衛星画像即時マッピングサービスの実現に向けて

2026年1月30日のG空間EXPO2026出展社セミナーにて発表した資料です。株式会社オービタルネットの衛星画像×AIの取り組み「これまで」と「これから」についての発表です。様々な解像度の衛星画像を空中写真と同等の解像度に超解像化した画像を用いてセグメンテーションや単眼深度推定を行っています。さらにこれらサービス化に向けた進捗について報告します。

Transcript

1. 株式会社オービタルネット 代表取締役CEO 小林裕治 2026/1 衛星画像即時マッピングサービス の実現に向けて
2. 2 本日の内容 • AIと衛星画像を使用した取り組み紹介 • これまでの実績～現在の取り組み（現在の深層学習モデルを使用した） • 超解像(最大×20) {Sentinel-2(L1C, L2A), GRUS, WorldView-2,3, Capella} • セグメンテーション+建物正規化ポリゴン • 生成AIを活用した地図生成の試み • 単眼深度推定による建物屋根形状３Ｄモデル生成、年間平均日照解析 • AI×衛星画像のWebサービス化、現状と課題 • まとめ
3. 3 自己紹介 小林 裕治（Yuji Kobayashi） 株式会社オービタルネット 代表取締役 CEO （会社の取り組みも随時こちらで紹介しています） 週末は標高1300mの山小屋で暮らしています。 （旧Twitter）@lehua555 （会社の取り組みも随時こちらで紹介しています）
4. 4 商 号 株式会社オービタルネット 設 立 2018年4月2日 資本金 53,000,000円 代表取締役 CEO 小林 裕治 所在地 〒460-0011 名古屋市中区大須4丁目13番46号 ウィストリアビル 401号室 事業内容 ・オープンソースGISに関する開発・導入コンサルティング ・人工知能（AI）を活用した各種分析・地物生成及び重みモデル作成 ・三次元データの作成・WEBサービス 企業情報
5. 5 道路 建物 これまでマニュファクチャーでは不可能であった、短期間での県・全国規模のデータ生成が可能になった！ 2018～2024 ：地理空間情報の自動生成 半田市航空写真 ©NTTインフラネット ©NTTインフラネット
6. 6 野立てPV 建物PV これまでマニュファクチャーでは不可能であった、短期間での県・全国規模のデータ生成が可能になった！ 2018～2024 ：地理空間情報の自動生成 ©NTTインフラネット ©Maxar Technologies
7. 7 斜面崩壊箇所（差分解析） 園芸施設 駐車場 これまでマニュファクチャーでは不可能であった、短期間での県・全国規模のデータ生成が可能になった！ 2018～2024：地理空間情報の自動生成 地理院タイル ©Maxar Technologies ©Maxar Technologies
8. 8 これから：AI×地理空間情報の未踏領域に挑戦 “生成AIラボ” を立ち上げ、 斬新な技術をユーザーの利用価値をとして提供する AI as a Service の実現 https://www.orbitalnet.jp/labo/
9. 9 解像度が異なる様々な衛星画像の超解像化と 地物マッピングに係る取り組み
10. 10 当社では、衛星画像の超解像化を積極的に行っています。 これは超解像化自体が目的ではなく、 その下流にある目視及び機械判読を容易にするための 必要な前処理と位置付けています。 衛星画像の超解像化について
11. 11 Sentinel-2用 学習済モデル WorldView用 学習済モデル GRUS用 学習済モデル バイリニア 補間 ×2.5 Sentinel-2 衛星画像 GRUS 衛星画像 2段階の超解像でBoost Up Hyper Resolution （8倍～10倍）の仕組み 4倍 2倍 前処理 4倍 Sentinel-2やGRUSの衛星画像から建物のマッピングを実現させるため、 2段階Boostで超解像画像を生成しています 解像度25㎝ 相当の画像
12. 12 Sentinel-2の衛星画像を10倍に超解像
13. 13 つまり、1m解像度に超解像化！ Sentinel-2の衛星画像を10倍に超解像
14. 14 まだまだいけます! ！ Sentinel-2の衛星画像を10倍に超解像
15. 15 50㎝解像度に！ Sentinel-2の衛星画像を20倍に超解像
16. 16 Sentinel-2の衛星画像を20倍に超解像、建物マッピング
