連続する米国本土向けの自動化された10m分解能インシーズン作物種類データ層マッピング

迅速な作物マップが重要な理由

毎年夏、トウモロコシ、大豆、綿花など数百万エーカーの作物が米国内外の食料と燃料の価格を左右します。しかし、最も広く使われている全国的な作物マップは通常収穫後数か月で公表され、リアルタイムの多くの意思決定には遅すぎます。本研究は、季節の最中にどこで何が栽培されているかを、個々の圃場が識別できるほどの詳細で、わずか数日遅れで示す方法を提示します。

新しいタイプのインシーズン作物マップ

著者らはIn season Crop type Data Layer（ICDL）を紹介します。これは下位48州全域で作物種類を10メートル分解能で示す月次マップのセットです。従来の製品が翌年に公開されるのと異なり、これらの6月、7月、8月のマップは各月の終了後約5日で公開されます。この迅速性により、農家、企業、機関は作物がまだ地上にある間に作付面積の追跡、リスク監視、物流計画を行えます。ICDLは標準的な地図形式で提供され、CropSmartウェブポータルでオンライン表示するか、独自分析のためにダウンロードできます。

宇宙から土地を読み取る

これらのタイムリーなマップを作成するため、チームは欧州のSentinel-2と米国のLandsat 8および9という二つの衛星プログラムからの安定した画像の流れに依存します。これらの衛星は葉の成長や水分に敏感な複数の波長で同じ圃場を繰り返し撮影し、遅い春から夏にかけて作物が出現し、成長し、成熟する様子を捉えます。手法は過去の米国作物マップの年次データも利用し、特定の作物が同じ圃場で繰り返される場所や、トウモロコシと大豆のように交互に作付けされる単純なパターンを学習します。そのような安定したパターンに従うピクセルは、マッピングシステムの訓練における信頼できる例となります。

画像時系列を圃場レベルの地図に変える

国土の一部を覆う各衛星シーンについて、研究者らは信頼できる訓練ピクセルを5月から各夏月までに収集した画像スタックと組み合わせます。これらのデータを処理して解像度を標準化し、植生の活力や水分の単純な指標を計算します。ランダムフォレストと呼ばれる機械学習手法が、変化する衛星信号が主要作物や牧草、森林などの他の被覆クラスにどう対応するかを学習します。SentinelとLandsatのストリームから別々のマップを作成し、それらを結合して全国レイヤーにし、より細かな表現が得られるためSentinelを優先します。最後のクリーンアップ処理で孤立した誤分類ピクセルを滑らかにして圃場境界を整えます。

マップの精度はどれくらいか

チームはICDLを、ネブラスカ州とアイオワ州で収集した圃場観測と州公式の作物面積統計と慎重に比較して検証しました。ピクセルレベルでは、作物の発達に伴って精度が向上し、6月の約81パーセントから8月には約93〜98パーセントに上昇し、晩夏には長年のCropland Data Layerを上回ることが多く見られます。この手法は特にコーンベルトのトウモロコシと大豆で良好に機能します。ICDLに基づく面積推定をトウモロコシ、大豆、綿花の公式総計と比較すると、多くの州で差は通常数パーセント以内であり、地域総計は報告値に非常に近い結果となります。

食料と土地管理にとっての意味

計画者、アナリスト、科学者にとって、ICDLは季節中に農家が何を栽培しているかを個々の圃場まで示すタイムリーな全国像を提供します。著者らは作物、地域、画像品質によって性能が変わり得ると指摘していますが、マップは一貫して高い精度に達し、公式統計と密接に一致します。この新しいデータ層は、収量予測、需給見積もり、干ばつや市場ショックに対するリスク評価を強化し、農地の変化に関して意思決定者がより迅速に対応するのに役立ちます。

引用: Li, H., Di, L., Zhang, C. et al. Automated 10-m Resolution In-season Crop-type Data Layer Mapping for Contiguous United States. Sci Data 13, 750 (2026). https://doi.org/10.1038/s41597-026-07099-1

キーワード: 作物マッピング, 衛星画像, 農業モニタリング, リモートセンシング, 米国の作物