土木・測量・建設分野では、SfM処理（Structure from Motion：写真測量）とLiDAR測量（レーザースキャン）が、短期間・低コストで広範囲の三次元情報を得る手段として定着しつつあります。i-Constructionの潮流も相まって、これまで人手中心だった現地測量の一部を置き換え、安全性・生産性・可視化の三拍子を実現するケースが増えています。本稿では、両手法を精度・コスト・運用の観点から丁寧に比較し、使い分けの判断軸と導入・運用の実務ノウハウを体系的にまとめます。読み終えたとき、プロジェクト条件に即して「何を、どの程度、どうやって」取るのかが明確になり、見積・体制・品質管理まで一気通貫で設計できる状態を目指します。
1. 基礎：SfMとLiDARのしくみとバリエーション
1.1 SfM（写真測量／SfM-MVS）
- 原理：多視点画像間の対応点を検出→カメラの位置姿勢を同時推定（SfM）→高密度再構成（MVS）→点群／メッシュ／オルソ画像を生成。
- 機材：ドローン／一眼レフ／スマホ＋撮影計画。解析はローカルPCまたはクラウド。
- 長所：機材ハードルが低く、カラー情報を保持。広域を短時間でカバーしやすい。
- 短所：撮影品質とテクスチャに性能が依存。不可視領域（裏面・森林下・水面下）に弱い。
1.2 LiDAR（Light Detection and Ranging）
- 原理：レーザを照射し反射往復時間から距離を算出。高密度点群を直接取得。GNSS/IMUと統合し絶対位置・姿勢を安定化。
- プラットフォーム：地上型（三脚TLS）、車載MMS、ドローン／航空機搭載ALS。
- 長所：夜間・暗所・植生下・複雑構造に強く、ミリ～cm級の高精度を実現しやすい。
- 短所：機材・運用・データ管理のコストが高い。雨・霧・粉塵でノイズが増える。一般的な赤外LiDARは水中不可。
2. ワークフロー比較：現地から成果まで
2.1 取得（フィールド）
SfM
- 自動航行で前後80％・側方70％程度の重複率を確保（例）。高度・シャッタースピード・輝度を安定化。
- 斜め撮影（オブリーク）やクロスグリッドで死角を最小化。GCP（標定点）やCP（検証点）で品質担保。
LiDAR
- 地上TLS：複数設置点から全方位スキャン。ターゲットや自然基準でレジスト用拘束を配置。
- ドローンLiDAR：GNSS/IMU初期化、飛行高度・速度・スキャンレートを現場に合わせ最適化。安全管理（航路・重量・電波・風）を最優先。
2.2 処理（オフィス／クラウド）
SfM
- 画像品質検査→2) 特徴点抽出→3) バンドル調整（カメラ姿勢推定）→4) 高密度点群→5) メッシュ／テクスチャ→6) オルソ生成→7) GCP/CPで精度検証。
マシン時間が長く、クラウドで自動化しやすい。
LiDAR
- 生点群取込み→2) ノイズ除去→3) レジストレーション（設置点統合）→4) 座標系変換→5) 地物分類（地表／植生／構造物）→6) DTM/DSM生成→7) 精度検証。
人的調整（レジスト・分類）が相対的に多い。
2.3 成果（デリバラブル）
- 共通：点群（LAS/LAZ）、メッシュ（OBJ/PLY）、ラスタ（GeoTIFF：DSM/DTM/オルソ）、数量（体積・断面）、3D可視化。
- SfMはカラー点群・高解像オルソが強み。LiDARは密度・幾何精度・分類品質が強み。
3. 精度と物理：誤差源・設計・検証
3.1 用語と目安
- 絶対精度：地物の真値に対する位置精度（外部座標系での誤差）。
- 相対精度：モデル内部の形状一貫性（距離・角の保全）。
- 目安：
- LiDAR：数cm～ミリ級（TLS近距離、良条件）。ALS/MMSは数cm級が一般的。
- SfM：条件次第で2～5cm級、劣条件では**～10cm**程度の誤差も。RTK/PPKやGCPで改善。
3.2 SfM設計の勘所
- GSD（地上解像度） ≒ （センサ画素ピッチ × 飛行高度）/ 焦点距離。GSDを小さくすると細部と位置推定が安定。
- ベースライン比（B/H）：視差確保の指標。0.3～0.6程度が一般的な良域の例。
