(注: 本ブログは米国 Esri 社のブログ記事「What’s new in AI tools and models in ArcGIS (Q2 2026)」をESRIジャパン株式会社にて翻訳および加筆編集したものです。)
組織が日々の GIS ワークフローに AI を活用しようとする中、ArcGIS では、データ作成、抽出、解析を高速化する AI 対応ツール、モデル、サービスの拡充を継続して行っています。この記事では、基盤モデルとエンベディングが地理空間 AI (Geospatial AI) の次の段階にどのような役割を果たしているのかに焦点を当て、最新の追加機能と改善点を紹介します。
目次
タスク特化型から基盤モデルへ: 進化する ArcGIS の AI モデル
ArcGIS では、100 以上の事前トレーニング済み AI モデルを提供しており、組織が実世界の地理空間課題に対するソリューションを自動化できるように支援しています。これらのモデルはすぐに使用でき、ArcGIS Living Atlas から簡単にアクセスできます。Esri では、特定のユース ケースや地域に合わせたタスク特化型モデルのライブラリーは引き続き拡充する一方で、オープンソースの基盤モデルや、Esri が開発した基盤モデルの両方を、ArcGIS から直接利用できるようにしています。このことが実務上でどのような意味があるのかを理解するには、基盤モデルの役割を確認するとよいでしょう。
基盤モデルは、様々な大規模データセットを使用してトレーニングされているため、1 つのモデルで幅広い解析タスクをサポートできます。これにより、GIS の専門家は、モデルを微調整したりゼロから構築したりせずとも、より柔軟に課題を解決できます。基盤モデルはデータ タイプに応じて、オブジェクト検出、フィーチャ抽出、ピクセル分類、予測、予報、変化解析などのタスクに使用できます。たとえば、Text SAM モデルを使用すると、モデル トレーニングを大規模に行わなくても、簡単なプロンプトで画像からフィーチャを識別および抽出できます。GIS の専門知識がなくても、日常のワークフローに AI をより迅速かつ簡単に適用できます。
2025 年 7 月以降、ArcGIS Living Atlas には、幅広いコミュニティー関係者が開発した、地理空間データの活用を重視した複数のオープンソースの基盤モデルが追加されています。たとえば、Clay (Large) モデルはリモート センシング画像を使用してトレーニングされており、データ内の空間的なコンテキストとパターンを捉えることができます。これにより、特に環境モニタリングや都市解析をはじめとした、多くの解析タスクを簡単に実行できます。これらの基盤モデルを ArcGIS に導入することで、Esri は組織による AI 導入の迅速化、トレーニング要件の軽減、地理空間データからの効率的な知見の獲得を支援しています。
Esri 開発の基盤モデル
Esri は、幅広いコミュニティーの基盤モデルを ArcGIS に導入するだけでなく、ユーザーが少ない労力でデータから多くの価値を得られるよう、独自の基盤モデルも開発しています。その一例が、衛星画像と地理座標の関係を理解するために設計された新しい基盤モデル、Global Location Encoder (Sentinel-2) です。このモデルは、利用可能なスペクトル バンドの大部分を使用して 2024 年以降に世界各地で取得された Sentinel-2 Level-2 画像でトレーニングされており、世界各地の位置に関連する環境的および物理的特性を捉えます。Global Location Encoder は、分類、回帰、変化検出、類似検索、位置情報を考慮した画像解析など、さまざまな解析ワークフローを高速化できます。
Esri が開発したもう 1 つの注目すべき基盤モデルが、Geospatial Vision Language Model (GeoVLM) です。GeoVLM は、リモート センシング画像と自然言語を結び付けることで、基盤モデルの適用範囲をさらに広げます。「道路をセグメント化して」や「この地域を説明して」などのプロンプトを使用することで、GIS フィーチャを抽出したり、画像のシーンを説明したりできます。
汎用目的で設計された多くの視覚言語モデルとは異なり、GeoVLM は地理空間ワークフロー向けの多目的モデルです。オブジェクト検出、ピクセル分類、オブジェクトのカウント、質問応答、画像キャプション、シーン分類など、さまざまなタスクをサポートします。リモート センシング向けに構築されており、トレーニングには Esri が作成したデータセットとオープンソース データセットの両方から、世界中の地域を網羅する数百万組の画像とキャプションを使用しています。オープン ボキャブラリーにより、フィーチャが明示的にトレーニングされていない場合でも、さまざまなフィーチャを識別できます。ローカル環境への展開もサポートされているため、組織は外部のクラウド AI サービスに依存せず、自身の環境内でモデルを実行できます。

地理空間エンベディングで隠れたパターンを明らかにする
