GeoAI（地理空間AI）の基礎
GeoAI（Geospatial Artificial Intelligence）とは、人工知能の技術を地理空間データの分析に応用する分野です。GISが従来から持つ空間分析能力に、AIの学習・認識・予測能力を組み合わせることで、これまで不可能だった規模と速度で空間データを処理できるようになります。
GeoAIの位置づけ
GeoAIは「GIS」と「AI」の単純な足し算ではありません。空間データには、通常のデータにはない固有の特性があります。
- 空間的自己相関：近い場所のデータは似た特性を持つ傾向がある（トブラーの地理学第一法則）
- 空間的異質性：同じ関係性が場所によって異なる（地域ごとに異なる特徴を持つ）
- スケール依存性：分析の結果が空間的なスケール（解像度）によって変わる
- 境界効果：分析範囲の境界設定が結果に影響する
GeoAIでは、これらの空間的特性をAIモデルの設計に取り込むことが重要です。汎用のAIモデルをそのまま空間データに適用するのではなく、空間構造を考慮した専用のアルゴリズムやアーキテクチャが開発されています。
GeoAIの技術分類
| カテゴリ | 技術 | 主な用途 |
|---|---|---|
| 画像認識系 | CNN、U-Net、ViT | 衛星画像分類、物体検出、変化検出 |
| 空間予測系 | GNN、空間回帰、GeoAI回帰 | 地価予測、犯罪発生予測、需要予測 |
| 時系列系 | LSTM、Transformer | 交通量予測、気象予測、地盤変動予測 |
| 生成AI系 | LLM、VLM、拡散モデル | 自然言語GIS操作、画像説明、地図生成 |
| 3D系 | PointNet、NeRF | 点群分類、3Dモデル生成、構造物検出 |
GeoAIの発展の背景
GeoAIが急速に発展している背景には、3つの要因があります。第一に、衛星画像（Sentinel-2、Landsatなど）のオープンデータ化により、大量の地理空間データが無償で利用可能になりました。第二に、クラウドGPUの普及により、大規模な深層学習の計算コストが大幅に低下しました。第三に、TorchGeoやGoogle Earth Engineなどのツール・プラットフォームの成熟により、GeoAIの技術的な参入障壁が下がっています。
機械学習×GIS
機械学習（Machine Learning）をGISの空間分析に応用することで、従来の統計的手法では捉えきれなかった複雑なパターンを発見できます。ここでは、GISと機械学習を組み合わせた代表的な分析手法を紹介します。
空間データの特徴量エンジニアリング
機械学習モデルの精度は、入力する特徴量（Feature）の質に大きく依存します。空間データならではの特徴量エンジニアリングとして、以下のアプローチが有効です。
- 距離特徴量：対象地点から最寄り駅、学校、公園、コンビニなどの施設までの距離
- 密度特徴量：一定範囲内の施設数、人口密度、建物密度
- 近傍統計量：周辺エリアの平均値、中央値、分散などの統計量
- 地形特徴量：標高、傾斜角、方位、曲率、集水面積
- アクセシビリティ：道路ネットワーク上の到達時間、公共交通の利便性
これらの空間的な特徴量はGISで算出し、機械学習モデルへの入力データとして使用します。QGISやPostGISの空間関数を使えば、効率的に特徴量を生成できます。
土地利用分類
衛星画像のピクセル値（各バンドの反射率）と地形データを入力として、Random ForestやGradient Boostingなどのアンサンブル学習で土地利用を分類する手法は、GeoAIの最も基本的な応用の一つです。Google Earth Engine上でRandom Forestによる土地利用分類を実行するコードは数十行で書くことができ、初学者にも取り組みやすい題材です。
地価・不動産価格予測
不動産価格の予測は、空間データと機械学習を組み合わせた代表的な応用事例です。物件の属性（面積、築年数、階数など）に加えて、GISで算出した空間的特徴量（最寄り駅距離、周辺施設数、日照条件など）を入力とすることで、予測精度が大幅に向上します。
XGBoostやLightGBMなどの勾配ブースティング手法は、表形式データ（テーブルデータ）の予測において高い性能を発揮し、不動産価格予測でも広く使われています。SHAP（SHapley Additive exPlanations）を用いた説明分析により、「どの特徴量が予測に最も影響しているか」を可視化することも可能です。
空間クラスタリング
空間データのクラスタリング（グループ分け）には、空間的な近接性を考慮した手法が必要です。DBSCAN（密度ベースクラスタリング）やHDBSCANは、空間的に密集した点群をクラスターとして検出でき、犯罪発生地点のホットスポット分析、顧客の空間的セグメンテーション、移動軌跡データからの滞在地点抽出などに活用されています。
