等への出力可能）	可能（Code Editor）	必要（JavaScript / Python）	Sentinel-1（SAR）, Sentinel-2（光学）, Landsat-7/8/9（光学）
QGIS	GeoTIFF, Shapefile, GeoJSON, SpatiaLite, GPKGなど多数	不可（デスクトップアプリ）	不要（GUI操作のみで完結、Python拡張も可能）	プラグインや外部API（STACなど）経由でダウンロードした各種データ

日本発の「Tellus（テラス）」で利用可能な無料データセットと基本的な使い方

日本発のオープン＆フリーな衛星データ プラットフォーム「Tellus（テラス）」は、日本の産業構造や利用ニーズに合わせたデータ提供が特徴です。無料アカウントを作成するだけで、ブラウザ上で動作する「Tellus OS」を用いたGUI操作による可視化や、クラウド上の開発環境（Tellus IDE）を通じたJupyter Notebook（Python）でのデータ解析を即座に開始できます。

Tellusで利用できる代表的な無料データセットには、以下のようなものがあります。日本の国土を詳細に観測したデータが揃っており、国内のインフラ監視やスマート農業分野での初期検証に強みを発揮します。

• ASNARO-1（高分解能光学衛星データ）：日本の上空を高精細に撮影したデータであり、建物や道路の視認など、微細な地物の変化を捉えるのに適しています。
• Landsat-8 / Sentinel-2（中分解能光学衛星データ）：広域の植生指数（NDVI）などを算出する際に用いられ、農業の生育状況分析や環境調査に必須のグローバルデータです。
• ALOS-2（陸域観測技術衛星2号「だいち2号」）の一部SARデータ：雲を透過して地表を観測できるLバンドのSARデータであり、地盤沈下や土砂災害などの地表面変化を捉えるSARデータ 解析に利用できます。

開発環境における具体的な「Tellus 使い方」の基本プロセスは以下の通りです。APIを介して無償のSentinel-2やLandsat-8を直接呼び出すことができます。

• ステップ1：Tellusの開発者アカウントを作成し、マイページから「APIトークン」を発行します。
• ステップ2：Tellusの統合開発環境（Jupyter Lab）を起動、またはローカルのPython環境からTellusのWeb APIに対してリクエストを送信します。
• ステップ3：検索したいエリアの緯度・経度（Bbox形式など）と取得したい期間、ターゲットとする衛星（例：ASNARO-1やSentinel-2）のAPIエンドポイントを指定します。
• ステップ4：返ってきたGeoTIFF形式の画像データを、Pythonの画像処理ライブラリ（RasterioやNumPyなど）に読み込んで解析を実行します。

自社で高価なサーバーや大容量ストレージを用意する必要がないため、インフラ投資コストを大幅に抑制できます。実際、Tellus上では株式会社笑農和がスマート水田の水管理システムに衛星データを組み込むなど、具体的な成果がすでに生まれています。

Google Earth Engine（GEE）やオープンソースGIS（QGIS）を活用した解析環境の構築

世界規模での解析や大量の時系列データを処理する場合、Google Earth Engine（GEE）の利用が最適です。GEEはGoogleが持つクラウドインフラ上で、ペタバイト単位の地球観測データをオンデマンドで並列処理できる仕組みを提供しています。一方、解析結果のローカルでの重ね合わせや、手持ちのCAD/GISデータを用いた独自の図面作成を行うには、デスクトップGISである「QGIS」を組み合わせるワークフローがデファクトスタンダードとなっています。

これらの環境を構築し、Sentinel-1やSentinel-2、Landsatなどの主要な無料データセットを実際に呼び出す手順は以下の通りです。

Google Earth Engine（GEE）での無料データセット呼び出し手順：

• 手順1：Google Earth Engineのアカウント（研究・非商用、または商用枠）にサインインし、ブラウザ上で動作する「Code Editor」を開きます。
• 手順2：JavaScript APIを用いて、Sentinel-2のデータセットを検索します。具体的には、var collection = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED') とコードに記述してライブラリを宣言します。
• 手順3：.filterBounds(ee.Geometry.Point([東経, 北緯])) で解析対象地域を、検証したい期間を指定してフィルタリングをかけます。
• 手順4：雲の影響を排除するため、CLOUDY_PIXEL_PERCENTAGE メタデータを利用して一定割合以下の画像をフィルタリングし、Map.addLayer(collection.median(), {bands: ['B4', 'B3', 'B2'], max: 3000}, 'True Color') を実行してブラウザ地図上にレンダリングします。

