ジオAI研究会中間報告資料 深堀り・議論会

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、
より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。
speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge

Transcript

1. 中村凌・篠原崇之・青木 亮祐・嶌田 将貴 柴田たけお・藤野 倫太郎・豊島 拓 1 ジオAI研究会中間報告資料 深堀り・議論会
2. ジオ研究会って？ • 内閣官房地理空間情報活用推進室・国土交通省が地理空間情報とAI 取り組みを産学官で 戦略的に加 するために設置された がジオAI研究会 • 5/29 段階で４回 研究会 議論を踏まえて中間整理した内容が共有されている ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
3. ジオ研究会って？本文から 抜粋 • 地理空間情報×AI（ジオ AI）において、現状（As is)と目指す姿( o be)を明らかにし たう えで、そ ギャップ（論点・課題）を、いかに埋めていくべきか （方向性）を検討すること を目的としてジオ AI 研究会を設置 • ジオAI研究会で 主に以下 ５点について議論・検討を行なっている ◦ ①ジオ AI をめぐる最近 動向 ◦ ②ジオ AI 概念整理、目指す姿 ◦ ③ジオ AI 推進・実現に向けた「論点・課題」 整理 ◦ ④ジオ AI 推進に必要な産官学による「取組 方向性」 （協調領域、競争領域） ◦ ⑤ジオ AI 推進にあたって配慮・考慮すべき事項 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
4. ジオAI研究会 メンバー構成 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合～”. より引用 大学 先生及び色んな所属 方を含めて 研究会を実施している
5. 各研究会で関連機関が議論に参加 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合～”. より引用
6. ジオAI研究会 中間報告 アウトライン 7 • 研究会設置 背景・課題認識 ◦ 背景 ▪ G空間プロジェクト 経緯 ▪ 地理空間情報 広がり ▪ AI 進展と地理空間情報分野で AI活用 ◦ 課題認識〜現状 AI 地図や地理空間情報が苦手〜 ◦ ジオAI研究会 設置 • 地理空間情報×AI（ジオAI）へ 期待 ◦ ジオAIと ◦ ジオAIへ 期待（産学官ヒアリング結果） • 地理空間情報×AI（ジオAI）により目指す姿 ◦ ジオAIにより目指す姿 ▪ 目指す未来社会 ▪ ジオAI 価値〜空間・時間・物理制約を織り込んだ現場に効く知能〜 ◦ ジオAIが期待される分野例 • ジオAI 全体設計像（アーキテクチャ） ◦ ジオAI 全体アーキテクチャ ◦ 協調領域・競争領域 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用 近年 話 課題とジオAI研究会 モチベーション 目指すべき方向性 話 実現するため
7. ジオAI研究会 中間報告 アウトライン 8 • ジオAI 実現に向けた課題と方向性 ◦ ジオAI 推進に係るAIモデル ← 第一回 ▪ ジオAIにおける地理空間モデル 必要性 ▪ 論点 ▪ 現状とあるべき姿 ▪ あるべき姿 実現に向けた取り組み方針と留意すべきポイント ▪ 取り組み 方向性（本研究会から得られた示唆）←第２回 ◦ AI- eadyなデータ整備 ▪ 論点 ▪ 現状とあるべき姿 ▪ あるべき姿 実現に向けた取り組み方針と留意すべきポイント ▪ 取り組み 方向性（本研究会から得られた示唆） ◦ AI- eadyなデータ連携・流通基盤 ▪ 論点 ▪ 現状とあるべき姿 ▪ あるべき姿 実現に向けた取り組み方針と留意すべきポイント ▪ 取り組み 方向性（本研究会から得られた示唆） ◦ ガバナンス ▪ 論点 ▪ 現状とあるべき姿 ▪ あるべき姿 実現に向けた取り組み方針と留意すべきポイント ▪ 取り組み 方向性（本研究会から得られた示唆） ◦ 人材育成 ▪ 論点 ▪ 現状とあるべき姿 ▪ あるべき姿 実現に向けた取り組み方針と留意すべきポイント ▪ 取り組み 方向性（本研究会から得られた示唆） ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用 主に議論 内容がここにまとまってい る
8. 9 本編 説明 This image was generated by ChatGPT
9. 地理空間情報 活用を促進したG空間プロジェクト • 地理空間情報活用推進基本法（2007） 制定以降、政府一体となってG空間支える基盤であ る準天頂衛星システム「みちびき」 整備や電子国土基本図等 地理情報システム（GI ） データ整備を進め、G空間情報 利活用を進めてきた ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
10. G空間情報が整備されたことで、静的データから3D・動的データ 整備が促進 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
