山を歩いて被害木を一本ずつ数える調査は、広い森ではどうしても限界があります。そこで近年急速に広がっているのが、ドローンや衛星で撮った画像をAI（深層学習）に判定させ、ナラ枯れ・松枯れの被害木を自動で見つける手法です。林野庁の統計では、近年もマツ材線虫病（松枯れ）とナラ枯れを合わせて年40万m³台の被害が続いています。人手では追いきれないこの規模を、AIがどこまでカバーできるようになったのか――教師データ・モデル選び・現場運用の3つの視点で整理してみます。
そもそもマツ枯れ・ナラ枯れとは
マツ材線虫病は、マツノマダラカミキリが運ぶマツノザイセンチュウがマツの体内に入り、水を吸い上げる機能を壊してしまう病気です。感染すると1〜2ヶ月で針葉が茶色く枯れます。1979年度の約243万m³をピークに対策で大きく減ってきましたが、近年も年20万m³台の被害が残ります。一方のナラ枯れは、カシノナガキクイムシが媒介するラファエレア菌による病気で、ミズナラ・コナラといった大きく育った木が狙われ、短期間で葉が褐変するのが特徴です。
マツ枯れは1980年代までに北海道渡島まで北上し、ナラ枯れも1990年代以降に日本海側から急拡大して、2022年度には42都道府県で発生報告があります。気候変動で媒介昆虫の活動期が延び、分布が北へ広がっていることが拡大の一因とみられ、これまで寒さで抑えられていた東北・北海道でも被害が表面化しています。被害は木材資源の損失だけでなく、水源涵養や土砂流出防止といった保安林機能の低下、景観・生態系への影響まで広く及びます。
ドローン撮影からAI判定までの流れ
標準的なワークフローは、(1)ドローンのRGBカメラで空撮、(2)オルソモザイク・標高データの生成、(3)AIによる被害木検出、(4)GISでの被害本数集計、という4段階です。地上分解能は3〜5cm/画素が目安で、飛行高度100〜150m・オーバーラップ80%あたりが基本設定。1日に100ha前後を撮影でき、徒歩の目視調査（1日5〜10ha）の10〜20倍のペースで進みます。
100ha規模なら、撮影1日＋オルソ生成半日＋AI推論30分〜1時間＋現地確認半日〜1日で、おおむね2〜3日。同じ面積を人手で歩くと2〜3週間かかるので、時間効率では5〜10倍の差になります。実際の運用は「AIで一次判定→現地で最終確認」の2段構え。AIが出した誤検出を現場で精査することで、判定の品質を担保するわけです。
どのAIモデルを使うのか
被害検出に使われるモデルは大きく2系統。被害木の中心位置と本数を数えるのが得意な物体検出系（YOLO・Faster R-CNN）と、被害領域の面積を測るのが得意なセグメンテーション系（U-Net・DeepLab・Mask R-CNN）です。実務では「YOLOで本数カウント＋U-Netで面積推定」のように組み合わせるのが定番になっています。
| モデル系統 | 代表モデル | 出力形式 | 検出性能 | 得意な場面 |
|---|---|---|---|---|
| 物体検出 | YOLOv5/v8、Faster R-CNN | バウンディングボックス | 高い | 個体木カウント |
| セマンティックセグメンテーション | U-Net、DeepLabV3+ | ピクセル分類 | 高い | 被害面積推定 |
| インスタンスセグメンテーション | Mask R-CNN、YOLACT | 個体マスク | やや劣る | 個体木境界＋面積 |
モデルの精度を左右するのが教師データ（正解ラベル付き画像）です。オルソ画像から切り出したタイル画像に被害木の位置を手作業でラベル付けしていくのですが、1枚あたり1〜5分、1,000枚規模だと10〜30人日――ここがAI導入の地味な壁になります。近年は研究機関が公開する被害木のラベル付きデータセットも整い、自治体やコンサルタントが共通基盤として活用しはじめています。さらに「既存モデルで予測→人が修正」する半自動アノテーションも普及しつつあり、ゼロから作るよりラベル付けの手間を大きく減らせます。
衛星画像との使い分け
ドローンは局所の高精度判定に強い一方、県や地域単位の広域監視には衛星画像とAIの組み合わせが現実的です。Sentinel-2（10m解像度・5日間隔・無料）やPlanetScope（3m・毎日）などのデータをGoogle Earth Engine上で処理する手法が研究フロント。解像度の制約から1本単位の判定は難しいものの、林分単位（数ha〜数十ha）の被害密度推定なら実用的な精度が出せます。植生指数（NDVIなど）の経時変化から、被害が見た目に出る前の異常を捉える早期検出も実証段階に入っています。実運用では、衛星で怪しい場所を絞り込み→ドローンで重点調査する2段階運用が、コストと精度の両立に効いています。
導入は進んでいるのか
スマート林業関連の事業では、複数の道府県でAI森林被害判定が実運用または実証段階に入っています。北海道・宮城・福島・新潟・福井・京都・兵庫・島根・広島・大分など、もともとナラ枯れ・マツ枯れの被害が大きい地域が先行。県の林業試験場や環境研究センターが中心になり、撮影・教師データ整備・モデル運用を担っています。マツ・ナラ以外にも、台風倒木の面積推定や、衛星マルチスペクトル＋AIによる山火事被害の広域把握など、応用は被害種ごとに広がっています。
コスト面では、UAV機材・GPUサーバ・モデル開発・運用体制まで含めると、初期投資は数百万〜数千万円、年間運用費も数百万円規模になります。対象面積が広く毎年調査するような規模なら、人手調査に比べて数年で投資を回収できるケースもあります。人手調査に比べて必要な人日が大きく減るためです。個人の森林所有者が単独で導入するのは難しいものの、市町村や森林組合が森林環境譲与税を使って広域サービスとして提供する事例が増えており、所有者は低コストで自分の山の被害情報を得られる仕組みが整いつつあります。
よくある疑問
AIは人間より正確？
典型的な条件でのAIの検出性能は、熟練した調査員にかなり近づいていますが、完全に置き換えるところまでは来ていません。だからこそ「AIで一次判定→現地で最終判定」の2段階運用が標準で、AIはあくまで人手作業を効率化するツールという位置づけです。
AIが見落としやすいのは？
葉が褐変する前の初期被害、樹冠が密に重なって被害木が隠れる林分、日陰や曇天で光環境が悪い撮影、健全木と見分けにくい落葉期――こうした条件では精度が落ちます。対策としては、近赤外などを含むマルチスペクトル画像の活用、複数時期の比較解析、季節別にモデルを学習させる、といった工夫が研究されています。
これからの方向
2024〜2025年の研究フロントは、基盤モデル（SAMやCLIPの森林版）、教師データ不要の自己教師あり学習、光学＋SAR＋LiDARの異種データ融合などに向かっています。たとえばMeta社のSAMを応用し、クリックや矩形を指定するだけで被害領域を切り出す実証や、「ナラ枯れ被害木」といった自然言語のプロンプトで樹木を分類するアプローチも進行中。これらが商用化されれば、現場でAIを使う際の参入障壁はぐっと下がるはずです。年40万m³台の被害が続くなか、AI判定がさらに多くの道府県へ広がっていくのは、技術的にも政策的にも自然な流れだと言えそうです。
コメント