【DS向け】民間ビジネスで需要拡大する衛星画像解析（IMINT/GEOINT） ── NDVI・SAR・YOLOによるPython実践と経済安全保障【最終回】

Last updated at 2026-05-24Posted at 2026-05-24

NDVI、SAR 解析、YOLO による物体検出、影長からの貯蔵量推定──衛星画像解析の中核技術は、データサイエンスの応用です。Pythonコードと共に解説します。

画像に関する注記
本記事に掲載している写実的な（写真で撮影したように見える、photorealistic な）画像は、いずれも筆者が作成したプロンプトをもとに Gemini で生成した架空のイメージ です。

実在する建物・施設・人物や、特定の企業・団体が所有する敷地を、上空から撮影した現実の画像ではありません。あくまで技術内容のイメージを視覚的に伝えるための図解としてご覧ください。

本記事の要約（TL;DR）

衛星画像解析の中核技術は、NDVI（植生指数）・SAR（合成開口レーダー）・YOLO（物体検出）・変化検出・影長解析 など、いずれも 画像処理・統計・機械学習の応用 である。本記事ではこれらを Python の実装コード（全11本） とともに解説する。
タイトルにある3手法に加え、InSAR（地盤変動）・メタン検出・夜間光 など、民間需要の大きい手法も追加で紹介する。
各手法について、実際にどの企業・機関が使っているか を、出典（エビデンス URL）付きで示す。Bayer、東京海上日動、Munich Re、S&P Global Platts、世界銀行、IMF など、世界の大企業・公的機関の実需を確認できる。
これらの技術は、第2回で論じた 経済安全保障（OFAC 制裁・EUDR・ESG 開示）と直結 している。SAR は OFAC の制裁逃れ検出へ、変化検出は EUDR の森林破壊監視へ、というように、各技術が特定の規制要請への「実装」になっている。
後半では、データサイエンティストの キャリアパス を、産業構造の 4レイヤー × 5つの参入パターン で整理し、30〜40代からの転職可能性、LLM 時代における人間専門家の価値まで論じる。

本記事の想定読者

本記事は、以下のような方を想定して書いています。

画像処理・機械学習の経験を持つデータサイエンティスト／エンジニア で、その技術を活かせる新しい応用領域を探している方
衛星画像・地理空間データ（GIS）に関心がある が、それが実際のビジネスでどう使われているのかを具体的に知りたい方
商社・海運・保険・エネルギー・農業・金融などの 業界で働き、衛星データの業務活用を検討している 方
経済安全保障・規制対応（OFAC・EUDR・ESG） の技術的な側面を理解したい方
IMINT/GEOINT 領域への 転職・キャリアチェンジ を考えている方

前提知識は、高校レベルの数学・物理と、Python の基礎 があれば十分です。専門用語はその都度、用語ノートで解説します。第1回・第2回を読んでいなくても、本記事単独で読めるように構成しています。

本記事を読む価値

この記事を最後まで読むと、以下が得られます。

「衛星画像解析」の具体的な中身が、コードレベルで分かる。 NDVI・SAR・YOLO・変化検出・影長解析など、主要手法の原理と Python 実装を、手を動かせる形で理解できる。
「誰が・何のために使っているか」が、出典付きで分かる。 抽象的な技術論ではなく、世界の実在企業・機関の利用実績（エビデンス URL 付き）を通じて、技術とビジネスの結びつきを具体的に把握できる。
技術と経済安全保障のつながりが分かる。 なぜ今この技術に需要があるのか、規制（OFAC・EUDR・ESG）がどう需要を生んでいるのかを、技術側から理解できる。
自分のキャリアの選択肢が見える。 産業構造の4レイヤー、5つの参入パターン、年齢別の可能性、LLM 時代の専門家価値まで整理されており、次の一歩を考える材料になる。

📚 本シリーズについて（全3回）

本記事は、データサイエンティスト向けに IMINT/Geospatial Analysis（画像・地理空間情報分析） という新しいキャリアフロンティアを紹介する、全3回シリーズの 第3回・最終回（技術とキャリア編） です。

第1回：導入編 ── なぜ衛星画像から市場が読めるのか
第2回：規制と政策編 ── OFAC、EUDR、日本政府の動向
第3回（本記事）：技術とキャリア編 ── Python実装とキャリア戦略

💡 第1回・第2回をまだお読みでない方へ：
本記事は技術解説とキャリア戦略を中心とした最終回ですが、それ単独でも完結する内容としてお読みいただけます。
背景理解を深めたい方は、ぜひ第1回・第2回も合わせてご覧ください。

（初回記事）

（２回目記事）

第1回・第2回の振り返り

第1回では、IMINT/GEOINT の概念、業界の構造変化（小型衛星革命、SAR 民間化、30cm 高分解能民間化）、8つの民間業界での需要拡大をお伝えしました。

第2回では、米国 OFAC ガイダンスによる「観測ベース・コンプライアンス」への転換、EU 森林破壊規則（EUDR）、日本の重要経済安保情報保護活用法、国家情報局設置法案、そして日本の IMINT 組織（内閣衛星情報センター、防衛省情報本部、JAXA、Tellus、国土地理院、海上保安庁）の現状を解説しました。

第3回となる本記事では、これらの民間需要・規制圧力を背景に、実際にどのような技術が使われているのか を Python 実装コードと共に紹介します。さらに、データサイエンティストにとっての キャリアパスの選択肢 を、産業構造の4レイヤー × 5パターンの形で整理します。

技術の中身は、意外とデータサイエンスの応用

ここからが本記事の中心、技術編です。

「衛星画像の解析」と聞くと、特殊な専門技術のように感じるかもしれません。しかし実際には、その中核は 画像処理・統計・機械学習 という、データサイエンティストが日常的に扱う道具立ての応用です。

本章では、代表的な解析手法を Python の実装コードとともに 紹介します。タイトルに掲げた NDVI・SAR・YOLO の3つを軸に、さらにそれ以外の重要手法も追加で取り上げます。そして何より、本記事が重視するのは 「その手法が、実際にどの民間企業で、どう使われているか」 です。各手法ごとに、世界の実在する企業・機関の利用実績を、出典（エビデンス URL）とともに示します。

そして、もう一つ意識していただきたい視点があります。それは、ここで紹介する各技術が、第2回で論じた「経済安全保障」の文脈と直結している という点です。

第2回で見たように、米国 OFAC の制裁コンプライアンスは「申告ベースから観測ベースへ」の転換を企業に迫り、EU 森林破壊規則（EUDR）は企業に「自社製品が森林破壊と無関係であること」の衛星による証明を義務付けました。これらの規制要求に、企業が技術的に応えるための具体的な手段が、まさに本章で紹介する解析手法です。

つまり、SAR による船舶監視は OFAC の制裁逃れ検出へ、変化検出は EUDR の森林破壊監視へ、メタン検出は ESG 開示規制へ——というように、一つひとつの技術が、特定の規制・経済安全保障上の要請に応える「実装」になっているのです。各手法の解説の最後に、この接続を明示します。

各コードは「最小限で原理が分かる」ことを優先した簡略版です。実務では、後述する各社のプラットフォームや専用ライブラリ（rasterio、GDAL、SNAP、Google Earth Engine 等）を用いて、より大規模・高精度に実装されます。

手法1：マルチスペクトルと NDVI ── 植生を「指数」で測る

最初に、衛星画像の最も基本的な性質である マルチスペクトル（多波長帯）と、そこから計算される NDVI（正規化植生指数） を見ます。

私たちが普段使うスマホの写真は、赤（R）・緑（G）・青（B）の3バンドからなります。

一方、地球観測衛星は、人間の目に見えない波長帯（近赤外、短波赤外など）も観測します。たとえば欧州の Sentinel-2 衛星は13バンドを観測します。

植物の葉緑素には、可視光の赤を吸収し、近赤外を強く反射する という性質があります。この性質を利用して、赤バンド（B04）と近赤外バンド（B08）から、植生の活発さを表す指数を計算できます。これが NDVI です。

# 衛星画像から NDVI を計算する Python コード（例）
import numpy as np

# B04（赤）と B08（近赤外）のバンドを numpy 配列として読み込んだとする
red_band = np.array([[0.12, 0.15, 0.18], [0.20, 0.25, 0.30]])  # 規格化後の反射率
nir_band = np.array([[0.50, 0.55, 0.60], [0.10, 0.12, 0.15]])