QGISを活用したSentinel-1（SAR）およびSentinel-2データの呼び出しと解析手順：

• 手順1：QGISをPCにインストール（長期安定版であるLTSバージョンを推奨）します。
• 手順2：メニューの「プラグイン」から「STAC API Browser」または「Semi-Automatic Classification Plugin（SCP）」をインストールします。
• 手順3：Copernicus Data Space Ecosystem（CDSE）などのオープンデータ公開サーバーの認証情報を入力し、QGISのプラグインインターフェースから無料のSentinel-1（SAR）のGRDデータを検索・選択します。これにより、夜間や悪天候時でも地表構造を把握できるSARデータ 解析の対象画像が特定されます。
• 手順4：必要なバンド（波長帯）または偏波データをローカルにロードし、QGISの「ラスタ計算機」を用いて、NDVI（正規化植生指数）の算出や偏波比（VH/VV）を用いた浸水域の抽出処理を行います。

クラウド処理（GEE）とデスクトップ環境（QGIS）のデータ連携は、QGISの「Google Earth Engine Plugin」を使用することでさらにシームレスになります。これにより、GEEの高い処理能力でスクリーニングしたデータを、QGIS上の精密な編集ツールに直接流し込むことが可能になり、作業効率を飛躍的に向上させることができます。

自社開発か外注か：衛星データ解析プロジェクトの要件定義と開発パートナーの選び方

「衛星データ 解析 無料」で利用できるGoogle ColaboratoryやQGIS、日本国内の「衛星データ プラットフォーム」であるTellus（さくらインターネット提供）の無料開発環境などを用いてPoC（概念実証）の初期検証を終えた企業が、商用サービスや基幹業務システムへの組み込みへ移行する際、直面するのが「内製化（自社開発）か外注（システム開発会社への委託）か」という選択です。この意思決定における明確な損益分岐点は、年間のプロジェクト開発・運用予算「1,500万円」にあります。

衛星データ解析プロジェクトを内製化する場合、GIS（地理情報システム）とリモートセンシング、さらにはディープラーニングの知識を併せ持つ専門のデータサイエンティストが最低1名は必要です。転職市場における実務経験者の獲得コスト（提示年収約800万〜1,200万円）、NVIDIA A100等のTensor Core GPUを搭載したAWSなどのクラウドインスタンス年間維持費（約200万〜400万円）、および検証・本番用の商用衛星データ購入費の合計を考慮すると、プロジェクトへの年間投資額が1,500万円を下回る規模であれば、自社で専任組織を抱えるよりも、外部の開発会社や宇宙分野に特化したスタートアップ企業へ外注する方が、初期投資を抑えられROIが早期に適合します。

解析精度を左右する「AI（ディープラーニング）×GIS」の技術スタックと内製化のハードル

商用レベルの衛星データ解析システムを構築するには、高度な「AI×GIS」の技術スタックが必要となります。特に、天候に左右されずに地表を観測できる「SARデータ 解析」や、高解像度な光学画像の処理においては、以下の技術要素の組み合わせがデファクトスタンダードとなっています。

レイヤー	主要な技術・ツール	主な役割と処理内容
AI / 画像認識	PyTorch, TensorFlow, YOLOv8, SegNet, U-Net	光学・SAR画像からの建物、道路、車両、船舶の検出（Object Detection）およびセグメンテーション。
GIS（地理空間演算）	GDAL/OGR, Rasterio, Shapely, GeoPandas	衛星データ（GeoTIFF等）の座標系変換（投影変換）、歪み補正（オルソ補正）、ポリゴン演算。
空間データベース	PostgreSQL + PostGIS, SpatiaLite	大量の緯度経度・地理空間属性データの高速クエリ、領域交差判定のインデックス作成。
パイプライン・実行環境	Docker, Kubernetes, Apache Airflow	毎日、あるいは数日おきに配信されるギガバイト単位の新規衛星データの自動パイプライン処理。

これらの技術スタックを自社で統合し、安定稼働させる際の最大のハードルは、「衛星データ特有のノイズ除去と前処理（プリプロセッシング）」にあります。例えば、一般的なRGB画像（JPEG等）を扱うWeb開発経験のみのエンジニアでは、SAR（合成開口レーダー）データが持つ複素数（振幅と位相）の情報処理や、スペックルノイズの除去、光学データにおける大気補正（DOS法や6Sモデル等）を正しく実装できません。この前処理の成否が、後続するAIモデル（CNN：畳み込みニューラルネットワーク）の推論精度を大きく左右するため、リモートセンシングの学術的バックグラウンドを持たないエンジニア集団による内製化は、開発の長期化や頓挫を招くリスクが極めて高いのが実態です。

