AIで宇宙ビジネスが身近に – MCPでつなぐ、気象庁・ひまわり・JAXAの衛星データ

AIで宇宙ビジネスが身近に – MCPでつなぐ、気象庁・ひまわり・JAXAの衛星データ

MCPでつなぐ、気象庁・ひまわり・JAXAの衛星データ

「宇宙」は、思っているより近くまで来ている

宇宙や衛星データと聞くと、遠い世界の話に感じるかもしれません。ロケット、宇宙飛行士、専門の研究機関――自分の仕事には関係ない、と。

ですが、いま日本で宇宙は「産業」として本格的に位置づけ直されています。

2026年7月21日に閣議決定された「日本成長戦略」では、国が重点的に育てる戦略17分野が定められました。その中に「航空・宇宙」が入っています。そして同じ17分野には「AI・半導体」も並んでいます。2040年に向けた官民の投資規模は、約370兆円とされています。

市場の目標も具体的です。宇宙基本計画は、2020年に約4兆円だった国内宇宙産業の市場規模を、2030年代の早期に8兆円へ倍増させる目標を掲げています。その後押しとして、JAXAには10年間で総額1兆円規模の「宇宙戦略基金」も設置されました。

つまり宇宙は、遠い夢の話ではなく、国が予算と制度を投じて育てようとしている産業分野です。

そしてこの記事でやるのは、その17分野のうち2つ――「航空・宇宙」と「AI・半導体」――を掛け合わせることです。AIアシスタントを使えば、衛星データは驚くほど簡単に触れる。それを実際に手を動かして確かめます。

この記事でやること

「衛星データ」と聞くと、専用の解析環境やクラウド課金、GISの専門知識……と身構えてしまうかもしれません。でも実は、AIアシスタント（Claude）に MCP サーバーをひとつ繋ぐだけで、チャットから直接触れられます。しかも今回扱うものは、ほとんどがAPIキーすら要りません。

「今の福岡の天気は？」→ 気象庁アメダスの実測値が返ってくる
「今の地球を見せて」→ ひまわり9号が25分前に撮った全球画像がチャットに表示される
「久留米の農地、去年1年の植生の変化は？」→ JAXAの衛星データから稲作の1年が読み取れる

この記事では、実際に手を動かして、日本の公的機関が公開しているデータを中心にClaudeへ繋いでいきます。途中で「使いたいMCPが存在しない」場面にも出くわしますが、そこは自分で作ります（60行です）。最後に、その延長線上にある「衛星画像を行政の実務で使う」世界へ橋渡しします。

MCP（Model Context Protocol）とは：AIアシスタントに外部のデータやツールを繋ぐための共通規格です。「AIの世界におけるUSB端子」のようなもので、対応サーバーを設定に足すだけで、Claude が新しいデータ源を扱えるようになります。この記事では中身の仕組みには深入りせず、まず”繋いで触る”ことを優先します。

（動作確認環境：macOS / Node.js v22.16.0 / Python 3.14。実行結果はすべて 2026-08-25 時点の実データです。）

準備：MCP を Claude に繋ぐ

　Claude Desktop の場合

設定ファイル claude_desktop_config.json を編集します。場所は：

macOS：~/Library/Application Support/Claude/claude_desktop_config.json
Windows：%APPDATA%\Claude\claude_desktop_config.json

このファイルの mcpServers にサーバーを足していきます（具体例は各STEPで）。編集したら Claude Desktop を再起動すれば反映されます。

　Claude Code（CLI）の場合

コマンド一発でも追加できます：

claude mcp add jma -- uvx --from git+https://github.com/koizumikento/jma-data-mcp.git@master jma-data-mcp

以下、Claude Desktop の設定ファイル形式で説明します。

STEP 1｜まず1行で繋ぐ（気象庁アメダス）

最初はいちばん摩擦の少ないものから。jma-data-mcp は気象庁が公開しているアメダス観測データと天気予報に繋がります。APIキーもアカウント登録も一切不要です。

