Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge
紹介する論文は「Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning」です。
この研究では、衛星画像/航空写真/地上センサーや統計/気象データなどがサイロ化しており、横断分析が難しい課題に対して、「Planet-scale Imagery」・「Population」・「Environment」 の 3 ドメイン向け基盤モデルを揃えた Geospatial AI（GeoAI）プラットフォームを提案した。このプラットフォームではGemini を用いた Geospatial Reasoning Agent（以下 GRA）が、自然言語クエリを分解し、複数の Earth AI Models や地理空間 API を順次呼び出して、複雑な危機対応シナリオにも対応できるようにし、ハリケーンの被害把握やQAベンチマークで高い性能を示した。
この結果は、基盤モデルやAPIなどのツール群を潤沢に揃えることで、ユーザーの課題を幅広く解決できることを示唆した結果である。

Transcript

1. 中村凌・篠原崇之・青木亮祐
 平出尚義・嶌田将貴・柴田たけお
 1 第22回 atAI.challenge勉強会
 Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning
2. 2 １ページサマリ This image was generated by ChatGPT
3. Earth AI 3 ドメイン 基盤モデルと地理空間エージェントを統合したプラットフォーム 
 3 Earth AI: nlocking Geospatial Insights with Foundation odels and Cross- odal easoning 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用 • 衛星画像/航空写真/地上センサーや統計/気象データ などがサイロ化しており、横断分析が難しい 。
 • そこで、Earth AI 、「 lanet-scale Imagery」・ 
 「 opulation」・「Environment」 3 ドメイン向け基盤モデ ルを揃えた Geospatial AI（GeoAI）プラットフォームを提 案。
 • Gemini を用いた Geospatial easoning Agent（以下 G A）が、自然言語クエリを分解し、複数 Earth AI odels や地理空間 A I を順次呼び出して、複雑な危機 対応シナリオにも対応可能 。
 • ハリケーン 被害把握や Aベンチマークで高い性能を 示した。

4. 4 イントロダクション This image was generated by ChatGPT
5. Introduction：リモセン分野 問題点 
 • サイロ化：
 ◦ 衛星・センサ・人口統計など 地理空間データ 、空間分解能・時間分解能・カバレッジが ら らで、そ ままで 統合解析が難しい。 
 ◦ リモートセンシング 現場で 、画像・気象・人口統計などを手作業で集約し、 
 個別 モデルを組み合わせて解析する運用が依然として多い。 
 • 統合解析が難しい
 ◦ データ量 増え続ける一方で、高品質なラベルや地上真値 限定的であり、 
 単一タスクごとにモデルを作り直すコストが高い。 
 ◦ 独立したモデルが多く、横断的な解析がやりにくい。 
 ◦ 専門家 知識が必要で手作業が多く発生する現状である防災・気候・公衆衛生など 領域で 、 
 こ ようなデータを短時間で統合し、即時的に意思決定に結びつける仕組みが強く求められている 。
 
 地球観測向けマルチモーダル・マルチタスクなAIと地理空間エージェントを組み合わせたシステムが必要 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用 膨大でサイロ化した地理空間データ 依然として解析 ボトルネックである
6. Introduction：EearthAI 提案 
 • 解析モデル
 ◦ Imagery: リモートセンシング画像 
 ◦ opulation: 人口動態 
 ◦ Environment: 環境
 • オーケストレーション 
 ◦ Geminiベース 地理空間エージェントで 
 データ取得から解析までを実行 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用 Geminiをを利用した複数 モデルを束 る地理空間リーズニングエージェント 構築 
 非専門家でも複雑な地理空間解析を対話的に実行可能になる 

