リモートセンシングを用いた稲作パターンと栽培タイプのマッピング

国際稲研究所（IRRI）が2024年に発表した世界稲作アトラスの更新版によると、米は世界中で35億人以上の人々の食糧となっているが、正確で最新の栽培地図が存在する稲作地域は60%未満に過ぎない。リモートセンシングを用いた稲作パターンと栽培タイプの地図作成は、地上調査では到底及ばない規模で、空間的に正確かつ時間的に一貫性のあるデータを提供することで、このギャップを急速に埋めつつある。.

ベトナムのメコンデルタにおける灌漑による二期作低地の識別から、サハラ以南アフリカにおける天水による単作田の特定まで、衛星およびレーダーシステムは、農家、政府、食糧安全保障機関が自信を持って計画を立てるために必要な情報を提供している。人工知能とクラウドコンピューティングによるデータ処理の加速に伴い、ほぼリアルタイムでの稲作モニタリングは2027年までに世界標準になると予想されている。.

米が重要な理由と、その監視が難しい理由

1. 米の生産と世界の食料安全保障の方程式

米は世界人口の半数以上にとって主要なカロリー源であり、その重要性は個人の栄養摂取にとどまらない。世界の米生産量は約 2024年には精米量が5億2000万トンに達する見込み。, FAOのデータによると、そのうちアジアが約901トンを占めている。.

干ばつ、洪水、害虫の発生、あるいは政策の失敗など、米の供給に重大な支障が生じると、食料価格が急激に高騰し、世界で最も貧しい世帯に不均衡な影響を与える。.

この規模の食料安全保障を維持するには、単に十分な量の米を生産するだけでは不十分です。米がどこで栽培されているのか、各田んぼで年間何回作付けされているのか、どのような農法が用いられているのかを正確に把握する必要があります。政府は、灌漑インフラの整備、資材への補助金支給、緊急備蓄の構築のために、こうしたデータを必要としています。.

課題は、米がフィリピンの棚田から中国の広大な灌漑平野まで、極めて細分化された景観の中で栽培されているため、国や地域規模で従来の圃場ごとの調査を行うことは、物流面でも財政面でも非現実的であるという点にある。.

2．体系的な稲作パターンモニタリングの必要性

稲作の作付けパターン、つまり年間に何回稲作を行うか、そしてそれが地域全体にどのように分布するかは、常に変化している。気候変動によって、栽培期間が短くなる地域もあれば、長くなる地域もある。また、水資源の供給状況と市場価格が一致すると、農家は単作から二期作へと移行する。.

体系的なモニタリングがなければ、計画立案者は5年以上前の国勢調査データに基づいて作業を進めざるを得ず、水資源、肥料補助金、農村融資の配分が慢性的に誤ってしまう。リモートセンシングは、国全体にわたる一貫性のある再現可能な観測データをわずか数日で提供することで、このモニタリングのギャップを埋める解決策となる。.

農家の自己申告や調査員による調査に頼るのではなく、衛星システムは景観を直接観測し、水田が湛水、田植え、生育、収穫といった過程を経て、年間を通してどのように変化していくかを把握する。.

3. リモートセンシングが農業地図作成にもたらすもの

リモートセンシングとは、衛星、航空機、または無人航空機（UAV）に搭載されたセンサーを用いて、遠く離れた場所から物体や地域に関する情報を取得する科学である。農業分野では、センサーは電磁スペクトルの様々な波長において、作物、土壌、水によって反射または放出されるエネルギーを測定する。.

異なる土地被覆タイプは生育段階によってエネルギーの反射率が異なるため、衛星画像を用いることで、水田とトウモロコシ畑、湛水移植水田と乾田直播水田を区別することができ、その精度はセンサー技術の向上に伴って向上する。リモートセンシングを用いた稲作パターンと栽培タイプのマッピングは、相互に関連する4つの目的を果たす。.

• まず、季節および年間スケールで、米がどこで栽培されているかを空間的に明示したインベントリを作成します。.
• 第二に、各地図上の地域で年間何回の作付けサイクルが発生するかを分類し、単作、二作、三作のシステムを区別する。.
• 第三に、移植栽培か直播栽培か、あるいは水管理が管理されているか天水栽培かなど、使用されている栽培方法を特定します。.
• 第四に、生産予測、水資源収支、気候変動適応計画、精密農業システムなどに役立つ基礎データを生成する。.

稲作体系と栽培様式の理解

1. 稲作パターンとは実際には何を意味するのか

稲作パターンとは、特定の場所における暦年内の稲作の時期的な配置を記述したものです。これは、稲が栽培されるかどうかだけでなく、栽培回数、各作付け時期の開始と終了、そして同じ田んぼで稲作の前後にどのような作物が栽培されるか（もしあれば）を捉えます。地域全体にわたってこれらのパターンをマッピングすることで、計画担当者は、単一のスナップショットでは決して得られない、土地利用の強度と資源需要の動的な状況を把握することができます。.

