測量×AI活用ガイド
点群AI分類、GIS連携、ドローン自動測量。測量士補・QGIS公式プラグイン作者が語る、測量×AIの実践知識と将来展望。
30秒でわかる結論
- 測量×AIの要点は、点群の自動分類・地物抽出・地形解析とDEM生成・変化検出・オルソ画像分析・既知寸法を基準にした写真内の寸法概算という6つの活用分野。
- AIは点群分類や地物抽出といった「データ解析の労働集約型工程」を自動化し、測量技術者を判断と品質管理に集中させる。役割は『データ取得・加工』から『品質管理・意思決定』へ。
- AI推論はQGIS・PostGIS・GDAL/OGR・Cesium/deck.glといったGISツールと連携させ、検出結果をベクタ・ジオメトリとしてGISワークフローに統合する。
- みちびき(QZSS)のCLAS補正で受信機単独cm級測位が可能になり、精密農業・自動運転重機・災害監視などAIとの新しい応用が広がる。
- 本ガイドは測量士補・QGIS公式プラグイン6本の作者・内閣府QZSS実績を持つ著者が解説。各分野はブラウザのデモで実際に体験できる。
日本の測量の現状とAIの必然性
日本の測量業界は、技術者の高齢化と人手不足という構造的課題に直面しています。 測量士・測量士補の登録者数は約48万人（2024年）ですが、実働者数はその一部であり、 特に地方では測量会社の廃業・統合が進んでいます。
一方で、i-Construction 2.0の推進により、3D測量・点群データの活用需要は急増しています。 国土地理院の電子基準点網、みちびき（QZSS）のCLAS補正サービス、 UAV（ドローン）の普及により、データ取得の高精度化・効率化は進んでいますが、取得したデータの解析・加工工程がボトルネックになっています。
ここにAIが果たす役割があります。AIは大量の点群データの自動分類、航空写真からの地物抽出、変化検出といった 「データ解析の労働集約型工程」を自動化し、測量技術者が判断と品質管理に集中できる環境を作ります。
著者の測量×GIS×AI実績
測量×AIの6つの活用分野
点群分類から変化検出まで、測量のワークフローにAIを組み込む具体的な手法を解説します。
点群の自動分類
LiDARやSfMで取得した3D点群データをAIが自動分類。地表面・建物・植生・電線・車両などのクラスに高精度で振り分けます。従来は熟練技術者が手作業でフィルタリングしていた工程を大幅に効率化。
主要技術・モデル
活用事例
航空LiDAR点群のDEM/DSM生成前処理、都市3Dモデル構築、森林資源調査
地物の自動抽出
航空写真・衛星画像からAIが建物、道路、河川、農地などの地物を自動的に検出・ベクタライズ。地図更新・都市計画・災害調査のスピードを飛躍的に向上させます。
主要技術・モデル
活用事例
地形図の更新、都市計画基図の作成、災害被害範囲の自動推定
地形解析とDEM生成
単眼画像の相対深度推定は、地形の前後関係を可視化する補助に使えます。測量用DEMの生成には、複数視点画像を使うSfMやLiDAR、標定点などによる尺度・座標の校正が必要です。
主要技術・モデル
活用事例
地形の前後関係の確認、SfM撮影計画の補助、現地計測前の画像確認
変化検出
時期の異なる航空写真・衛星画像をAIが比較分析し、建物の新築・解体、土地利用変化、災害による地形変動を自動検出。GISデータベースの更新トリガーとして活用されます。
主要技術・モデル
活用事例
固定資産税課税のための建物変化検出、災害後の被害把握、不法投棄の監視
オルソ画像のAI分析
ドローンや航空機で取得したオルソ画像をAIで分析し、ひび割れ検出、植生指数算出、法面崩壊の兆候検知などを自動化。広域の異常検出を少ない人手で実現します。
主要技術・モデル
活用事例
道路舗装のひび割れ検出、河川堤防の法面点検、農地の生育状況モニタリング
写真内の寸法概算
写真内の既知寸法を基準に、同一平面上の2点間の長さをピクセル比で概算します。AIの相対深度は、基準物と概算対象の奥行き差を示す暫定目安です。
主要技術・モデル
活用事例
壁面や床面など、同一平面上にある部材の概算寸法確認