# NDVI = (NIR - Red) / (NIR + Red)
ndvi = (nir_band - red_band) / (nir_band + red_band + 1e-10)
# 1e-10 は分母が 0 になるのを防ぐ微小な数

print("NDVI 値（-1 〜 +1）:")
print(np.round(ndvi, 3))
# 値が +1 に近いほど植生が活発、0 付近は裸地、負の値は水域

実行結果：

NDVI 値（-1 〜 +1）:
[[ 0.613  0.571  0.538]
 [-0.333 -0.351 -0.333]]

上段（約 0.5〜0.6）は植生が活発な領域、下段（約 -0.33）は水域を示します。

用語ノート：NDVI（正規化植生指数、Normalized Difference Vegetation Index）
(B08 - B04) / (B08 + B04) という単純な式で計算される指数。1970年代に米国 NASA の研究者が考案した古典的手法ですが、現代でも農業 IMINT の中核として広く使われています。

実際にどの企業が使っているか

NDVI をはじめとする植生指数は、精密農業（precision agriculture） の分野で、世界の大企業が日常的に使っています。

Bayer（バイエル、独）× Planet（米）：
農業大手バイエルは、Planet 社の日次衛星データを使い、4大陸・数千の農地・数十万ヘクタールの作物を対象に、NDVI などの植生指数を大規模に自動算出して製品供給を最適化していると、Planet 社が公表しています。出典：[planet.com/industries/agriculture]
(https://www.planet.com/industries/agriculture/)
Climate FieldView（バイエル子会社）× Airbus（欧）：
バイエルのデジタル農業基盤 Climate FieldView は、Airbus の SPOT・Pléiades 衛星の画像を取り込み、作物の健全性をモニタリングしています。FieldView は米国・カナダ・ブラジル・欧州で6,000万エーカー超に導入されています。出典：gpsworld.com
Disagro（中米）× Planet：
常に雲に覆われる熱帯地域でも、Planet の高頻度画像と作物バイオマスデータを使い、農家が日次で作物の健全性を監視できるサービスを提供しています。出典：planet.com/industries/agriculture

NDVI 単体だけでなく、近縁の指数も実務で使い分けられます。

次のコードは、植生・水域・市街地を見分ける3つの指数をまとめて計算する例です。

# 複数の指数を一度に計算する（植生・水域・市街地の見分け）
import numpy as np

green = np.array([[0.10, 0.12]])  # B03 緑
red   = np.array([[0.12, 0.20]])  # B04 赤
nir   = np.array([[0.50, 0.10]])  # B08 近赤外
swir  = np.array([[0.15, 0.25]])  # B11 短波赤外

eps = 1e-10
ndvi = (nir - red)  / (nir + red  + eps)   # 植生指数（緑が濃いほど高い）
ndwi = (green - nir)/ (green + nir + eps)  # 正規化水指数（水域で高い）
ndbi = (swir - nir) / (swir + nir + eps)   # 正規化市街地指数（建物で高い）

print("NDVI:", np.round(ndvi, 3))  # 植生
print("NDWI:", np.round(ndwi, 3))  # 水域
print("NDBI:", np.round(ndbi, 3))  # 市街地

用語ノート：NDWI / NDBI
NDWI（Normalized Difference Water Index）は水域の抽出に、NDBI（Normalized Difference Built-up Index）は市街地の抽出に使われる指数です。いずれも「2つのバンドの差を和で割る」という NDVI と同じ形をしています。バンドの組み合わせを変えるだけで、見たい対象（植生・水・建物）を切り替えられるのが、マルチスペクトル解析の強力なところです。

3つの指数の意味

上のコードで計算した3つの指数を、表にまとめます。

いずれも「2つのバンドの差を、和で割る」という共通の形（正規化差分指数）をしています。

指数	正式名称	計算式	使うバンド	何が高く出るか	主な用途
NDVI	Normalized Difference Vegetation Index（正規化植生指数）	(NIR − Red) / (NIR + Red)	近赤外・赤	活発な植生	作物の生育監視、収量予測、森林モニタリング
NDWI	Normalized Difference Water Index（正規化水指数）	(Green − NIR) / (Green + NIR)	緑・近赤外	水域	河川・湖沼・洪水範囲の抽出、水資源管理
NDBI	Normalized Difference Built-up Index（正規化市街地指数）	(SWIR − NIR) / (SWIR + NIR)	短波赤外・近赤外	建物・舗装面	都市域の抽出、市街地拡大の monitoring

なぜ「差 ÷ 和」の形なのか
この形（正規化差分）には2つの利点があります。

第一に、値が必ず −1〜+1 の範囲に収まるため、画像どうしの比較がしやすくなります。
第二に、太陽光の強さや観測角度の違いによる明るさのばらつきが、分子と分母で打ち消し合うため、撮影条件が違う画像でも安定した値が得られます。

NDVI・NDWI・NDBI は、観測したい対象（植生・水・建物）が最もよく反射／吸収するバンドの組み合わせを選んでいるだけで、数式の骨格はすべて同じです。

この分野をさらに学ぶには

リモートセンシングや衛星画像解析を体系的に学びたい読者のために、学習の手順とリソースを示します。

ステップ1：手を動かして体感する（無料・ブラウザ完結）

Google Earth Engine（earthengine.google.com）── ブラウザ上で世界中の衛星画像に対し、NDVI などをその場で計算できる。公式の「Earth Engine 101」チュートリアルから始めるのがおすすめ。
Sentinel Hub EO Browser（apps.sentinel-hub.com/eo-browser）── 地図上で場所を選ぶだけで、NDVI などの指数画像をすぐ表示できる。コード不要で指数の「見え方」を掴める。

ステップ2：Python で自分で処理する

rasterio / rioxarray（衛星画像=GeoTIFF の読み書き）、NumPy（バンド演算）、GDAL（地理空間データの定番ツール群）── この3つが衛星画像処理の基本スタック。
学習素材として、Copernicus Data Space Ecosystem（dataspace.copernicus.eu）から Sentinel-2 の実データを無料ダウンロードし、本記事のコードを実画像に適用してみるとよい。

ステップ3：理論を体系的に押さえる

教科書の定番：John R. Jensen『Introductory Digital Image Processing: A Remote Sensing Perspective』 ── リモートセンシングの古典的名著。指数や画像分類の理論を網羅。
和書では、日本リモートセンシング学会が編む解説書や、各大学が公開する講義資料（「リモートセンシング講義資料」で検索）が入手しやすい。
各指数の原典に当たりたい場合は、NDVI なら Rouse et al.（1974）、NDWI なら McFeeters（1996）/ Gao（1996）、NDBI なら Zha et al.（2003）が、それぞれの提案論文。

ステップ4：応用分野へ広げる

機械学習による土地被覆分類、時系列解析、後述の SAR・変化検出へと進むと、本記事の他の手法ともつながる。USGS（米地質調査所）や ESA（欧州宇宙機関）の公式チュートリアル、NASA ARSET（無料のオンライン研修プログラム、appliedsciences.nasa.gov/arset）は、実務志向で質が高く、英語に抵抗がなければ非常におすすめ。

手法2：SAR ── 雲を貫通するレーダーで船と地面を捉える

光学衛星は雲があると地表が見えません。世界の陸地の約半分は常に雲に覆われています。

これを解決するのが SAR（合成開口レーダー） です。

SAR は衛星から電波（マイクロ波）を発射し、反射波を解析することで、雲・夜間を問わず地表を「画像化」します。

SAR 画像では、金属（船・橋・建物）は電波を強く反射して白く明るく、水面は電波を逸らして真っ黒に写ります。

この性質を使うと、「黒い海に white の点があれば船」という素朴なロジックで船舶検出ができます。

# SAR 画像から船舶候補を検出する（例：簡略版）
import numpy as np

# SAR 画像（後方散乱強度）を numpy 配列として読み込んだとする
sar = np.array([
    [0.05, 0.04, 0.03, 0.02],  # 海（暗い）
    [0.03, 0.85, 0.04, 0.03],  # 真ん中に船舶らしき明点
    [0.04, 0.03, 0.02, 0.04],
    [0.05, 0.04, 0.06, 0.05],
])

threshold = 0.5                # 強度のしきい値
ships = sar > threshold        # しきい値を超える点を船候補とする

print("船舶候補マップ（True が候補）:")
print(ships)