2. 単作稲作システム

単作（モノクロップ）システムでは、農家は年に一度だけ稲作を行い、通常はモンスーンの雨季や単一の灌漑サイクルに合わせて行います。このようなシステムは、水資源、労働力、または気候条件によって二期作が困難な地域で主流となっています。.

単作栽培システムは、一般的に1シーズンあたりの栽培期間が長く、伝統的な品種や改良された長期栽培品種が用いられることが多く、また、天水への依存度が高いため、降雨の時期や分布に非常に敏感である。.

3. 二期作稲作システム

二毛作システムは、同じ田んぼから年に2回米を収穫するシステムです。ベトナムの紅河デルタ、バングラデシュの氾濫原、インドのパンジャブ州の灌漑地域など、東南アジアや南アジアで最も一般的に見られます。.

2つの季節の間隔は短く、多くの場合30日未満であるため、衛星データから二期作地域を特定するには、1年以内に2つの完全な生物季節サイクルを検出するための高密度な時系列観測が必要となる。.

4. 三毛作稲作システム

年間3回の稲作を行う三毛作は、年間を通して水資源と気温が良好な限られた地域で行われている。ベトナム南部のメコンデルタ地域や中国南部の広東省の一部地域では、三毛作が行われている。.

三毛作システムは土地利用効率を最大化する一方で、土壌肥沃度や病害虫管理において大きな課題を抱えている。作物間の休耕期間が短いため、生育段階のシグナルが限られた期間に集中してしまうことから、これらの圃場を遠隔で識別することは技術的に困難である。.

5. 天水稲作

国際稲研究所（IRRI）によると、人工的な給水を行わず、降雨のみで栽培される天水稲作は、世界の稲作面積全体の約451トンを占めている。これは、サハラ以南のアフリカ、南アジアおよび東南アジアの高地、そして降雨に依存する氾濫原において主流となっている栽培システムである。.

天水栽培システムは降雨量の変動に非常に脆弱であり、地域によっては多雨年と少雨年で収量が30～50トンも変動する。リモートセンシングの観点から見ると、天水稲作地は灌漑された管理された水田に比べて洪水信号が弱く不規則であるため、マッピングがより困難である。.

6. 灌漑稲作

灌漑水田システムは、運河、ポンプ、または管理された貯水池を通して水を得るため、農家は作付けと収穫の時期を非常に高い精度で制御できる。現在、灌漑水田は世界の水田面積の約551トンに過ぎないが、総生産量の751トンを占めており、水資源の安定供給による収量増加効果を反映している。.

灌漑水田を意図的に湛水することで、衛星センサーが確実に検出できる強力かつ安定したレーダー後方散乱信号が生成されるため、灌漑米は世界で最も正確にマッピングされている作物の一つとなっている。.

7. 陸稲と水稲の栽培システム

陸稲は、アジアやアフリカの丘陵地や段々畑など、水はけの良い非冠水型の土壌で栽培される。これらの田んぼは意図的に冠水されることがないため、レーダーで水田稲を識別する際に必要となる水の信号が欠如しており、研究者は植生のスペクトルパターンのみに頼らざるを得ない。.

一方、低地稲作は、水が自然に溜まるか灌漑によって水が供給される平坦な田んぼや浅い水田で栽培される。アジアの米どころは低地稲作地帯が中心であり、大規模な地図作成活動の主な対象となっている。.

畑の形状、地形上の位置、樹冠構造など、高地と低地の畑の形態的な違いは、オブジェクトベースの画像解析が効果的に活用できる補足的な空間的手がかりを提供する。.

8．直播栽培と移植栽培のイネ

移植栽培では、苗床で25～30日間苗を育てた後、手作業または機械を使って本田に移植します。一方、直播栽培では、苗床での育成期間を経ずに、準備した圃場に直接種を散布または播種します。.

これら2つの方法は、衛星データにおいて測定可能なほど異なる時間的特徴を示す。移植栽培された圃場では、洪水後約3週間で急激かつ同期的に緑化が進むのに対し、直播栽培された圃場では、播種日からより緩やかな樹冠の発達が見られる。この微妙ながらも確かな生育段階の違いは、植生指数の綿密な時系列分析によって検出可能である。.

稲作マッピングのためのリモートセンシングツールと技術

1. リモートセンシングの物理的原理

植物はそれぞれ、葉の生化学的性質、樹冠構造、水分含有量によって決まるパターンで、太陽放射を反射、吸収、透過します。緑の葉は光合成のために赤色光を強く吸収する一方で、近赤外線（NIR）エネルギーの大部分を反射します。一方、水浸しの土壌は、入射する放射光のほぼすべてを吸収します。.

これらの対照的な反応によって予測可能なスペクトル特性が生成され、衛星搭載センサーが一定のタイミングでそれを記録できるため、アナリストは圃場を訪れることなく、作物の状態、生育段階、圃場レベルでの管理判断を追跡することが可能になる。.

