政府機関・商社・生産者の皆さまへ
農地の状態をデータで把握し、
次の意思決定につなげませんか？
農地の可視化、作物・土地利用の把握、
環境評価まで幅広く支援します。
Technologyテクノロジー
衛星データから、
世界の農地に関する
意思決定を支える情報へ
サグリは衛星データを活用し、土壌炭素、水、メタン、作物、土地利用などの情報を農地区画単位で可視化します。
現地調査に頼らず、カーボン・環境MRVから行政の農地管理まで、幅広い意思決定を支援。日本をはじめ、ウクライナ、フィリピン、ベトナム、タンザニアなど、世界各地で導入・実証を進めています。
衛星データを基盤に
光学・SAR・熱赤外など、
複数の衛星データを活用。
国際的な方法論に準拠
Verra、JCM、J-クレジットなどの
主要な方法論を見据えて設計。
現場データで検証
世界各地の現地データを用いて、
モデルを調整・検証。
行政での導入実績
日本全国の自治体で、
農地調査業務に活用。
5つのコアモデル
サグリの技術基盤は、農業を異なる側面から捉える5つのモデルで構成されています。各モデルは、目的に応じて組み合わせられ、カーボン・環境MRVや行政の農地管理など、さまざまなプラットフォームや業務に活用されています。
AI Polygon 農地区画の自動抽出
農地区画を自動で抽出
正確な農地の境界データは、農業分析や土地管理に欠かせません。
しかし、多くの地域ではデータが十分に整備されておらず、人手による作成・更新には専門知識とコストが必要です。
AI Polygonは、指定エリアの衛星画像から農地区画を自動で抽出し、GISや農地管理システムで利用できるポリゴンデータとして出力します。
仕組み
異なる解像度の
衛星画像
空間解像度50cm〜10mの衛星画像を組み合わせ、小規模な農地区画から大規模農場まで幅広く解析します。
世界各地の
農地データから学習
アジア、欧州、南北アメリカ、アフリカ、オセアニアの複数年の農地データを学習しています。
地域ごとの
特性に適応
地域の参照データを用いて、農法や区画形状、地形、景観の違いに合わせてモデルを調整します。
実務で使える
データを出力
GeoJSONなどの標準的なGIS形式で出力し、既存のシステムや業務フローに連携できます。
精度検証
モデルの更新ごとに、独立した正解ラベル付きデータを用いて精度を検証しています。
評価には、Panoptic Quality（PQ）をはじめとする標準的な地理空間セグメンテーション指標を使用。
大規模農業地域と、小規模農地が分散する地域を分け、世界各地の多様な農業環境で、実際の利用条件に即した性能を確認しています。
Digital Soil Mapping 土壌有機態炭素・容積重・不確実性の推定
衛星・環境データと土壌サンプルから、土壌炭素を面的に推定
カーボン市場で求められる解像度で広域の土壌を測定するには、多数のサンプルと大きなコストが必要です。
サグリのDigital Soil Mappingは、衛星・地形・気候などの環境データと土壌サンプルを組み合わせ、対象地域の土壌有機態炭素濃度、容積重、土壌有機態炭素蓄積量を面的に推定します。
仕組み
衛星・地形・気候データ
公開されている衛星、地形、気候データから構築した、サグリ独自の環境共変量データを使用します。
公開データと現地サンプル
LUCASやKSSLなどの公開土壌データに、パートナー保有データと現地のキャリブレーション用サンプルを組み合わせます。
土壌特性と
不確実性を推定
土壌有機態炭素濃度、容積重、土壌有機態炭素蓄積量と、各ピクセルの90％予測区間を出力します。
ピクセルごとに
信頼度を評価
各ピクセルに信頼度スコアを付与し、クレジット算定・計画・スクリーニングのどの用途に適するかを示します。
検証とサンプリング設計
プロジェクトごとに精度を検証
未学習データに対する精度、予測区間のカバー率、不確実性マップを検証し、プロジェクトごとのレポートとして提示します。土壌の推定精度は地域のデータ密度に左右されるため、結果はプロジェクトごとに示します。
最新年を予測する時系列検証
最新年のサンプルを学習データから除き、過去のデータだけでその年を予測する時系列検証を行います。
効果的なサンプリング地点を選定
土壌・地形条件と予測の不確実性から対象地域を層別化し、変動や不確実性が大きい地点にサンプリングを集中させます。限られた現地調査で得られる情報を最大化します。
DRACO 水田の水管理・温室効果ガスモデル
水田の水位・植生・GHG排出をシミュレーション
水田由来のメタンは、農業分野のGHG排出量の約10％を占めています。AWD（間断かんがい）や中干しによって排出量の削減が期待される一方、広域の水位を継続的に把握し、亜酸化窒素（N₂O）の増加も含めて評価することが課題となっています。