GIS × AI 連携
AIの推論結果をGISワークフローに統合するための主要ツールと連携方法。
QGIS
オープンソースGIS世界で最も使われているオープンソースGIS。Pythonプラグインを通じてAI推論パイプラインを統合可能。著者はQGIS公式プラグインを6本開発・公開しており、GIS×AIの実装知見を蓄積しています。
AI連携方法
Pythonプラグインでモデル推論→ベクタレイヤーに結果出力。点群プラグインによる3D表示も対応。
PostGIS
空間データベースPostgreSQLの空間拡張。AI推論結果（検出ボックス、セグメンテーション領域）をジオメトリとしてDB格納し、空間クエリで分析。大量データの管理・検索に不可欠。
AI連携方法
推論結果をWKT/GeoJSONでINSERT→ST_Intersects等の空間関数で分析・集計。
GDAL/OGR
データ変換ライブラリラスタ/ベクタ地理空間データの読み書き・変換の標準ライブラリ。AIパイプラインの入出力段でGeoTIFF、Shapefile、GeoPackage等のフォーマットを処理。
AI連携方法
GDALでラスタ読込→NumPy配列→モデル推論→GDAL出力。Pythonバインディングが充実。
Cesium / deck.gl
3D地理空間ビジュアライゼーションブラウザ上で3D地球儀・地図上にデータを可視化するライブラリ。AI推論結果（点群分類、オブジェクト検出等）をインタラクティブに表示。
AI連携方法
推論結果をGeoJSON/3D Tilesで配信→ブラウザ上でインタラクティブ可視化。
測量AIに必要なハードウェア
データ取得
UAV（ドローン）
DJI Matrice 350 RTK、Phantom 4 RTK等。RTK-GNSS搭載で高精度位置情報付き撮影。
LiDARスキャナ
Velodyne/Hesai/Livox等。点群密度・精度はスキャナ性能に直結。
GNSS受信機
みちびき（QZSS）CLAS対応で cm精度。RTK・PPK補正との組み合わせ。
エッジ処理
NVIDIA Jetson Orin
ドローン搭載・車載向け。275 TOPS（Orin NX 16GB）でリアルタイム点群処理。
Hailo-10H
40 TOPSのAIアクセラレータ。小型・低消費電力で現場向き。
Raspberry Pi 5 + AI HAT
26 TOPSのHailo-8L搭載。低コストで現場のエッジAIゲートウェイに。
学習環境
NVIDIA A6000 48GB
著者の学習環境。必要なVRAMはモデル、点数、バッチサイズ、数値精度で変わります。
クラウドGPU
AWS/GCP/Azure等。スポットインスタンスでコスト最適化。大規模データの学習に。
ハードウェアの詳細比較は ハードウェア比較ページ をご覧ください。
測量の未来 ― AI時代の測量はこう変わる
AIが測量のワークフローをどう変革するか。近未来の展望を整理します。
完全自動測量
2027〜2030年（段階的に実用化）ドローンの自動飛行→AIによる点群生成→自動分類→GISデータベース更新までを無人で実行。技術者は品質確認とイレギュラー対応に集中。
リアルタイム3Dマッピング
2025〜2027年（一部実用化済み）SLAM（同時位置推定・地図構築）とAIを統合し、移動しながらリアルタイムで3D地図を生成。建設現場の日次進捗管理に。
衛星×AI による広域モニタリング
2025〜2028年高頻度撮影衛星（Planet等）の画像をAIで解析し、広域の土地利用変化・災害・不法開発を自動検出。日本全土を週次でモニタリング。
デジタルツインと予測シミュレーション
2028〜2032年実測データとAI予測を統合したデジタルツインにより、インフラの劣化予測、災害リスクシミュレーション、都市計画の最適化を実現。
測量技術者の役割は「データ取得・加工」から「品質管理・意思決定」へ
AIが定型作業を自動化する一方、測量法に基づく成果品の品質保証、イレギュラーケースの判断、発注者とのコミュニケーションは、 引き続き測量技術者の専門性が不可欠です。AIは技術者を「代替」するのではなく「拡張」する技術です。