2. 光学リモートセンシング

光学センサーは反射された太陽光を検知し、人間の目が赤外線波長まで拡張したような画像を生成する。稲作マッピング研究では、主に3つの光学プラットフォームが用いられている。.

ランドサット （1972年以来NASAとUSGSが運用している一連の衛星）は、30メートルの空間解像度で16日周期の再訪周期を持つ画像を提供します。その長期にわたる時系列データは、数十年にわたる稲作面積の変化を研究する上で不可欠です。しかし、16日周期であるため、短い生育期間中に発生するいくつかの生物季節現象は、観測の間隔で見逃される可能性があります。.

センチネル2 （欧州宇宙機関が運用し、2015年と2017年に2機の衛星からなるコンステレーションとして打ち上げられた）Sentinel-2は、Landsatよりも解像度が10～20メートル高く、赤道付近では5日周期で再訪します。これらの2つの改良により、より細かい圃場の境界設定とより精度の高い植物季節学的サンプリングが可能になり、2024年にISPRS Journal of Photogrammetry and Remote Sensingに掲載されたものを含め、最近の高精度稲作マッピング研究のほとんどは、主要な光学データソースとしてSentinel-2を使用しています。.

MODIS NASAのテラ衛星とアクア衛星に搭載されているMODIS（中分解能撮像分光放射計）は、250～500メートルの解像度と1日1回の観測能力を備えています。個々の圃場のマッピングには解像度が粗すぎますが、MODISは、空間解像度よりも時間密度が重要な国レベルや大陸レベルの作付強度評価には依然として有用です。.

3. レーダーリモートセンシング

合成開口レーダー（SAR） SARはレーダーをベースとした技術で、地球表面に向けてマイクロ波パルスを送信し、センサーに反射して戻ってくるエネルギーを測定します。光学センサーとは異なり、SARは雲量や太陽光の影響を受けずに動作するため、曇りのモンスーンの夜でも、晴れた乾季の日でも、同様に良好なデータを取得できます。.

この特性は、熱帯アジアにおける稲作のマッピングにとって極めて重要である。熱帯アジアでは、光学センサーが雲の遮蔽によって生育期間の数週間を失うことが日常的に起こるからである。.

センチネル1号 （ESA）はCバンドマイクロ波エネルギー（波長約5.6cm）を送信し、6～12日周期で10メートル解像度のグローバルSARデータを無料で提供しています。水田はSAR信号と独特な相互作用を示します。

• 浸水した畑はほぼ完璧な鏡のように機能し、レーダーエネルギーの大部分をセンサーから反射します（低い後方散乱値を生成します）。
• 成長する稲の葉冠は、植物の密度と葉面積が増加するにつれて、センサーに向かってエネルギーをますます散乱させるようになる。.

この後方散乱の軌跡は、湛水期と移植期には低く、栄養成長期には上昇し、出穂後には再び低下するという、時間経過に伴う変化を示し、イネ特有のレーダーによる植物季節学的特徴を形成する。.

Nguyenら（Remote Sensing of Environment、2023）は、Sentinel-1 SAR時系列分類が達成したことを発見した。 92.3%の総合精度 ベトナムのメコンデルタにある3つの省における稲作シーズンのマッピングにおいて、雲に覆われていたため生育期間の60%以上で光学データが入手できなかった三期作地域も含まれる。.

熱帯の稲作地域では、SAR（合成開口レーダー）を用いた手法は、光学センシングの単なる代替手段ではなく、モンスーン期における季節ごとのマッピングにおいて、しばしば唯一信頼できる選択肢となる。.

4. マルチセンサーデータ統合

空間的な詳細度、時間的な密度、雲透過率という理想的な組み合わせを提供する単一のセンサーは存在しない。そのため、最も精度の高い稲作マッピングシステムは、複数のセンサータイプを単一の分析フレームワークに統合している。.

一般的なアーキテクチャでは、雲のない時間的追跡のためにSentinel-1 SARを、晴天時のスペクトル豊富さを得るためにSentinel-2光学データを組み合わせ、MODISを地域規模での生物季節パターン検出のための粗解像度アンカーとして使用する。.

これらのデータストリームをアルゴリズム的に融合することで、単一のセンサーだけでは達成できないレベルの確実性で、作物の境界を特定し、移植日を検出し、栽培タイプの分類を割り当てることができるデータセットが構築される。.

衛星データから稲作パターンを特定する

1. イネの生育段階の時間的特徴

イネは、明確に定義された一連の生育段階を経て成長します。すなわち、耕起と湛水、移植または播種、分げつ（1本の植物から複数の茎が発達すること）、穂の形成、出穂（穀粒をつけた花穂が出現すること）、そして収穫です。.

各段階において、圃場の光学特性およびレーダー特性に測定可能な変化が生じる。アナリストは、スペクトル指数またはSAR後方散乱の時系列として捉えられたこれらの段階固有の特徴を利用して、農家からの事前の知識がなくても、各圃場で何がいつ起こったかを再現する。.

