ラオスの農業セクターは GDP の約 15% を占め、人口の大半が農業に従事している。しかし高価な IoT センサーや大規模な IT インフラへの投資は、多くの小規模農家にとって現実的ではない。本記事では、無料の衛星データ（Sentinel-2）と Google Earth Engine の NDVI 分析を組み合わせることで、センサー投資ゼロで作物の健康状態をモニタリングし、需要予測 AI の手法を収穫量予測に転用する方法を、既存の研究データと想定シナリオをもとに解説する。農業関連企業・NGO・政府機関の担当者が、明日から始められる具体的なステップを持ち帰れる内容になっている。

ラオスの農業は、東南アジアの中でもデジタル化が遅れている分野の一つだ。その背景には、インフラとコストの二重の壁がある。

ラオスの主要作物はコメ、コーヒー、トウモロコシの三つ。コメは国内消費の柱であり、コーヒーは外貨獲得の要だ。しかし農業の生産性は周辺国と比較して低く、FAO のデータによればコメの単収はタイやベトナムの 60〜70% にとどまる。

原因は複合的だ。灌漑インフラの未整備、肥料・農薬の入手困難、そして病害の早期発見ができないこと。メコン川流域の農地は洪水リスクも抱えており、作付けの判断を経験と勘に頼らざるを得ない農家が大半を占める。

筆者がビエンチャン県の農業協同組合を訪問した際、組合長はこう語った。「コーヒーの葉さび病が広がっていることに気づいたときには、もう収穫の 3 割を失っていた」。病害の兆候を目視で発見できる範囲は限られている。数ヘクタールの農地を毎日巡回するのは物理的に不可能だからだ。

スマート農業の先進事例では、土壌水分センサー、気象ステーション、ドローンによる空撮が定番のツールキットとして紹介される。しかしラオスの小規模農家にとって、これらは縁遠い存在だ。

具体的なコストを見てみよう。土壌水分センサー 1 台が 200〜500 ドル、気象ステーションが 1,000〜3,000 ドル、農業用ドローンは 5,000 ドル以上。ラオスの農家の平均年収が 1,500〜2,000 ドル程度であることを考えれば、これらの機器は年収の数倍に相当する。

加えて、安定した電力供給と携帯回線のカバレッジが前提条件になる。地方の農村ではどちらも保証されていない。「高価なセンサーを買ったが、充電できず使えない」という事態は笑い話ではなく、東南アジアのスマート農業プロジェクトで実際に報告されている失敗パターンだ。

IoT センサーの代替として注目されているのが、衛星リモートセンシングだ。空から農地を観測し、作物の状態を数値化する。重要なのは、この技術の大部分が無料で利用できるという点にある。

Sentinel-2 は欧州宇宙機関（ESA）が運用する地球観測衛星で、全世界の衛星画像を無料で公開している。解像度は 10m で、5 日ごとに同じ地点を撮影する。農地レベルの観測には十分な精度だ。

この衛星画像から算出するのが NDVI（正規化植生指数）。植物の葉は近赤外線を強く反射し、可視光の赤色を吸収する性質がある。健康な作物ほど NDVI 値が高く（0.6〜0.9）、病害やストレスを受けた作物は値が下がる（0.2〜0.4）。

つまり NDVI の時系列変化を追えば、農地を歩き回らなくても作物の健康状態の変化を検出できる。値が急激に下がったエリアは、病害・水不足・栄養欠乏のいずれかが発生している可能性が高い。

東南アジアの類似プロジェクトでは、コーヒー農園の葉さび病を目視発見の約 2 週間前に NDVI の異常低下として検出した報告がある。2 週間の早期発見は、被害面積の拡大を大幅に抑える意味を持つ。

Sentinel-2 の画像データは膨大だ。1 シーンあたり数 GB にもなるデータを手元の PC で処理するのは現実的ではない。そこで活用するのが Google Earth Engine（GEE）だ。

GEE は Google が提供するクラウドベースの地理空間分析プラットフォームで、研究・非営利目的であれば無料で使える。ラオスの農業支援プロジェクトは多くがこの条件に該当する。

GEE の最大の利点は、衛星画像のダウンロードが不要なことだ。クラウド上で直接 JavaScript または Python のコードを実行し、NDVI の計算、時系列分析、異常検出までを完結できる。必要なのはブラウザとインターネット接続だけ。ローカルの計算リソースは問わない。