画像認識×衛星画像
ディープラーニングの画像認識技術を衛星画像に適用するのは、GeoAIの中でも最も活発な研究・応用分野です。
セマンティックセグメンテーション
衛星画像のピクセル単位で土地利用や地物を分類する手法です。U-Net、DeepLabV3+、SegFormerなどのモデルが使われています。
- 建物フットプリント抽出：衛星画像から建物の輪郭を自動抽出。MicrosoftのBuildingFootprintsプロジェクトは、AIで全世界の建物フットプリントを生成しオープンデータとして公開しています。
- 道路ネットワーク抽出：衛星画像から道路を自動検出し、ネットワークデータを生成。開発途上国の地図整備に貢献しています。
- 農地の作物分類：時系列の衛星画像から作物の種類を分類。作付面積の統計調査の自動化に活用されています。
変化検出（Change Detection）
異なる時期の衛星画像を比較し、変化した箇所を自動検出する手法です。都市の開発・拡大の監視、森林減少の検出、災害被害の把握、違法建設の検出などに活用されています。
Siamese Network（双子ネットワーク）と呼ばれるアーキテクチャが変化検出に適しており、2つの時期の画像を入力として変化/非変化のマップを出力します。Google Earth Engineでは、時系列の衛星画像を用いた変化検出の解析を大規模に実行できます。
オブジェクト検出
衛星画像から特定の物体（車両、船舶、航空機、ソーラーパネルなど）を検出する手法です。YOLO、Faster R-CNN、DETRなどのオブジェクト検出モデルが使われています。
衛星画像のオブジェクト検出は、衛星画像特有の課題（小さなオブジェクト、多様な方向、背景の複雑さ）に対応する必要があり、DOTA（Detection in Aerial Images）データセットなどの航空・衛星画像専用のベンチマークで性能が評価されています。
超解像（Super Resolution）
低解像度の衛星画像からAIで高解像度の画像を生成する技術です。無償で利用できるSentinel-2（10m解像度）の画像を、商用衛星並みの解像度に向上させる研究が進んでいます。GANベースのSRGANや拡散モデルベースの手法が使われており、土地利用分類や変化検出の精度向上に寄与します。
自然言語処理×地理情報
自然言語処理（NLP）と地理情報を組み合わせることで、テキストデータから位置情報を抽出したり、自然言語でGISを操作したりすることが可能になります。
ジオコーディングの高度化
ジオコーディング（住所やランドマーク名から緯度経度を取得する処理）は、NLPの基本的な応用です。従来のジオコーディングは住所辞書との完全一致や部分一致に依存していましたが、NLPを活用することで「東京タワーの近く」「渋谷駅から歩いて5分くらいの場所」といった曖昧な位置表現からも位置を推定できるようになります。
ジオパーシング（Geoparsing）
ジオパーシングは、非構造化テキスト（ニュース記事、SNS投稿、報告書など）から地名を抽出し、地理座標に変換する処理です。固有表現抽出（NER）の地名版と言えます。
災害時のSNS投稿から被害箇所を特定する、ニュース記事から事件・事故の発生場所を地図上にマッピングする、歴史文献から古地名を抽出して現在の地図と対応させる、といった応用があります。
SpaCyのGeoparsingパイプラインやMordecaiライブラリなど、オープンソースのジオパーシングツールが利用可能です。
LLMによるGIS操作の自然言語化
大規模言語モデル（LLM）を活用して、自然言語の指示からGISの操作やSQL/Pythonコードを自動生成する技術が急速に発展しています。
- Text-to-SQL（空間SQL）：「東京都内で駅から500m以内の公園を抽出して」→ PostGISのST_DWithinを使ったSQLクエリを自動生成
- Text-to-Python（GISスクリプト）：「この衛星画像のNDVIを計算してヒートマップで表示して」→ Rasterio + Matplotlibのコードを自動生成
- 対話型GIS分析：分析結果に対して「この結果を市区町村別に集計して」「昨年のデータと比較して」のように、自然言語で追加の分析指示を与える
EsriはArcGIS ProにAIアシスタントの組み込みを進めており、QGISコミュニティでもLLM連携プラグインの開発が始まっています。この流れにより、GISの利用者層が専門家以外にも大幅に拡大することが見込まれます。
空間的な感情分析
SNS投稿の感情分析（ポジティブ/ネガティブ）にジオタグ（投稿位置情報）を組み合わせることで、「場所ごとの満足度・不満度」を地図上に可視化する分析が行われています。観光地の評価、都市の住みやすさの評価、イベント会場の満足度分析などに活用されています。
空間予測モデル