2. フェノロジーに基づくイネのマッピング

生物季節学に基づくマッピング （生物学的イベントのタイミングを利用して作物を分類する）は、広範囲の稲作検出における主要なアプローチです。この方法は、時系列データに数学的な曲線を当てはめ、時間的パターンが稲の生育曲線の特徴と一致する圃場を特定することによって機能します。この当てはめプロセスから抽出される主要なイベントの日付には、

• 生育期の始まり（通常、洪水後の植生指数値の急激な上昇によって識別される）、,
• 生育期のピーク（最大葉面積指数）と、
• シーズンの終わり（収穫期における急激な衰退）。.

暦年内に検出されたそのようなサイクルの数は、その圃場が単作、二作、または三作に分類されるかどうかを直接決定します。.

3. 作付け強度評価

作付け強度（単位面積当たりの年間作付け回数）は、稲作パターンマッピングにおいて政策的に最も重要な成果の一つです。シンプルながら効果的な手法として、ピクセルの年間時系列データにおいて、稲作に特徴的なスペクトルピークまたは後方散乱ピークが出現する回数を算出する方法があります。.

湿地、水域、季節的な洪水などによって引き起こされる誤った検出を除去するための空間フィルターと組み合わせることで、これらのサイクルカウントは、単作、二作、三作の稲作の地図を作成し、現地調査や地域統計と照合して検証することができる。.

4. 季節別および年間米分布図

季節ごとの地図（1年につき1つの栽培シーズンごとに1枚の地図）は、米がどこで栽培されているかだけでなく、それぞれの場所でいつ栽培されているかも示します。こうして年間を通して季節ごとの地図を重ね合わせることで、地域の作付けカレンダー全体が明らかになり、早生種と晩生種の米の空間分布も把握できます。これは、灌漑計画、病害虫対策、収穫物流に直接的な影響を与えます。.

5. イネを含む輪作の検出

アジアの多くの稲作システムでは、農家は同じ田んぼ内で、稲作と小麦、野菜、豆類、あるいは休耕期間を交互に行い、連続する季節にわたって作付けを繰り返す。リモートセンシングは、特定の季節だけを分析するのではなく、年間全体の時系列データを分析することで、こうした輪作を検出する。.

雨季には稲作、乾季には小麦作となる圃場では、植生指数データに明確な2つのピークを持つ時間的パターンが現れ、それぞれのピークのスペクトル特性によって作物の種類が特定される。こうした輪作をマッピングすることは、土壌健全性の評価、灌漑需要のモデリング、および所得多様化プログラムにとって重要である。.

GeoPardが稲作パターンのマッピングをどのように支えているか

稲作パターンをマッピングするには、生育期間全体にわたる継続的な複数ソースからの観測が必要であり、GeoPardはまさにそれを実現します。GeoPardは、Landsat-8、Sentinel-2、Planetの画像を単一のプラットフォームに統合することで、最大3メートルの解像度で隔日ごとに田んぼを監視し、移植前の湛水、苗の発芽、収穫といった稲作の重要なイベントが雲の切れ目によって見逃されることがないようにしています。.

このプラットフォームのマルチセンサー融合技術は、シングルセンサー方式に比べて4%の精度向上を実現しており、単作、二作、三作の稲作システム間の区別をより明確にする。.

栽培タイプの識別には、GeoPardの植生指数スイート（地表洪水検出用のNDWI、キャノピーバイオマスのタイミングを示すEVI2、キャノピー密度を示すLAIなど）が用いられ、灌漑移植水稲と天水栽培または直播栽培システムを区別するスペクトル特性を捉えます。.

曇りのモンスーン期で光学画像が全く役に立たない場合でも、GeoPardの統合レーダーデータレイヤーは植生追跡を途切れることなく継続し、田植え時期の湛水田の決定的な特徴であるSAR後方散乱の谷を読み取ります。.

「レイヤー比較」ツールを使用すると、農学者は最大4つの同期されたデータレイヤーを並べて配置できるため、NDWI洪水信号と複数年にわたる植生傾向や土壌生産性マップを比較することで、稲作の栽培タイプを簡単に区別できます。.

30年以上にわたる衛星画像データに基づき、このプラットフォームは圃場レベルでの長期的な作付け強度パターンを明らかにします。これらの知見は、肥料、種子、作物保護のための可変施肥マップに直接反映され、稲作栽培タイプのマップを具体的な圃場レベルの管理処方箋へと変換します。.

リモートセンシングによる稲作栽培タイプのマッピング

1. さまざまな文化的慣習のスペクトル特性

栽培タイプ、つまり水田に適用される管理方法の具体的な組み合わせは、その水田のスペクトル特性の時間的変化を形作ります。例えば、湛水移植水稲は、シーズン開始時は水の影響が支配的な光学的応答（可視光の全帯域で低い反射率）を示しますが、苗の葉が茂るにつれて急激に変化します。.