11. 整備が促進されることで地理空間情報市場 拡大（市場 大きな可能性を秘めている） ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
12. データが整備されることによる地理空間情報 AI促進が急 化 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用 geoai 共起単語 可視化
13. 地理空間情報におけるAI 課題 → ジオAI研究会設置へ • 地理空間情報 課題 ◦ 地理空間情報 整備流通 促進されているがWebGI や A I による情報提供・可視化にとど まっている • 地理空間情報とAI 関係性 課題 ◦ 近年 AI技術発展を考えるとAI 予測・推論・提案を通じて社会課題解決に寄与するように情 報整理をすることがことが期待されている ◦ 生成 AI や で 主に自然言語やコード、記号列を対象に学習しているため言語的記述とひ も付かない地理空間情報 意味解釈やベクター処理 苦手 ▪ AI における空間的な意味解釈（空間オントロジー）を含め、地理空間情報×AI 在り方 検討が必要 AIが地理空間情報を使って社会課題を解決できるように 現状と未来について議論するためにジオAI研究会が設置 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
14. 16 ジオAIについて This image was generated by ChatGPT
15. ジオAI（地理空間情報とAI 融合）について→ジオAIが持つ３つ 要素について ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用 ジオAI 要素 大きく ３つに分類 １，２が先行・部分実装され ３も含めた社会実装が相互保管的 に進化することが期待される
16. どんな未来に向かっている？：ジオAIにより目指す姿 • 現状 課題：人口減少・少子高齢化に伴う労働不足 様々な分野で課題に • 労働不足 課題 現場で生じるため現場という場所に紐付けられた「地理空間情報」 重要 性 高いデータ • こ データにAI 技術を用いることで複雑化・輻輳化した現場 課題 解決を期待 ◦ 意思決定・合意形成 場面で、人間 時空間的能力を超える複雑な課題に対しても最 適・最善なソリューションを企画立案 ◦ 現場で 実行場面において 、AI・フィジカル AIと 連動により、ロボティクスやオート メーション技術を局所最適から全体最適 技術へと拡張 人間が考えられない案を立案してくれる ロボティクス分野へ 応用を想定 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
17. 現在進行しているプロジェクトから見える未来 • 国土交通省が推進する「建築・都市 ＤＸ」を初めとしたデジタル空間とフィジカル空間を融合 する「デジタルツイン」が各分野で急 に発展 • これらとAIが融合・統合されることで「人と国土、ロボットがオーケストレーションする 」社会 実現が期待されている ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
18. これらを踏まえたジオ AI が実現する未来社会 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用 This image was generated by ChatGPT
19. ジオ AI 研究会が考えるジオAI 価値（ 整理） • ジオ AI 価値（意思決定 統合性・先行・予防性、迅 性・拡張性 高度化） ◦ 意思決定 度や選択肢、再現性（属人性 排除）等、人間 地理空間的・時系列的な 認識 能力を拡張し、空間・時間・物理制約を織り込んだ現場に効く知能によって、「意思決定プロセス 質的転換」を図ること • 具体的に想像している価値（下記が自然言語を通して誰でも再現可能に） ◦ 事故・災害・社会課題が顕在化する前に兆候を捉え、事後対応で なく、先手を打った意思決 定を下せるようになる ◦ 絶え間なく変化する外部環境（人口動態、経済動向、自然環境、ライフスタイル等）へ 迅 な 対応 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
20. 22 ジオAI実現に向けて This image was generated by ChatGPT
21. ジオAI 実現・推進 ため 羅針盤：全体アーキテクチャ図 ① ③ 　② データ層と連携層 ジオ AI 実現に向けた中核層いか にAI- eady なデータを AI が 使える形で流通・提供するか、 これがジオ AI 成否を左右 する ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
22. ジオAI研究会が考える協調領域（国 仕事）と競争領域（民間 仕事） アプリ・サービス開発や 領域特化モデル等 民 間 競争領域 地理空間情報を適切に 処理できる AI システム 開 発、公共 基幹的・中核的 データ 整備・ AI- eady 化 や流通基盤 提供等 新た な共通基盤 整備やガバナ ンス 協調領域として官が主 導 特定分野/業界ごと 教師データやエコシステム コミュニティ形成・ 人材育成など学術・業界団体を中心に主導 ジオ AI 研究会. (2026), “中間整理 ～地理空間情報 ×AI 融合 推進～ ”. より引用