　設定

uvx（Python製ツールランナー。uv に同梱）があれば、これだけ：

{
  "mcpServers": {
    "jma": {
      "command": "uvx",
      "args": [
        "--from",
        "git+https://github.com/koizumikento/jma-data-mcp.git@master",
        "jma-data-mcp"
      ]
    }
  }
}

uv が未導入なら brew install uv（macOS）や pip install uv で入ります。

　触ってみる①：今の天気

Claude に「今の福岡の天気を教えて」と聞くと、get_weather_by_location が呼ばれます（2026-08-25 実行）。

福岡（16:00時点、気象庁アメダス「福岡」観測所）の現在の気象データです。
– 気温: 33.7℃
– 湿度: 60%
– 風: 北の風 5.3m/s
– 気圧: 1008.0hPa（海面気圧 1009.7hPa）
– 降水: なし（直近1時間・3時間・24時間ともに0mm）

まだ日中の暑さが残っている状況ですね。熱中症対策は引き続き必要そうです。

天気アプリの数字ではなく、気象庁のアメダスが16:00に実測した値です。緯度経度を渡すだけで、最寄りの観測所を自動で選んでくれます。

このMCPは11個のツールを持っています：

ツール	内容
`get_weather_by_location`	緯度経度から最寄り観測点の現在の気象
`get_current_weather`	観測所コード指定の現在の気象
`get_forecast`	都道府県の天気予報
`get_historical_weather`	過去の指定日時の観測値
`get_weather_time_series`	指定時間分の時系列
`search_nearby_stations`	緯度経度の周辺観測所を検索
`search_stations` / `get_station_info` / `list_stations` / `get_stations_of_type` / `list_prefectures`	観測所・地域のマスタ参照

　触ってみる②：予報

「明日の福岡の天気は？」と聞くと get_forecast が呼ばれます。

明日（8月26日）の福岡地方の予報です。
天気: 晴れ　昼過ぎからくもり。所により昼過ぎから夕方にかけて雷を伴った非常に激しい雨の可能性あり
気温: 最低28℃ / 最高37℃（今日よりさらに厳しい暑さの予想です）
風: 南東の風、後に北の風
降水確率: 10%（12時）→10%（18時）→0%（0時）→10%（6時）→30%（12時）→20%（18時）

朝から昼は晴れますが、昼過ぎ以降は積雲が発達して雷雨のリスクがあります。最高37℃と猛暑日レベルなので、屋外での予定があれば熱中症・落雷どちらにも注意が必要です。

「非常に激しい雨」は1時間に50mm以上を指す気象庁の正式な表現です。加工されていない一次情報が、そのまま手元に届いています。

　触ってみる③：2つの時点を比べさせる

もう一歩踏み込んで「先週の同じ時間と比べて暑い？」と聞いてみます。

はい、今日の方が暑いです。
– 先週（8/18）16:00: 32.3℃、湿度63%
– 今日（8/25）16:00: 33.7℃、湿度60%

気温は1.4℃高いです。湿度はわずかに下がっていますが、この時期はまだ厳しい暑さが続いていますね。

get_historical_weather が呼ばれ、現在値と過去値を自分で取りに行って、差を計算して答えています。「先週の同じ時間」という曖昧な指定を、観測所コードと日時に翻訳するところまで込みです。ツールを1つ叩いて終わりではない、というのがここで分かります。

ここまで、キーの取得ゼロ、登録ゼロ、設定4行。MCPの導入コストがどれくらいかの感触が掴めたと思います。

STEP 2｜無かったので作った（ひまわり9号）

次は視覚的インパクトのあるものを。日本の静止気象衛星ひまわり9号は、地球全体を約10分ごとに撮影しています。その画像は情報通信研究機構（NICT）が公開していて、キーも登録も不要で誰でも取得できます。

