Sentinel製品と地形情報を用いた機械学習モデルによるスーダン・サバンナの土壌分類

目の前の大地を知ることが重要な理由

西アフリカの半乾燥地帯では、降雨が不安定で土壌が数百メートルのスケールで劇的に変わることがあり、ソルガムなどの主要作物を育てる農家はそれに頼っています。しかし、どの作物を植え、どう管理するかを決めるために必要な精細な土壌地図はしばしば欠けています。本研究は、無料の衛星画像と現代の機械学習を組み合わせることで、ブルキナファソのスーダン・サバンナに対してはるかに鮮明な土壌地図を作成できることを示し、より良い収穫と土地管理のための実用的なツールを提供します。

一見しただけでは見えない地形のパターン

研究は中央ブルキナファソのドゥルー流域に焦点を当てました。そこは緩やかに起伏する台地で、小さな丘や浅い谷があり、短く激しい雨季があります。先行する現地調査では、この地域の主要な土壌タイプが斜面上の位置と密接に対応していることが示されていました：上部台地では浅く礫の多い土壌、中斜面では中程度の深さの土壌、下方ではより深く肥沃な土壌、河床には浸水しやすい土壌が見られます。これらの差は作物の根、保水性、肥沃度に影響します。しかしこれまで、農家や計画担当者が利用できたのは、細かな変化を平滑化してしまう粗い国別・大陸規模の土壌図だけでした。

宇宙から土を観る

この隠れたパターンを捉えるために、研究チームは三種類の情報を組み合わせました。まず、ヨーロッパのSentinel‑2衛星の画像を用いました。これは土壌鉱物や水分に敏感な波長を含む複数の色で反射光を記録します。次に、Sentinel‑1のレーダーデータを加え、これは雲間でも表面の粗さや水分を感知できます。三つ目に、高解像度デジタル標高モデルから「湿潤度」指数を計算しました。これは地形の三次元図で、降った雨水がどこに溜まりやすいか、または流れやすいかを推定し、斜面に沿った土壌形成と直接結びつきます。現地の研究者は以前に141の土壌プロファイルを掘削・採取し、それらを四つの主要な土壌群に分類しており、これは機械モデルの訓練と検証に必要な実地の“真実”を提供しました。

地表を読み取る機械を教育する

研究者たちは次に、三つの有力な機械学習手法—ランダムフォレスト、Extreme Gradient Boosting（XGBoost）、サポートベクターマシン—を試し、衛星由来の特徴量と既知の土壌タイプをどれが最もよく一致させるかを比較しました。入力の組み合わせは、レーダーのみ、光学のみ、あるいはこれらと地形に基づく湿潤度指数の混合など複数を試しました。明確な勝者は、Sentinel‑2の光学情報と湿潤度指数を与えたXGBoostで、全体精度は約5回に4回の正解に達しました。ランダムフォレストはやや劣り、サポートベクターマシンはさらに後れを取りました。どの入力が重要かを調べると、湿潤度指数が最も寄与しており、このサバンナ景観では水の流れと蓄積が土壌パターンを強く支配していることが裏付けられました。また、Sentinel‑2の短波赤外バンドのいくつかも土壌の質感や水分を感知するため高い重要度を示しました。

農家のためのより鮮明な地図を描く

最も性能の良いモデルを用いて、研究者は流域の詳細な土壌地図を作成しました。その結果、上部台地には浅く砂礫の多い土壌が優勢で、中斜面には中程度の深さの土壌、河川に近づくとより深く肥沃な土壌、低地の水路には湿潤で排水不良な土壌が集中していることが示されました。大陸規模の製品や世界土壌グリッドと比べると、この地図は土壌帯の境界をシャープにし、広範な誤分類を修正しています。こうした細部は現地調査や地域の知識とより整合し、大雨時に水や堆積物が下方へ移動する様子とも一致します。この情報は、ソルガムなどをどこに植えるべきか、どこで浸水が起きやすいか、どこで土壌保全や植林が急務かを導く手がかりになります。

食糧と将来の計画にとっての意義

専門外の人向けに言えば、重要なメッセージは、長年にわたる高額な調査を要さずに、データが乏しい地域でも実用的な圃場規模の土壌地図を作成できるようになったということです。衛星に土地を「読ませ」、斜面や水分、土壌の間のパターンを機械学習に認識させることで、本研究は農家が作物選択を賢く行い、肥料を的確に使い、侵食に弱い地域を保護するのに役立つツールを提供します。手法は依然として現地でのサンプリングに依存し、より広範囲での検証が必要ですが、かつて散在する溝や専門家の報告に閉じられていた土の詳細を、スーダン・サバンナや類似の乾燥地帯に広く提供できる未来を示しています。

引用: Maung, W.S., Kenta, I., Toru, S. et al. Soil classification in the Sudan Savanna using sentinel products and topographic information with machine learning models. Sci Rep 16, 10880 (2026). https://doi.org/10.1038/s41598-026-46259-6

キーワード: デジタル土壌マッピング, リモートセンシング, 機械学習, スーダン・サバンナ, 農業計画