利益:
- リモート センシングと衛星画像を通じて、都市のスプロール化、建設、土地被覆の変化を AI でサポートする検出のロジックを理解します。
- 画像分類を批判的に評価し、精度、解像度、日付情報を使用して検出出力を変更する機能
- AI が画像から抽出した境界は現場および公式記録によって確認する必要があり、法的証拠にはなり得ないことを理解する能力。
過去 10 年間に都市がどこで、どのくらい、どのくらいの速さで成長したかを確認するために、ひとつひとつ現場に行くことは不可能です。代わりに、プランナーはリモート センシング (衛星や航空機を使用して地球を画像化し、データを抽出する) を使用します。異なる日付の衛星画像を比較することで、新たな建設、失われた農地、違法建築の拡大、緑地の減少などを検出できます。 AI は、これらの画像を分類し (各ピクセルに「構造」、「植物」、「水」などのラベルを付ける)、2 つの日付間の変化を検出するための強力なアクセラレータです。しかし、画像分析には解像度、日付、影、雲、分類エラーがたくさんあります。 AIがフラグを立てる「変化」は、影、季節の違い、またはエラーである可能性があります。したがって、画像から得られる結論は、現場および公式記録によって確認されない限り、法的措置の根拠として使用することはできません。
リモートセンシングの基本概念
解像度: 地面上のピクセルが占める面積。 10 メートルの解像度では、1 ピクセルは 10x10 メートルを表します。小さな建物は見えません。高解像度 (例: 0.3 ～ 1 メートル) は、より詳細なデータを意味しますが、より高価で頻度の低いデータを意味します。
スペクトル帯域: 衛星は目に見えない光 (赤外線など) も記録します。植物は赤外線で光ります。これにより、植物を構造物から分離しやすくなります。 NDVI (植物の活力を測定する単純な計算機) などの指標は、グリーンフィールド追跡では一般的です。
日付と季節: 2 つの画像が異なる季節にある場合、緑の減少は「損失」ではなく、冬の到来である可能性があります。比較するには、日付と季節の調和が不可欠です。
精度: 分類の正確さを測定する値。 「85 パーセントの精度」とは、6 ピクセルに 1 ピクセルが誤ってラベル付けされる可能性があることを意味します。これは監査プロセスにとってかなりの誤差の範囲です。
注意: 衛星画像から AI によって検出された構造物は、それ自体が違法構造物の証拠ではありません。シャドウ、解像度、日付、分類エラーにより誤検知が発生します。検査と執行には常に現場管理、権利書/ライセンス登録、および公式測定が必要です。
無料でオープンな衛星データ (ヨーロッパの Sentinel や米国の Landsat プログラムなどのソース) が計画にもたらす最大の価値は、歴史的な時系列です。つまり、何年にもわたる同じ地域の数十の画像にアクセスできるのです。これにより、単一の「前/後」の比較を超えて、近隣のスプロール率、季節変動、傾向を確認することができます。 AI は、これらの長いシリーズを要約し、意味のある変化のパターンをノイズから分離するのに役立ちます。しかし、同じルールが時系列にも当てはまります。傾向がどれほど明確に見えても、結果を決定するのは画像の解像度、雲量、季節性です。これら 3 つの要素を報告しない限り、信頼できる傾向とは見なされません。
変化検出のロジック
2 つの日付付き画像を比較するには、両方の日付を分類してクラスを比較する方法、インデックスの差 (NDVI の差など) を取得する方法、AI モデルを使用して「変更された/変更されていない」マップを直接生成する方法など、いくつかの方法があります。その結果、どこに新しい構造があり、どこにプラントが失われたのかという変化の地図ができあがります。この地図は事前審査として非常に貴重で、プランナーに「あそこを見てください」と指示します。ただし、それぞれの兆候は、それが実際の変更なのかエラーなのか、個別に検証されます。
ステップバイステップ: AI を活用した変更分析
- 質問を定義します。 「2018 年から 2024 年の間に、[地域] で新しい建設が行われる場所はどこですか?」
- 画像を選択します。同様の季節、許容可能な解像度、低い雲。
- 前処理中。それを同じ CRS に持ってきて、位置を合わせ、クラウド/シャドウ マスクを適用します。
- 分類/比較します。 AIでクラスを生成したり、マップを変更したりできます。
- 精度を評価します。既知の基準点を使用して精度を測定します。
- フィールドと登録の確認。必要に応じて、権利書/ライセンスおよびサイトでマークされた変更を確認してください。
- レポートの制限。日付、解像度、精度、誤差の範囲を明確に書きます。
弱いプロンプト / 強いプロンプト
弱いプロンプト: 「これら 2 つの画像から何が変わったのか教えてください。」
AI は見栄えは良いが、正確さには不確かなリストを作成します。色合いや季節の違いが本当の変化だと思うかもしれません。
強力なプロンプト: 「2 つの日付 (2018 年 7 月と 2024 年 7 月、同じ季節、解像度 10 m) の機密土地被覆データを比較しています。変化分析を報告するときは、どの変化が日陰/季節/解像度による偽陽性の可能性があるか、どの判定に現場検証が必要か、精度をどのように測定するかを明確に述べてください。断定的なものではなく、それぞれの結果に「現場確認が必要」と記載してください。」
2 番目のプロンプトでは、AI に不確実性とエラーの原因を明確に伝えるよう強制します。
コピー可能な 4 つのテンプレート
タスク: 次の変更検出出力を批判的に評価します。各検出の考えられるエラー原因をリストします: 影、雲、季節、解像度、分類エラー。 「フィールド確認が必要です」という注記を追加します。最終的な判断をしないでください。調査結果 / 日付 / 解決策: [...]