7. 7 手法 説明 This image was generated by ChatGPT
8. 手法 全体 
 Earth AI 3 つ Earth AI odels と G A からなる統合フレームワーク 
 • Earth AI odels ：「Imagery」「 opulation」「Environment」 基盤モデルから構成。 
 ◦ 各 Earth AI odels 、行政区や郵便番号など 共通地理単位に集約された埋め込みを出力し、下流タ スクで これらを特徴量として予測モデルを学習。 
 • Geospatial easoning Agent(G A) ： Gemini ベース エージェント 
 ◦ ど Earth AI odels・外部 A I・地理空間ツールをど 順番で呼び出すかを計画・実行 。
 ◦ 「 hink & lan → データ取得・推論・学習 → eflect & ecover」というループで動作し、必要に応じて追 加データ取得やモデル再学習を行い、回答を洗練させる。 
 • 全体として Earth AI 、モデル群・エージェント・地理空間 A I を一体化し、単純な問い合わせから複雑な危機 対応シナリオまでを一貫して扱える GeoAI プラットフォームとなっている。 

9. • emote ensing Foundations（ -F） 
 ◦ Datasetsから 画像 認識を行うため Foundation odel 群。 
 ◦ 右図 アプリケーションを行うために -Fを学習する。 
 emote ensing Foundations 概要 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用
10. • -F データセット 「航空写真/衛星画像」とGeminiを用いて作成される。 
 • データセット 3タイプ存在 
 ◦ キャプションと物体検出ラベル 
 ◦ セグメンテーションと物体検出ラベル 
 ◦ ebスケール テキスト画像データセット 
 emote ensing Foundations：Datasets 説明 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用
11. emote ensing Foundations： -F 画像向け ・ D・ i バックボーンからなる 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用 • -F に 「 」、「 pen- ocaburaly detection（ D）」、「 i 事前学習」 3つ モデルがあり、そ 役割 以下 通り 
 ◦ ： 画像とテキストを共通 埋め込み空間に写像し、自 然言語によるゼロショット分類やクロスモーダル検索を可能 に。
 ◦ D： 埋め込みを利用して、学習時に存在しなかった カテゴリも自由テキスト クエリで検出できる物体検出モデ ル。
 ◦ i 事前学習：多数 ラベルなし 画像と少数 ラベル付 きデータを用いてマルチタスク事前学習され、分類・検出・セグ メンテーション・インスタンスセグメンテーション Fine- uning に利用される。