開発会社やPoC（概念実証）パートナーを選定する際の3つの評価基準と予算相場

本格的なシステム開発や実証実験を外部パートナーに委託、あるいは共同開発する場合、自社が求める「衛星データ 活用事例」のゴールに適したパートナーを見極める必要があります。RFP（提案依頼書）の作成およびパートナー選定においては、以下の「3つの技術的要件」を評価基準として明確に定義し、提示することが求められます。

• 1. 空間解像度（GSD：Ground Sample Distance）の要件定義能力
  解析対象を特定するために必要な最小地上画素寸法を正しく見極める基準です。例えば、広域の森林バイオマス量測定や水稲の生育モニタリングであれば、欧州宇宙機関（ESA）が提供するSentinel-2（解像度10m）などの「無料データ」で十分であり、データ購入コストをゼロに抑えられます。一方で、特定の駐車場における車両台数カウントや、再開発エリアの建物の形状変化の検出には、Maxarなどが提供する30cm〜50cmクラスの「高解像度商用データ」が必須となります。不要な超高解像度データを要求してコストを肥大化させない、適切な提案ができるパートナーを選定してください。
• 2. 時間解像度（観測頻度）の調整力
  同一地点をどの程度の頻度で観測・解析する必要があるかの要件です。月次・四半期レベルの緩やかな変化監視（例：土木工事の進捗管理）であれば、軌道周期が固定された既存の極軌道衛星（回帰周期10〜12日前後）のアーカイブデータ選定で事足ります。しかし、洋上の違法操業漁船の追跡や、災害時の被災状況把握などでは、時間単位での観測が必要となり、数十機の小型衛星で構成されるコンステレーション（協調動作する衛星群。例：Planet Labs社の提供サービス）の動的なタスキング（撮影予約）や、複数ソースを横断したデータパイプラインの構築実績があるパートナーが必要になります。
• 3. データ配信遅延時間（Latency）の保証レベル
  衛星が地表を撮影してから、解析結果がシステム上に配信されるまでの許容時間（レイテンシー）の処理設計です。「土砂崩れの予兆検知」や「サプライチェーンにおける工場稼働停止の即時検知」といったリアルタイム性が求められるユースケースでは、地上局で受信された生データ（L0データ）を数時間以内に自動処理して通知する高速パイプライン設計の知見が不可欠です。一方、「農作物の収穫適期の予測」など、意思決定まで数日間の猶予がある場合は、バッチ処理で週に1回まとめてパイプラインを回す設計にすることで、インフラコストを最大90%削減できます。システム要件に見合ったコスト・技術バランスの提示能力を評価します。

衛星データ解析プロジェクトにおける、一般的な開発フェーズごとの予算相場は以下の通りです。

フェーズ	一般的な予算相場	成果物のイメージ
PoC（概念実証）フェーズ	300万 〜 800万円	特定エリア（数10〜100平方キロメートル程度）を対象とした過去のアーカイブデータによるAIモデルの構築、適合率（Precision）や再現率（Recall）の評価レポート。
システム・API開発フェーズ	1,500万 〜 5,000万円	新規衛星データの自動取得パイプライン、独自の解析アルゴリズム、GIS機能付きWebダッシュボード、既存社内システム連携用のWeb APIの構築。
運用・データ購入（年間）	200万 〜 1,500万円以上	インフラ（クラウドGPU、サーバー維持費、セキュリティパッチ適用）、商用データプロバイダ（Maxar, Airbus等）への年間データ購読・タスキング費用。

外部パートナーの選定時は、見積もりにこれらの「データ調達費用（実費）」と「システム開発・アルゴリズム開発費用」が明確に分解されて記載されているかを確認してください。目的とする「衛星データ 活用事例」の費用対効果を客観的な数値で示してくれる企業が、信頼に足るパートナーとなります。

衛星データ解析プロジェクトを成功に導く導入プロセス・チェックリスト

企画からPoC、実運用（システム化）に至る4ステップのロードマップ

実務で衛星データを扱うには、通常のITシステム開発とは異なる「物理的な制約」を考慮する必要があります。具体的には、光学衛星における「雲による地表の遮蔽（データ欠損リスク）」や、干渉SAR（InSAR）解析における「ミリ単位の変位検知を謳うものの、植生や斜面方位により可干渉性が低下し計測不能になるリスク」などです。これらを回避するための4ステップのロードマップを以下に定義します。

