リモートセンシングとは？センサー・無料データ・QGISでの手順

リモートセンシングとは、衛星・航空機・ドローンに載せたセンサーで、離れた場所から地球の表面を測り、その測定値を地図にすることです。センサーは地表で跳ね返った光や電波を記録するので、現地に人が行く必要はありません。QGISでは、結果はラスタとして開き、合成し、計算し、分類できます。ほかのレイヤと同じ扱いです。

衛星画像は写真ではありません。光の種類ごとに1バンドずつ、測定値を重ねたものです。画面上の色は、どのバンドを赤・緑・青に割り当てるかで決まります。この選び方が、技術の大半を占めます。

なぜ重要か

リモートセンシングは、歩いて調べるには広すぎる、遠すぎる、時間がかかりすぎる問いに答えます。この畑は昨年より緑が濃いか。洪水はどこまで広がったか。森林はどれだけ伐採されたか。街はどこへ広がったか。無料の衛星は数日おきに同じ場所に戻ってくるので、答えには日付が付き、同じ手順で繰り返せます。

何に使われているか

問い	測るもの	使えるセンサー
この作物や森林は健全か	NDVIで表す緑の量	Sentinel-2、Landsat 8と9
水はどこにあるか、洪水はどこまで及んだか	水域の広がり（水指数またはレーダー）	Sentinel-2、Sentinel-1レーダー
40年で土地被覆はどう変わったか	日付ごとのクラスの比較	Landsat（アーカイブは1972年まで遡る）
建物・樹木・プールはどこか	個々の物体	50 cm以下の航空写真とドローン
樹冠の高さは、地面はどこか	レーザーパルスによる標高	LiDAR

仕組み

パッシブセンサーは、地表で反射した太陽光を複数のバンドで同時に記録します。アクティブセンサーは自分でパルスを出し、エコーが返るまでの時間を測ります。Sentinel-1のようなレーダーと、LiDARがこれにあたります。レーダーは雲を通して見え、夜間も使えるので、洪水の地図はレーダーに頼ることが多くなります。

物質ごとに、バンドごとの反応は異なります。健全な葉は近赤外光を強く反射し、赤色光を吸収します。水は近赤外光を吸収し、そのバンドではほぼ黒に見えます。裸地は青から赤外に向かってゆるやかに上がります。すべての指数と分類器は、この違いを読み取っています。

センサーの性能は4種類の分解能で表され、互いにトレードオフの関係にあります。

空間分解能： 地上での1ピクセルの大きさ。Sentinel-2は4バンドが10 m、6バンドが20 m、3バンドが60 mです。
スペクトル分解能： バンドの数と、その狭さ。Sentinel-2は443〜2190 nmの13バンドを記録します。
時間分解能： 同じ場所に戻ってくる頻度。Sentinel-2は赤道で5日おき、中緯度では2〜3日おきです。
放射分解能： 明るさをどれだけ細かく記録するか。暗い2つの畑を見分けられるかどうかが決まります。

知っておきたい無料のセンサー

データ源	ピクセル	再訪間隔	費用	向いている用途
Sentinel-2（ESA）	バンドにより10 m、20 m、60 m	5日	無料	畑、森林、市街地の縁。2015年から
Landsat 8と9（USGS）	30 m、パンクロマチックは15 m	2機で8日	無料	長期の記録、熱赤外バンド
Sentinel-1レーダー（ESA）	標準プロダクトで10 mのピクセル	1機あたり12日	無料	洪水、曇りの多い地域、夜間
IGN BD ORTHO（フランス）	20 cm	3〜4年ごとに全土を更新	無料、オープンライセンス	建物、樹木、プール
IGN LiDAR HD（フランス）	1 m²あたり10点以上	1回撮影、2026年までにフランス全土を網羅	無料、オープンライセンス	地形と樹冠の高さ

仕様は、ESAのSentinel-2のページ、NASAのSentinel-1のページ、data.gouv.frのIGNデータセット（BD ORTHO、LiDAR HD）を、2026年10月27日に確認したものです。Sentinel-2とLandsatの2系統をバンドごとに比べた「Sentinel-2とLandsatの比較」と、各ピクセルサイズで見えるものと見えないものを示した「衛星画像の解像度比較」も参考になります。