12. opulation Dynamics Foundations： D-F 人間 活動と環境を統合した人口動態埋め込みを提供 
 • D-F 地図データ・検索トレンド・匿名化された混雑度・気象・大気質など データをもとに、 
 グラフニューラルネットワークを用いて行政区や郵便番号ごと 人口動態埋め込みを生成する 
 基盤モデル（ DF ）を拡張。
 • DF 埋め込み プライバシー配慮 設計となっており、個人を特定することなく、移動パターンや 
 経済活動 違いを表現可能。 
 • 本論文で 、米国を対象にしてた DF を17カ国に拡張した Global D-F を適用。 
 • 直近24ヵ月分 月次 埋め込みを作成し使用することで、動的な変化を予測。 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用
13. Environment モデル群：気象・洪水・サイクロン予測を A I として提供 
 • Environment モデル群：「気象予測」・「洪水予測」・「サイクロン予測」 モデルから構成。 
 ◦ 気象予測（Google aps latform eather A I）： et etを利用し、気温、降水量、風、紫外線指数など 240 時間先まで 時間予報や 10 日先まで 日別予報を提供。 
 ◦ 洪水予測（Google Flood Forecasting A I）：河川洪水 浸水範囲・深さ・確率をリアルタイムに予測。2025 年 8 月以前 履歴も参照可能。 
 ◦ サイクロン予測：（ニューラルネットワークに基づく）実験的サイクロンモデルを用いて、最大 15 日先まで 50 通り サイクロン 発生、進路、強度、規模、形状を予測。 
 過去 データ 2022年1月1日まで遡って利用可能。 
 • これら Environment モデル等 、Earth AI 内 予測タスクだけでなく、G A を介した対話的なクエリや危 機対応シナリオでも呼び出され、他 F と組み合わさって利用される。 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用
14. • G A 、クエリを「分析・関係」「事実・検索」「予測・推論」 3 種類に分解 し、それぞれに必要なツール・F ・ データソースを選択してシーケンスを組み立てる。 
 ◦ Imagery ドメインで -F を呼び出して衛星画像 分類・検出・検索。 
 ◦ opulation ドメインで D-F・ laces A I・Data Commonsを組み合わせて人口統計を取得。 
 ◦ Environment ドメインで 、洪水・サイクロン・気象 予測 A I を利用し、必要に応じて imesF など 時 系列 F を呼び出して patio- emporalな予測を行う。 
 • ユーザインタフェース 地図とテキストを組み合わせた形で提供され、G A がサブタスク 中間結果を地図上 に可視化しながら、最終的な自然言語 回答とともに提示する。 
 Geospatial easoning Agent：G A 地理空間ツール群を統括するドメイン特化エージェントである 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用
15. 15 実験結果 This image was generated by ChatGPT
16. 実験設定：Earth AI 評価 モデル性能・予測シナジー・エージェント能力 3 軸で行われる 
 • 評価 1： -F と D-F 単体 性能を、公的な ベンチマークや空間補間タスクを用いて最新モデルと比較 し、地理空間表現として 強さを確認する。 
 • 評価 2：AE-F・ D-F・Environment モデルを組み合わせ、FE A リスクスコア・CDC 健康指標・サイクロン被害・ コレラリスクといった実世界予測タスクでシナジーを定量化する。 
 • 評価 3：G A について、事実・分析クエリからなる &A ベンチマーク 100 問と、危機対応シナリオ 10 問からな る Crisis esponse ベンチマークを用いて能力を検証する。 
 • ベースラインとして、Earth AI 特有 ツールを持たない Gemini 2.5 ro / Flash エージェントを用い、同じ AD 上 で Google earch や aps 汎用ツール みを使用させて比較する。 
 • これら 3 軸 評価により、「個々 F が十分に強いか」「組み合わせることで予測がどれだけ向上するか」 「G A によってユーザ体験がどこまで変わるか」を体系的に確認している。 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用
17. 実験結果： -F と D-F 既存手法を上回る地理空間表現能力を示している 
 画像を分析するモデル要素について 評価 
 • -F 、F ・ E I C45・AID など ベンチマークにおけるゼロショット分類で既存 -C I や emoteC I を上回り、多く データセットで A を達成。 
 • ゼロショット画像–テキスト検索タスクでも、 - ig I 2 が ICD・ I D などで従来モデルより高い精度を示 し、大規模チャットモデル系 に匹敵する性能を示している。 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用
18. 実験結果： -F と D-F 既存手法を上回る地理空間表現能力を示している 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用 画像～テキスト 関係を分析するモデル 評価（セクション3.1.1） 
 • D で 、D A・DI におけるゼロショット検出で mA を - i -v2 約 2 倍に引き上げ、さらに 30 ラ ベル Few-shot 学習により 50% を超える mA を達成している。 
 • -Global バックボーン 、13 下流タスクで Image et 事前学習 i に対して平均 14.93% 性能向上 を示し、F o ・F AI ・DI で 従来 A を更新している。 
 • D-F 、17 カ国で 空間補間や Eurostat を用いたクロスカントリ予測で高い決定係数を達成し、他 地理空 間 F を上回る結果が報告されている。 

19. 実験結果： -F と D-F 既存手法を上回る地理空間表現能力を示している 
 19 社会経済データ（人口）を分析するモデル 評価（セクション3.1.2） 
 • opulation Dynamics Foundationによって人口に関する分析を実施。 
 • 関心 ある変数予測において、 atC I やGeoC I と比べて高いパフォーマンスを達成。 
 • C IDなどダイナミックな人口動態評価にも使える。 

20. 実験結果： -F と D-F 既存手法を上回る地理空間表現能力を示している 
 20 社会経済データ（人口）×画像分析を統合するモデル 評価（セクション3.1.3） 
 • サイクロンによる被害予測 
 • サイクロン 経路予測と、画像分析AI出力・社会経分析分析出力を組み合わせ、建物被害 発生を予測 
 • コレラ 予測にも活用 
 → 出力 統合利用 有効性を示している。 