……が、調べたところひまわりのMCPサーバーは世界に存在しませんでした（GitHubで検索してヒット0件）。

無ければ作ります。60行です。

　コード

himawari-mcp/index.js として保存します。依存は公式SDKだけ、あとはNode標準の fetch で完結します。

#!/usr/bin/env node
// ひまわり9号 リアルタイム画像 MCP サーバー
// データ提供: 情報通信研究機構(NICT) https://himawari8.nict.go.jp/
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";

const BASE = "https://himawari8-dl.nict.go.jp/himawari8/img/D531106";
const p2 = (n) => String(n).padStart(2, "0");

// 最新の観測時刻(UTC)を取得。ひまわりは約10分ごとに観測する
async function latestTime() {
  const res = await fetch(`${BASE}/latest.json`);
  const { date } = await res.json();               // "2026-08-25 06:30:00" (UTC)
  return new Date(date.replace(" ", "T") + "Z");
}

// 観測時刻から画像URLのパス部分を組み立てる
const pathOf = (d) =>
  `${d.getUTCFullYear()}/${p2(d.getUTCMonth() + 1)}/${p2(d.getUTCDate())}/` +
  `${p2(d.getUTCHours())}${p2(d.getUTCMinutes())}${p2(d.getUTCSeconds())}`;

// 指定時刻の全球画像を取得して、チャットに表示できる形で返す
async function fetchEarth(time) {
  const url = `${BASE}/1d/550/${pathOf(time)}_0_0.png`;
  const res = await fetch(url);
  if (!res.ok) throw new Error(`画像を取得できませんでした (HTTP ${res.status})`);
  const base64 = Buffer.from(await res.arrayBuffer()).toString("base64");
  const jst = new Date(time.getTime() + 9 * 3600 * 1000);
  const label = `${jst.getUTCFullYear()}-${p2(jst.getUTCMonth() + 1)}-${p2(jst.getUTCDate())} ` +
                `${p2(jst.getUTCHours())}:${p2(jst.getUTCMinutes())} JST`;
  const ago = Math.round((Date.now() - time.getTime()) / 60000);
  return {
    content: [
      { type: "text", text: `ひまわり9号 観測時刻 ${label}（約${ago}分前）\n出典: NICT / 気象庁` },
      { type: "image", data: base64, mimeType: "image/png" },
    ],
  };
}

const server = new McpServer({ name: "himawari", version: "1.0.0" });

server.tool(
  "get_earth_now",
  "ひまわり9号が撮影した最新の地球（全球）画像を返す。約10分ごとに更新される。",
  {},
  async () => fetchEarth(await latestTime())
);

server.tool(
  "get_earth_hours_ago",
  "指定した時間だけ前のひまわり9号の地球画像を返す。雲や台風の動きの比較に使う。",
  { hours: z.number().min(0.5).max(24).describe("何時間前の画像か（0.5〜24）") },
  async ({ hours }) => {
    const t = await latestTime();
    return fetchEarth(new Date(t.getTime() - hours * 3600 * 1000));
  }
);

await server.connect(new StdioServerTransport());

同じフォルダに package.json を置いて npm install します：

{
  "name": "himawari-mcp",
  "version": "1.0.0",
  "type": "module",
  "dependencies": {
    "@modelcontextprotocol/sdk": "^1.0.0",
    "zod": "^3.23.8"
  }
}

設定はこれだけ：

{
  "mcpServers": {
    "himawari": {
      "command": "node",
      "args": ["/path/to/himawari-mcp/index.js"]
    }
  }
}

　触ってみる①：今の地球を見せて

「今の地球を見せて」と聞くと、get_earth_now が呼ばれ、観測時刻とともに全球画像がそのまま表示されます。

ひまわり9号が撮影した最新の地球画像です（観測時刻: 2026年8月25日 16:20 JST頃）。
日本周辺には渦を巻いた雲の塊が見えますね — 台風か発達中の低気圧の可能性がありそうです。雲の様子から見て、明日の予報にあった雷雨のリスクとも整合しているように見えます。