みちびき（QZSS）× AIの可能性
日本の準天頂衛星システム「みちびき」（QZSS）は、CLAS（センチメータ級測位補強サービス）により、 受信機単独でcm級の測位精度を実現します。従来のRTK-GNSS測量で必要だった基準局設置が不要になり、 測量のコストと手間を大幅に削減。
このcm級精度の位置情報とAIを組み合わせることで、新しい応用が広がっています。
精密農業
cm級位置情報×AIで作物の生育状況を区画単位で分析・最適施肥
自動運転重機
CLAS測位で重機の位置をcm精度で把握→AIで周囲環境を認識→自律制御
災害監視
GNSS連続観測+AI異常検知で、地すべり・地盤変動の早期警報
インフラ変位監視
橋梁・ダム等にGNSS受信機を設置し、mm級の変位をAIで監視・予測
著者は内閣府QZSSプロジェクトの実績を持ち、測位技術とGIS/AIの統合に知見があります。
関連デモ ― ブラウザで今すぐ体験
測量×AIの技術を、インストール不要のブラウザデモで体験できます。
測量×AI のよくある質問
Q.測量でAIは何に使えますか？
主に6つの分野で使えます。点群の自動分類、航空写真・衛星画像からの地物の自動抽出、地形解析とDEM生成、変化検出、オルソ画像のAI分析、既知寸法を基準にした写真内の寸法概算です。点群分類や地物抽出といったデータ解析の労働集約型工程を自動化し、測量技術者が判断と品質管理に集中できる環境をつくります。
Q.点群のAI分類とは何ですか？
LiDARやSfMで取得した3D点群データを、AIが地表面・建物・植生・電線・車両などのクラスへ自動で振り分ける技術です。従来は熟練技術者が手作業でフィルタリングしていた工程を大幅に効率化します。PointNet++・RandLA-Net・KPConv・Open3D-MLなどが代表的な手法で、航空LiDAR点群のDEM/DSM生成前処理や都市3Dモデル構築、森林資源調査に活用されます。
Q.測量AIはGISとどう連携しますか？
AIの推論結果を、検出ボックスやセグメンテーション領域などのベクタ・ジオメトリとしてGISワークフローに統合します。QGISではPythonプラグインでモデル推論を実行しベクタレイヤーに結果を出力、PostGISでは推論結果をジオメトリとしてDB格納し空間クエリで分析、GDAL/OGRで地理空間データの入出力変換、Cesium/deck.glでブラウザ上の3D可視化を行います。
Q.AI時代に測量士の仕事はどう変わりますか？
役割が『データ取得・加工』から『品質管理・意思決定』へ移ります。AIが点群分類・地物抽出・変化検出などの定型作業を自動化する一方、測量法に基づく成果品の品質保証、イレギュラーケースの判断、発注者とのコミュニケーションは引き続き測量技術者の専門性が不可欠です。AIは技術者を『代替』するのではなく『拡張』する技術です。
Q.みちびき（QZSS）は測量AIとどう関係しますか？
みちびき（QZSS）はCLAS（センチメータ級測位補強サービス）により、受信機単独でcm級の測位精度を実現します。従来のRTK-GNSS測量で必要だった基準局設置が不要になり、コストと手間を削減できます。このcm級の位置情報とAIを組み合わせることで、精密農業、自動運転重機、災害監視、インフラ変位監視などの新しい応用が広がります。
Q.測量AIの実行にはどんなハードウェアが必要ですか？
データ取得にはRTK-GNSS搭載のUAV、LiDARスキャナ、みちびきCLAS対応のGNSS受信機を使います。現場でのエッジ処理にはNVIDIA Jetson Orin、Hailo-10H、Raspberry Pi 5とAI HATなどが向きます。著者は48GBのNVIDIA A6000を学習環境として使用しています。必要なVRAMはモデル、点数、バッチサイズ、数値精度で変わります。
測量×AIの導入をお考えですか？
測量士補・QGIS公式プラグイン作者・南極観測隊経験者が、お客様の測量課題に合わせたAIソリューションをご提案します。 PoC（概念実証）からGIS連携・エッジデバイス導入まで対応可能です。