実行結果：

船舶候補マップ（True が候補）:
[[False False False False]
 [False  True False False]
 [False False False False]
 [False False False False]]

上のコードは「しきい値 0.5」を手で決めましたが、実務では画像ごとに明るさが違うため、しきい値を自動決定 したくなります。

そこで使われるのが 大津の二値化（Otsu's method） です。

これは、画素値のヒストグラムを「背景（海）」と「前景（船）」の2グループに最もよく分離するしきい値を、統計的に自動計算する古典的アルゴリズムです。

# 大津の二値化でしきい値を自動決定する（例）
import numpy as np

def otsu_threshold(values, bins=256):
    hist, edges = np.histogram(values, bins=bins, range=(0, 1))
    prob = hist / hist.sum()
    best_t, best_var = 0, -1
    for i in range(1, bins):
        w0, w1 = prob[:i].sum(), prob[i:].sum()        # 2グループの重み
        if w0 == 0 or w1 == 0:
            continue
        centers = (edges[:-1] + edges[1:]) / 2
        m0 = (centers[:i] * prob[:i]).sum() / w0       # 各グループの平均
        m1 = (centers[i:] * prob[i:]).sum() / w1
        var_between = w0 * w1 * (m0 - m1) ** 2          # クラス間分散
        if var_between > best_var:
            best_var, best_t = var_between, centers[i]
    return best_t

sar = np.array([0.05, 0.04, 0.03, 0.85, 0.04, 0.78, 0.03, 0.05])
t = otsu_threshold(sar)
print(f"自動決定されたしきい値: {t:.3f}")
print("船舶候補:", sar[sar > t])

用語ノート：大津の二値化
1979年に日本の大津展之氏が考案した、しきい値自動決定の古典的手法。

画像を2グループに分けたときの「グループ間の分離度（クラス間分散）」が最大になる値を選びます。
OpenCV など主要な画像処理ライブラリに標準実装されており、SAR 船舶検出の前処理にそのまま使えます。

SAR をさらに高度化：InSAR で地盤の変動を測る

SAR には、もう一つ強力な使い方があります。

同じ場所を異なる時刻に撮影した2枚の SAR 画像の「電波の位相差」を解析することで、地表が数ミリ単位でどれだけ動いたか を測定できます。

これが InSAR（干渉 SAR） です。

用語ノート：InSAR（干渉合成開口レーダー、Interferometric SAR）
2回の SAR 観測の位相差から、地盤沈下・地殻変動・火山膨張・建造物の変形を、ミリメートル単位で検出する技術。橋・トンネル・ダム・鉄道といったインフラの劣化監視や、地震・地盤沈下の評価に使われます。「PS-InSAR」は、安定した反射点（永続散乱体）を多数追跡することで精度を高めた発展版です。

InSAR の原理（2時点の位相差で地盤変動を測る）

同じ場所を異なる時刻に通過した衛星が、それぞれ電波を地表に当てて返ってくるまでの「波のズレ（位相差）」を比べます。地表がわずかに沈んだり動いたりすると、電波の往復距離が変わり、位相差として現れます。

この差を読み取ることで、地表の動きをミリメートル単位で測定できるのです。

InSAR の特徴的な成果物は、干渉縞（インターフェログラム） という虹色の同心円模様です。

地盤の変動が大きい場所ほど縞が密に詰まり、まるで等高線のように「どこがどれだけ動いたか」を一目で示します。

実際にどの企業・機関が使っているか

SAR と InSAR は、保険・防災・インフラ・エネルギーの各分野で、実需が最も大きい技術の一つです。

ICEYE（フィンランド）× 東京海上日動：
世界最大級の商用 SAR 衛星群を持つ ICEYE は、日本の大手損保・東京海上日動（TMNF）向けに、洪水被害の即時把握サービスを提供。現地調査を待たず被害を評価し、保険金支払いを高速化した事例を公表しています。
出典：iceye.com
ICEYE × Munich Re（独）：世界最大の再保険会社ミューニック・リの「Location Risk Intelligence」プラットフォームに、ICEYE の洪水データが統合され、保険・銀行・不動産の各社が引受・与信・被害査定に使っています。
出典：munichre.com
Fugro（蘭）× オランダ政府（Rijkswaterstaat）：
地盤調査大手フグロが、オランダのインフラ・水管理省と、3,500km超の堤防・治水施設を InSAR で監視する5年契約を締結しています。
出典：ground motion InSAR market report（dataintelo）
CGG（仏）：
地球物理サービス大手 CGG が、石油・ガス業界向けに、貯留層の圧縮や地表変形を InSAR で監視するサービスを展開しています。出典：同上

商用 SAR 衛星オペレーターとしては、ICEYE・Capella Space・日本の synspective・QPS研究所 が、サブ日次の高頻度観測を提供しています。

🔗 経済安全保障との接続：SAR と OFAC 制裁コンプライアンス
第2回で論じた米国 OFAC の制裁逃れ検出において、SAR は決定的な役割を果たします。

制裁対象の船舶は AIS（船舶自動識別装置）を切断して航跡を消そうとしますが、SAR は雲・夜間を問わず海上の船舶を直接捉えられるため、AIS が消えた「空白」を埋められる、ほぼ唯一の独立した観測手段です。

本節の船舶検出コード（明点抽出＋大津の二値化）は、まさに「申告ベースから観測ベースへ」という規制転換を技術的に支える基盤なのです。

SAR・InSAR をさらに学ぶには

SARは、光学画像と「見え方」も「処理の考え方」も大きく異なるため、専用の学習ルートを知っておくと効率的です。

ステップ1：SAR 画像の「見え方」に慣れる

まずは SAR 画像を実際に眺めて、「金属は白く、水は黒く写る」という独特の世界観に慣れるのが第一歩。ESA の Sentinel-1（無料）の画像が入手しやすい。
Copernicus Browser（browser.dataspace.copernicus.eu）── 地図上で Sentinel-1（SAR）の画像を選んで表示できる。光学（Sentinel-2）と切り替えて見比べると、SAR の特徴が体感できる。

ステップ2：Python で SAR データを処理する

ESA SNAP（Sentinel Application Platform、無料）── SAR 処理の定番ソフト。GUI で前処理（ノイズ除去・地形補正）を学べ、Python から呼ぶこともできる。
Python では rasterio・NumPy に加え、SAR 特有の処理として スペックルノイズ（ザラザラした粒状ノイズ）の除去フィルタを学ぶとよい。本文で触れた大津の二値化や CFAR（一定誤警報率検出）も、SAR 船舶検出の定番手法。

ステップ3：InSAR（干渉解析）に進む

InSAR は SAR の中でも専門性が高い領域。無料の処理基盤として、ASF（Alaska Satellite Facility）の HyP3（hyp3-docs.asf.alaska.edu）がクラウド上で干渉解析を実行でき、入門に適している。
商用・研究用の定番ソフトには SNAP + StaMPS（PS-InSAR 解析）、GMTSAR などがある。

ステップ4：理論を体系的に押さえる

教科書の定番：Iain H. Woodhouse『Introduction to Microwave Remote Sensing』 ── マイクロ波リモートセンシング（SAR を含む）の理論を、初学者にも読める形で解説した名著。
InSAR の理論は、Didier Massonnet & Kurt Feigl のレビュー論文（Reviews of Geophysics, 1998）が古典的な出発点。
実務志向で学ぶなら、NASA ARSET（appliedsciences.nasa.gov/arset）の SAR 入門コースや、ESA の SAR 教材（無料オンライン）が質が高い。日本語では、JAXA や各大学が公開する SAR・InSAR の解説資料も参考になる。

手法3：YOLO による物体検出 ── 「数える」ことが価値になる

衛星画像から、車・船・飛行機・建物といった特定の物体を自動的に見つけ出す技術が 物体検出（Object Detection） です。

代表的な深層学習モデルが YOLO（You Only Look Once） で、画像を一度スキャンするだけで複数の物体を高速に検出できます。このあたりは、Qiitaの読者のデータサイエンティストの皆様にとっては、すでによくご存知の領域かもしれません。