21. 実験結果：Geospatial easoning Agent 性能評価 
 21 • Earth AI Geospatial easoning Agentを使って、いかに“複雑な現実 問い”を解くかを ベンチマークで 定量評価したパート。 
 
 • ここで 「モデル単体 精度」で なく、 
 Imagery F / opulation F / Environment F /A I（Google aps/ Data Commons/ EE等） 
 を エージェントがどうオーケストレーションして問題を解くか にフォーカス。 
 　　多様なタスクに対して、ど モデル・ど ツールをどんな順番で呼べ いいかを エージェント 
 　　が計画・実行・修正する。 
 
 • ベンチマーク 2種類を用意 
 下記2つに対して、自動評価ツール (Appendix) を用いた評価を実施。 
 1. &A 評価セット（ &A Evaluation-set)。 
 2. 危機対応評価セット（Crisis esponse Evaluation-set）。 

22. 実験結果：Geospatial easoning Agent Fact-finding and Data Analytics 性能評価 
 22 • 全100問 Aで、すべて明確な数値・リスト 正解データを持っている 
 　　 ツールを正しく使って、正しい値を出せるかを確認。 
 Descriptive and etrieval: 不変に近い事実 問答。 
 Analytical and elational: 複数 時間・地域・変数 関係 問答 (ランキング、傾向、相関) 。 
 • Geospatial easoning がど タスクにおいても最も精度が高いことが示されている。 

23. 実験結果：Geospatial easoning Agent Fact-finding and Data Analytics 定性的評価 
 23 実際 A 一部

24. 実験結果：Geospatial easoning Agent 危機対応（災害） ケーススタディ 
 24 • 危機対応（災害）に関する複雑なクエリを評価するため セット。 
 • 例：ある時刻 ハリケーン 予測進路に基づいて、ど 州 ど 人口層が、ど 程度 リスクがあるか？ 
 • 1つ 正解値があるわけで ない で、各プロンプト毎に詳細な採点表を作成しており、回答を0-1 
 スコアで評価する。(具体的な評価方法 Appendix) 
 圧倒的に本手法が強い

25. 実験結果：Geospatial easoning Agent 危機対応（災害） ケーススタディ 
 25 uestion
 ・2024年9月23日 12:00 C
 　時点で Hurricane Helene 予測進路 ？
 
 ・フロリダ州 郡 うち、人口2万超 
 　郡リストを取得せよ
 
 ・そ 中から、ハリケーン級 風が
 　予測されている郡だけを抽出せよ
 
 Answer
 ・エージェントが適切なA Iを呼び出し、
 　ハリケーン 予測進路と風速を取得
 ・風速 閾値を設定して、そ 領域を
 　ポリゴンとして抽出する
 ・郡毎 人口 情報を取得して、
 　フィルタリング
 • 「強力な F ＋適切なA I＋G A オーケストレーション」が、汎用 だけで 難しい地理空 間推論を安定的に実現することを示している。 

26. 26 議論と結論 This image was generated by ChatGPT
27. 議論・限界点：センサ多様性・スケール・信頼性に課題が残る 
 • リモートセンシング基盤モデル 課題： 
 ◦ 高解像度 GB 画像に焦点を当てており、マルチスペクトル・ A ・斜め撮影など、 
 リモートセンシング実務で重要なセンサ 多様性に まだ十分対応できていない。 
 ◦ 静的画像タスクが中心であり、時系列 タスクや長期変化検出へ 適用 今後 課題。 
 • 人口動態基盤モデル 課題： 
 ◦ 強力な人口埋め込みを提供する一方で、過去 履歴期間や空間解像度 さらなる拡張、 
 データ欠損が体系的に発生する状況で 評価が必要とされている。 
 • 各モデル 統合 課題： 
 ◦ 多モダリティ統合で AE-F・ D-F・Environment モデル 空間・時間スケールを厳密に揃えることが難しく、現状 予 測変数ごとに特徴量生成やハイパーパラメータ調整が必要である 
 ◦ 一方、将来的に これらを統合的に学習する単一 meta-Earth モデルと、より汎用的な融合手法 確立が課題。 
 • エージェント 課題： 
 ◦ G A 評価 Earth AI が想定したドメインとタスクに偏っており、多様性 あるドメインとタスクで、より厳密な評価指 標と人間 専門家レビューを伴う検証が今後求められる。 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用 本論文で 「タスクごと バラバラなモデル」から「複数F ＋Geminiエージェントが連携する統合エコシステム」へ 転換を示し、モデル 選択とデータ統合を自動化するエージェントでドメイン専門家がデータサイエンス,GI 専門性抜きでも高度な空間解析を行える橋渡しと なることを示した。 