23. 25 SatAI.challenge 調査 RAGについて 深堀り This image was generated by ChatGPT
24. AI eady データ整備 議論を深めるために AGについて深堀りをしてみる • 今回 勉強会で etrieval-Augmented Generation（ AG）について 歴史を一部付随するこ とで、データ 持ち方としてどうあるべきか 理解を深めてみる • 基本的に ４つ 論文を１ページサマリ形式でまとめどういう技術でどういう事が過大な か を述べていく • 論文 リスト 以下 通り ◦ AG 原著論文 → ドキュメントを調べるため 技術 原点 etrieval-Augmented Generation for nowledge-Intensive asks ◦ C AG → 参考ドキュメント 評価を追加 Corrective etrieval Augmented Generation ◦ Graph AG →ドキュメント群 構 的な調査 From ocal to Global: A Graph AG Approach to uery-Focused ummarization ◦ Agentic AG→ AGをツールとして扱う Agentic etrieval-Augmented Generation: A urvey on Agentic AG
25. AG（2020）― 調べてから答える土台 Patrick Lewis. (2020), “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”,arXiv:2005.11401. より引用 最大 内積探索 Documentと質問を入力 質問を生成して、解答を生成 • 事前にベクトル化したドキュメントとクエリ ベクトル 類似度を計算し、複数 ドキュメントと質 問をGeneratorに入力（学習時 これら アンサーが上手くいくように最適化される） • 課題：引いた資料が間違っていても気づけない。全体像を問う質問 苦手。
26. C AG：調べ間違いを自分で直す（引用するドキュメント 評価を追加） Shi-Qi Yan. (2024), “Corrective Retrieval Augmented Generation”,arXiv:2401.15884. より引用 課題：採点モデルを別途ファイン チューニングする必要がある 閾値 データごとに手調整 採点モデルが資料と質問 合致 度を採点し、3つに振り分ける Correct：資料を小片に分解→不 要を捨てて再構成 Ambiguous：両方を混ぜる。既存 AGに後付けできる Incorrect：資料を捨てWeb検索で 取り直し
27. Graph AG：断片でなく全体像を読む Darren Edge. (2025), “From Local to Global: A GraphRAG Approach to Query-Focused Summarization”,arXiv:2404.16130. より引用 こ 色が AG インデックス作成 こ 色が解答作成 各チャンクから が重要 なエンティティと、それら 間 関係を抽出 さらに、それぞれに短い説 明文を付ける 必要なグラフ 選択 ドキュメント全体 解答が 難しいがグラフを 導入することで改善 課題：関係図 構築コストが要 る
28. Graph AG：断片でなく全体像を読む Aditi Singh. (2025), “Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG”,arXiv:2501.09136. より引用 • Agentic AGで整理された verview ◦ ナレッジグラフとベクターデータベースで構成されている
29. Agentic AG：AIに調べ方を決めさせる Aditi Singh. (2025), “Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG”,arXiv:2501.09136. より引用 • 弱点 ◦ ここまで 手法 手順が固定 ◦ 何段階も調べ直す複雑な質問に、そ 場で柔軟に対応できない • しくみ: ◦ 「自分で判断して動くAI（エージェント）」を組み込み、調べる→確かめる→足りなけれ 調べ直すを 自分で回す。 ◦ エージェント 動き方4つ＝リフレクション（自己点検）/プランニング（手順分解）/ツール使用（検索 ・計算・A I）/マルチエージェント（複数AI 分担）。 AG ツール使用 １つ
30. 4本 論文に目を通して 気づき • Agent ツールとしてデータを取得する で、Agentが地理空間情報 課題を解くために データ 整備以外にもツール 整備も重要になる で ？ ◦ 取得した地理空間情報を演算するツールがないと計算ができない • データ 持ち方として最適で ないかも知れないが、ベクターデータベース＋ナレッジグラフを 用いられている ◦ どこかでデータベースを作る必要がある？ • ドキュメント チャンク毎に区切って検索しやすいようにしている
31. 33 SatAI.challenge メンバー間 議論 This image was generated by ChatGPT