17. 17 GRUSの衛星画像を8倍に超解像 ©Axcelspace
18. 18 ©Axelspace GRUSの衛星画像を8倍に超解像、建物マッピング ©Axcelspace
19. 19 Capella衛星 (SAR) を2倍に超解像、光学カラー化 Imagery from Capella Space
20. 20 Capella衛星 (SAR) を2倍に超解像、光学カラー化、建物マッピング Imagery from Capella Space
21. 21 超解像画像（解像度約17.5cm） 自動生成した建物ポリゴン 高解像度衛星画像から建物抽出図化例 超解像による画像の鮮明化でAIによる自動抽出の精度向上 ©Maxar Technologies
22. 22 地理院タイル 空中写真（1961年～1969年） 名古屋市天白区平針 モノクロ空中写真 → カラー化 → 超解像 → 建物マッピング
23. 23 地理院タイル 空中写真（1961年～1969年） 名古屋市瑞穂区白砂 モノクロ空中写真 → カラー化 → 超解像 → 建物マッピング
24. 24 地理院タイル 空中写真（1945年～1950年）愛知県愛知郡東郷町春木 モノクロ空中写真 → カラー化 → 超解像 → 建物マッピング
25. 25 地理院タイル 空中写真（1928年頃） 吹田駅南 モノクロ空中写真 → カラー化 → 超解像 → 建物マッピング
26. 26 地理院タイル（年度別空中写真 地区2019年） 地理院タイル 令和3年7月1日からの大雨 正射画像 熱海伊豆山地区（7/6撮影） 建物異動判読（土砂災害における被害建物の検出）
27. 27 地理院タイル（年度別空中写真 地区2019年） 地理院タイル 令和3年7月1日からの大雨 正射画像 熱海伊豆山地区（7/6撮影） 建物異動判読（土砂災害における被害建物の検出） 赤：建物差分
28. 28 Nano Bananaを使用した地図生成の試み
29. 29 ここ数年におけるChatGPTやGeminiなどの対話型生成AIの進化は著しく、空中写真 や衛星画像ベースの画像編集においても飛躍的な精度向上が図られています。 そこで、Capella衛星、GRUS、Sentinel-2の画像を元に、カラー化や超解像などで前 処理した画像から、以下のプロンプトを用いて地図生成を試みました。 Major Road (Diagonal) Trunk Road: Golden yellow fill rgb(248, 207, 117) with dark brown casing rgb(70, 55, 30). Residential Streets Tertiary/Minor Roads: White fill rgb(255, 255, 255) with dark gray casing rgb(60, 60, 60). Buildings (Dense central area) Standard Buildings: Medium gray fill rgb(170, 172, 174) with dark gray outline rgb(154, 156, 158). Golf Course (Managed Turf) Parks and Green Spaces: Pale green fill rgb(211, 235, 199) at 0.35 opacity. Forest/Dense Tree Cover Forests and Woodlands: Vibrant green rgb(62, 168, 0) at 0.2 opacity. Farmland/Open Fields Residential/Urban Green: Beige fill rgb(246, 219, 164). Nano Bananaを使用した地図生成の試み
30. 30 ©Axcelspace GRUS → 地図生成（swisstopoスタイル） 入力画像 Nano Banana
31. 31 Nano Banana Pro ©Axcelspace GRUS → 地図生成（swisstopoスタイル） 入力画像
32. 32 Sentinel-2 → 地図生成（swisstopoスタイル） 入力画像 Nano Banana Copernicus Sentinel data
33. 33 Nano Banana Pro Sentinel-2 → 地図生成（swisstopoスタイル） 入力画像 Copernicus Sentinel data