# 衛星画像から車を検出して数える（例：擬似コード）
from ultralytics import YOLO   # YOLOv8/v9 等の実装

model = YOLO('yolov8n.pt')     # 実務では衛星画像でファインチューニングしたモデルを使う
results = model("parking_lot.png")

car_count = 0
for result in results:
    for box in result.boxes:
        if model.names[int(box.cls)] == 'car':
            car_count += 1

print(f"駐車場の車の台数: {car_count}")

物体検出が真に価値を生むのは、検出結果を時系列で集計 したときです。たとえば、ある店舗の駐車場の車を毎週数えて推移を追えば、その店の売上トレンドを公式発表前に推定できます。

# 検出した車の台数を時系列で集計し、前年比を見る（例）
import numpy as np

# 各四半期に検出された、ある小売店の駐車場の平均車両数
counts_this_year = np.array([520, 610, 580, 700])  # 今年 Q1-Q4
counts_last_year = np.array([500, 560, 590, 640])  # 前年 Q1-Q4

yoy = (counts_this_year - counts_last_year) / counts_last_year * 100
for q, r in enumerate(yoy, 1):
    print(f"Q{q}: 前年比 {r:+.1f}%")
print(f"通年平均: 前年比 {yoy.mean():+.1f}%")

実行結果：

Q1: 前年比 +4.0%
Q2: 前年比 +8.9%
Q3: 前年比 -1.7%
Q4: 前年比 +9.4%
通年平均: 前年比 +5.2%

このように「物理的な車の数」を「前年比のトレンド」に変換することが、投資判断のシグナルになります。

実際にどの企業が使っているか

駐車場の車を数えて小売業の業績を予測する手法は、ヘッジファンドが実際に使い、学術的にも有効性が検証されている 代表的な事例です。

RS Metrics（米）／ Orbital Insight（米）：両社は衛星画像から駐車場の車両数を解析し、Walmart・Target・Costco・Whole Foods・Lowe's といった大手小売の業績シグナルとして、ヘッジファンドに販売しています。
出典：rsmetrics.com
UC Berkeley Haas（学術検証）：カリフォルニア大学バークレー校 Haas ビジネススクールの Patatoukas 教授らは、RS Metrics と Orbital Insight の、44の大手小売・67,000店舗・480万枚の駐車場画像を分析し、車両数の前年比変化が四半期売上の信頼できる予測因子であることを実証。決算発表前の3日間で4〜5%のリターンが得られたと報告しています。
出典：newsroom.haas.berkeley.edu / 論文紹介：nature.com

なお RS Metrics は、小売の駐車場だけでなく、Tesla のフリーモント工場の稼働観察など、製造業の生産動向分析にも同じ技術を応用しています。出典：rsmetrics.com

物体検出をさらに学ぶには

YOLO に代表される物体検出は、衛星画像以外にも応用が広く、学習リソースも豊富な領域です。

「一般的な物体検出を学ぶ」→「衛星画像に適用する」の順で進めるのが効率的です。

ステップ1：まず一般的な物体検出を体感する

Ultralytics YOLO（docs.ultralytics.com）── 本文のコードで使ったライブラリ。公式ドキュメントのクイックスタートに沿えば、数行のコードで手元の画像に物体検出をかけられる。まずは普通の写真（車・人・動物）で動かして感覚を掴む。
学習済みモデルをそのまま使えるので、プログラミングの初学者でも「検出できた」という成功体験を最短で得られる。

ステップ2：衛星画像ならではの違いを知る

衛星画像の物体検出は、普通の写真と勝手が違う。真上から見た小さな物体（車・船・航空機）が対象で、向きがバラバラ、影や解像度の影響も大きい。
そこで、衛星画像専用の公開データセットで学ぶのが近道。DOTA（航空画像の物体検出。回転を考慮した検出が学べる）、xView（多様な地物を含む大規模衛星画像データセット）、SpaceNet（建物・道路抽出）などが代表的。いずれも「データセット名 + 論文／GitHub」で検索すると入手できる。

ステップ3：検出を「数えて時系列化」する応用へ

本文で示したように、物体検出の価値は「検出結果を集計・時系列化」して初めて生まれる。検出 → カウント → 前年比トレンド、という一連のパイプラインを自分で組んでみるとよい。
ここまで来ると、駐車場の車両カウント（小売業績予測）、港湾のコンテナ・船舶カウント（物流分析）など、本記事で紹介したビジネス応用が自分の手で再現できるようになる。

ステップ4：理論を体系的に押さえる

深層学習の物体検出の全体像は、斎藤康毅『ゼロから作るDeep Learning』シリーズ（特に CNN を扱う巻）で基礎を固めると、YOLO の仕組みも腑に落ちる。
物体検出モデルの系譜（R-CNN → Faster R-CNN → YOLO → DETR など）を押さえたい場合は、Stanford CS231n（cs231n.stanford.edu、講義資料が無料公開）が定番。
衛星画像 × 深層学習に特化して学ぶなら、Microsoft の "Geospatial for Machine Learning" 関連資料や、GitHub の "awesome-satellite-imagery-datasets" といったまとめリポジトリが、データセットと論文への入り口として便利。

手法4：変化検出 ── 時間軸で世界の動きを捉える

衛星は同じ場所を繰り返し撮影できます。

Sentinel-2 は5日ごと、Planet の Dove は毎日。この時系列性を活かすのが 変化検出（Change Detection） です。

最も単純な変化検出は「2時点の画像の差分」です。

# 単純差分による変化検出（例：災害前後の NDVI）
import numpy as np

ndvi_before = np.array([[0.7, 0.7, 0.6], [0.6, 0.5, 0.5], [0.4, 0.3, 0.3]])
ndvi_after  = np.array([[0.7, 0.0, 0.0], [0.6, 0.0, 0.0], [0.4, 0.3, 0.3]])

change = ndvi_before - ndvi_after
significant = np.abs(change) > 0.3   # しきい値を超える変化を抽出

print("変化マップ（NDVI 減少 = 植生消失）:")
print(np.round(change, 2))
print("有意な変化があった領域:")
print(significant)

実行結果：

変化マップ（NDVI 減少 = 植生消失）:
[[0.  0.7 0.6]
 [0.  0.5 0.5]
 [0.  0.  0. ]]
有意な変化があった領域:
[[False  True  True]
 [False  True  True]
 [False False False]]

ただし単純差分は、雲の影や季節変動などのノイズに弱い欠点があります。

実務では、複数バンドの変化を総合的に捉える 変化ベクトル分析（CVA：Change Vector Analysis） がよく使われます。

# 変化ベクトル分析（CVA）：複数バンドの変化の「大きさ」を測る（例）
import numpy as np

# 2時点の多バンド画像（ここでは2バンド: 赤・近赤外）
before = np.array([[[0.2, 0.5]], [[0.3, 0.4]]])  # shape: (H, W, バンド)
after  = np.array([[[0.4, 0.1]], [[0.3, 0.4]]])

diff = after - before                          # バンドごとの差
magnitude = np.sqrt((diff ** 2).sum(axis=2))   # 変化ベクトルの大きさ（ユークリッドノルム）

print("変化の大きさ:")
print(np.round(magnitude, 3))
# 値が大きいほど、その画素で大きな変化（被災・伐採・建設など）が起きた

用語ノート：変化ベクトル分析（CVA）
各画素を「複数バンドの値を並べたベクトル」とみなし、2時点間のベクトルの差の大きさ（と向き）で変化を捉える手法。単一バンドの差分より頑健で、洪水・森林伐採・建設・火災延焼の検出に広く使われます。

実際にどの企業・機関が使っているか

変化検出は、本記事の第1回・第2回で触れた EUDR（EU 森林破壊規則）対応 の中核技術です。

Global Forest Watch（米 World Resources Institute 運営）：
世界の森林被覆の変化を週次〜月次で追跡する公開プラットフォーム。森林破壊の早期警戒に使われています。
ICEYE の洪水・ハリケーン被害判定：
SAR の変化検出により、災害前後の浸水範囲や被害領域を数時間で抽出。
前掲の東京海上日動・Munich Re の事例は、まさにこの変化検出の応用です。
出典：iceye.com

🔗 経済安全保障との接続：変化検出と EUDR（EU 森林破壊規則）
第2回で論じた EUDR は、パーム油・大豆・牛肉・コーヒー・カカオ・木材・ゴムを EU 市場に輸出する企業に、「2020年12月31日以降に森林破壊された土地で生産された製品ではないこと」の証明を義務付けました。