32. メンバーと 理解：目指したい方向性 １枚絵 34 位置情報が共通化されてAgentが自発的にデータにアクセスし、プ ロンプト 返答を返すため 基盤 整備 位置情報をどう共通化しど ようなタスクが 解けるようになるかを知ること 重要
33. 位置情報 充実化 複数 種類 データ 掛け合わせに発展し １つ データだと解けない問題を解消する可能性がある atAI.challengeでも位置情報 充実化に対して 言及 35 　中村 凌. (2025), “Remote sensing × Multi-modal meta survey”,Speaker deck より引用
34. 本当に今 Agent 地理空間情報 問題が解けない か？ 36 • GI clawという論文で 、GeoAnalystBenchというベンチマークデータセットで、最大100% タスク成 功率、3回実行平均で97％ 成功 • 論文 重要な知見 データパス、A I状態管理、メモリ制限、型変換など 環境レベル 問題を修 正することで、中間タスク成功率が大きく改善したという点 →つまり 、 改善で なく実行基盤を丁寧に作る方が効く場合がある 現状 問題を理解するため 仕組みを作り 適切にリソースを割り当てる事が重要 Jinzhen Han. (2026), “GISclaw: A Comprehensive Open-Source LLM Agent System for Realistic Multi-Step Geospatial Analysis”,arXiv:2603.26845 より引用
35. 47 スライド作成者紹介 This image was generated by ChatGPT
36. 中村 凌 株式会社天地人 / SatAI.challenge 主宰 / cvpaper.challenge HQ • 株式会社天地人データサイエンティスト （2024/04 - 現在） • SatAI.challenge 主宰（2024/09 - 現在） • cvpaper.challenge HQ（2021/1 - 現在 ） • 福岡大学大学院 理学研究科 応用数学専攻 博士課程（2021/04 - 2024/03） • 産業技術総合研究所 コンピュータビジョンチーム RA（2021/05 - 2024/03） • 福岡大学大学院 理学研究科 応用数学専攻 修士課程（2019/04 - 2021/03） 自己紹介 Twitter LinkedIn 48 これまで 個人的な活動 • 研究効率化Tips （ViEW2021招待講演） • 国際会議へ 論文採択実績（IROS / ICCV 2023, ICASSP / ECCV2024） • CCCS,W2021/2022 GC PC（登録者800名超え） • SSII2023オーディエンス賞受賞 • SatAI.challenge運営（国際論文 日本語資料・動画 アーカイブ化）
37. 自己紹介 49 研究テーマ ：３次元モデリング、サロゲートモデル、動的システム、土木インフラ 49 X(旧 Twitter) LinkedIn 産総研 - サロゲートモデル: 制御x深層学習モデル - 土木インフラxAI: インフラ劣化予測 篠原 崇之
38. 青木 亮祐（ぴっかりん） • 株式会社パスコ（パン屋で ありません） • 一般社団法人OSGeo日本支部( OSGeo.JP ) 運営委員 自己紹介 50 X（旧Twitter） GitHub 過去に個人で行った衛星データ関連 発表 個人開発した A EA A I C サーバー
39. 嶌田　将貴 （シマダ　ショウキ） • 産総研　地質情報研究部門　リモートセンシング研究グループ • 専門 地球観測衛星データ 解析による環境変化 定量化や、農業 など食料分野における情報整備 自己紹介 51 衛星画像から検出した太陽光発電パネル 時系列画像から分析した作付けマップ
40. 柴田たけお フリーランサー 東北大学理学部、カリフォルニア大学バークレー大学院で地物専攻 そ 後IT業界で30年近くSYSTEM ENGINNERとしてシステム開発にかかわる 現在 AIや数理最適化とGISやリモートセンシングを組み合わせたソリューションに 興味あり 最近開発活動（ POCも含む） •衛星.GIS関連: 衛星画像LANDSATと統計データを利用した新潟県 収穫量予測, 物流 最適運搬システム •一般AI関連: 音声特徴量で 健康診断, 顔認証, 画像生成, 自動コード生成, END2ENDで AI医療応用提案 •そ 他: SNS コメントと写真情報から 災害対応システム 自己紹介 52
41. 藤野 倫太郎 東京理科大学大学院　創域理工学専攻　社会基盤工学研究科　修士2年 　 - 東京理科大学　水理研究室所属 　　- AcademiX(AIを学びたい学生が集まるコミュニティ) 運営メンバー 　　- 未踏アドバンス(2023) 野球 動作解析アプリ 開発 研究テーマ ：河川橋梁洗掘(実験・混相流 数値計算) 53 興味 ある分野：数値計算 　　　　　　　　人工知能全般(距離学習、GNN、サロゲートモデル) リモートセンシング 自己紹介
42. 最近 活動： • 航空機SAR 事業化に向けた実証・調査 • 観測衛星が創出する経済社会便益（経済的効果等） 算定 豊島 拓 日系シンクタンク所属 - 合成開口レーダ（SAR） - 衛星を用いたインフラモニタリング 54 自己紹介