GeoAIの大きな強みの一つが、空間的な予測能力です。過去のデータから学習したAIモデルにより、将来の空間的なパターンを予測します。
都市成長予測
過去の土地利用変化パターンをAIで学習し、将来の都市の拡大・変化を予測する手法です。セルオートマトン（CA）と機械学習を組み合わせたCA-MLモデルや、畳み込みLSTMを使った時空間予測モデルが使われています。
入力データとして、時系列の土地利用データ、道路ネットワーク、人口データ、地形データ、都市計画データなどを使用し、「どの区画が今後市街化される可能性が高いか」を確率マップとして出力します。都市計画や土地利用規制の検討に活用されています。
自然災害リスク予測
地震、洪水、土砂災害、森林火災などの自然災害リスクを空間的に予測する分野でもGeoAIが成果を上げています。
- 斜面崩壊予測：地形（傾斜、曲率、集水面積）、地質、降雨データ、植生データをRandom ForestやXGBoostで学習し、斜面崩壊の発生確率を予測
- 洪水浸水予測：河川流量の時系列データと地形データから、AIが浸水範囲と浸水深を予測。数値シミュレーションに比べて計算速度が桁違いに速い
- 森林火災リスク：気象データ（気温、湿度、風速）、植生データ、地形データから森林火災の発生・拡大リスクを予測
交通・人流予測
交通量や人流の空間的な予測は、GeoAIの実用的な応用分野です。グラフニューラルネットワーク（GNN）を用いて道路ネットワーク上の交通量を予測するモデルは、Google MapsやUberの到着時間予測に使われています。
人流予測では、モバイル端末の位置情報データから得られる人の移動パターンを学習し、特定の場所・時間帯の滞在人数を予測します。商業施設の出店計画、イベント時の混雑予測、災害時の避難行動予測などに活用されています。
環境変動予測
大気汚染の空間分布予測、ヒートアイランド現象の予測、生態系変化の予測など、環境分野でもGeoAIの空間予測が活用されています。気象データ、土地利用データ、衛星観測データなどの多変量の空間データを入力として、環境指標の空間分布を高精度に予測します。
GeoAIの将来展望
GeoAIは急速に発展している分野であり、今後さらに大きな変革をもたらすことが期待されています。
基盤モデル（Foundation Model）の普及
IBMとNASAが共同開発したPrithvi、MicrosoftのSatCLIP、ESAのPhilEO Benchなど、地理空間データに特化した基盤モデルの開発が加速しています。これらの基盤モデルは大量の衛星画像で事前学習されており、少量のデータで様々なタスク（土地利用分類、変化検出、セグメンテーションなど）にファインチューニングできます。
基盤モデルの普及により、GeoAIの開発コストが大幅に低下し、専門知識がなくても高精度なGeoAIモデルを構築できるようになることが見込まれます。
マルチモーダルGeoAI
衛星画像、点群データ、気象データ、テキストデータ、移動軌跡データなど、異なる種類の地理空間データを統合的に処理するマルチモーダルAIの発展が期待されています。現在のGeoAIモデルの多くは単一のデータ種別を扱いますが、マルチモーダル化により、複数のデータソースを横断した総合的な空間分析が可能になります。
自律型GISエージェント
LLMのツール使用（Function Calling）機能を活用し、AIエージェントがGISを自律的に操作してデータ収集・分析・レポート生成を行う仕組みが実現しつつあります。ユーザーは自然言語で分析の目的を伝えるだけで、AIエージェントがデータの取得から分析、可視化までを一貫して実行するシステムです。
空間知能（Spatial Intelligence）
長期的には、AIが3次元空間の構造を理解し、空間的な因果関係を推論する「空間知能」の実現が期待されています。スタンフォード大学のFei-Fei Li教授が設立したWorld Labsは、3D空間を理解するAIの研究に取り組んでおり、「空間知能はAIの次のフロンティア」と位置づけています。
GeoAIに取り組むための第一歩
GeoAIに取り組み始めるための現実的なステップを以下にまとめます。
- データに触れる：Google Earth Engineで衛星画像を表示・分析してみる（無償で利用可能）
- 基本を学ぶ：PythonのGeoPandas、Rasterioで空間データを操作する基礎を習得
- 小さなモデルから始める：scikit-learnのRandom Forestで土地利用分類を試す
- ディープラーニングに進む：TorchGeoの事前学習済みモデルでセグメンテーションを体験
- 実課題に適用する：自社・自組織のデータと課題でPoCを実施
GeoAIは「将来の技術」ではなく、今すぐ使い始められる技術です。オープンデータ、オープンソースツール、クラウドプラットフォームが揃っており、参入障壁は年々下がっています。まずは小さな課題から始めて、GeoAIの可能性を体感してください。