この証明を可能にするのが、本節の変化検出技術です。
ある農地・牧場の衛星画像を時系列で比較し、森林被覆が失われていないかを CVA 等で監視することで、サプライチェーンの「森林破壊フリー」を客観的に立証できます。

日本の大手商社も EU 向け輸出で対応を迫られており、変化検出は規制対応の中核技術となっています。

変化検出をさらに学ぶには

変化検出は「2時点以上の画像を比べる」という発想さえつかめば、これまで学んだ NDVI・SAR・物体検出のすべてと組み合わせられる、応用範囲の広い技術です。

ステップ1：まず「差分」を体感する

最もシンプルな変化検出は、本文のように「同じ場所の2時点の画像を引き算する」こと。Google Earth Engine（earthengine.google.com）なら、同一地点の異なる日付の画像を呼び出し、その場で差分や NDVI の変化を可視化できる。
まずは森林伐採・洪水・都市拡大など、「変化が大きくて分かりやすい場所」を選んで試すと、変化検出の威力を実感しやすい。

ステップ2：手法の種類を知る

変化検出には段階がある。画像差分・NDVI 差分（最も単純）→ 変化ベクトル分析（CVA）（本文で紹介、複数バンドを総合）→ 主成分分析（PCA）を使った変化抽出 → 深層学習による変化検出（Siamese ネットワークなど2枚の画像を同時に入力するモデル）、という順で高度になる。
まずは差分と CVA を Python（NumPy）で自作し、ノイズ（雲・季節変動）にどう悩まされるかを体験すると、なぜ高度な手法が必要かが腑に落ちる。

ステップ3：時系列・自動化へ進む

2枚の比較から、多数の画像を時間軸で並べる時系列解析へ進むと、一時的なノイズと本物の変化を区別できるようになる。LandTrendr や BFAST（時系列の変化点検出アルゴリズム）が代表的な手法。
ここまで来ると、本記事の第1回で触れた「森林破壊の早期警戒」「災害被害の自動判定」といった実務レベルのパイプラインに近づく。

ステップ4：理論とデータセットで深める

学習用の公開データセットとして、OSCD（Onera Satellite Change Detection、都市の変化）、LEVIR-CD（建物の変化検出） が定番。「データセット名 + GitHub」で入手できる。
深層学習による変化検出の研究動向は、GitHub の "awesome-remote-sensing-change-detection" といったまとめリポジトリが、論文・コード・データセットへの良い入り口になる。
時系列変化検出の理論的背景は、BFAST（Verbesselt et al., 2010 の論文）が古典的な出発点。森林・植生のモニタリングで広く引用されている。

手法5：影長解析 ── 原油タンクの影から在庫を読む

第1回の冒頭で紹介した「フローティングルーフ式原油タンクの影から貯蔵量を推定する」手法を、改めて技術として整理します。

フローティングルーフ式タンクは、内部の蓋が原油量に応じて上下します。

原油が減ると蓋が沈み、タンクの縁が内側に影を落とします。

衛星画像でこの影の長さと撮影時の太陽高度角を測れば、三角関数で蓋の沈み込み深さ、ひいては充填率が分かります。

# 複数タンクの貯蔵量を一括推定する（例）
import math

tanks = [
    {"id": "Tank_001", "diameter": 80.0, "full_height": 20.0, "shadow": 3.5},
    {"id": "Tank_002", "diameter": 80.0, "full_height": 20.0, "shadow": 0.8},
    {"id": "Tank_003", "diameter": 60.0, "full_height": 18.0, "shadow": 5.2},
]
sun_elevation_deg = 35.0

total_barrels = 0
for t in tanks:
    sun_rad = math.radians(sun_elevation_deg)
    roof_depth = t["shadow"] * math.tan(sun_rad)        # 蓋の沈み込み深さ
    area = math.pi * (t["diameter"] / 2) ** 2           # タンク断面積
    volume_m3 = (t["full_height"] - roof_depth) * area  # 現在の原油量
    barrels = volume_m3 * 6.29                          # バレル換算
    total_barrels += barrels
    fill = (1 - roof_depth / t["full_height"]) * 100
    print(f"{t['id']}: 充填率 {fill:.1f}%, {barrels:,.0f} バレル")

print(f"\n合計在庫: {total_barrels:,.0f} バレル")

実際にどの企業が使っているか

この手法は、世界の原油在庫を独立推定する商用サービス として、すでに大規模に事業化されています。

Ursa Space Systems（米）× S&P Global Platts：
Ursa Space は SAR 衛星画像で、世界約1万基のタンク・36億バレル超の原油在庫を週次で測定し、エネルギー情報大手 S&P Global Platts と提携して提供。顧客はヘッジファンド・商社・大手銀行・石油会社です。
特に米国クッシングの在庫は、米エネルギー情報局（EIA）の公式発表より早く把握でき、WTI 原油先物の取引で時間的優位をもたらします。
出典：ursaspace.com/services / spacenews.com
Orbital Insight（米）：
光学衛星の影解析で原油タンク在庫を推定する手法を商業化した先駆け。
前述の通り駐車場分析と並ぶ主力サービスです。

Ursa Space のデータは、Bloomberg の記事でも「衛星データ企業 Ursa Space Systems によれば、中国の在庫は前週比750万バレル減」といった形で引用され、市場分析の独立情報源として定着しています。
出典：ursaspace.com/blog

🔗 経済安全保障との接続：エネルギー安全保障と「観測ベース」の市場情報
原油在庫の独立推定は、単なる投資情報にとどまりません。OPEC や各国政府の公式発表に依存せず、衛星から世界のエネルギー需給を客観的に把握できることは、エネルギー安全保障そのものに直結します。資源を輸入に頼る日本にとって、商社・エネルギー企業が「申告された数字」ではなく「観測された事実」で世界の在庫を把握できる意義は大きく、本シリーズを貫く「観測ベース」の思想が、エネルギー分野でも力を発揮している好例です。

タイトルにはありませんが、さらに紹介したい手法

ここまで、タイトルに掲げた NDVI・SAR・YOLO（と、その周辺の影長解析・変化検出）を見てきました。

ここからは、タイトルには含めていませんが、民間ビジネスでの利用実績が大きく、ぜひ知っておいてほしい手法を、さらに2つ紹介します。

いずれも、「衛星から、地上では測りにくいものを測る」というIMINT/GEOINTならではの応用です。

追加手法1：メタン検出 ── 見えないガスを宇宙から測る

ESG・脱炭素の流れの中で、急速に需要が伸びているのが 温室効果ガス（特にメタン）の漏出検出 です。

メタンは二酸化炭素の数十倍の温室効果を持ち、石油・ガス施設や埋立地から漏出します。
メタンは特定の波長帯（短波赤外の約1,600nm 付近）の光を吸収します。

衛星でこの波長帯を精密に観測し、「メタンがあるとそこだけ光が吸収されて暗くなる」現象を捉えることで、漏出箇所と量を特定できます。

# メタン吸収の原理を単純化したデモ（例）
import numpy as np

# ある領域の、メタン吸収バンドでの反射率（背景=漏出なし, 中央=漏出あり）
background = 0.30
scene = np.array([
    [0.30, 0.30, 0.30],
    [0.30, 0.21, 0.30],   # 中央でメタンが光を吸収し反射率が低下
    [0.30, 0.30, 0.30],
])

# 背景との差からメタン由来の吸収を推定（簡略化）
absorption = (background - scene) / background
plume = absorption > 0.1   # 10%以上の吸収をメタンプルームと判定

print("メタン吸収率:")
print(np.round(absorption, 2))
print("メタンプルーム検出:")
print(plume)

実行結果：

メタン吸収率:
[[0.   0.   0.  ]
 [0.   0.3  0.  ]
 [0.   0.   0.  ]]
メタンプルーム検出:
[[False False False]
 [False  True False]
 [False False False]]