最初に考える問いは、いつも同じです。対象は何ピクセル分あるか。10 mのピクセルには家は入りません。畑なら入ります。

QGISでのリモートセンシングの手順

以下の手順は、2026年10月12日に撮影された、雲量1%未満のSentinel-2画像1シーンでQGIS上で実行しました。対象はフランス南部のローヌ川デルタ、カマルグです。開水面、塩田、湿地、水田、乾いた土地が1枚に収まっているので、試すのに向いています。

シーンを追加する

Layer > Data Source Managerを開き、STACタブを選んで、Earth Searchのhttps://earth-search.aws.element84.com/v1に接続します。範囲、日付、Sentinel-2 Level-2Aコレクションで絞り込んでから、シーンを追加します。QGISでSentinel-2画像をダウンロードするでは4つの方法を試し、所要時間を示しています。

問いに合わせてバンドを選ぶ

Layer Properties > SymbologyでMultiband colorを選びます。赤・緑・青にB4、B3、B2を割り当てると、目で見た通りの色になります。B8、B4、B3にすると近赤外が赤になり、健全な植物はすべて赤く、水は黒くなります。

バンドを数値にする

Raster > Raster Calculatorで、NDVIを(B8 − B4) / (B8 + B4)として計算します。その前に、Identifyツールで水のピクセルをクリックしてください。値が0に近ければ、使ったEarth Searchのファイルのように、オフセットはすでに除去されています。値が1,000前後なら、全バンドから1,000を引く必要があります。2022年1月25日以降にCopernicusからダウンロードしたSentinel-2プロダクトがこれにあたります。NDVIとはでは、引き忘れると0.82が0.56になる例を示しています。

数値をクラスに分ける

しきい値を決めます。たとえばNDVIが0.6を超えれば密な植生とし、Raster > Raster CalculatorまたはReclassify by tableアルゴリズムで処理します。土地被覆を複数のクラスに分けるなら、自分で描いたポリゴンから分類器を学習させます。無料のSCPやdzetsakaプラグインが使えます。

クラスを計測値にする

Raster > Conversion > Polygonizeのあと、フィールド計算機またはZonal statisticsでクラスごとの面積を求めます。数値が成り立つのはピクセルの大きさまでで、それより細かくは信頼できません。

ローヌ川デルタの同じ場所を、トゥルーカラーとフォールスカラーで並べた画像。フォールスカラーでは、川は濃い青、浅い潟湖は薄い青、塩田はターコイズ、川沿いの植生は赤で表示されている。 (after) — サラン＝ド＝ジロー付近のローヌ川デルタ、2026年10月12日のSentinel-2。左はB4、B3、B2で、目で見た通りの色。右はB8、B4、B3で、植生が赤く、水が暗くなります。ハンドルをドラッグしてください。

ローヌ川デルタの同じ場所を、トゥルーカラーとフォールスカラーで並べた画像。フォールスカラーでは、川は濃い青、浅い潟湖は薄い青、塩田はターコイズ、川沿いの植生は赤で表示されている。 (before) — サラン＝ド＝ジロー付近のローヌ川デルタ、2026年10月12日のSentinel-2。左はB4、B3、B2で、目で見た通りの色。右はB8、B4、B3で、植生が赤く、水が暗くなります。ハンドルをドラッグしてください。

同じ場面のNDVIマップ。水は濃紺、裸地と塩田は茶色とクリーム色、植生は緑。川沿いと北側の畑で最も濃い緑になっている。 — 同じ場面のNDVI。QGISのラスタ計算機で計算しました。水は0未満で濃紺、裸地は0付近で茶色とクリーム色、緑は植物です。

AIが役に立つ場面、立たない場面

リモートセンシングは縮尺で2つに分かれ、使う道具も分かれます。

10 mや30 mでは、ピクセルを分類します。これは水、あれは作物、といった具合です。上で挙げた無料の分類器で十分にこなせます。1ピクセルには物体を見分けるだけの情報がないので、モデルを使っても上積みはわずかです。

50 cm以下では、物体を抽出します。これは建物、あれは樹木、といった具合です。ここでセグメンテーションモデルの出番になります。私たちはこの分野のプラグインの1つ、AI Segmentationを開発しているので、この段落は自社ツールの話です。航空写真やドローンのオルソフォト上でエリアを描き、building、tree、swimming poolのように物体名を入力すると、独自のモデルが輪郭をポリゴンで返します。信頼度スコアと面積も付きます。物体より粗い画像を送っても意味がありません。私たちの調整では、建物でおよそ0.18 m/ピクセル、車で0.09 mが目安です。GeoAIガイドで、抽出できる5つの対象と、それぞれのコストを説明しています。