DRACOは、衛星データを取り込みながら、水田の水位、植生、メタン（CH₄）、亜酸化窒素（N₂O）の変化を1時間単位でシミュレーションするプロセスベースモデルです。
仕組み
水田内のプロセスを
モデル化
水収支、植生、生物地球化学のサブモデルを連動させ、水田内の水位、作物生育、GHG排出の変化を再現します。
SAR・光学衛星データ
を活用
Sentinel-1とALOS-2のSARデータから雲の影響を受けにくい冠水情報を取得し、Sentinel-2から植生指標を取得します。
観測データを
シミュレーションに反映
サグリ独自のデータ同化処理により、衛星観測データをモデルへ取り込み、シミュレーションを実際の水田の状態に合わせます。
水位・植生・CH₄・N₂O
を算出
水位・植生・CH₄・N₂Oを1時間単位でシミュレーションし、AWDによるN₂Oの増加も含めた正味の温暖化影響を算出します。
現地データに基づく検証
複数地域の稲品種で調整
日本、インド、東南アジアの複数の稲品種を対象に、モデルを調整しています。
水位・植生・GHGを現地で検証
新潟では、水位ロガーを用いて水位予測を検証しています。フィリピンとカンボジアでは、草丈とガスフラックスの実測値を用いて、植生とCH₄・N₂Oを調整・検証しています。
冠水判定技術を個別に評価
Sentinel-1の冠水判定モデルは、各地域の冠水ラベルで個別に評価してからDRACOに取り込みます。ALOS-2を用いた冠水分類技術は査読を経て学術誌への掲載が決定し、DRACOの水位・GHG検証論文も投稿準備中です。
Crop Classification 農地区画ごとの栽培作物を推定
農地区画ごとの栽培作物を、衛星データから推定
各農地区画で実際に何が栽培されているかを自治体規模で確認するには、現地調査や紙の申告、申告内容との照合作業が必要です。
Crop Classificationは、農地区画ごとの衛星時系列データを解析し、作物ごとに独立した二値分類モデルで栽培作物を推定します。各作物の信頼度を算出し、可能性の高い作物候補を区画ごとに順位づけて出力します。
仕組み
農地区画ごとに
時系列データを取得
Sentinel-2の時系列データを、農地区画ポリゴンごとに取得します。
作物ごとの栽培期間を
対象に解析
国内の栽培シーズンに合わせて作物ごとに設定した期間の衛星データを解析します。
作物ごとに独立した
モデルで判定
作物ごとの専用二値分類モデルで、その作物が栽培されているかを個別に判定します。
作物候補と
信頼度を出力
作物ごとの信頼度を算出し、区画ごとに可能性の高い作物を順位づけて出力します。
現地データに基づく検証
地域ごとの生育時期の違いを考慮
北海道から九州までの多様な気候に対応するため、地域による生育時期の違いを考慮したモデルへ拡張を進めています。
作物ごとに個別に更新
作物別のモデルは、それぞれバージョン管理・配備できます。たとえば、水稲モデルを再学習しても、小麦モデルを再検証する必要はありません。
作物ごとに必要な性能を設定
日本の複数県・複数作期のデータで検証しています。補助金確認で扱う件数の多い水稲や小麦では、実運用水準の再現率を達成しています。すべての作物を一括した平均値ではなく、用途に必要な再現率を作物ごとに設定します。作物別の検証結果は、NDA締結のもとで共有します。
Land Use Detection 耕作放棄地・土地利用変化の検出
衛星画像から、農地区画ごとの利用状態を分類
日本では、農業委員会が法律に基づき、すべての農地区画の利用状況を毎年調査し、耕作放棄地を特定する必要があります。全区画を現地で確認するには多くの人手がかかり、把握や対応の遅れが課題です。
Land Use Detectionは、衛星画像から農地区画ごとの利用状態を分類します。
耕作中、耕作放棄、非農業用途への転用、森林化を判定対象とし、毎年の利用状況調査に使用する、区画単位のステータスマップを生成します。
仕組み
農地区画ごとに
時系列データを取得
Sentinel-2の時系列データを、農地区画ポリゴンごとに取得します。
当年と前年を
比較
当年の衛星データを前年の基準データと比較し、農地の利用状況に変化がないかを解析します。
3つの検出モデルで
変化を判定
「耕作放棄」「非農業用途への転用」「森林化」の3つの独立した検出モデルを使用します。
区画単位の
判定結果を出力
解析結果をアプリケーションへ連携し、地域の農業委員会が区画ごとの状態を確認します。
運用
調査スケジュールに合わせて解析
納品時期に応じて解析対象期間を変更し、自治体の農地利用状況調査のスケジュールに合わせます。
国内自治体で実運用
日本国内の複数自治体で、有償サービスとして実運用されています。
農地利用状況調査の
業務フローに対応
日本の農地法に基づく農地利用状況調査の業務フローに合わせて構築されています
特許取得済みのコア技術