実際にどの企業・機関が使っているか

GHGSat（カナダ）：高分解能の商用メタン監視衛星を世界最大規模（15基超）で運用。石油・ガス会社、埋立地運営者、さらには国連や各国規制当局を顧客に持ちます。
出典：ghgsat.com
GHGSat × OGCI（石油ガス気候イニシアティブ）：世界の大手石油ガス企業の連合体 OGCI の衛星監視キャンペーンに GHGSat が参加。イラクでの実証では、年間 CO2換算100万トン相当のメタンプルームへの対処を支援しました。
出典：ogci.com
Carbon Mapper（米）／ MethaneSAT：環境保護団体・研究機関が主導するメタン監視衛星。施設レベルの排出を公開的に可視化する動きが進んでいます。出典：space.com

🔗 経済安全保障との接続：メタン検出と ESG 開示規制
第2回で論じたように、EU をはじめ各国で、企業に温室効果ガス排出の開示を求める規制が強化されています。メタン検出衛星は、企業が「自社施設からの漏出は管理されている」ことを独立データで証明する手段であると同時に、投資家や規制当局が企業の自己申告を裏取りする手段でもあります。ここでも「申告ベースから観測ベースへ」という構造転換が働いており、エネルギー企業のデータサイエンティストにとって、今後ますます重要になる領域です。

メタン検出をさらに学ぶには

メタン検出は、分光（スペクトル）の物理にもとづく、やや専門性の高い分野です。「ガスが特定の波長の光を吸収する」という原理を理解することが出発点になります。

ステップ1：原理（分光吸収）を体感する

メタン検出の核心は、「メタンは短波赤外（約1,600nm・2,300nm 付近）の光を吸収する」という性質。まずはなぜ気体ごとに吸収する波長が違うのか（分子の振動・回転による吸収）という分光の基礎をイメージで掴むとよい。
高校化学・物理の「光の吸収とスペクトル」の延長として理解でき、難しい数式なしでも直感は得られる。

ステップ2：公開データと可視化に触れる

NASA EMIT（国際宇宙ステーション搭載の分光計。メタンプルームのデータを公開）や Sentinel-5P / TROPOMI（広域のメタン濃度を観測、無料）が、入手しやすい公開データ。
International Methane Emissions Observatory（IMEO）/ MARS や Carbon Mapper のデータポータル（carbonmapper.org）では、実際に検出されたメタンプルームを地図上で閲覧でき、「どう見えるか」を掴める。

ステップ3：Python でスペクトルデータを扱う

メタン検出は ハイパースペクトル／分光データ の処理が中心。通常の RGB 画像とは違い、各画素が「波長ごとの反射率の並び（スペクトル）」を持つ。xarray・NumPy でこの多次元データを扱い、特定波長の吸収を検出する流れを学ぶ。
まずは「背景スペクトルと比べて、特定波長だけ落ち込んでいる画素を探す」という、本文のデモを発展させた処理から始めるとよい。

ステップ4：理論と最新動向を押さえる

大気リモートセンシングの教科書として、Grant Petty『A First Course in Atmospheric Radiation』 が、光と大気の相互作用を平易に解説しており定番。
衛星メタン観測の全体像は、国際エネルギー機関（IEA）の Methane Tracker や、国連環境計画（UNEP）の IMEO のレポートが、技術と政策の両面から最新動向をまとめている。
商用各社（GHGSat、Carbon Mapper）の技術ブログや公開論文も、実装レベルの解像度・検出限界を知る良い情報源。

追加手法2：夜間光 ── 地球の明かりで経済を測る

最後に紹介するのは 夜間光（nighttime lights） の解析です。

夜間の地球を撮影した衛星画像では、経済活動が活発な地域ほど明るく光ります。この明るさの変化を追うことで、GDP・経済成長・電化の進展・災害の影響 を推定できます。

# 夜間光の総量から経済活動の変化を推定する（例）
import numpy as np

# ある地域の夜間光強度（月次、12か月分）
lights = np.array([100, 102, 98, 95, 80, 78, 82, 90, 105, 110, 112, 115])

# 前年同月（比較対象）
lights_prev = np.array([95, 96, 94, 93, 92, 91, 90, 92, 95, 97, 98, 100])

# 夜間光の前年比 → 経済活動の代理指標
growth = (lights - lights_prev) / lights_prev * 100
print(f"夜間光ベースの年間平均成長率: {growth.mean():+.1f}%")

# 5〜7月に大きく落ち込んでいる → 災害や経済停滞のシグナル
dip = np.where(growth < 0)[0] + 1
print(f"前年を下回った月: {list(dip)}")

実行結果：

夜間光ベースの年間平均成長率: +2.6%
前年を下回った月: [5, 6, 7]

用語ノート：夜間光（Nighttime Lights）
米国の DMSP や VIIRS といった衛星が観測する、夜間の地表の明るさ。経済統計が整備されていない国・地域でも、経済活動の代理指標として使えるため、開発経済学やマクロ分析で広く用いられます。朝鮮半島の夜間光（韓国は明るく北朝鮮は暗い）は、その象徴的な例として有名です。

実際にどの機関が使っているか

世界銀行（World Bank）：夜間光を使い、南アジアの GDP 推定、コロナ禍の経済影響分析、西アフリカの農村電化の検証などを実施。公式ブログやツールを多数公開しています。出典：blogs.worldbank.org
IMF（国際通貨基金）：夜間光と GDP の四半期弾性値を推定する手法を開発し、各国の公式統計のクロスチェックに活用するワーキングペーパーを公表しています。出典：imf.org

夜間光は、ヘッジファンドが新興国経済の実態を公式統計より早く把握する手段としても使われており、「公開データから独立した経済指標を作る」という、本シリーズを貫くテーマの好例です。

夜間光をさらに学ぶには

夜間光の解析は、リモートセンシングと経済学・開発学が交わる、ややユニークな分野です。「衛星データ」と「経済指標」を結びつける発想が核になります。

ステップ1：まず夜の地球を眺める

NASA Black Marble（earthobservatory.nasa.gov）── NASA が公開する夜間光画像のギャラリー。まずは「経済活動が明かりとして見える」ことを視覚的に体感するのがよい。
朝鮮半島（南は明るく北は暗い）や、経済成長中の地域が年々明るくなる様子など、有名な事例を見ると、夜間光が経済の代理指標になる理由が直感で分かる。

ステップ2：公開データに触れる

夜間光の主要データは2系統。DMSP-OLS（1992〜2013年の長期アーカイブ）と VIIRS DNB（2012年〜現在、高品質）。後者が現在の主流。
NASA Black Marble（VNP46） や Google Earth Engine 上の夜間光データセットが入手しやすい。Earth Engine なら、ある地域の夜間光の合計値を年ごとに集計する、といった処理がブラウザ上で完結する。

ステップ3：経済指標と結びつける

夜間光解析の真価は、「光の量」を「GDP・人口・電化率」などの経済・社会指標と結びつけること。ある地域の夜間光の総量の前年比 を計算し、公式の経済統計と相関を見る、という分析が基本形。
Python（rasterio・NumPy・pandas） で、夜間光ラスタを行政区域ごとに集計（ゾーン統計）し、経済データと突き合わせる流れを学ぶと、本文のデモが実データで再現できる。

ステップ4：理論と研究に触れる

この分野の出発点となった古典は、Henderson, Storeygard & Weil（2012）"Measuring Economic Growth from Outer Space"（American Economic Review）。夜間光と GDP の関係を定量化した記念碑的論文で、まずこれを読むと全体像がつかめる。
政策・開発の文脈では、世界銀行のブログや手法ガイド（blogs.worldbank.org、「nighttime lights」で検索）、IMF のワーキングペーパーが、実例とともに手法を解説しており参考になる。
夜間光データの「落とし穴」（都市部での飽和、光の散乱、年によるセンサー差）も重要な論点。利用前にデータの限界を押さえておくと、誤った結論を避けられる。

技術と企業利用実績のまとめ

ここまで紹介した解析手法と、その民間企業・機関での利用実績を、一覧にまとめます。

解析手法	主な用途	代表的な企業・機関（出典あり）
NDVI・植生指数	精密農業、作物の生育監視、収量予測	Bayer × Planet、Climate FieldView × Airbus、Disagro
SAR（船舶検出ほか）	雲・夜間でも観測、海事監視、災害把握	ICEYE、Capella Space、synspective、QPS研究所
InSAR（地盤変動）	インフラ・堤防・トンネルの変形監視	Fugro × オランダ政府、CGG（石油ガス）
YOLO・物体検出	駐車場の車両数→小売業績予測、工場稼働	RS Metrics、Orbital Insight（UC Berkeley が学術検証）
変化検出・CVA	森林破壊監視（EUDR対応）、災害被害判定	Global Forest Watch、ICEYE（保険被害査定）
影長解析	原油タンク在庫推定→商品取引	Ursa Space × S&P Global Platts、Orbital Insight
メタン検出	温室効果ガス漏出監視（ESG対応）	GHGSat × OGCI・国連、Carbon Mapper
夜間光	GDP・経済活動・電化・災害影響の推定	世界銀行、IMF

