メインコンテンツへスキップ
見出し画像

【GeoAI】第2回:GeoAIを理解するための10の基礎概念 -ここを押さえれば、最新ニュースが100倍わかりやすくなる

    前回の記事では、GIS(地理情報システム)の世界に「AIエージェント」の波が押し寄せていることをお伝えしました。FeltやCARTOといったプラットフォームが、自然言語でGISを操作できる機能を相次いで発表したのが2026年6月の第一週のことです。
    ただ、GeoAI関連の記事を読んでいると、なじみのない言葉に出くわすことがあると思います。「ベクターデータ」「データウェアハウス」「H3」——これらの用語が出てくるたびに調べていては、記事の流れを見失ってしまいます。
    そこで今回は、今後のGeoAI記事を読む上で前提となる10の基礎概念を整理します。GIS業界のパートナー企業——CARTO・Felt・Fused・FME——が実際に使っている言葉を、なるべく具体的な例を交えて説明していきますね。

    ① 空間データとは何か

    GeoAIの「素材」となるのが空間データです。位置情報(緯度・経度など)を持つデータ全般を指し、地図上に表示できるものはすべて空間データと言えます。空間データには大きく2種類あります。

    ベクターデータ
    点・線・面(ポリゴン)で地物を表現するデータです。お店の場所なら「点」、道路なら「線」、行政区域なら「面」で表します。地図上に「形」として描けるものがベクターデータです。FeltやCARTOが扱うデータの多くはこの形式です。

    ラスターデータ
    画像のように格子(グリッド)状のセルに値を持つデータです。衛星写真や気温の分布図がその代表例。「この地点の気温は何度か」といった問いに答えるのに向いています。FMEはこれらの形式の変換・統合も得意としています。


    ② 座標系(CRS)——地球上の場所を特定するルール

    地図データには必ず「どの座標系で表現されているか」という情報が紐づいています。これをCRS(Coordinate Reference System)と言います。

    地球は球体なのに地図は平面です。その「球を平面に展開する方法」が座標系によって異なります。緯度・経度で場所を表す「WGS84」はGPSの標準規格として広く使われています。一方、国や地域によって「メートル単位で距離を測りたい」場合は投影座標系が使われます。

    異なる座標系のデータを重ねると、地図上でズレが生じます。GeoAIが正確な分析をするためには、データの座標系を統一する前処理が欠かせません。FMEはこうした座標系変換を500以上のデータ形式に対応しながら行える点が強みです。

    関連:FMEによる空間データの変換・統合については、PSSのFMEシリーズ記事をご覧ください。


    ③ 空間分析——地図データから意味を読み取る

    空間データを持っているだけでは価値は生まれません。「この店舗の半径1km以内に何人住んでいるか」「この道路は洪水リスクのある地域を通っているか」——こういった問いに答えるプロセスが空間分析です。
    代表的な空間分析の操作を3つ紹介します。

    バッファ分析
    ある地点あるいはエリアから一定距離以内の範囲を面として生成する操作です。「学校の半径500m圏内」を示す円形ポリゴンを作るのがその典型例です。

    オーバーレイ分析
    2つ以上のレイヤーを重ねて、それらの交差・差分・結合を求める操作です。「住宅地レイヤー」と「洪水リスクレイヤー」を重ねると「洪水リスクがある住宅地」を抽出できますよね。

    空間結合(Spatial Join)
    位置情報をキーにして、別々のデータを結びつける操作です。「各店舗の売上データ」と「行政区域の人口データ」を空間的に結合して「人口あたりの売上」を算出する、といった使い方をします。FeltやCARTOが提供するAIエージェントは、これらの操作をプロンプト一つで自動実行できるようになっています。

    関連:Felt AIの空間分析機能については、PSSのFelt記事シリーズをご覧ください。


    ④ クラウドネイティブGIS——ブラウザで動く地図分析

    従来のGISソフトウェアは、PCにインストールして使うデスクトップアプリケーションが主流でした。ArcGISやQGISがその代表例です。

    これに対し「クラウドネイティブGIS」とは、ウェブブラウザ上で動作し、データもクラウドに保存するGISを指します。インストール不要で、URLを共有するだけでチーム全員が同じ地図を見て編集できます。

    FeltはこのクラウドネイティブGISの代表格です。「The only cloud-native GIS platform」を掲げ、100万件以上のデータポイントをブラウザ上でリアルタイムに描画できます。CARTOも同様で、こちらはGoogleのBigQuery、Snowflake、Databricksなど、クラウドのデータウェアハウスとの連携を前提とした、クラウドファーストな設計を採用しています。


    ⑤ データウェアハウス——空間データが集まる「倉庫」

    GeoAIの文脈で頻繁に登場するのが「データウェアハウス」という言葉です。Snowflake・Google BigQuery・Databricks・Amazon Redshiftといった名前を見かけたことがある方も多いと思います。

    データウェアハウスとは、企業が持つ大量のデータを一元管理・分析するためのクラウドデータベースです。従来は「地図データ」と「業務データ(顧客情報・売上など)」は別々に管理されることがほとんどでした。

    最近のGeoAIツールの大きな変化は、FeltやCARTOがこれらのデータウェアハウスに直接接続できるようになったことです。社内の業務データと公共の地理データを、AIエージェントが一度に引き出して空間分析できる——これが今起きている変化の核心です。