34. 34 Capella衛星（SAR） → 地図生成 （swisstopoスタイル） 入力画像 Nano Banana Imagery from Capella Space
35. 35 Nano Banana Pro Capella衛星（SAR） → 地図生成 （swisstopoスタイル） 入力画像 Imagery from Capella Space
36. 36 単眼深度推定、建物PV年間平均日射量推定 に関する取り組み
37. 37 単眼深度推定とは、単視点の画像から被写体までの距離を深層学習を用いて 推定する技術で深度マップとして表現します。
38. 38 当社では衛星画像から単眼深度推定を用いて、深度画像→DSM（簡易3D屋根形状） を生成する取り組みを行っています。標高値は取得できませんが、おおよそ地形なら再現可 能です。（衛星画像から土砂災害の状況把握等） 衛星画像単眼深度推定に関する取り組み
39. 39 衛星画像AI単眼深度推定による簡易3D建物データ生成 衛星画像（50cm） ３Dサーフェース・モデル Birds-Eye View 2倍に超解像化してAIによる単眼深度推定 切妻屋根、寄棟屋根、陸屋根が再現できている
40. 40 建物上ソーラーパネルのポテンシャル計算はPlateauなどの3D都市モデルを使う必要があ りました。これらデータは空中写真が撮影されてからの一定の期間と製作コストがかかります。 単団深度推定であれば簡易的ではありますが、3Dモデルの生成から屋根面ポテンシャル 計算が瞬時行えます。最新の衛星画像画像から広域の評価を短期間で必要な場合に 有効です。以下のサンプルは、傾斜面における日射量を、直達・散乱・地表反射の 3 成 分から計算する基本的なモデル（簡易モデル）を用いて計算、可視化したものです。 単眼深度推定から生成した屋根面3Dモデルから 年間平均日射量推定 → PVポテンシャル
41. 41 年間平均日射量推定のアウトプット
42. 42 衛星画像から地理空間情報を生成を実現する AIサービスの実現
43. 43 具体例）衛星画像の解像度等の違いを吸収して、建物のマッピングを実現するサービス カラー化 超解像 解像度25㎝ 相当の画像 各種衛星画像 SAR画像 モノクロ空中写真 セグメンテーション マスク最適化 正規化ポリゴン パイプライン処理
44. 44 衛星画像の超解像→建物セグメンテーション、 正規化ポリゴン取得パイプライン処理QGISプラグイン ©Maxar Technologies
45. 45 衛星画像の超解像→建物セグメンテーション、 正規化ポリゴン取得パイプライン処理QGISプラグイン ©Maxar Technologies
46. 46 ©Maxar Technologies WebAPI（建物図化） 入力画像：WorldView-3（35cm） Webブラウザでプレビュー WorldView-3の衛星画像から建物ポリゴンをE2Eで自動生成 薄い雲がかかった画像
47. 47 GRUS衛星画像（2.5m解像度）から、単眼深度推定によって 3次元簡易建物モデルをE2Eで自動生成 入力画像：GRUS（2.5m） ©Axelspace GRUSの簡易3Dモデルをブラウザで表示 WebAPI（単眼深度推定①）
48. 48 Sentinel-2衛星画像（10m解像度）から、単眼深度推定によって 3次元簡易建物モデルをE2Eで自動生成 入力画像：Sentinel-2（10m） Sentinel-2の簡易3Dモデルをブラウザで表示 ※建物は元画像で読み取れる範囲で総描になります。 WebAPI（単眼深度推定 ②）
49. 49 Webアプリケーション（年間平均日射量推定）
50. 50 これらは弊社ブースにてデモを行っています 小間番号 : 7E-18
51. 51 まとめ • 超解像化は、その下流にある目視及び機械判読を容易にするために必要な 前処理 • 超解像モデルやカラー化モデルなどを組み合わせることでSentinel-2、 GRUS、Capella衛星（SAR）も25㎝解像度相当の画像度の入力画像 を生成して一様に建物等マッピングも可能に。 • 超解像と単眼深度推定を組み合わせることで、屋根3D化で平均日射量 の推定も可能 • 上記内容をWebサービス化（AI as a Service)を本気で目指しています！ 展示ブースではデモを実施
52. 52 ご清聴ありがとうございました！