注目していただきたいのは、これらが 「研究段階」ではなく、すでに世界の大企業・公的機関が対価を払って使っている実需 だという点です。

バイエル、東京海上日動、ミューニック・リ、S&P Global Platts、世界銀行、IMF、そして数多くのヘッジファンド——こうした顔ぶれが、衛星画像解析を業務の一部として組み込んでいます。

そして、その解析を支えているのは、本章で見たように Python と、画像処理・統計・機械学習という、データサイエンティストの標準的なスキルセット です。

この事実こそが、本記事が最も伝えたいことです。

各技術が応える「経済安全保障・規制」の要請

本記事のタイトルにも掲げた「経済安全保障」の観点から、各技術がどの規制・要請に応えているかを整理すると、技術とビジネスの結びつきがより鮮明になります。

解析手法	応える規制・経済安全保障上の要請
SAR（船舶検出）	米国 OFAC 制裁コンプライアンス ── AIS 切断船の追跡、制裁逃れ検出
変化検出・CVA	EU 森林破壊規則（EUDR） ── サプライチェーンの森林破壊フリー証明
メタン検出	ESG 開示規制・気候開示基準 ── 温室効果ガス排出の独立検証
影長解析（原油タンク）	エネルギー安全保障 ── 公式発表に依存しない世界の在庫把握
YOLO・物体検出	市場の透明化 ── 公開情報から独立した経済活動シグナル
InSAR（地盤変動）	国土強靭化 ── インフラ・堤防の劣化監視、防災

第2回で論じた規制・政策（OFAC、EUDR、ESG 開示、日本の経済安保政策）は、抽象的な制度論ではありません。

それらはすべて、本章で見た 具体的な Python 実装・解析手法によって、はじめて実務として機能する のです。

規制が需要を生み、その需要に技術が応える——この循環の中心に、データサイエンティストがいます。
これこそが、本シリーズが一貫して描いてきた構図です。

データサイエンティストのキャリアパスとしての IMINT/GEOINT

IMINT/GEOINT 領域は、画像処理・コンピュータビジョン・深層学習の経験を持つデータサイエンティストにとって、参入障壁が比較的低い という特徴があります。

SIGINT/ELINT のような高度な通信工学・信号処理の専門知識を必要とせず、衛星画像という「画像データ」の処理が中核業務となるためです。

世界の IMINT/GEOINT 産業は、大きく4つのレイヤーに整理できます。

産業構造の4レイヤー

レイヤー1：衛星オペレーター（データプロバイダー）

衛星を実際に運用し、画像データを撮影・配信する企業群です。

企業	国	強み
Maxar Technologies	米国	30cm 高分解能光学衛星（WorldView シリーズ）
Planet Labs	米国	200機超の Dove 衛星による全球毎日撮影
Airbus Defence and Space	欧州	Pléiades Neo（30cm 高分解能）
Capella Space	米国	商用 SAR 衛星コンステレーション
ICEYE	フィンランド	商用 SAR 衛星（業界最大規模）
Satellogic	アルゼンチン	中分解能光学衛星
BlackSky	米国	高頻度光学衛星
synspective	日本	小型 SAR 衛星
QPS研究所	日本	小型 SAR 衛星「QPS-SAR」

レイヤー2：プラットフォーム（クラウド基盤）

衛星画像を解析するための、開発者向けクラウド基盤を提供する事業者群です。

プラットフォーム	運営	特徴
Google Earth Engine	Google	研究者向け無料、ペタバイト級データ
Microsoft Planetary Computer	Microsoft	持続可能性研究向け無料
AWS Earth on AWS	Amazon	Open Data Sponsorship
Sentinel Hub	Sinergise/Planet	Sentinel データの API アクセス
Tellus	経済産業省/さくらインターネット	日本発、JAXA データを中心に提供
Maxar Geospatial Platform	Maxar	Maxar 高分解能画像の解析環境

レイヤー3：アナリティクス（分析サービス）

衛星画像から、特定のビジネス価値（原油在庫、駐車場利用率、農業収穫量など）を抽出して、企業に販売する事業者群です。

企業	強み
Orbital Insight	原油タンク貯蔵量、駐車場分析
SpaceKnow	中国製造業 PMI、サプライチェーン分析
RS Metrics	小売店舗・自動車 OEM 分析
Cape Analytics	不動産価値評価（保険業界）
Descartes Labs	農業・コモディティ分析
Ursa Space Systems	SAR ベースの原油在庫推定
Climate FieldView	精密農業（Bayer 子会社）

レイヤー4：ユーザー企業（事業会社）

衛星画像をビジネスに活用するエンドユーザー企業群です。コモディティ商社（三菱商事、三井物産、Cargill 等）、海運会社（日本郵船、商船三井、A.P. Moller-Maersk 等）、損害保険会社（東京海上、Allstate、Munich Re 等）、ヘッジファンド、農業企業、不動産投資ファンドなど、業界横断的に広がっています。

キャリアパスの選択肢

データサイエンティスト・機械学習エンジニアが IMINT/GEOINT 領域に参入する際、以下のキャリアパスが考えられます。

パターン1：衛星オペレーターのデータサイエンス部門

Maxar、Planet、Capella Space、synspective などの衛星オペレーターでは、衛星画像の前処理・品質管理・カタログ化・配信パイプライン・機械学習による自動化などのデータサイエンティスト職があります。

パターン2：アナリティクス専業企業

Orbital Insight、SpaceKnow、Cape Analytics などのアナリティクス専業企業では、特定の業界向けの画像解析モデル開発、機械学習エンジニア、データサイエンティストの需要が継続的にあります。

パターン3：ユーザー企業の社内 GEOINT 部門

近年、商社（三菱商事、三井物産、住友商事、伊藤忠商事、丸紅）、海運（日本郵船、商船三井、川崎汽船）、損保（東京海上、損保ジャパン、三井住友海上、SOMPO ホールディングス）といった日本企業が、社内 GEOINT 人材 を採用し始めています。

海外展開リスク管理部門、エネルギー・コモディティトレーディング部門、自然災害リスク評価部門で、データサイエンティスト × 業界ドメインの組み合わせが新しい職種カテゴリとなりつつあります。

パターン4：政府機関への中途採用

内閣衛星情報センター、防衛省情報本部、JAXA、海上保安庁、外務省などの政府機関は、IMINT/GEOINT 人材の採用枠を、徐々に拡大していくと推測されます。

パターン5：研究機関・調査報道機関

NHK、毎日新聞、共同通信などの大手報道機関でも、衛星画像を活用した調査報道のデータジャーナリズム部門が立ち上がりつつあります。

これは、米国の NYT Visual Investigations、英国の Bellingcat、英国の Forensic Architecture などが先行する流れの、日本への波及です。

30〜40代からの転職可能性

30代〜40代から IMINT/GEOINT 領域に飛び込む余地は、条件次第で十分にあります。「経験ある中堅」を求める案件は多い領域です。

追い風になる経歴：

画像認識・コンピュータビジョン・深層学習の実務経験
リモートセンシング、GIS、地理空間データベース（PostGIS 等）の経験
海運・商社・保険・コモディティでのトレーディング、リスク管理経験
農業・林業・環境分野のデータ解析経験
衛星打ち上げ、地上局運用の経験
LLM × 画像認識（マルチモーダル AI）の運用経験

留意点：

米国政府向けプロジェクトはセキュリティ・クリアランス（SC）要件がある
日本では SC 制度が始まったばかりで、運用が今後成熟していく段階
衛星画像処理は、計算機リソースが膨大に必要となる場面が多い（GPU クラスタ、クラウド利用料）
専門の業界知識（農業、海運、保険など）を、データサイエンス側から徐々に身に着けていく姿勢が重要