数十分前の地球です。しかもClaudeは、渡された画像を見てSTEP1で取得した明日の予報と結びつけています。

　触ってみる②：6時間前と比べる

続けて「6時間前の地球も見せて。雲はどう動いた？」と聞くと、get_earth_hours_ago が呼ばれます。

返ってきた2枚を、Claudeが自分で見比べて答えました。

6時間前：日本の南〜東の海域に、渦を巻いた雲域が複数見えます。西側（フィリピン海付近）にも別の渦状の雲塊があり、太平洋上に活発な対流セルが点在しています。
現在：日本の東海上にあった渦がより明瞭に発達し、位置も北〜北東方向へ進んだように見えます。周辺の雲バンドも広がってきている印象です。

その2枚を開いたものがこちらです。

6時間前（11:50 JST）

最新（17:50 JST）

夜側が広がっているのが分かります。渦もいくつも見えます。画像を受け取って、自分で見比べて、変化を言葉にする。 データを渡すだけの道具とは、ここが違います。

　触ってみる③：渦の正体を聞く

せっかくなので「台風は写ってる？」と聞いてみました。

Claudeはウェブ検索を併用して、こう答えました。

はい、写っています。強い台風18号は25日12時現在、沖永良部島の東南東約210kmにあって、西北西へ毎時20kmで進んでおり、中心気圧950hPa、中心付近の最大風速は40m/sです。ひまわり画像で沖縄の東〜南方向に見えた渦がこの台風18号だと思われます。
（中略）明日福岡でお伝えした雷雨リスクも、この台風の外側の雲の影響が一因かもしれません。

STEP1で聞いた「明日の雷雨」と、STEP2で見た「衛星画像の渦」が、ここで一本につながりました。 気象庁の予報文とひまわりの画像は別々のMCPから来ていますが、Claudeの中では同じ話として扱われています。これがMCPを複数繋ぐことの意味です。

　ここでの学び

公開APIさえあれば、MCPは自分で作れます。 やっていることは「URLを組み立てて取得し、返す」だけ。MCPサーバーが用意されていないサービスでも、APIが公開されていれば数十行で自分専用の道具になります。

STEP 3｜寄り道：海外の面白いやつ

国内中心で進めてきましたが、海外にも「これは面白い」というものがあるので2つだけ。

　NASA APOD（今日の宇宙写真）

@programcomputer/nasa-mcp-server は NASA の各種オープンAPIをまとめてラップしています。

{
  "mcpServers": {
    "nasa": {
      "command": "npx",
      "args": ["-y", "@programcomputer/nasa-mcp-server@latest"],
      "env": { "NASA_API_KEY": "DEMO_KEY" }
    }
  }
}

「今日のNASAの宇宙写真を見せて」で nasa_apod が呼ばれ、解説つきで画像が表示されます。

2026-08-25 の写真は「Earth’s Shadow Visualized with Lunar Eclipses（月食で可視化された地球の影）」でした。

宇宙にぽっかり空いた黒い穴のように見えますが、ブラックホールではありません。地球の影です。アリストテレスの時代から、月食で月に落ちる地球の影が円いことは知られていました。ただし一度の月食では全体が写らない。そこで22年分の月食の画像を重ね合わせることで、地球の影の全体像を浮かび上がらせた――という一枚です。

DEMO_KEY はすぐ枯れます：上限が低く、少し試すだけで 429 Too Many Requests に当たります。api.nasa.gov でメールアドレスを登録すれば無料キーが即発行されるので、本格的に触るなら登録キーを推奨します。