湛水していない苗床に直播きした稲は、発芽開始時から植生信号がより緩やかに増加し、光学センサーとSARセンサーの両方が容易に検出できる初期の湛水期間を経ない。.

2. 灌漑米と天水米の区別

灌漑水田と天水水田は、2つの点で明らかに異なる。それは、湛水時期とその規則性、そして季節的な生育段階の一貫性である。灌漑水田は、湛水時期が計画通りに行われる傾向があり、田植え時期の年ごとの変動が少なく、適切な水管理によって一定の葉の密度を維持している。.

天水栽培の畑は、年間の変動が大きく、生育期の中盤に植生指数値の異常な低下として現れる水不足に見舞われることがあり、干ばつの年には生育期間を全うできない場合もある。.

複数年にわたる時系列分析はこの変動構造を捉え、分類アルゴリズムによって灌漑地域と天水地域を分離することが可能になり、適切に較正されたシステムでは通常85%を超える精度が得られます。.

3. 移植栽培および直播栽培イネの分布図

SARデータにおいて、移植栽培と直播栽培の稲を区別する最も信頼性の高い指標は、初期の低後方散乱湛水期間のタイミングと期間である。.

移植栽培の水田は、苗を移植する前に2～4週間湛水されるため、シーズン開始時にレーダー観測ができない期間が長くなる。.

直播栽培圃場では、湛水期間が全くない場合（乾播栽培）と、非常に短い場合（湿播栽培）があり、後方散乱の上昇は播種日に対してより早く始まり、その傾きも構造的に異なっている。これらの時間的特性は、高密度SAR時系列データに適用されるアルゴリズムを用いて自動的に抽出することができる。.

4. リモートセンシングを用いた管理慣行の検出

移植方法や灌漑方法以外にも、リモートセンシングによって、水田を断続的に排水することでメタン排出量と水消費量を削減する技術である、間欠灌漑（AWD）などの特定の水管理方法を検出することができる。.

AWD（間欠灌漑）方式の田んぼでは、生育期間中にSAR後方散乱パターンが変動し、これは繰り返される湛水・排水サイクルを反映している。一方、常時湛水状態の田んぼでは、後方散乱パターンはより安定している。この機能は、国の温室効果ガス排出量インベントリにおいて、気候変動対策に配慮した稲作手法の普及状況を監視する上で特に有用である。.

5．水田における水管理指標

SARによる水面検出は非常に高感度で、稲の葉冠の下数センチメートルという浅い水たまりも識別できます。この高感度により、アナリストは生育期の重要な局面における圃場ごとの浸水状況をマッピングすることができ、灌漑計画の決定や洪水被害の早期評価に役立ちます。.

複数の日付の水面マップを時間的に重ね合わせると、各圃場における動的な水管理の特徴が得られ、これは文化タイプ分類モデルへの価値の高い入力データとして機能する。.

技術と手法：インデックスからディープラーニングまで

1. 水稲モニタリングのための植生指数

植生指数は、異なる波長における反射率値を数学的に組み合わせたもので、土壌の背景、大気の影響、照明の幾何学的配置によるノイズを低減しつつ、植物のバイオマスと健康状態を示すシグナルを増幅するように設計されています。稲作のマッピング作業においては、3つの指数が中心的な役割を果たします。.

i. NDVI（正規化植生指数） は (NIR – Red) / (NIR + Red) として計算され、イネのモニタリングで最も広く使用されている指標です。苗の定着から枯死までのキャノピーの緑度を追跡し、移植時のほぼゼロから栄養成長のピーク時には0.6～0.8まで上昇するのが一般的です。.

ii. EVI（強化植生指数） NDVIよりも大気エアロゾルの影響や土壌のバックグラウンドノイズを効果的に補正するため、熱帯アジアでよく見られるバイオマス燃焼シーズンなど、エアロゾル負荷の高い環境において好ましい。.

iii. LSWI（地表面水指数） 短波赤外線反射を利用して植物の葉冠と土壌表面の両方の水分量を検出するため、低地稲作の特徴である洪水現象に非常に敏感であり、生育期の開始を検出するための確実な信号を提供する。.

2. 時系列分析

衛星画像1枚は、ある時点における水田の状態を捉えたものですが、水田の歴史は、そうした瞬間の連続によって紡ぎ出されます。時系列分析では、通常1年間を通して5～16日ごとに撮影された多数の画像を連結し、生育開始日、NDVIのピーク値、緑化速度、収穫日といった時間的指標を抽出します。.

これらの指標は、圃場の生育段階全体を包括的に記述するものであり、単一日付の観測データよりも作物の種類を特定する上で遥かに優れた診断ツールとなる。調和回帰や動的時間伸縮法（DTW）などの統計的手法は、異なる年や地域にわたる時系列データを整合させ、比較するために一般的に用いられる。.

