1 基本原理
1.1 電磁波と物質の相互作用
リモートセンシングは、物体が反射または放射する電磁波を検出することで情報を得る。太陽光などのエネルギー源から放射された電磁波は、大気を通過し地表の物質に到達する。物質は波長ごとに異なる反射・吸収・透過特性（スペクトル特性）を示す。例えば、植生は可視光の赤色域を強く吸収し近赤外域を強く反射するため、健康状態の指標となる。大気による散乱や吸収も信号に影響を与えるため、観測波長の選択や補正が重要である。
1.2 プラットフォームの分類
1.2.1 衛星観測
人工衛星に搭載されたセンサは、地球全体を定期的に観測できる。太陽同期軌道衛星はほぼ同じ地方時に観測を行い、静止軌道衛星は常に同じ地域を監視する。代表的な例としてLandsatシリーズ（米国）、Sentinelシリーズ（欧州宇宙機関）、ひまわり（日本）などがあり、数十年にわたる長期データが蓄積されている。
1.2.2 航空機観測
飛行機やヘリコプターにセンサを搭載する方式。衛星よりも低高度で飛行するため、より高い空間分解能（数cm～数m）のデータが得られる。災害発生直後の緊急調査や、パイプライン・送電線などの線状インフラの点検に利用される。ただし、飛行範囲や天候の制約を受けやすい。
1.2.3 地上観測・ドローン
三脚や車両に設置したセンサによる地上観測は、局所的な高精度データを取得する。近年はドローン（UAV）が普及し、数十mから数kmの範囲を柔軟に観測できる。農業分野での生育診断や、建設現場の測量、文化財の3Dモデリングなど、低コストで高頻度な観測が可能となった。
1.3 センサの種類
1.3.1 パッシブセンサ
太陽光や地物自身の放射など、自然由来の電磁波を検出する。可視光・近赤外・熱赤外センサが該当する。光学カメラやマルチスペクトルスキャナが代表的で、植生指数や地表温度の算出に用いられる。夜間や雲の下では観測が困難である。
1.3.2 アクティブセンサ
自ら電磁波を照射し、その反射や散乱を計測する。合成開口レーダ（SAR）やライダー（LiDAR）が代表的。マイクロ波は雲を透過するため全天候で観測でき、夜間も使用可能。地形の標高計測や地殻変動の検出、樹高の推定などに活用される。
2 データ取得と処理
2.1 観測データの特性
2.1.1 空間分解能
センサが識別できる最小の地表距離。1ピクセルあたりのサイズで表され、低分解能（数百m～数km）から高分解能（数m以下）まで様々。観測目的に応じて選択される。例えば、広域の気象観測には低分解能で十分だが、都市詳細図には高分解能が必要。
2.1.2 スペクトル分解能
センサが識別できる波長帯の数と幅。パンクロマチック（単一広帯域）からマルチスペクトル（数～十数バンド）、ハイパースペクトル（数百バンド）まで存在する。バンド数が多いほど物質の同定精度が向上するが、データ量も増大する。
2.1.3 時間分解能
同一地点をどの程度の頻度で観測できるかを示す。衛星の回帰周期や観測幅に依存し、数時間から数十日まで様々。災害監視や植生の季節変化追跡には高い時間分解能が求められる。近年の小型衛星コンステレーションにより、日単位の観測が現実的になっている。
2.2 前処理技術
2.2.1 放射量補正
センサが検出したデジタル値を、物理的な放射輝度や反射率に変換する処理。センサの経年劣化や温度変化による影響を補正し、異なる時期・異なるセンサ間での比較を可能にする。
2.2.2 幾何補正
画像の歪みを除去し、地図座標系に合わせる処理。衛星の姿勢変動や地形起伏による位置ずれを、地上基準点（GCP）や数値標高モデル（DEM）を用いて補正する。高精度な幾何補正は時系列解析や他データとの重ね合わせに不可欠。
2.2.3 大気補正
大気中の分子やエアロゾルによる散乱・吸収の影響を取り除く処理。太陽光が大気を通過する際の減衰や、周囲からの散乱光（ハイズ）を補正し、地表の真の反射率を推定する。代表的な手法として6SモデルやFLAASHがある。
2.3 画像解析手法
2.3.1 分類（教師あり・教師なし）
教師なし分類は、画素のスペクトル特性の類似性に基づいて自動的にグループ化する（k-means法など）。教師あり分類は、事前に設定した訓練領域のスペクトルパターンを用いて、最尤法やサポートベクターマシンで全画像を分類する。目的に応じて使い分けられる。
2.3.2 スペクトル指標（NDVIなど）
複数の波長帯の演算により、特定の地表状態を強調する指標。正規化差植生指数（NDVI）は近赤外と赤の反射率差を利用して植生の活性度を評価する。他にNDWI（水指標）、NBR（焼け跡指標）、NDBI（建築指標）などが実用化されている。
