高解像度モロッコ Mohammed VI 衛星画像を用いた耕作地マッピングのための植生指標へのK平均クラスタリングの適用

なぜ賢い作物マップが重要か

増え続ける世界の食料供給は、現地で何が実際に育っているかをほぼリアルタイムで把握することにかかっています。農家や行政は、どこに作物が植えられているか、どの圃場が裸地であるか、そして季節ごとにそれらのパターンがどう変化するかについて、信頼できる地図を必要としています。本研究は、モロッコの地球観測衛星と単純な形の人工知能を組み合わせることで、生の画像を大量の手作業によるラベリングを必要とせずに高精度な耕作地マップに変換できることを示しています。

宇宙から農地を観る

本研究は、太陽同期軌道を周回するモロッコの二機の Mohammed VI 衛星システムを中心に据えています。これらは近赤外を含む四波長で非常に鮮明な画像を取得し、解像度は0.5メートルと、個々の小さな圃場や樹列さえ識別できるほど高精細です。研究者らは北モロッコ、フェス–メクネス地域の175ヘクタールの農地を対象にしました。そこには穀物、トウモロコシ、オリーブ、アーモンド、ブドウ、野菜の圃場があり、耕作放棄地やまばらな植生と隣接しています。こうした多様性は、耕作地を他と分離するツールの試験に理想的な場となります。

色から手がかりを引き出す

生の衛星画像はただの異なる波長の輝度値の格子に過ぎません。それらをより有益にするため、研究者は複数の波長を組み合わせて植物の健康や水分状態を反映する単一の数値で表す「植生指標」を計算することがよくあります。本研究では、葉の多いクロロフィル豊富な植生を浮かび上がらせる代表的な正規化差植生指数（NDVI）と、緑波長と近赤外を用いて水分差に敏感な修正版正規化差水指数（MNDWI）を使用しています。これらに元の近赤外バンドを加えた三つのレイヤーが、各ピクセルの植生と水分状態の簡潔な記述を形成し、単一波長よりもはるかに豊かな情報を提供します。

データに自己分類させる

数千件の手作業でラベル付けされた例で複雑なモデルを訓練する代わりに、研究者らは教師なし機械学習の単純なクラスタリング手法であるK平均法を採用しました。K平均はデータ内のパターンを探し、スペクトル特性が似たピクセルを固定数のクラスタに分けます。基本的な前処理――関連するバンドの抽出、二つの指標の計算、重ね合わせ、すべての値を0から1の範囲にスケーリング――の後、研究チームはK平均に正確に三つのクラスタを作るよう指示しました。それらはフィールド外や有用な信号がない背景、裸地、作物優勢領域として解釈されました。手法が教師なしであるため、追加のラベル付け済み訓練データなしに新たな画像へ適用できます。

手法の実地検証

手法の有効性を評価するため、著者らは同じ高解像度画像を用いて地理情報ソフトで耕作区画を手作業で詳細にトレースし、参照マップを作成しました。次に耕作地割合を推定する四つの方法を比較しました：近赤外輝度だけに基づく単純な閾値法、NDVI のみを用いたルール、元のカラー波長に対する標準的なK平均法、そして指標と近赤外データを組み合わせてクラスタリングする新しい「スペクトルK平均」です。調査地域の実際の耕作地比率は71.07パーセントでした。近赤外閾値法は65.59パーセントと過小評価し、NDVI 単独は66.13パーセント、標準K平均は67.18パーセントでした。スペクトルK平均は72.07パーセントで最も近く、相対誤差はわずか1.41パーセントにとどまり、他の方法より数倍優れていました。

将来の農業にとっての意義

農家、灌漑管理者、計画担当者にとって、この種の自動化された高精度マッピングは、コストのかかる現地調査や大規模なラベル付きデータセットなしで広域の圃場を監視する実用的な手段を提供します。耕作地と非耕作地を確実に識別し、植生が健全かストレスを受けているかを示すことで、精密灌漑の支援や肥料使用の指針、土地利用変化の追跡に役立ちます。現時点では検証が単一画像に依存しているものの、このアプローチは単純な教師なしアルゴリズムを高解像度衛星データに適用することで、圃場単位の作物マップを日常的に提供し、食料生産を改善すると同時に土地と水のより持続可能な利用を促進する将来を示唆しています。

引用: Moussaid, A., Bayad, M., Gamoussi, Y. et al. K-means clustering applied to vegetation indices for mapping cultivated areas using high-resolution Moroccan Mohammed VI satellite imagery. Sci Rep 16, 11040 (2026). https://doi.org/10.1038/s41598-026-41167-1

キーワード: 精密農業, 衛星画像, 作物マッピング, 教師なし学習, 植生指標