3. 米の分類のための機械学習

機械学習は、スペクトル時間データと圃場条件との間の複雑な非線形関係の識別を自動化することにより、稲作パターンのマッピングの規模と精度を大きく変革した。.

i. ランダムフォレスト（RF） これは、数百個の独立した決定木を構築するアンサンブル手法であり、各決定木はランダムに選択された特徴量のサブセットに基づいて学習され、最終的な分類のためにそれらの投票を集約します。ノイズの多い学習データに対しても頑健であり、高次元の特徴空間を効率的に処理し、分析者がどの時間的特徴またはスペクトル的特徴が分類決定を左右するかを理解するのに役立つ、可変の重要度スコアを提供します。.

ii. サポートベクターマシン（SVM） SVMは、高次元の特徴空間において、クラス間の最適な分離境界を見つけ出します。訓練データが限られている場合でも優れた性能を発揮するため、正解データの収集が困難なデータ不足の地域で特に有効です。.

iii. ディープラーニング, 特に畳み込みニューラルネットワーク（CNN）や、長短期記憶（LSTM）アーキテクチャなどのリカレントニューラルネットワーク（RNN）は、個々の画像内の空間パターンと画像シーケンス全体の時間パターンを同時に学習できます。衛星時系列に適用されたLSTMベースの分類器は、稲作マッピングタスクで最先端の精度を達成しており、いくつかの研究では、地域規模で90%を超える全体的な精度が報告されています。.

Xiao ら (International Journal of Applied Earth Observation and Geoinformation、2025) は、Sentinel-1 と Sentinel-2 の融合時系列データでトレーニングされた LSTM 深層学習モデルが、南アジアの 3 か国にわたる稲作文化タイプをマッピングしたことを実証しました。 全体的な精度は91.7%、カッパ係数は0.89でした。, 同じ訓練データ条件下で、ランダムフォレストを6.4パーセントポイント上回る性能を示した。.

訓練データの収集が可能な広範囲の水稲栽培タイプのマッピングにおいては、LSTMベースの深層学習分類器が現在ベンチマーク手法となっており、新たな国家マッピングプログラムのデフォルトの選択肢となるべきである。.

4. オブジェクトベース画像解析（OBIA）

オブジェクトベース画像解析（OBIA） この手法は、各ピクセルを個別に分類するのではなく、類似したスペクトル特性と空間特性を持つ隣接するピクセルをオブジェクト（セグメント）としてグループ化してから分類することで機能します。.

水田のマッピングにおいて、OBIAは形状、質感、および周辺環境を分類に組み込むことができるため、非常に有用である。例えば、水田の規則的な長方形の形状に基づいて、水田を類似した色の水域から区別することができる。.

OBIAは、1～5メートル解像度の商用衛星データやUAV画像など、非常に高い空間解像度のデータに対して特に効果的です。.

5．変化検出技術

変化検出とは、2つ以上の日付間で土地利用が変化した領域を特定することです。稲作システムのモニタリングにおいて、変化検出は2つの目的を果たします。1つは、気候変動や経済情勢の変化に応じて稲作面積が年々拡大または縮小する状況を追跡すること、もう1つは、作物の不作、耕作放棄、予期せぬ洪水など、作付け期間中の変化を特定することです。.

二時点変化検出（2つの日付を直接比較する方法）は単純ですが、年ごとの生物季節学的差異の影響を受けやすいという欠点があります。一方、年間全体のデータスタックを用いた複数時点変化検出はより堅牢であり、真の土地利用変化と季節的な生物季節学的変動を区別することができます。.

精度評価と検証

1. グラウンドトゥルースデータの収集

すべての稲作マッピング製品は、独立して収集された現地観測データとの照合による検証が必要です。地上真値データは通常、訓練を受けた調査員がGPS座標を用いて現地調査を行い、統計的に代表的なサンプル地点で作物の種類、生育段階、水管理状況、栽培方法などを記録するものです。これらの観測データは衛星画像取得と同時期に収集され、モデルの学習には使用されず、精度評価のみに使用されます。.

2. 分類精度指標

米に特化した用途では、各クラスの生産者とユーザーの精度をバランスさせたF1スコアが、より情報量の多い単一の数値による性能要約として、カッパ値と並んで報告されることが増えています。地図の精度を評価するための標準的な指標には、

• 全体的な精度（すべての検証ポイントのうち正しく分類された割合）、,
• プロデューサーの精度（特定の真のクラスのフィールドが正しくマッピングされる確率。再現率に類似）,
• ユーザーの正確性（特定のクラスにマッピングされたフィールドが実際にそのクラスである確率、精度に類似）および
• カッパ係数（偶然の一致を補正した一致度を示す指標で、0.80以上の値は強い一致を示す）。.

3．作付けパターンと栽培タイプマップの検証

作付けパターンマップを検証するには、複数時期の地上真値データが必要であり、各検証地点で実際に年間何回の収穫が行われたかを確認するために、作付けカレンダー全体にわたって複数回現地調査を行う必要がある。.

移植栽培と直播栽培、灌漑栽培と天水栽培を区別する栽培タイプの検証は、これらの違いが圃場では必ずしも視覚的に明らかではないため、農家への聞き取り調査や、生育期の重要な時期における管理作業の直接観察が必要となるため、より困難である。.