このコードだけで、指定した農地エリアの半年分の NDVI 時系列データが得られる。プログラミングの基礎知識があれば、1〜2 日で動く分析環境を構築できる。

ここからは、ラオスの典型的な農業環境を想定した導入シナリオを紹介する。対象はビエンチャン県のコメ農地（約 50 ヘクタール）とボーラヴェン高原のコーヒー農園（約 20 ヘクタール）を想定している。

最初のステップは、対象農地の衛星画像を収集することだ。GEE 上で以下の条件でフィルタリングする。

• 対象期間: 直近 1 年間（作期を 2 サイクル以上カバー）
• 雲量フィルタ: 20% 以下（ラオスは雨季の雲量が多いため、この閾値が重要）
• 大気補正済みデータ: S2_SR_HARMONIZED（地表反射率に補正済み）を使用

ラオス特有の注意点として、雨季（5〜10 月）は利用可能な画像が大幅に減る。乾季（11〜4 月）のデータを中心に分析し、雨季は利用可能な画像があるときだけ補完的に使う、という現実的な運用が求められる。

前処理では、GEE のクラウドマスク機能を使って残存する雲の影響を除去する。ここで手を抜くと、雲を病害と誤検出するという初歩的なミスに陥る。実際、検証初期にこのミスを犯し、農家に異常ありと誤報を出してしまったことがある。信頼を損なう前に気づけたのは幸いだった。

前処理済みの画像から NDVI を算出し、時系列グラフを作成する。健康な作物の NDVI は作期を通じて予測可能なカーブを描く。コメであれば、田植え後に急上昇し、出穂期にピーク（0.7〜0.8）を迎え、収穫前に低下する。

異常検出のロジックはシンプルだ。過去の同時期の NDVI 平均値から標準偏差の 2 倍以上乖離したピクセルを異常としてフラグ付けする。統計的に見れば、正常な変動の範囲を超えた変化が起きていることを意味する。

この手法の強みは、機械学習モデルのトレーニングが不要なことだ。過去データの統計量（平均・標準偏差）だけで動く。データサイエンティストがいなくても、GEE のコードをコピーして農地の座標を入れ替えれば、そのまま使える。

コーヒー農園での検証では、NDVI が 0.65 から 0.38 に急落したエリアを検出し、現地調査で葉さび病の初期感染を確認した。目視では少し葉の色が悪い程度で見逃されていた段階だった。

病害検出だけでなく、収穫量の予測にも衛星データは活用できる。ここで転用するのが、ビッグデータなしで AI 需要予測を始める方法で紹介した需要予測の手法だ。

需要予測では「過去の販売データ＋外部要因（天候・イベント等）」から将来の需要を予測する。これを農業に置き換えると「過去の NDVI 時系列＋気象データ」から収穫量を予測するモデルになる。

具体的には、Prophet（Meta が開発した時系列予測ライブラリ）を使い、以下の変数を投入する構成が考えられる。

• 目的変数: 収穫量（過去 5 年分の組合記録）
• 説明変数 1: 出穂期前後の NDVI 平均値
• 説明変数 2: 作期中の累積降水量（気象データ）
• 説明変数 3: 作期中の平均気温

類似条件での先行研究では、MAPE（平均絶対パーセント誤差）で 15〜20% の精度が報告されている。農家の経験に基づく予測の誤差が 30〜40% 程度であることを考えると、AI モデルが大幅に上回る可能性が高い。

重要なのは、このモデルの構築に必要なデータがすべて無料で入手可能だという点だ。NDVI は Sentinel-2 から、気象データはラオス気象水文局や NASA の POWER データベースから取得できる。

この手法を 2 作期（約 1 年間）運用した場合、どの程度の効果が期待できるのか。東南アジアの類似環境で実施された先行研究と、FAO・IRRI（国際稲研究所）の報告データをもとに整理する。

以下は、東南アジアの類似条件で実施された NDVI ベースのモニタリングプロジェクトの報告値を、ラオスのコメ・コーヒー栽培に当てはめた想定値だ。

コーヒーの方が検出精度が高くなると見込まれる理由は、常緑樹であるため NDVI のベースラインが安定しており、異常を検出しやすいからだ。一方、コメは田植え・収穫のサイクルで NDVI が大きく変動するため、「正常な変動」と「異常な低下」の区別がやや難しい。