基盤モデルによって 1 つのモデルで実行できることが増えると、次は多様な地理空間データをどのように表現し、より幅広いタスクをサポートできるのかが重要になります。その鍵となるのが、未加工の入力データを「エンベディング」に変換することです。エンベディングとは、AI モデルが使用できる形式で、データ内の意味や関係を保持する数値表現のことです。
地理空間エンベディングは、ある位置の本質的な特性をエンコードした、学習済みの隠れた特徴量と考えることができます。エンベディングは、類似フィーチャの検索や予測など、後続の解析ワークフローで使用できます。これにより、傾向、関係、関心領域を簡単に識別できます。たとえば、最も実績の高い店舗の地理人口統計プロファイルに類似する地域を照合すれば、理想的な出店場所を特定できます。
地理空間エンベディングには、大きく分けて位置エンベディングと画像エンベディングの 2 種類があります。位置エンベディングは、人口統計、経済、環境、その他の地理的要因に関連するシグナルを捉え、場所の主な特性を表現します。画像エンベディングは、「森林」「都市」「乾燥した砂漠」といった、画像内の視覚パターンと意味を捉えます。エンベディングは、AI モデルが大規模に処理できる解析対応データセットへと画像を変換するのに役立つため、他にはない価値を提供します。これにより、GIS の専門家は高度な画像解析をさらに利用しやすくなります。
地理人口統計エンベディングを活用した空間解析タスクの強化
地理空間エンベディングがすでに活用されている分野が人口統計解析です。エンベディングにより、複雑なパターンを捉え、空間ワークフローでより効果的に使用しています。人口統計の知見を空間解析で利用しやすくするため、Esri は米国向けの地理人口統計エンベディング データセットのリリースを予定しています。新しい USA Geodemographic Embeddings レイヤーは、ArcGIS Online サブスクリプションの利用者に、追加費用なしでベータ版のフィーチャ レイヤーとして提供される予定です。このデータセットは、米国国勢調査局および American Community Survey (ACS) のデータを含む、5,000 を超える人口統計、社会経済、環境、国勢調査由来の変数を、250 を超えるエンベディング属性に変換し、コミュニティー間の複雑な関係とパターンを捉えます。
数千もの変数を、意味のある少数の特性にまとめることで、人口統計エンベディングは、アナリストが予測モデリング、クラスタリング、類似フィーチャの検索などのタスクのワークフローを、より効率的かつ効果的に構築する際に役立ちます。心疾患率の推定、鉛中毒のリスクがある地域の特定、類似する場所の発見など、ユーザーはデータ準備の手間を減らしながら、素早く知見を得られます。未加工の変数を直接使用する場合と比べ、地理人口統計エンベディングを使用すると、解析からより多くの情報を迅速に抽出できます。
エンベディングベースの解析ツールセット
ArcGIS Pro 3.7 では、画像データセットとベクター データセットの両方でエンベディングを生成および操作するための新しいツールが導入されています。
- AI モデルを使用したエンベディングの生成 – このツールは基盤モデルを使用してエンベディングを作成します。Global Location Encoder に加え、Prithvi EO 2.0、Clay、TerraMind、DOFA、DINOv2 など、画像解析と類似検索に使用できる新しいオープンソース基盤モデルが用意されています。これらは、ArcGIS Living Atlas のディープ ラーニング パッケージからアクセスできます。
- エンベディングを使用した類似フィーチャの検索 – 未加工の属性だけでは定義しにくい微妙な類似性であっても、地理空間データ内から類似するフィーチャを検索できます。異なる位置のエンベディングを比較し、最も類似する位置を識別します。たとえば、災害後の画像で被災地域を 1 か所特定した後、大規模な画像コレクション全体から類似する被災パターンを持つ地域を自動的に検索できます。
- エンベディングのマージ – ソース レイヤーのエンベディングを、より大きなターゲット ポリゴン レイヤーに集約し、広い地理範囲にわたる複雑な情報を要約できます。たとえば、郵便番号レベルで生成したエンベディングを郡レベルに集約できます。
ArcGIS で基盤モデルとエンベディングを活用する
ArcGIS は、基盤モデルとエンベディングの機能を日々の GIS ワークフローに取り入れています。これにより、組織はデータをより迅速に解析し、隠れたパターンを明らかにし、複雑な空間課題を少ない労力で解決できます。
- オープンソースの基盤モデルおよび Esri が開発した基盤モデルにアクセスするには、ArcGIS Living Atlas の Deep Learning Packages をご参照ください。
- この記事で紹介した GIS におけるエンベディングの詳細、およびエンベディングの生成および使用に関しては ArcGIS Pro ドキュメントのエンベディングベースの解析ツールセットをご参照ください。