　ISS（国際宇宙ステーション）の可視パス

衛星追跡サービス N2YO.com の無料APIを使うと、「今後うちの上空を通る、肉眼で見えるISS」が計算できます。使ったのは Cyreslab-AI/satellitetracking-mcp-server です。

npm公開されていないので clone してビルドします。@modelcontextprotocol/sdk が古い ^0.1.0 に固定されているので、^1.0.0 に上げてから：

git clone https://github.com/Cyreslab-AI/satellitetracking-mcp-server.git
cd satellitetracking-mcp-server
# package.json の "@modelcontextprotocol/sdk" を "^1.0.0" に変更してから
npm install
npm run build   # -> build/index.js が生成される

{
  "mcpServers": {
    "satellite": {
      "command": "node",
      "args": ["/path/to/satellitetracking-mcp-server/build/index.js"],
      "env": { "N2YO_API_KEY": "あなたのN2YOキー" }
    }
  }
}

「今後10日で福岡から見えるISSのパスを教えて。一番条件がいいのはいつ？」と聞きました。

4件のパスが表で返り、そこから最良のものを選んで薦めてきます。

一番条件がいいのは9月4日(金)朝05:06〜05:17頃です。
– 最大高度が65.4°とほぼ天頂近くまで上がる
– 等級-2.2は金星に近いレベルの明るさ（数値が小さいほど明るい）
– 継続時間も約10分40秒と長め
– 経路は北西から昇り、頭上近くを通って南東に沈む

「一番いいのはいつ？」まで聞くのがポイントです。データを並べるだけでなく、条件を比較して1つを選ぶところまでやってくれます。

ついでに「それって肉眼で見える明るさなの？」と聞いてみました。

はい、十分すぎるほど明るいです。
– 金星: 約-4.0〜-4.5等級（最も明るい）
– ISS(9/4のパス): -2.2等級
– 木星: 約-2.0〜-2.5等級
– シリウス(全天で最も明るい恒星): -1.5等級

つまりISSは木星よりわずかに明るく、シリウスよりもはっきり明るい、ということになります。肉眼で全く問題なく、むしろ「あれ何?」と目を引くレベルの明るさです。

さらに「福岡のこの時期の日の出は5時40分頃なので、まだ薄明前で十分暗く、絶好の観測条件だと思います」とまで返ってきました。軌道要素から可視パスを計算するのは衛星データ利用のいちばん基礎的なピースですが、そこから「見えるかどうか」を人間の感覚に翻訳するところまでが一続きになっています。

STEP 4｜衛星から畑を見る（JAXA Earth API）

さて本題です。「畑の生育を衛星で見る」「自治体の農地を継続的にモニタリングする」といった実務の衛星データ活用に、いちばん近いところへ行きます。

主役は JAXA Earth API です。JAXAが地球観測衛星のデータを公開しているもので、APIキーもアカウント登録も不要。カタログには80のデータセットが並んでいます。

データ	内容
GCOM-C/SGLI NDVI	植生指数。植物の元気さの指標
GCOM-C/SGLI LST	地表面温度
ALOS/PRISM AW3D30	全球30m解像度の標高
ALOS-2/PALSAR-2 FNF	森林／非森林の分類
GSMaP / AMSR2	降水量・土壌水分

　設定

a-hikata/jaxa-earth-mcp を使います。ひとつだけ注意点があり、mcp ライブラリのバージョンを指定しないと起動しません。mcp==1.2.1 を明示すれば問題なく動きます：

{
  "mcpServers": {
    "jaxa-earth": {
      "command": "uvx",
      "args": [
        "--from", "git+https://github.com/a-hikata/jaxa-earth-mcp.git",
        "--with", "mcp==1.2.1",
        "jaxa-earth-mcp"
      ],
      "env": {
        "JAXA_MCP_OUTPUTS": "/画像の保存先にしたい絶対パス"
      }
    }
  }
}

ツールは4つ。list_datasets（データセット検索）、get_dataset_info（詳細）、get_point_timeseries（地点の時系列）、get_area_image（範囲の画像生成）です。