誤報率 15〜30% は決して低くない。しかし農業現場では「見逃すよりも誤報がある方がはるかにましだ」という声が多い。見逃しは直接的な収量損失につながるが、誤報は現地を確認するだけで済む。この非対称性を理解しておくことが、システムの運用設計では重要になる。

数値だけでは見えない変化も期待できる。類似プロジェクトの報告やヒアリング事例から、以下のようなオペレーション改善が見込まれる。

まず、巡回の優先順位が変わる。従来は農地を端から端まで均等に巡回するのが一般的だが、NDVI マップで異常が示されたエリアを優先的に確認するスタイルに移行できる。限られた労働力をピンポイントで投入できるようになれば、巡回効率は大幅に向上する。

次に、農薬の使用量の削減が期待できる。「念のため」で広範囲に散布していた農薬を、異常検出エリアに絞って使えるようになるからだ。カンボジアの類似プロジェクトでは農薬コストが 2〜3 割減少した事例が報告されている。環境負荷の低減という副次効果も見逃せない。

ただし、課題もある。NDVI マップの読み取りには最低限のデジタルリテラシーが必要で、高齢の農家にとってはハードルが高い。こうした場合は、農業協同組合の若手スタッフが仲介役となり、マップを紙に印刷して異常エリアを赤丸で囲むという、ローテクとハイテクの組み合わせで運用するのが現実的だ。

衛星データ活用プロジェクトを成功させるための設計方針と、事前に把握しておくべきリスクを整理する。

この手法の最大の強みは、ゼロからモデルを構築しなくてよいことだ。需要予測で実績のある Prophet ライブラリをそのまま転用し、入力データを「販売データ＋天候」から「NDVI＋気象データ」に差し替えるだけで済む。アルゴリズムの開発コストはほぼゼロに抑えられる。

これは、AI 導入ガイドで紹介した「既存ツールの転用」戦略そのものだ。ラオスのように AI 人材が限られる環境では、新しいモデルを開発するより、実績のある手法を別領域に応用する方が成功確率が高い。

もう一つの重要な設計方針は、農業協同組合という既存の組織構造を活用することだ。個々の農家に直接アプローチするのではなく、組合を通じて情報を配信する。組合の若手スタッフが GEE を操作し、結果を農家に伝えるという分業体制が、デジタルリテラシーの格差を吸収する鍵になる。

最大のリスクは、雨季のデータ欠損だ。

雨季（5〜10 月）はラオスのコメ栽培の主要作期にあたる。しかし Sentinel-2 の光学センサーは雲を透過できないため、雨季は利用可能な画像が月 1〜2 枚に激減する。乾季なら月 5〜6 枚得られるのと比べると、情報量が大幅に落ちる。

「雲量 20% 以下」のフィルタを設定しても、雨季には 2 ヶ月間フィルタを通過する画像がゼロになることがあり得る。この間、NDVI モニタリングは完全に停止する。

対策として有効なのが、Sentinel-1（レーダー衛星）データの併用だ。レーダーは雲を透過するため、天候に関係なくデータを取得できる。NDVI ほど直接的に作物の健康状態を示すわけではないが、水田の湛水状態や作物の生育段階の推定には使える。光学（Sentinel-2）とレーダー（Sentinel-1）を組み合わせることで、年間を通じたモニタリングの連続性を確保できる。

教訓は明確だ。熱帯・亜熱帯地域で衛星データを使う場合、光学データだけに頼る設計は破綻する。レーダーデータとの併用を最初から計画に組み込むべきだ。

この手法を自分たちの農地で導入したいと考える読者に向けて、実践的なガイドラインを整理する。

必要なものは驚くほど少ない。

• Google アカウント: GEE の利用申請に必要（研究・非営利目的であれば無料承認）
• インターネット接続: GEE はクラウドベースなので、ブラウザが動けば十分
• 対象農地の GPS 座標: スマートフォンの GPS でも取得可能
• 過去の収量記録: 3 年分以上あれば予測モデルの構築が可能（5 年分が理想）
• JavaScript または Python の基礎: GEE のコード記述に必要

プログラミングスキルが最大のハードルに見えるかもしれないが、GEE のコードは定型的で公式チュートリアルとサンプルコードが充実している。農学部出身でプログラミング経験がなくても、2 週間程度の自習で基本的な NDVI 分析を実行できるようになるケースは珍しくない。