28. まとめ・今後 展望：Earth AI 統合型 GeoAI へ ロードマップを示す重要な一歩である 
 • サイロ化された地理空間データ 統合 
 Earth AI emote ensing Foundations（ -F）、 opulation Dynamics Foundations（ D-F）、Environment モ デルと Geospatial easoning Agent（G A）を統合した 
 これまでサイロ化されていた地理空間データを横断的に扱い、災害対応・公衆衛生・都市計画など多様なタスク で A〜実務レベル 性能を示した。 
 
 • エージェント 効果 
 データ取得・前処理・推論・統合をエージェントが一気通貫でオーケストレーションできる で、 
 非専門家でも高度な地理空間情報解析が可能になる。 
 
 • 今後 課題と研究方向 
 単独モデル 寄せ集めで なく、モデル間 強調と融合ができるマルチモーダルな生態系が重要になり、 
 高度なエージェントによるオーケストレーションが今後重要になる。 
 Aaron Bell et al. (2025), “Earth AI: Unlocking Geospatial Insights with Foundation Models and Cross-Modal Reasoning”, arXiv:2510.18318. より引用
29. 論文を読んでみて 感想 
 • AIエージェントと既存 モデルを上手く組み合わせることで、これまで難しかった返答文が得られるようになって、AIエージェント 返 答文 限界点を考える良い機会になりました。大きく精度が上がったということで、AIエージェントによる創意工夫 まだまだ続きそう です。（中村）
 • 国内でもベンチャーやメーカーなどでエージェントを使った衛星画像解析 oC/デモをやっている企業がいるが、 Goooooooooooooooogleと 違いを出す が今後困難になるかもしれない。日本独自 データなど差別化できるかなどが重要になる かも？企業だけでなく、リモセン ドメイン側 専門家として 生き残り方を考えた方がいいかもなあ。今後、ドメイン知識でAI 結 果を承認するおじさんとして生きていく か......（篠原）
 • 地理空間に関する基盤モデルを組み合わせる仕組みを作り、推論させると色々なことが出来るんだなと
 改めて感じた。一方で、巨大なデータやリソースを持っているGoogleだからこそ出来る取り組みな で、日本ならで 強みを生か し、どう違いを出すかが重要になってくると思った（青木/ぴっかりん）
 • AIすごい、ジュニア職や卒論で扱う内容だとこれでいい気 する（ディープテック系 就職難がリモセン・GI にも来るかも）（嶌田）
 • リモセン知識 民主化で ある、しかし出力 正当性 誰が担保？AI イタコに頼っていい か（嶌田）
 • AIが言わないこと≠リモセンでできないこと、リモセン知識 深化が必要（嶌田）
 • 画像品質や校正検証みたいなところ 人間 仕事として残り続けそう、一方でデカいデータをAIに突っ込んで解析、みたいなところ GoogleやAIに勝てない予感（嶌田）
 • ネット上に出回る情報に基づいている以上 、光学 GB 画像表示に教師データが偏っている気がしなくもない。ハイパースペクトル や熱赤外、マイクロ波解析など、不可視電磁波領域に まだ活路があると予想（嶌田）
 • F だけでやりくりする で なく、F +A Iをエージェントで選択して使用するというアイデアが素晴らしい。こ 考え方 拡張性が非 常に広く、Google F だけにとどまらない で、期待。一方で、こ 流れが加速したときに、リモセン解析者 立場が危うくなる。乗る しかない、こ ビックウェーブに。(乗らないと置いていかれる) (平出)
 • だれかリモセン日本勢、Google esearchかDeep indあたりに入ってください！！！！！ (平出)
 • GEEや A ,検索エンジン 技術そしてデータをもっているG G Eならで 壮大内容だと思った。
 G とか A Aとか とか データとオープンソース で劣化版でもいい で似たようなも があると面白いかも
 (柴田)
 • A -2/4 高解像度版やフルポラデータ GEEに載っていない で、こ モデルで 加味できていない ず。オープンデータに頼 るAI構築から得られる結論 、リモセンデータ 全てを網羅している議論で ない（嶌田）