JAXA_MCP_OUTPUTS は必ず指定してください：get_area_image が画像を書き出す先です。
指定しないとMCPの作業ディレクトリ基準になり、Claude Desktop から起動した場合は
書き込み不可の場所を指してしまい read-only file system エラーになります。
絶対パスで書いてください（~ は展開されません）。

まず「JAXAの衛星データで何が取れる？」と聞いてみます。

降水（GSMaP）、地表面温度（GCOM-C/SGLI LST）、植生指数（同 NDVI）、標高（ALOS AW3D30）、土壌水分（GCOM-W/AMSR2）。日本の衛星が観測している地球の姿が、そのまま並びます。

　触ってみる①：農地の1年を見る

福岡県久留米市――筑後平野の水田地帯です。「久留米の農地で、去年1年のNDVIがどう変化したか見せて」と聞くと、get_point_timeseries がこの実データを返しました：

半月ごと24点のグラフが描かれ、傾向まで整理されて返ってきました。

冬（1〜3月）：0.38〜0.40前後で低調（裸地・冬期休閑期）
春（4〜5月）：0.49→0.57と急上昇
初夏（6月）：一時0.43まで下降
夏（7〜8月）：再上昇し、8月16日に年間最高値 0.657
秋（9〜10月）：0.60台を維持後、収穫期に向けて下降
晩秋〜冬（11〜12月）：0.47→0.35と急降下

年間平均は0.492、最小0.351（12月）、最大0.657（8月中旬）。水稲を中心とした典型的な生育カレンダーのパターンです。

そして注目すべきは、聞いてもいないのにClaudeがこう付け加えたことです。

なお、このデータは約2.8kmグリッドの地域傾向値であり、個別の圃場単位の解像度ではありません。

この一文が後で効いてきます。

　触ってみる②：谷の理由を聞く

グラフで一番目を引くのは、6月の凹みです。「6月だけ下がってるのはなぜ？」と聞きました。

主な理由：田植え直後の「水面効果」
久留米周辺は筑後平野の水田地帯なので、この時期の水田は次のようなプロセスをたどります。
1. 5月：育苗・田植え準備で土壌が露出→徐々に緑が増え始める（NDVI上昇）
2. 6月上旬〜中旬：田植え直後。苗はまだ小さく葉の面積が少なく、水田表面の大部分が水で覆われる
3. 水面は近赤外線をほとんど反射せず、NDVIの計算上「植生が少ない」ように見えるため、苗があっても水面比率が高いとNDVI値が一時的に下がる
4. 7月以降：苗が生長し株が広がって水面が隠れ、NDVIが再上昇

さらに、こう続きました。

畑作中心の地域ではこの「6月の谷」は出ず、緩やかに上昇し続けることが多いので、この凹みそのものが「この農地が水稲中心である」ことを示す一つの手がかりにもなります。

ここが面白いところです。谷は測定の乱れではなく、その土地で何が作られているかを示すシグナルでした。数字を出すだけでなく、その意味を読み解いて説明してくれる。これがMCPとAIを組み合わせる利点です。

　触ってみる③：面で見る

点の時系列だけでなく、面でも見られます。get_area_image に範囲と日付を渡すと、NDVIの分布図がPNGとして生成されます。「九州北部の2025年9月頭のNDVIを地図にして」と聞きました。

生成された地図がこちらです。経度129.3〜131.3、緯度32.5〜34.3。福岡・佐賀・熊本にまたがる範囲で、濃い緑ほど植生が旺盛、白は欠測（雲や水域）です。

Credit: GCOM-C NDVI (JAXA) / Image: Created using the JAXA Earth API

get_area_image を使うときの注意：画像の保存先は環境変数 JAXA_MCP_OUTPUTS で指定します。
未指定だとMCPの作業ディレクトリ基準になり、Claude Desktop から起動した場合は書き込み不可の
場所を指して read-only file system エラーになります。絶対パスで指定してください。

利用規約も確認しました。JAXA Earth 研究データ利用規約に従い、商用利用も可能です（同規約適用データの場合。データセットごとの詳細ライセンスはSTACの license/providers に定義）。