国の農業統計は、多くの場合、州レベルまたは地区レベルで集計されるものの、面積推定値の妥当性を検証するための追加的な情報を提供し、地図上の合計値を公式に報告された数値と照合することを可能にする。.

農業システム全体への応用

1. 農業計画および政策策定

リモートセンシングから得られる稲作パターンマップは、農業省が的を絞った介入策を立案するために必要な空間解像度を提供する。単作で天水農業が行われている地域は、小規模灌漑開発の優先対象となり、収量が減少しつつある三作地域は、土壌劣化や地下水位の低下について調査することができる。.

2. 米の生産量予測

リモートセンシングによる水田面積マップと、気象データに基づいた作物生育シミュレーションなどの収量予測モデルを組み合わせることで、収穫の数週間または数か月前に、地域レベルおよび国レベルの生産予測を作成できる。.

アジア開発銀行の食料安全保障ダッシュボードとFAOのグローバル情報早期警戒システム（GIEWS）は、いずれも衛星データから得られた稲作面積データを活用して収穫前の生産量予測を行っており、調査に基づく手法よりも精度が向上することが実証されている。.

3. 水資源管理

灌漑米はアジアにおける最大の淡水消費源であり、インドやバングラデシュなどの国々では、農業用水の総取水量の約40%を占めている。.

衛星による稲作マッピングの最も価値のある成果は、地図そのものではなく、その地図によって可能になる意思決定、つまり、運河を建設するか、井戸を閉鎖するか、補助金の配分を変更するかといった判断である。.

灌漑水田がどこで栽培されているか、何シーズン灌漑されているか、どの田んぼでAWD（間断灌漑）などの効率的な水管理手法が用いられているかを正確に把握することは、河川流域計画、貯水池運用計画、地下水持続可能性評価を直接的に支援する。.

4. 食料安全保障のモニタリング

食糧不安に対する早期警報システムは、作物の不作を迅速に検知することに依存している。稲作地域が完全な生育サイクルを完了できない場合、衛星によるモニタリングによって、予想される季節的な期間内に生育ピークが欠落または短縮されるという異常が検出される。米国国際開発庁（USAID）が支援するFEWS NET（飢饉早期警報システムネットワーク）は、稲作に特化したモニタリングを含む衛星植生データを利用して、アジアとアフリカ全域で食糧安全保障警報を発令している。.

5. 気候変動影響評価

20年以上にわたるランドサット衛星データに基づく稲作パターンマップの長期アーカイブは、気温と降水量の変化に応じて稲作地域、作付け時期、収量がどのように変化してきたかを明らかにします。これらの過去の傾向マップは、気候変動が稲作システムに及ぼす影響に関する実証的な証拠を提供し、さまざまな温暖化シナリオの下での将来の農業リスクを予測するためのインプットとして役立ちます。.

7. 精密農業の応用

農場規模では、UAV（無人航空機）による稲作タイプのマッピングと圃場レベルの土壌・水質データを組み合わせることで、可変施肥、圃場ごとの病害虫調査、最適な播種時期の決定といった精密な管理判断が可能になります。これらの技術は、稲作が高度に機械化され、リモートセンシングの成果を農場管理システムに連携させるためのデータインフラが整っている日本、韓国、中国の一部地域で急速に発展しています。.

稲作マッピングを制約する課題と限界

1. 雲量とデータ可用性

アジアの米作の大部分が行われるモンスーン期には、雲が長く続くため、利用可能な光学観測データの数が著しく制限されます。地域によっては、重要な移植期と生育初期の時期に、雲の影響でSentinel-2衛星による観測データが月に2回未満にまで減少します。SARデータはこの問題を軽減しますが、完全に解消するわけではありません。なぜなら、豪雨によってレーダー信号が一時的に飽和してしまうことがあるからです。.

2. 混合ピクセルと小視野サイズ

水田がセンサーの空間解像度よりも小さい地域では、1つのピクセルに水田と非水田の混在した地表が写り込み、分類が曖昧になる。丘陵地帯の陸稲栽培システムや、インドネシアとフィリピンの一部にある庭園規模の水田では、Sentinel-2の10メートル解像度でもピクセルが混在することが多く、これらの環境ではピクセルベースの手法の使用が制限される。.

3．作物の種類間のスペクトルおよび時間的類似性

サトウキビ、ジュート、特定の牧草地など一部の作物は、NDVIやEVIの時系列においてイネと類似した生育曲線を示すため、分類上の混乱が生じる。SARを用いた洪水検出は、低地イネにおけるこの混乱を軽減するが、水田が冠水していない高地イネシステムは、追加の現地データや補助的な地理的情報がなければ、スペクトル的に類似した作物と区別することが依然として困難である。.