タスク: 都市変化分析のための画像選択基準のチェックリストを作成します: 季節性、解像度、雲率、日付範囲、CRS。所有している画像がこれらの基準を満たしているかどうかを尋ねる質問を作成します。画像情報: [...]
タスク: 以下の変更分析結果からレポートを作成します。各調査結果の解決策、日付、精度、誤差の範囲を明確に記載します。結果を「事前スクリーニング」としてフレーム化します。検査/制裁には現場と公式記録の確認が必要であることを強調します。調査結果: [...]
タスク: 分類精度を評価する簡単な方法を提案します: 基準点の数、選択方法、精度の計算方法 (わかりやすい説明)。レポートにはどの真実を記載すべきか、example.Context: [...]
表: データ型と使用法
データ
解像度
強み
限界
中解像度の衛星
10～30メートル
無料、頻繁、広いエリア
小さな構造を見逃す
高解像度衛星
0.3～1m
詳細構造検出
高価、希薄、クラウドのリスク
航空写真 / オルソフォト
0.1～0.3m
非常に詳細で形式的な
更新頻度は低いです
UAV（ドローン）
cmレベル
瞬時に、非常に詳細に
狭いスペース、許可/法律
ミニケース3個
ケース 1 — 影の錯覚。ある自治体がAI変化マップ上で近隣に「新築」の標識を発見。現場チームが出発します。標識のほとんどは午後の画像の長い建物の影です。実際の新規ビルド数は兆候の半分です。 AIは事前に審査していたが、確認なしに使用すると虚偽の議事録が作成されてしまう。
ケース 2 — 小さな構造物からの脱出。プランナーは、解像度 10 メートルの無料衛星を使用して、農地にある小さな倉庫を追跡しようとしています。倉庫は 6x8 メートルであるため、1 ピクセル未満に留まり、表示されません。プランナーは、実際の追跡のために高解像度のオルソフォトに切り替えます。解像度によって何が見えるかが決まります。
ケース 3 — 透明性のあるレポート。あるチームは、地域の6年間の広がりを分析し、報告書に「検出は82パーセントの精度の予備スキャンであり、47点が現場での確認を待っている。画像の日付と解像度が添付されている」と明確に書いている。議会はその結果を正しい重みで評価します。不確実性を隠すのではなく報告することで、分析の信頼性が高まります。
よくある間違い
- 検出を証拠と誤認する。画像は事前にスキャンされています。それには制裁と正式な登録が必要です。
- 季節/日付の不一致。季節ごとの画像が異なると、誤った変動が生じます。
- 解像度無視。小さな構造は低解像度では見えません。 「何もない」わけではありません。
- 正確性を報告しない。誤差の範囲を隠すと、誤った決定につながります。
- 影も雲も忘れる。誤検知の最も一般的な 2 つの原因。
- CRS の不一致。調整されていない画像は、間違った場所で変更されます。
要約すると
衛星画像と航空画像は、都市の変化を大規模かつ迅速に確認する最も強力な方法です。 AI は分類と変更の検出を加速します。しかし、解像度によって何が見えるかが決まり、季節と日付によって何が本物であるかが決まり、影と雲によって何が誤検知であるかが決まります。精度は常に測定して報告する必要があります。最も重要なことは、画像からの検出は事前スキャンであるということです。検査と制裁には、現場管理、権利書/ライセンス登録、公式測定が不可欠です。 AI は意思決定ではなくビジョンをスピードアップします。
アプリケーションタスク
2 つの異なる日付を持つ 1 対の画像 (またはシナリオ) を考えてみましょう。 (1) 2 番目のテンプレートで画像の選択基準を確認します。季節、解像度、雲が適合しているかどうか。 (2) 変更検出のリストを想定し、初期テンプレートを使用して各検出の考えられるエラー原因を抽出します。 (3) 3 番目のテンプレートを使用してドラフト レポートを作成し、精度と誤差の範囲を追加します。 (4) どの決定に現場確認が必要になるか、またそれをどのように行うかを書き留めます。
チェックリスト
- [ ] 画像の季節、日付、解像度の互換性を確認しました。
- [ ] 画像を同じ CRS に合わせて配置しました。雲・影マスクを考慮しました。
- [ ] 私は変更の検出を証拠としてではなく、予備的なスクリーニングとして扱いました。
- [ ] 分類精度を評価して報告しました。
- [ ]印の変更箇所を現地記録と公式記録で確認しました。
- [ ] 解像度の制限で見逃される可能性のあるものをメモしました。
- [ ] レポートには日付、解決策、誤差の範囲を明確に書きました。