    ⑥ 空間SQL——データウェアハウスで地図に「問い合わせる」

    SQLとは、データベースから必要な情報を取り出すための言語です。「売上が100万円以上の店舗を抽出して」という指示をコンピューターに伝える書き方、と思ってください。

    空間SQLはSQLに地理的な条件を加えたものです。「東京都内にある店舗を抽出して」「この施設から2km以内のデータだけ取り出して」といった問い合わせが可能になります。

    Felt AIは「自然言語で質問する→AIが空間SQLを自動生成→データウェアハウスに問い合わせ→地図として表示」というフローを実現しています。ユーザーはSQLを書かなくてよいのですが、裏では空間SQLが動いているわけです。


    ⑦ H3——六角形グリッドで空間を分割する

    Fusedの記事を読んでいると「H3」という言葉が頻出します。これはUber社が開発した空間インデックスで、地球全体を六角形のグリッドに分割する仕組みです。

    なぜ四角形ではなく六角形か。六角形は中心点から6方向に等距離の隣接セルがあるため、移動・到達圏・密度分布などの分析で隣との「距離の均一性」が保てます。配達ルートの最適化や人口密度の可視化に向いているのはこのためです。

    Fusedでは大規模な地理データをH3グリッドで集計・分析するパイプラインを得意としています。

    関連:Fusedによる空間データ分析については、PSSのFused記事シリーズをご覧ください。


    ⑧ GeoParquet——クラウド時代の空間データ形式

    地理空間データのファイル形式はこれまで「Shapefile」「GeoJSON」「KML」など多数の形式が乱立し、変換の手間が大きな課題でした。

    GeoParquetはその問題を解決するために生まれた新しい形式です。大量データの圧縮・高速読み込みに優れた「Parquet」という形式に、空間情報を持たせたものです。クラウドのデータウェアハウスとの相性がよく、Snowflake・BigQuery・DuckDBなど多くの環境でサポートされています。

    2026年現在、CARTOはIceberg V3(データレイクの標準規格)への空間データ対応状況を検証し、Snowflakeが最も先行していると報告しています。形式の標準化が進むことで、異なるツール間のデータ連携がよりスムーズになります。

    関連:CARTOのIceberg V3対応レポートはこちらをご覧ください。


    ⑨ データ統合(ETL)——バラバラなデータをつなぐ

    「ETL」とはExtract(抽出)・Transform(変換)・Load(格納)の頭文字で、異なるシステムからデータを取り出し、形式を整えて、分析用のデータベースに格納する一連の作業を指します。

    地理空間データの世界では、このETLが特に複雑です。形式の多さ(前述)に加え、座標系の違い・属性データの名称の不統一・文字コードの差異など、整合を取るべき要素が多岐にわたります。

    FMEは500以上のフォーマットに対応するデータ統合ツールとして、このETLを長年担ってきました。近年は「AIコーディングエージェントはFMEを置き換えるのか?」という問いに対し、Safe SoftwareのCEOが「AIと共存し、AIが考えてFMEが確実に実行する役割分担が生まれる」と答えています。


    ⑩ リモートセンシング・衛星データ

    衛星やドローンから地球を観測して取得するデータをリモートセンシングデータと呼びます。可視光(普通の写真)だけでなく、赤外線・レーダーなど肉眼では見えない波長も利用できます。

    農作物の生育状況の監視、森林伐採の検知、災害後の変化把握——こうした用途にGeoAIが組み合わさることで、衛星データの分析が劇的に効率化しています。CARTOはLGND AIとのパートナーシップにより、衛星画像の検索・変化検知をCARTOのワークフロー内で直接扱えるようにしました。機械学習の専門知識がなくても衛星データにアクセスできるのが特徴です。

    関連:CARTOとLGND AIの連携についてはこちらの記事をご覧ください。


    10の概念がつながる場所

    ここまで紹介した10の概念は、それぞれ独立しているわけではありません。

    衛星センサーや現地調査によって「空間データ」が生まれ、「座標系」によって地球上の位置が定義されます。そのデータは「GeoParquet」などの形式でクラウドに保存され、「データウェアハウス」に集積されます。「FME」などのETLツールがデータを整え、「空間SQL」で問い合わせ可能な状態にします。「クラウドネイティブGIS」はそのデータをブラウザに描画し、「H3」などの空間インデックスが大量データの集計を高速化します。そして「空間分析」が意思決定に必要な洞察を生み出す——これがGeoAIエコシステムの全体像です。

    AIエージェントはこの流れを人間の代わりに自動でたどる存在です。前回の記事で紹介したFelt AIやCARTO for Agentsは、「自然言語の問い→空間SQL→データ取得→分析→地図表示」という一連のフローを会話で実行できます。


    参考・関連記事


    GeoAI・地理空間技術の活用にご興味のある方へ
    GeoAIや地理空間データの活用について、もっと詳しく知りたい方・業務への導入を検討されている方は、ぜひPacific Spatial Solutionsまでお気軽にご相談ください。


     
     
    2D/3D地理空間データ可視化・解析の技術力と豊富な実績を持つPacific Spatial Solutions(PSS)。世界最先端の地理空間技術で課題を解決します。Cesium, FME, CARTO, Felt, Fusedなどの国内パートナーです。

    あなたへのおすすめ