サグリは、衛星データとAIを活用した農地区画の抽出技術、および土壌炭素量の推定技術に関する特許を取得しています。
AIによる農地区画ポリゴンの
自動生成技術
農地のGHG排出量を推定・算出し
営農改善を支援する技術
基準・方法論への準拠
サグリのモデルは、計測結果をカーボンクレジットにつなげる主要な方法論を見据えて設計・検証されています。
- Verra VT0014 v1.0
- Verra VM0042 v2.2
- Verra VM0051 v1.0
- Verra VMD0053 v2.1
- Joint Crediting Mechanism（JCM）
- J-Credit AG-005 v3.2
研究に裏付けられ、
現場で検証された技術
科学的な研究、現地での実証、大規模な学習データを基盤に、モデルの開発と検証を進めています。
-
作物分類モデルの学習データ
100万件以上
作物分類モデルの学習に使用したラベル付き農地区画・年データ
-
土壌モデルの学習データ
1万件以上
Digital Soil Mappingの学習に使用した現地土壌サンプル
-
査読済み論文
掲載済み
DRACOの基盤となる、ALOS-2 SARを用いた冠水分類手法の論文が、学術誌へ掲載されました。
-
DRACO検証論文
2本投稿中
DRACOの水位・温室効果ガス検証に関する2本の論文を投稿中。Digital Soil Mappingのベンチマーク研究も進めています。
-
研究パートナー
JAXA 東北大学 JIRCAS IRRI PhilRice NARO
-
政府・国際機関による支援
農林水産省 SBIR JAXA 経済産業省 SBIR JCM PhilSA WFP TICAD9
FAQ
どの程度の規模のプロジェクトから対応できますか？
明確な最小規模はありませんが、VerraのDSMのみを用いたカーボンプロジェクトでは、経済的な採算ラインはおよそ5,000ha前後です。水田向けのVM0051プロジェクトでは、およそ3,000ha前後が目安となります。
それより小規模な案件については、カーボンクレジット化を前提とするのではなく、インセットのトラッキングや、サプライチェーンにおけるScope 3排出量の把握を目的としたプロジェクトとして実施します。
DSMを利用する場合でも、土壌サンプリングは必要ですか？
はい。VT0014では、モデルのキャリブレーション（較正）のためのサンプルが必要です。ただし、DSMを活用することで、サンプリングのみに依存する設計と比べて必要なサンプル数を大幅に削減できます。また、それぞれのサンプルから最大限の情報を得られるよう、どこでサンプリングすべきかも特定できます。具体的にどの程度サンプル数を削減できるかはプロジェクトによって異なるため、案件ごとに評価を行います。
現地データが少ない地域には、どのように対応しますか？
以下を組み合わせて対応します。
（a）Sagriが保有するグローバルな共変量データ群
（b）類似した地形・環境のデータを用いて転移学習したモデル
（c）Sagriのサンプリング設計ツールを用いて層化した、約100〜300地点を対象とする地域限定のサンプリング調査
現地でのキャリブレーションは、すべてのプロジェクトで実施します。プロジェクトの要件に応じて、現地のサンプリングチームと連携して対応します。
どのような衛星画像を利用していますか？
Sentinel-1およびSentinel-2（ESA、無料）、Landsat-8（USGS、無料）、PleiadesおよびSPOT 6/7（Airbus、有料）、ALOS-2（JAXA、有料）を利用しています。有料データについては、お客様に代わってプロジェクトごとに当社がライセンス料を支払います。
精度は、競合サービスと比べてどの程度ですか？
当社のDSMにおけるサンプルレベルの精度は、査読済みの米国の主要なカーボンMRVベンチマークと同等の水準にあります。さらに当社では、将来時点に対する予測精度の検証も行っています。これは、クレジット発行量を予測するうえで重要なテストですが、公表されている競合他社の研究の多くでは報告されていません。
また、DRACOは純粋な統計モデルではなく、プロセスベースのモデルです。そのため、排水後に生じるN₂O排出量の変化を、その発生メカニズムに基づいて表現できます。これは、機械学習（ML）のみに基づくMRV手法では実現できない点です。
各プロジェクトの詳細な検証レポートについては、NDA（秘密保持契約）のもとで共有可能です。
実際に技術が動いているところを見ることはできますか？
以下よりご覧いただけます。
・AgriInsight Mapのデモ
農地の状態をデータで把握し、
エンジニア・研究者の皆さまへ
ともに技術を社会実装する
仲間を募集しています
衛星データ、土壌解析、地理空間AIを
活用した研究開発に取り組みませんか？
Contact
フォームよりお気軽にお問い合せ下さい