熊本地震で実証、衛星画像とAIが変える建物被害判読と災害対応の現場

分析・見解

AIの価値は分類ではなく人員配置の判断支援

今回の意義は、AIが画像を分類できたという点だけではありません。災害対応で本当に価値があるのは、限られた人員をどこへ先に向かわせるかという判断を、発災直後の不完全な情報の中で支えられることです。自治体が必要とするのは、画像上の損壊率そのものよりも、地区別の被害分布、通行可能な道路との重なり、避難所や医療機関への影響といった、行動につながる情報です。衛星画像の自動判読は、その判断材料を短時間で整える役割を担います。

判定結果は信頼度地図として現地確認に使う

技術面では、建物損壊の判読は単純な物体認識より難しい領域です。屋根の崩落、壁の倒壊、建物全体の傾き。これらは撮影角度や解像度、日照、雲、周辺の樹木によって見え方が変わります。地震前の画像と地震後の画像を比較する場合も、季節差や撮影位置のずれが誤判定を生みます。そのため、AIの判定結果をそのまま罹災証明や解体の判断に使うのは適切ではありません。信頼度を示した地図として提示し、現地確認の順番を決める仕組みが現実的です。自動化の成功とは、人の調査を無くすことではありません。人が確認すべき場所を減らし、見落としの可能性を下げることだと捉えるべきでしょう。

衛星の強みは広域比較、限界は外観情報だけということ

熊本地震のように住宅地が広域に分散し、地形も複雑な地域では、この考え方が特に有効です。航空機やドローンは高精細な画像を得やすい一方、飛行計画、天候、電源、立ち入り制限に左右されます。衛星は一枚ごとの細部では劣る場合があっても、広域を同じ条件で取得しやすく、自治体間の比較や時間経過の追跡に向いています。光学衛星に加え、雲や夜間の影響を受けにくい合成開口レーダー（＝電波で地表を観測するレーダー）を組み合わせれば、天候が不安定な初動期にも観測の空白を埋められます。

ただし、衛星画像だけで被害の全容が分かるわけではありません。外観から判定しにくい基礎の損傷、室内の被害、ライフラインの断絶、危険な斜面の状態には、別のデータが必要です。自治体の建物台帳、過去の航空写真、道路情報、住民からの通報を重ねて、初めて業務に耐える被害地図になります。さらに、学習データが特定地域や特定の建物様式に偏ると、別の地震や豪雨で精度が落ちる可能性があります。地域ごとの検証、誤判定の記録、判定根拠の保存を運用に組み込むことが欠かせません。

今後の競争軸は速度と既存システムとの接続

今後の競争軸は、AIの正解率だけではありません。観測から配信までの時間、既存の防災システムとの接続、再判定のしやすさへ移っていきます。発災から数時間以内に暫定地図を出し、追加の衛星画像や職員の確認結果で更新できる仕組みなら、初期の誤差を前提にしても実務価値があります。逆に、精緻な分析結果が数日後に届くようでは、初動の意思決定には使いにくいでしょう。サグリの取り組みは、衛星データを導入するかどうかという段階から、どの業務に、どの精度と時間で組み込むかを設計する段階へ、議論を進めるきっかけになります。