LLM 時代の IMINT/GEOINT

近年、Google DeepMind が AlphaEarth Foundations を発表し、衛星画像を含む多源データを統合的に理解するマルチモーダル AI が研究されています。Microsoft の Planetary Computer も、AI モデルの組み込みを進めています。

衛星画像解析の分野では、以下のような LLM 活用シナリオが研究・実装されつつあります。

活用シナリオ	説明	リスク水準
コーディング支援	衛星画像処理パイプラインの実装支援	低
データカタログ検索（RAG）	過去の衛星画像と解析結果の自然言語検索	中
画像解説の自動生成	衛星画像 → 自然言語サマリ	中
マルチモーダル変化検出	「ここに何が変わったか」を自然言語で説明	中〜高
衛星画像エージェント	自然言語の指示で「FFT → 分類 → レポート」自動実行	高
災害対応意思決定支援	リアルタイム被害判定支援	極高

リスク水準が高いほど、ガードレールと監査の重みが増します。

本記事執筆者の先行記事で詳述した7つのリスク（ハルシネーション、情報漏洩、データポイズニング、バックドア、サプライチェーン攻撃、プロンプトインジェクション、スキル汚染）は、IMINT/GEOINT 領域にもそのまま当てはまります。

特に注意が必要な点 として、衛星画像の解析結果が 公的機関のレポート、保険金支払いの根拠、コモディティトレーディングの判断材料 として使われる場面では、LLM のハルシネーション（事実無根の出力）が、企業や社会に重大な影響を及ぼしうることを、常に意識する必要があります。

数値（座標、被害面積、原油量、損害額等）は、LLM に生成させず、決定論的なバックエンド計算で算出し、LLM はそれをラップする自然言語化にのみ使う という設計が、推奨されます。

まとめ：写真1枚が市場を動かす時代に

本記事では、IMINT/Geospatial Analysis という技術領域について、その概要と、民間産業界での需要、日本政府の動向、技術の中身、データサイエンティストにとってのキャリア機会をお伝えしました。

冒頭で見た「原油タンクの影から市場が読める」という事例に象徴されるように、衛星画像は、現代のビジネスにおいて、現地に行かずに世界の経済活動を把握する強力なツール となっています。

そして、その解析を支える技術の中身は、画像処理・統計・機械学習の応用であり、データサイエンティストが日常的に扱う道具立て です。

民間ビジネスの現場で、IMINT/Geospatial Analysis の需要が、海運・保険・商社・農業・不動産・金融・エネルギー・環境・防災といった広い業界横断的に拡大しています。

データサイエンティストの皆さんが、ご自身のキャリアの選択肢の一つとして、この領域に関心を持っていただければ、本記事を書いた目的は達せられます。

さらに深く学びたい方へ

本記事では、IMINT/Geospatial Analysis の全体像を、コード実装例を交えて紹介しましたが、各技術の詳細、ケーススタディの網羅的解説、業界別の活用事例については、Zenn Book にまとめる予定です。

Zenn Book「ゼロから始める IMINT／GEOINT 入門」（近日公開予定。無料予定）

主な内容：

商用衛星オペレーター（Planet Labs、Maxar、Capella Space、ICEYE、synspective 等）の事業構造の詳細
衛星画像のデータ形式（GeoTIFF、COG、NetCDF 等）と取得方法の Python 実装
物体検出（YOLO、Mask R-CNN、Segment Anything Model）の衛星画像応用
変化検出、時系列解析の Python 実装
SAR 画像解析（船舶検出、地盤変動検出）
ケーススタディ集（海運・物流、エネルギー・農業・鉱業、小売・不動産・金融・保険、防災・気候・環境）の網羅解説
第11章 異種センサー融合の数学的基盤 ── Sheaf 理論によるマルチセンサー統合、TDA による地形特徴抽出（OSINT 編第17章キラー章の IMINT 拡張）
日本企業のキャリアパス詳述（商社、海運、保険、政府機関、衛星オペレーター）
LLM 活用の総合指針とリスク管理

参考リソース

リソース	内容
JAXA 地球観測衛星情報	日本の衛星画像データの公式情報源
Tellus（経済産業省）	日本発の衛星データプラットフォーム
Copernicus Data Space Ecosystem	ESA Sentinel 衛星データの公式入手元
Google Earth Engine	研究者向け衛星画像解析プラットフォーム
Microsoft Planetary Computer	持続可能性研究向け公開プラットフォーム
Planet Labs	民間衛星オペレーター大手
Maxar Technologies	民間衛星オペレーター大手（30cm 高分解能）
synspective	日本発の SAR 衛星オペレーター
QPS研究所	日本発の小型 SAR 衛星「QPS-SAR」

▶ シリーズ完結 ── 3部作との接続

本記事をもって、IMINT/Geospatial Analysis シリーズ（全3回）は完結します。

OSINT・SIGINT/ELINT・IMINT/GEOINT の3つは、現代インテリジェンスの3本柱です。
筆者の他の Qiita 記事・Zenn Book で、それぞれの領域を深掘りしています。

OSINT（公開情報分析）
- Qiita 記事「写真1枚から場所と時間を特定する技術：PythonでOSINT入門【コピペで動く5実装】」
- Zenn Book「OSINTデータ解析技術の全貌」（無料）
SIGINT/ELINT（電波信号情報分析）
- Qiita 記事「【データサイエンティスト向け】民間産業界で広がるSIGINT/ELINT需要とPython解析入門 ── 経済安全保障時代のキャリア機会」
- Zenn Book「民間技術者のための SIGINT／ELINT 入門」（無料）
IMINT/GEOINT（画像・地理空間情報分析）
- Qiita 記事：本シリーズ第1回〜第3回
- Zenn Book「ゼロから始める IMINT／GEOINT 入門」（2026年後半公開予定、無料）

データサイエンティストの皆さんが、新しいキャリアフロンティアを発見していただければ幸いです。

筆者：Étale cohomology

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up

【DS向け】民間ビジネスで需要拡大する衛星画像解析（IMINT/GEOINT） ── NDVI・SAR・YOLOによるPython実践と経済安全保障【最終回】

本記事の要約（TL;DR）

本記事の想定読者

本記事を読む価値

📚 本シリーズについて（全3回）

第1回・第2回の振り返り

技術の中身は、意外とデータサイエンスの応用

手法1：マルチスペクトルと NDVI ── 植生を「指数」で測る

実際にどの企業が使っているか

3つの指数の意味

この分野をさらに学ぶには

手法2：SAR ── 雲を貫通するレーダーで船と地面を捉える

SAR をさらに高度化：InSAR で地盤の変動を測る

実際にどの企業・機関が使っているか

SAR・InSAR をさらに学ぶには

手法3：YOLO による物体検出 ── 「数える」ことが価値になる

実際にどの企業が使っているか

物体検出をさらに学ぶには

手法4：変化検出 ── 時間軸で世界の動きを捉える

実際にどの企業・機関が使っているか

変化検出をさらに学ぶには

手法5：影長解析 ── 原油タンクの影から在庫を読む

実際にどの企業が使っているか

タイトルにはありませんが、さらに紹介したい手法

追加手法1：メタン検出 ── 見えないガスを宇宙から測る

実際にどの企業・機関が使っているか

メタン検出をさらに学ぶには

追加手法2：夜間光 ── 地球の明かりで経済を測る

実際にどの機関が使っているか

夜間光をさらに学ぶには

技術と企業利用実績のまとめ

各技術が応える「経済安全保障・規制」の要請

データサイエンティストのキャリアパスとしての IMINT/GEOINT

産業構造の4レイヤー

レイヤー1：衛星オペレーター（データプロバイダー）

レイヤー2：プラットフォーム（クラウド基盤）

レイヤー3：アナリティクス（分析サービス）

レイヤー4：ユーザー企業（事業会社）

キャリアパスの選択肢

パターン1：衛星オペレーターのデータサイエンス部門

パターン2：アナリティクス専業企業

パターン3：ユーザー企業の社内 GEOINT 部門

パターン4：政府機関への中途採用

パターン5：研究機関・調査報道機関

30〜40代からの転職可能性

LLM 時代の IMINT/GEOINT

まとめ：写真1枚が市場を動かす時代に

さらに深く学びたい方へ

参考リソース

関連する Qiita 記事・Zenn Book

▶ シリーズ完結 ── 3部作との接続