【奈良市オープンデータ活用】AIによる地目分類の教師データ作成とモデル登録までの道のり
AIと地理空間データの融合が現実のものとなった今、自治体のオープンデータを活かした地目分類AIの取り組みは、次世代の都市管理・地籍整備の大きな一歩となります。今回、奈良市が公開しているオープンデータを利用し、地目（田・畑・宅地・山林・雑種地）を分類するAIモデルを作成するまでの「教師データ作成」から「AI登録」までのプロセスをご紹介します。
1. 教師データとは何か、なぜ必要か？
AIの性能は「教師データ」の質に大きく依存します。教師データとは、AIが学習するために用意された正解付きのデータです。今回は地図上の地番ポリゴンに対して、「これは田」「これは山林」などと人間が判断した正解ラベルを付与し、それをAIに学習させました。
この教師データが雑であれば、AIは誤った判断をするようになります。反対に、精緻で偏りの少ないデータを用意することで、現実に即した分類を実現できます。
2. データ収集と整備（前処理）
まず最初に行うのは、データの収集です。奈良市のオープンデータポータルでは、空中写真（GeoTIFF形式）、地番図（GPKG形式）などが提供されています。これらを用いて以下の工程を実施しました：
-
位置合わせ（ジオリファレンス）：空中写真と地番図の座標を統一
-
ノイズ除去：小さな破片ポリゴンや誤差を排除
-
分類対象の地目のみ抽出：田・畑・宅地・山林・雑種地など明確なカテゴリのみを対象とする
ここで重要なのは、「空間的な正確さ」と「ラベルの正しさ」の両立です。AIは座標上の画素を学習対象とするため、少しのずれや誤ラベルが精度に直結します。
3. アノテーション（ラベル付け）
地番図のポリゴンデータ一つ一つに、「これは田」「これは畑」などのラベルを付けていく作業です。これは極めて地道ですが、地目分類AIにおいて最も重要な工程の一つです。
GISソフト（例：QGIS）を用いて手動でタグ付けを行うことで、高精度な教師データを作成しました。自動アノテーションも可能ですが、今回の目的は精度重視だったため、完全手動で実施しています。
4. AIモデル構築と登録
地目分類AIにはPyTorchベースのCNN（畳み込みニューラルネットワーク）を利用。教師データをもとに学習させ、以下の流れでモデルを構築しました：
-
ラベル付き地番ポリゴンと空中写真をペアにした画像データセットを作成
-
学習用・検証用にデータを分割
-
CNNにて学習（land_classifier_model.pthの生成）
-
ラベルマップ（例：0=田, 1=畑…）に従ってGeoJSON出力
モデルの登録後、「land_use_guess_fixed.py」によって任意の地図に対し自動推定を実施。GeoJSON形式での出力により、他のシステム（都市計画、農地管理、土地登記など）への連携も可能です。
5. 因果・対比・同等の論理展開
AIにとって、教師データは“教育者”に等しい存在です。教師の質が高ければ、学習者（AI）はより良い判断を下せるようになります。これは人間と同じ原理です（同等構造）。
また、教師データが不完全であれば、AIは誤分類を繰り返すでしょう。精度の高い分類AIの裏には、必ず「手間をかけた正確なラベル付け」が存在します（因果構造）。
さらに、従来の手作業による地目分類と比較した場合、AIは圧倒的にスピーディで、広範なエリアにも対応できます。人手との役割を分担すれば、実務上の大きな武器となるでしょう（対比構造）。
6. 今後の展望とGitHubへの公開
このプロジェクトのコードやデータ構成はすでにGitHubで公開されています（下記参照）。全国の自治体や研究者が自由に活用・拡張できるよう、オープン化が進んでいます。とくに「分類器の一般化」や「他都市への適用性検証」は今後の焦点です。
-
GitHubプロジェクトリンク：nara-auto-chimoku-classifier
まとめ
奈良市のオープンデータを活用した地目分類AIの構築は、公共データの社会実装という観点でも非常に意義のある取り組みでした。教師データ作成の地道な努力が、実用的かつ高精度なAIモデルを生み出す鍵となったことは明白です。
今後もこのようなAI×GISの取り組みが全国各地で加速すれば、日本の土地管理の未来はより明るいものとなるでしょう。
#地番図 #固定資産 #地目判読 #人工知能 #奈良市 #オープンデータ #地目分類AI #教師データ #GIS #PyTorch #QGIS #AI活用 #GitHub公開
コメント