　ここが「気軽」と「実務」の境目

ここまで、キーなしで日本の農地の植生変化まで辿り着きました。ではこれで農業の課題が解決するかというと、そうはいきません。分解能です。

今回取得したデータの解像度は ppu 40――1度あたり40ピクセル、およそ2.8km四方が1ピクセルです。つまり見えているのは「久留米市周辺エリアの平均的な植生の動き」であって、個々の圃場ではありません。畑1枚は数十メートル四方ですから、2桁足りない。

「地域全体の作付けの傾向」を無償で掴むにはこれで十分です。しかし「この農地は、いま実際に使われているか」「あの一枚は荒れていないか」を一枚ずつ見分けようとすると、桁違いに細かい目が要ります。

試しに、そのままClaudeに聞いてみました。「この解像度で畑1枚の生育ムラは見える？」

見えません。
このNDVIデータの実効グリッドは約2.8km(1/40度)四方です。一般的な畑1枚は数十m〜数百m程度なので、1つの畑がこの1グリッドの中に完全に収まってしまい、周辺の水田・住宅地・道路・森林などと平均化された「地域全体の傾向値」しか出てきません。

そのうえで、細かく見るための選択肢まで並べてきました。

手段	解像度	備考
Sentinel-2（欧州Copernicus）	10m	無料、5日おき再訪、NDVI計算も可能
ALOS-2/PALSAR-2やASNARO等の商用衛星	数m〜1m	有償
ドローンでのマルチスペクトル撮影	数cm〜数十cm	圃場内ムラの検出に最も適している

この記事の結論を、Claude自身が言ってしまいました。

認証の重さではなく、分解能と用途。 ここが「気軽に触れる衛星データ」と「業務で使う衛星データ」の本当の境目です。

そして、この境目から先こそ、私たちが取り組んでいる領域です。

自治体の農地行政には、多面的機能支払・中山間直接支払・水田活用といった交付金制度があり、その要件を満たしているかを確認するために、職員が現地へ足を運んで農地の利用状況を確認しています。対象は膨大で、担当者の負担は年々重くなっています。

私たちの「イナリス™ powered by DiXiM Imaging AI」は、ここに2種類の解像度を持ち込みます。

ひとつは、解析のための解像度。農地の利用状況の解析には、SentinelやPlanetScopeといった、この記事で扱ったものより桁違いに細かい衛星データを使います。約2.8km四方が1ピクセルの世界から、農地1枚を扱える世界へ。ここが交付金制度に準拠した調査を成り立たせる土台です。

もうひとつは、人が納得するための解像度です。解析結果だけを渡されても、現場の職員は「本当にこの農地のことか」と確信が持てません。そこでイナリスの画面には、生成AIで超解像化した衛星画像を表示します。職員は自分の現在地や農地の境界を、自分の目で確かめられる。判定の材料ではなく、納得の材料です。現地に立つ人の心理的な負担を軽くしているのは、実はこちら側の解像度です。

機械が判定するための解像度と、人が納得するための解像度。 衛星データを実務に落とし込むには、その両方が要ります。

👉 農地調査の効率化については、イナリス™ powered by DiXiM Imaging AI をご覧ください。導入事例も掲載しています。

まとめ

STEP	MCP	APIキー	触れるデータ
1	`koizumikento/jma-data-mcp`	不要	気象庁アメダス実測・天気予報
2	自作（60行）	不要	ひまわり9号の全球画像（約10分ごと更新）
3	`@programcomputer/nasa-mcp-server`	NASA無料キー	今日の宇宙写真ほか
3	`Cyreslab-AI/satellitetracking-mcp-server`	N2YO無料キー	ISS位置・可視パス・TLE
4	`a-hikata/jaxa-earth-mcp`	不要	JAXAの地球観測データ（NDVI・地表温度・標高ほか80種）