2.3.3 変化検出
異なる時期の画像を比較し、地表の変化領域を抽出する。ピクセルごとの差分や比演算、主成分分析、ポスト分類比較などの手法がある。土地利用変化、森林減少、都市拡大、災害被害範囲の把握に用いられる。
3 主要応用分野
3.1 農業・林業
3.1.1 作物生育モニタリング
NDVIなどの植生指標を用いて、圃場単位で作物の生育状況や栄養状態を評価する。適切な施肥・灌漑のタイミングを判断し、収量予測や病害虫の早期発見に役立つ。ドローンによる高解像度観測は精密農業（プレシジョンアグリカルチャー）の基盤技術となっている。
3.1.2 森林資源評価
衛星画像から森林の分布・面積・種類を把握し、樹種分類やバイオマス推定を行う。LiDARにより樹高や林床地形を計測し、炭素貯蔵量の算定に貢献する。違法伐採の監視や、生物多様性保全のための生息地評価にも活用される。
3.2 都市・インフラ
3.2.1 土地利用・被覆分類
光学画像を用いて、市街地、農地、森林、水域などを自動分類する。時系列データから都市のスプロール現象や緑地減少を定量化し、都市計画や環境アセスメントの基礎資料となる。機械学習の導入により分類精度が向上している。
3.2.2 都市熱島現象の解析
熱赤外センサで取得した地表面温度データを用いて、都市部と郊外の温度差を分析する。建物密度や舗装面積、緑地分布との関係を明らかにし、ヒートアイランド対策（屋上緑化、遮熱材の導入など）の効果検証に貢献する。
3.3 環境・気象
3.3.1 水質・大気汚染監視
光学センサで湖沼や沿岸域のクロロフィル濃度、濁度、有色溶存有機物を推定する。大気汚染ではエアロゾルの光学的厚さや二酸化窒素濃度を衛星から観測し、広域の汚染マップを作成する。中国やインドなどのPM2.5監視にも応用されている。
3.3.2 気候変動と植生動態
長期衛星データを用いて、植生の季節パターンや年々変動を分析する。全球的なグリーン化（CO2施肥効果による植生増加）や、乾燥地での砂漠化進行を検出。温暖化による森林限界の移動や北極圏の植生変化をモニタリングする。
3.4 災害管理
3.4.1 洪水・火災被害把握
SAR画像は夜間や雲域でも観測可能なため、洪水時の浸水域把握に威力を発揮する。火災では燃焼域の特定や、焼け跡のNDVI低下を検出する。災害発生直後の衛星画像は、救助活動や被害額算定のための迅速な状況把握に不可欠。
3.4.2 地震・地すべり評価
干渉SAR（InSAR）により、地震前後の地表変位をcm単位で検出できる。地すべり斜面の微小な変動を捉え、早期警戒システムに利用。また高解像度DEMから傾斜や起伏を解析し、地すべり危険箇所の抽出に役立つ。
4 課題と将来展望
4.1 データの可用性と標準化
近年、衛星データは無料公開が進んでいるが、データ形式や前処理レベルがセンサごとに異なり、ユーザー側での統一的な取り扱いが困難。国際的な標準化（例：CEOSのデータフォーマット）やクラウドプラットフォーム（Google Earth Engineなど）の普及により、データアクセスの障壁は低下しつつあるものの、発展途上国での利用環境整備が課題。
4.2 技術的限界（雲被覆・解像度）
光学センサは雲に遮られると観測できない。熱帯地域では年間の利用可能データが限られる。SARは雲を透過するが、解釈が難しく、データ処理に専門知識が必要。空間解像度と観測幅はトレードオフの関係にあり、高解像度は狭域に限定される。小型衛星群による高頻度観測でカバーしつつある。
4.3 新興技術との融合
4.3.1 人工知能・深層学習
畳み込みニューラルネットワーク（CNN）やTransformerを用いた画像分類・物体検出が進展。教師データの作成コスト低減のため、半教師あり学習や自己教師あり学習の研究も活発。リアルタイムでの災害被害抽出や、異常検知への応用が期待される。
4.3.2 小型衛星群による高頻度観測
CubeSatなどの超小型衛星を多数打ち上げ、全球を毎日観測するコンステレーション（Planet Labs社など）が実用化。従来の大型衛星では難しかった日単位の高解像度観測が可能となり、農業モニタリングや災害時の迅速な状況把握に革命をもたらしている。
4.3.3 ハイパースペクトル・SARの進化
ハイパースペクトルセンサは鉱物同定や水質評価の精度を飛躍的に向上。次世代の衛星計画（EnMAP、PRISMA、SBGなど）により、全球ハイパースペクトルデータが利用可能になりつつある。SARでは多偏波・多周波化が進み、植生の3次元構造や土壌水分の高精度推定が可能に。小型SAR衛星（ICEYE、Capella Spaceなど）も登場し、コスト低減とデータ拡充が進む。