4. 時間分解能の制約

リモートセンシングを用いて稲作パターンや栽培形態をマッピングするには、高密度な時間的サンプリングが必要であり、理想的には生育期間全体を通して少なくとも8～10日ごとに1回の観測を行うべきである。雲量や衛星軌道の欠落によってこの時間的密度が低下すると、生育期間の短い稲品種や、短期間で3作が繰り返される作付けサイクルは、自動検出アルゴリズムによって完全に検出されない可能性がある。.

5. 地上データの制約

高品質なラベル付き訓練データ、つまり既知の作物タイプと管理方法に照らし合わせた現地観測データは、国家マッピングシステムの訓練と検証に必要な規模で収集するには、依然として費用がかかり、物流面でも困難です。多くの低所得の米生産国では、体系的な地上データ収集のための人的・財政的能力が、マッピング精度の向上を阻む最大の制約となっています。.

米モニタリングの新たな動向と未来

1. UAVおよびドローンを用いた稲作状況のモニタリング

マルチスペクトルセンサーと熱センサーを搭載した無人航空機（UAV）は、個々の農場上空をセンチメートルレベルの画像で撮影し、圃場の境界、作物の列、さらには個々の植物の健康状態まで識別できるようになりました。UAVは、衛星規模のマッピングと個々の植物の観察をつなぐ架け橋として機能し、断片化された景観環境において衛星ベースのモデルを訓練および検証するために必要な超高解像度の地上真値データを提供します。.

2. 米の分類におけるAIと深層学習

衛星画像時系列データに適用された畳み込みニューラルネットワークと、自然言語処理から応用されたトランスフォーマーアーキテクチャを組み合わせることで、現在、これまで報告された中で最高の米の分類精度を達成している。.

2024年にワーヘニンゲン大学の研究者らが発表したPRISM（多元データを用いたフェノロジーに基づくイネ作物識別システム）フレームワークは、ラベル付けされていない衛星アーカイブに対する自己教師あり学習によって、微調整に必要な最小限のラベル付き地上データのみでイネ分類モデルを事前学習できることを実証し、現地調査の負担を劇的に軽減した。.

3. ほぼリアルタイムの稲作モニタリングシステム

運用中のほぼリアルタイムの稲作監視システムは、受信した衛星データを自動的に処理し、10～16日間隔で稲作マップを更新し、植え付け日、水不足事象、収穫時期に関するアラートを、政府のダッシュボードや農家や普及員が使用するモバイルアプリケーションに直接配信します。.

タイの米局とベトナムの農業省はともにこの種のプロトタイプシステムを運用しており、国際稲研究所はバングラデシュとカンボジアにおける同様の能力開発を支援している。.

4. 衛星データとIoTデータの統合

水田に設置されたIoT（モノのインターネット）センサーは、土壌水分、水位、温度、および樹冠の微気候を測定し、衛星リモートセンシングデータを補完および較正する継続的な地上レベルの観測データを生成する。.

IoTセンサーネットワークと衛星観測をデータ融合フレームワークで組み合わせることで、結果として得られる監視システムは、それぞれの情報源を単独で使用した場合よりも高い信頼性と早期の予測時間で、水不足、洪水発生、疾病発生の兆候を検知することができる。.

5. デジタル農業とスマート農業

衛星による稲作マッピング、IoTセンシング、AIを活用した意思決定支援の融合は、スマート稲作の基盤を築きつつある。スマート稲作では、灌漑のタイミングから施肥に至るまでの管理上の意思決定が、暦に基づいた経験則ではなく、空間的に明示されたほぼリアルタイムのデータストリームによって行われる。.

日本の新潟県と中国の黒竜江省で行われたパイロットプログラムでは、リモートセンシングを活用した精密な稲作管理によって投入コストを削減できることが実証されている。 15-25% 2024年の予備的な圃場試験報告によると、収量を維持または向上させながら、収量を向上させることができるという。.

結論

リモートセンシングを用いた稲作パターンと栽培タイプのマッピングは、学術研究分野から、アジアをはじめとする世界各国の政府、国際機関、アグリテックプラットフォームが利用する実用的なツールへと発展しました。光学データとSARデータを組み合わせたマルチセンサー時系列アプローチは、機械学習や深層学習分類器によって処理され、現在では国レベルで85～90%を超える総合精度で稲作面積マップを日常的に作成しています。これらのマップは、稲がどこで栽培されているかだけでなく、年間何回栽培されているか、どのような水管理下で、どのような栽培方法で栽培されているかまで明らかにします。.

単なる水田面積のマッピングから、耕作地の分類へと進むことで、土地被覆データは農業情報資産へと変貌します。ある地域で過去10年間に移植栽培から直播栽培へと移行したことが分かれば、労働市場の変化と地下水位の低下が同時に起こっていることが分かります。また、天水栽培地域のうち、初期の干ばつに最も脆弱な地域を、その時間的スペクトルパターンから特定することで、災害発生後の事後対応ではなく、事前に適切な対策を講じることが可能になります。リモートセンシングは、同等の地上調査プログラムに比べてはるかに低いコストで、このような高度な空間情報分析を可能にします。.