30. 30 スライド作成者紹介 This image was generated by ChatGPT
31. 中村 凌 株式会社天地人 / SatAI.challenge 主宰 / cvpaper.challenge HQ • 株式会社天地人データサイエンティスト （2024/04 - 現在） • SatAI.challenge 主宰（2024/09 - 現在） • cvpaper.challenge HQ（2021/1 - 現在 ） • 福岡大学大学院 理学研究科 応用数学専攻 博士課程（2021/04 - 2024/03） • 産業技術総合研究所 コンピュータビジョンチーム RA（2021/05 - 2024/03） • 福岡大学大学院 理学研究科 応用数学専攻 修士課程（2019/04 - 2021/03） 自己紹介 Twitter LinkedIn 31 これまで 個人的な活動 • 研究効率化Tips （ViEW2021招待講演） • 国際会議へ 論文採択実績（IROS / ICCV 2023, ICASSP / ECCV2024） • CCCS,W2021/2022 GC PC（登録者800名超え） • SSII2023オーディエンス賞受賞 • SatAI.challenge運営（国際論文 日本語資料・動画 アーカイブ化）
32. 自己紹介 
 32 研究テーマ ：３次元モデリング、サロゲートモデル、動的システム、土木インフラ 32 X(旧 Twitter) LinkedIn 産総研 - サロゲートモデル: 制御x深層学習モデル - 土木インフラxAI: インフラ劣化予測 篠原 崇之
33. 33 自己紹介
 平出 尚義 (ひらで なおよし) 
 
 ・一般財団法人 リモート・センシング技術センター ( E EC) 
 ・筑波大学大学院　博士課程後期1年生 (2025/04 -, 社会人D) 
 
 - 国/地域レベルで 土地利用土地被覆分類 
 - 衛星 校正検証 (ラジオメトリック / ジオメトリック) 
 - 衛星データ×AI系 (抽出、分類、超解像、基盤モデル) 
 土地利用土地被覆図作成 
 校正検証業務 (現地測量) 

34. 青木 亮祐（ぴっかりん） • 株式会社パスコ 研究開発センター ◦ 地理空間情報×AIで色々行ったり、そ 環境整備 • Project PLATEAU ADVOCATE 2025 • 一般社団法人OSGeo日本支部( OSGeo.JP ) 運営委員 自己紹介 34 X（旧Twitter） GitHub 過去に個人で行った衛星データ関連 発表
 個人開発した A EA A I C サーバー

35. 嶌田　将貴 （シマダ　ショウキ） • JAXA地球観測研究センター（EORC） • 専門 地球観測衛星データ 解析による環境変化 定量化や、農業 など食料分野における情報整備 自己紹介 35 衛星画像から検出した太陽光発電パネル
 時系列画像から分析した作付けマップ

36. 柴田たけお フリーランサー 東北大学理学部、カリフォルニア大学バークレー大学院で地物専攻 そ 後IT業界で30年近くSYSTEM ENGINNERとしてシステム開発にかかわる 現在 AIや数理最適化とGISやリモートセンシングを組み合わせたソリューションに 興味あり 最近開発活動（ POCも含む） •衛星.GIS関連: 衛星画像LANDSATと統計データを利用した新潟県 収穫量予測, 物流 最適運搬システム •一般AI関連: 音声特徴量で 健康診断, 顔認証, 画像生成, 自動コード生成, END2ENDで AI医療応用提案 •そ 他: SNS コメントと写真情報から 災害対応システム 自己紹介 36