パリの密集した街区の航空画像と、建物を自動検出した後の画像 (after) — パリ中心部を1回の自動処理にかけた結果。ポリゴン1つが建物1棟です。ハンドルをドラッグしてください。

パリの密集した街区の航空画像と、建物を自動検出した後の画像 (before) — パリ中心部を1回の自動処理にかけた結果。ポリゴン1つが建物1棟です。ハンドルをドラッグしてください。

リモートセンシングの作業で時間がかかるのは、1つの手順ではありません。十数個の手順が続くことです。シーンを探す、雲を確認する、オフセットを除去する、計算する、スタイルを付ける、計測する。もう1つのプラグインAI Agentは、この一連の流れを1文の指示で実行します。パンジャーブ州ハリケ周辺の畑について、雲のない最新のSentinel-2画像からNDVIを出すよう頼みました。雲のある2つの日付を飛ばし、オフセットを除去し、スタイルを付けて、17 km²のエリアの75%が0.6を超えたと報告しました。所要時間は約3分30秒です。作業用のレイヤが残り、エリアの面積の記述にも誤りがありました。引用する数値は必ず確認してください。

右側にAI Agentパネル、左側にハリケ周辺の畑のNDVIマップを表示したQGIS。ほとんどが緑で、川はオレンジ。 — 1文を入力すると、スタイル付きのNDVIレイヤと答えが返ってきます。

QGISでAI Agentを無料で試す（カード登録不要）

要点

リモートセンシングとは、離れた場所から地表を測ることです。衛星画像は写真ではなく、バンドを重ねたものです。

Sentinel-2は、畑、森林、市街地の縁を見るための標準的な無料データ源です。13バンドのうち4バンドが10 mのピクセルで、赤道では5日おきに新しい画像が入ります。

問いに合わせてバンドの組み合わせを選びます。見るならB4、B3、B2、植生ならB8、B4、B3、数値にするならNDVIです。

指数を計算する前に、Sentinel-2のオフセットを確認します。水のピクセルが1,000前後なら、全バンドから1,000を引きます。

ピクセルは分類でき、物体にはもっと細かい画像が必要です。およそ50 cm以下なら、セグメンテーションモデルで建物や樹木を抽出できます。10 mより粗いと、認識する手がかりがありません。

よくある質問

リモートセンシングとは、かんたんに言うと何ですか？

地面に触れずに地面のことを知る方法です。衛星・飛行機・ドローンが地表から返ってくる光や電波を記録し、ソフトウェアがその記録を地図や数値に変えます。

リモートセンシングとGISの違いは何ですか？

リモートセンシングは、離れた場所からの測定値を集めて解釈することです。GISは、由来を問わず空間データを保存・編集・分析します。実際には重なる部分が大きく、リモートセンシングはQGISのようなGISの中で行い、結果はそのレイヤになります。

リモートセンシングのデータは無料ですか？

多くは無料です。ESAのSentinel-1とSentinel-2、USGSのLandsat、フランスではIGNの航空写真とLiDAR HDが、無料でダウンロードして再利用できます。商用衛星はより鮮明な画像（30 cm程度から）を、シーン単位または平方キロメートル単位で販売しています。

QGISでリモートセンシングはできますか？

できます。ラスタツール、ラスタ計算機、バンド合成、無料のSCPやdzetsakaプラグインで、画像の表示、指数の計算、分類まで行えます。上の手順で使ったのは、QGISに標準で入っているものだけです。

無料で使える画像が最も良い衛星はどれですか？

2015年以降の土地の調査なら、10 mのピクセルと5日の再訪間隔があるSentinel-2です。1972年まで遡る記録や熱赤外バンドが必要ならLandsat、雲で地表が隠れ続けるならSentinel-1のレーダーです。

GeoAIとリモートセンシングは同じですか？

いいえ。リモートセンシングはデータの取得方法です。GeoAIは、そのデータに機械学習を適用して、物体・クラス・変化を抽出することです。

関連する用語については、NDVIとほかの植生指数、マルチスペクトルとハイパースペクトル、樹冠マッピングが、上の話題をさらに詳しく説明しています。各AIプラグインの動作条件はQGIS AIハブにまとめています。

QGISで無料で試す（カード登録不要）