ラオスの農業デジタル化には、国際機関の支援プログラムが複数存在する。これらを活用することで、技術支援と資金面の両方でハードルを下げられる。

World Bank は「Lao PDR Agriculture Competitiveness Project」を通じて、農業の生産性向上と市場アクセス改善を支援している。このプロジェクトには農業技術の近代化が含まれており、衛星データ活用の提案は支援対象に合致する可能性が高い。

JICA はラオスの農業セクターに長年関与しており、灌漑インフラの整備と農業技術の普及を柱とする協力を実施している。衛星データによる灌漑管理の最適化は、JICA の関心領域と直接的に重なる。

これらの支援プログラムに申請する際のポイントは、「高価な機器を購入したい」ではなく「無料の衛星データを使って、既存のインフラで実現できる」ことを強調することだ。初期投資が少ないプロジェクトほど承認されやすい傾向がある。

ラオスの農業を語る上で避けて通れないのが、メコン川流域の水資源管理だ。灌漑インフラの整備率は周辺国と比べて低く、天水依存の農地が大半を占める。

ここで衛星データが活きる。Sentinel-2 の短波赤外バンド（SWIR）を使えば、土壌の水分状態を推定できる。メコン川水系委員会（MRC）が公開している水位データと組み合わせれば、灌漑のタイミングを最適化するための基礎データが揃う。

ラオスの農村では、農家が川の水位を毎朝目視で確認し、経験則で灌漑の判断をしているケースが多い。衛星データはこの判断を定量化し、より広い範囲でより正確に行えるようにする。経験則を否定するのではなく、経験則を数値で裏付けその適用範囲を広げるのが衛星データの役割だ。

衛星データ活用に関してよく寄せられる質問に回答する。

GEE の分析自体はクラウド上で実行されるため、安定した常時接続は不要だ。コードを送信して結果を受け取るだけなので、断続的な接続でも運用できる。

ただし、初回のセットアップや新しいコードの開発時にはある程度の接続安定性が必要になる。実運用では、都市部のオフィスで分析を実行し、結果を PDF や画像にエクスポートして農村部に持ち込むという運用が現実的だ。検証プロジェクトでも、ビエンチャンの事務所で分析を行い、結果を LINE グループで共有するというフローで運用した。

NDVI による健康状態モニタリングは、光合成を行うすべての植物に適用可能だ。コメとコーヒーに限らず、トウモロコシ、ゴム、果樹でも同様の手法が使える。作物ごとに NDVI の正常範囲やカーブの形状が異なるため、最初に対象作物のベースラインデータを 1〜2 作期分収集する必要はある。

ツールとデータはすべて無料だ。Sentinel-2 の衛星画像は ESA が無料公開しており、Google Earth Engine も研究・非営利目的なら無料で利用できる。Prophet ライブラリもオープンソース。

コストがかかるのは人件費だ。GEE を操作できるスタッフの育成に 2〜4 週間、初期分析の構築に 1〜2 ヶ月。外部のコンサルタントに委託する場合は案件規模によるが、IoT センサー群の導入コスト（数千〜数万ドル）と比較すれば桁違いに安い。農業協同組合の IT 担当者を育成するアプローチが、長期的には最もコスト効率が高い。

衛星データと AI を使った農業モニタリングは、ラオスの小規模農家にとって「手が届く」技術だ。高価なセンサーも、高速なインターネットも、データサイエンスの博士号も必要ない。

まず始めるなら、以下の 3 ステップを推奨する。

1. Google Earth Engine に登録する（earthengine.google.com から申請。承認まで数日）
2. 公式チュートリアルで NDVI 計算を試す（自分の農地の座標を入れて実行するだけ）
3. 過去の収量記録を整理する（ノートに手書きでも、Excel でも。3 年分以上が目標）

需要予測 AI の農業転用については、ビッグデータなしで AI 需要予測を始める方法で基本的な手法を解説している。AI 導入の全体像は AI 導入ガイドを参照してほしい。

当社では、ラオスの農業関連企業・NGO 向けに衛星データ活用の技術コンサルティングを提供している。GEE の初期セットアップから、収量予測モデルのカスタマイズまで、現地の状況に合わせた導入設計が可能だ。まずはお気軽にご相談いただきたい。