• Step 1：要件定義と実現可能性（Feasibility）の検証
  まず「何を、どの頻度で、どの程度の精度で検知したいのか」を言語化します。インフラの傾きをミリ単位で検知したい場合、光学衛星ではなくSARデータ 解析を選択します。この段階において、まずは「Tellus OS」などの無償ツールを活用し、対象領域（AOI）における過去の撮影頻度や平均的な雲量（クラウドカバー率）を把握します。
• Step 2：PoC（概念実証）とデータ調達計画の策定
  PoCフェーズでは、実際に有料の商用高分解能データ（MaxarのWorldViewやICEYEのSARデータなど）を購入するか、オープンデータで代用可能かを評価します。
  【挫折ポイントと回避策】：「光学データで週1回の巡回監視を計画していたが、梅雨時期に3週間連続で雲に覆われ、全くデータが取得できなかった」という失敗は頻発します。この回避策として、雲を透過するマイクロ波を用いるSARデータ 解析を併用するハイブリッド運用、または複数機からなるコンステレーション（衛星群）を運用するPlanet社のデータを選択肢に入れ、撮影頻度（時間分解能）を高める計画を策定します。
• Step 3：アルゴリズム開発とモデル構築
  データが確保できたら、教師データ（地上実測データなど）を整備し、機械学習モデルやGIS（地理情報システム）を用いた解析ロジックを開発します。
  【挫折ポイントと回避策】：「ミリ単位の変位検知」を期待していたものの、解析結果と実際の傾斜計の数値が一致しない現象が起こります。SARの軌道（昇行・降行）による見え方の違いや、大気遅延ノイズの補正が不十分であることが原因です。これを防ぐため、開発フェーズでは必ず「地上真値（グラウンドトゥルース）」とのキャリブレーション（校正）期間を最低3ヶ月間設け、許容誤差（例：累積変位の誤差±5mm以内など）のSLA（サービス品質合意）を開発パートナーと合意します。
• Step 4：システム統合と実運用（自動パイプライン化）
  モデルの精度が検証されたら、API経由でデータを自動取得し、解析結果をダッシュボードに表示する運用システムへ統合します。AWS Ground Stationなどのクラウド型地上局サービスや、Tellusの開発環境を活用することで、データの受信から解析、可視化までのパイプラインを自動化できます。実際の衛星データ 活用事例として、大林組による土木工事現場の盛土量計測や、損害保険ジャパンによる豪雨災害時の浸水域自動判定システムなどが、このパイプライン化によって数時間〜数日単位での迅速な意思決定を実現しています。まずは一部のテストエリアからスモールスタートし、徐々に対象エリアを拡大していくアプローチを推奨します。

データ調達コストと解析アルゴリズム開発の投資対効果（ROI）算出チェックシート

衛星データの導入において、多くの企業が「データ購入費用」と「受託解析の初期開発費」のコストバランスを見誤り、プロジェクトを断念しています。特に、衛星データ 解析 無料ツール（Sentinel-2やLandsatの無償利用など）でスタートしたものの、ビジネス要件（30cm解像度など）を満たすために、途中で年間数百万円規模の商用データ購入が必要になり、予算がショートするケースが後を絶ちません。

以下のチェックシートを用い、企画・PoC段階で発生するコストと、それによって得られる業務削減効果（ROI）を定量的に算出してください。

評価項目	チェックポイント（具体的な確認事項）	判断基準と対策
データ調達コストの最適性	無料データ（解像度10m〜）でビジネス要件を満たせるか？ または商用データ（解像度30cm〜）が必要か？	広域の植生・水質監視はSentinel（無料）で対応可能。個別建築物の検知やミリ単位の変位監視は商用SAR（有料）を選択。初期は「Tellus」などの無料テスト環境で検証する。
欠損・撮影頻度リスクと代替費用	天候不良（雲）によるデータ欠損時、代替データ（SARデータ等）の調達費用が予算に組み込まれているか？	光学データの年間有効取得率を50〜60%と見積もり、残りの40%をカバーするためのSARデータ購入費、またはヘリ・ドローン空撮のバックアップ費用をあらかじめ算入する。
地上真値（教師データ）の収集コスト	AIの学習に必要な「地上での正解ラベルデータ」を収集するリソースや、現地計測の費用が確保されているか？	オープンなオープンストリートマップ（OSM）データや、過去のインフラ点検履歴を教師データに変換する。現地測量コストが高騰する場合は、転移学習モデルの採用を検討する。
開発・保守のROI（投資対効果）	衛星データ解析の導入により、従来の「現地巡回・目視点検」コストを何％削減できるか？	現地巡回コストの「50%削減」を目標値とする場合、削減できる人件費・移動費が、データ購入費とシステム保守費の合計（ランニングコスト）を上回ることを検証する。
開発パートナー選定基準	開発会社が宇宙ドメイン特有の知見（GIS・衛星軌道・センサー特性）と実績を有しているか？	一般的なAI受託開発会社ではなく、リモートセンシング学会所属企業や、JAXA等との共同研究実績がある開発会社を選定する。PoC単発で終わらせないため、内製化へのロードマップを共有する。

よくある質問（FAQ）