衛星「農業」は素晴らしい！リモートセンシング技術は農業監視にどのように役立ちますか?

ニュース放送では、よく「我が国は、某年某月某日に、某衛星の打ち上げに成功した」といった報道を耳にしますが、そもそも衛星とは何でしょうか？衛星の用途は何ですか?衛星とは、周期的な閉軌道で惑星を周回する天体のことを指します。月は地球の天然の衛星です。人間が建造し宇宙に打ち上げられ、天然衛星のように地球を周回する無人宇宙船も衛星と呼ばれます。現在までに人類は4,000以上の衛星を宇宙に打ち上げてきました。科学実験などの分野で利用される衛星のほか、業務を行うために利用される衛星は、通信衛星、航法衛星、リモートセンシング衛星に分けられます。通信衛星は主に無線信号を受信して​​転送するための無線通信中継局として使用されます。航法衛星は、我が国の北斗のように、主に測位と航法に使用されます。リモートセンシング衛星は主に地球システムや物体を観測するために使用され、観測対象の違いによって気象衛星、陸上衛星、海洋衛星にさらに分類されます。ここでは、ランドサット衛星を使用して宇宙から作物のカテゴリーを識別する方法について説明します。

1. デジタル写真と衛星画像

デジタル写真や衛星画像の撮影は、今日の携帯電話の主な機能の 1 つです。しかし、それが陸上の衛星からデータを取得する主な方法でもあるとは想像しにくいかもしれません。地球の写真をより鮮明かつ迅速に撮影する方法は、常に陸上衛星の主な研究方向の 1 つでした。携帯電話にはカメラが搭載され、衛星にはセンサーが搭載されています。固定軌道上を移動する衛星は、センサーを通じて継続的に地上をスキャンし、定期的に地球の写真、つまり衛星画像を取得することができます。衛星画像は一般的に広い範囲をカバーしており、衛星画像の幅は数十キロメートルから数千キロメートルに達することもあります。光の本質は電磁波です。携帯電話やデジタルカメラで撮影した写真には、通常、赤、緑、青の電磁スペクトル範囲のエネルギーのみが含まれます。さらに、衛星センサーは、近赤外線、短波赤外線、マイクロ波などのスペクトル範囲で、地球表面の物体（地上物体）の反射エネルギーを取得できます。したがって、衛星画像にはより有用な情報が含まれています。

2. 作物識別の原則

フィールドはどこですか?畑には何が植えられていますか？どれくらい植えましたか？これは食糧安全保障に関わる大きな問題であり、社会からも大きな注目を集めています。衛星はこの質問にどのように答えることができるでしょうか?鍵となるのは、衛星画像からさまざまな地形や作物をいかに正確に識別するかです。本質的には、携帯電話の写真と衛星画像の間には識別できる違いはありません。写真では通常、色、形、粗さなどの特徴に基づいてさまざまな物体を区別します。図1の写真では、色や粗さの違いによって田んぼ、道路、水域などの地形を区別することができます。実際、衛星画像上のさまざまな陸地物体や農作物の識別も、主に「色」などの特性の違いに基づいています。 「色」などの特徴に基づいて異なる地形を区別するためには、まず、異なる地形がなぜ「色」などの特徴が異なるのかを理解する必要があります。次に、異なる地形がどのような特徴を持っているかを理解する必要があります。写真では、森林、草原、農作物などの健康な植生の葉は一般的に緑色です。これは主に、葉の細胞内のクロロフィルが赤色光と青紫色光を吸収し、緑色光を反射する特性を持っているためです。したがって、写真の赤、緑、青のチャンネルでは緑が優勢となり、植物の葉は緑色に見えます。

図1 田んぼの写真

リモートセンシング画像では、さまざまな物体と電磁波の相互作用が異なるため、衛星が受信する反射エネルギーは一定ではありません。これにより、異なるスペクトル範囲のリモートセンシング画像内のさまざまなオブジェクトの「色」が異なり、反射率が異なります (図 2)。この違いは、さまざまな陸地物体のスペクトル特性を直接反映しています。反射率の違いや反射率から得られるその他の特性の違いに基づいて、リモートセンシング画像からさまざまな種類の陸地オブジェクトを区別できます。もちろん、反射率の違いだけでなく、物体ごとに粗さ（テクスチャ）などの特徴も異なります。一般的に言えば、包括的な多次元機能により、さまざまなオブジェクトをより適切に識別できます。

図2 赤、緑、青のバンド合成に基づくリモートセンシング画像（左）と主要オブジェクトの反射率（右）

3. 作物の識別方法と作付面積の推定

広いエリアでは、異なるフィーチャが同じまたは類似の特性を持つ場合があります。理論的には、地形が異なれば反射率も異なりますが、地域によっては、一部の地形の反射率の違いは明らかではありません。特に農作物の場合、品種、気候、農法などの要因により、異なる農作物の反射率の違いが極めて弱くなることがあります。したがって、高精度の作物識別は簡単な作業ではありません。現在、一般的に使用されている作物識別方法には、主に機械学習法と生物季節学的閾値法が含まれます。機械学習の手法では、主に、実際の作物の情報を含むラベル付きサンプルを事前に一定量取得し、そのラベル付きサンプルを使用して機械学習モデルをトレーニングし、モデルがどのような特徴がどのような作物に対応するかを「理解」できるようにします。このモデルはリモートセンシング画像に適用され、リモートセンシング画像内の各ピクセルのカテゴリを決定し、最終的に作物の識別という目的を達成します。生物季節学的閾値法の基本的な考え方は、成長過程が進むにつれて、さまざまな作物の特性がある程度変化するというものです。これらの変化には一定の規則性があり、異なる作物の変化パターンには一定の違いが見られます。さまざまな作物の変化パターンを区別することで、作物を識別するという目的を達成できます。

図3 衛星リモートセンシング画像に基づく作物の識別（左）と作付面積の推定（右）

機械学習法であれ、生物季節閾値法であれ、最終的には衛星画像に基づいてさまざまな作物の空間分布を得ることができます（図4）。空間分布図に基づいて、空間分布図内の異なる作物に対応するピクセルの数を計算し、対応する作物の面積を計算することで、作物の栽培面積を正確に測定することができます。

衛星画像は広範囲に及ぶため、理論的には、作物の栽培面積の推定を国規模、さらには世界規模で実行できます。家庭調査を通じて作物栽培面積を計算し、段階的に報告する従来の方法と比較して、衛星リモートセンシング技術に基づく作物栽培面積の推定は、時間と労力を節約するだけでなく、さまざまな作物の空間分布を明らかにします。より客観的で信頼性があります。衛星リモートセンシング技術は農業監視の分野で大きな可能性を秘めています。