- 重複率：前後80％・側方70％（目安）。建物・法面は斜め撮影併用。
- RTK/PPK：撮影位置をcm級でタグ付けし、GCP少数でも安定。
- 苦手対象：鏡面・ガラス・水面・単色面（特徴点不足）→照明・角度・撮影枚数で補う。
3.3 LiDAR設計の勘所
- スキャン密度（pts/m²）：目的に応じ設定。地形DTMは**≥10～20**、詳細構造は**≥100**のような設計例。
- マルチリターン：樹冠／中層／地表の分離に有効（森林DTM）。
- レジスト：ターゲット配置＋ICP（Iterative Closest Point）で設置点統合誤差を最小化。
- 環境ノイズ：雨滴・粉塵はノイズ増。薄霧・微粒子も散乱要因。
3.4 検証（QA/QC）
- GCP/CP：学習（拘束）と検証（非拘束）は必ず分離。
- 統計指標：RMSE/MAE/最大誤差、水平・鉛直別。
- 可視検査：断面図・陰影起伏・ヒートマップで系統誤差や歪みを発見。
- 受入基準：プロジェクト仕様（成果規格）に適合することを数値で確認。
4. コストと体制：TCOの考え方
4.1 CapEx（初期投資）
- SfM：カメラ／ドローン（数十万～）、解析ソフト（無料～数十万）、RTK対応で上振れ。参入障壁が低い。
- LiDAR：センサー単体で数百万円～、プラットフォーム（大型ドローン／車載）・GNSS/IMU・ソフトを含め数千万円級も。
4.2 OpEx（運用）
- SfM：撮影・解析の人件費、クラウド課金、飛行申請・許認可。少人数運用がしやすい。
- LiDAR：機材保守・校正、ライセンス、専門オペレータ、ストレージ増強、バックアップ回線等。固定費高。
4.3 外注相場の傾向（一般論）
- 同一規模ならSfM委託の方が低廉になりやすい。
- ただし複雑地形・高密度要求ではLiDAR一発の方が総コスト最小となる例も。
- 判断：要求精度・植生率・死角比率・納期でコスパ最適を選ぶ。
5. 環境と対象物：得手不得手の整理
5.1 植生・森林
- SfM：樹冠で地表が不可視→DTMは困難。
- LiDAR：マルチリターンで地表点抽出が可能。森林測量はLiDAR優位。
5.2 都市・複雑構造
- SfM：斜め撮影や地上補助撮で死角を詰める必要。ガラス・鏡面は難敵。
- LiDAR：全周スキャンと複数設置で裏面・陰まで取得しやすい。
5.3 水域・雪氷
- SfM：水面反射・単調雪面で特徴点が不足。
- LiDAR：赤外は水中不可。グリーンレーザ（測深LiDAR）など特殊機材が必要。
5.4 光条件・時間帯
- SfM：明るさ・影・露出が品質を左右。
- LiDAR：光に非依存で夜間・暗所に強い。雨霧粉塵はノイズ注意。
6. 具体ユースケースと推奨手法
-
造成・土工の出来形管理（広域・更新頻度高）
- 目標：数cm級、毎週更新、可視化重視。
- 推奨：SfM中心（ドローン自動航行＋クラウド解析）。難所のみ地上TLSで補完。
-
森林路線のルート設計（植生下DTM）
- 目標：路線最適化用のDTM、遮蔽多い。
- 推奨：ドローンLiDAR。マルチリターン＋分類で地表抽出。
-
橋梁・プラントの変位監視（ミリ～cm級）
- 目標：微小変位・形状忠実度。
- 推奨：地上TLS。必要に応じターゲット基準＋高頻度観測。SfMはカラー可視化の補完。
-
遺構・文化財の精密記録（細密・可視化両立）
- 目標：細部形状とフォトリアル。
- 推奨：TLS＋SfMハイブリッド（LiDAR幾何＋写真テクスチャ）。
-
トンネル・屋内BIM連携
- 目標：暗所・狭隘・高精度。
- 推奨：地上TLS／MMS。SfMは補助的（照明・三脚制約があるため）。
7. 実務チェックリスト（取得前～納品）
7.1 取得前
- 要求精度（水平／鉛直・RMSE・最大誤差）
- 座標系・測地系・基準点の整備（GCP/CP／既知点）
- 許認可（飛行・占用・安全計画）
- 撮影・スキャン計画（重複率／高度／速度／スキャン密度／ルート）
- リスク（天候・風・電波・第三者接近）
7.2 取得中
- ログとメタデータ（GNSS、IMU、姿勢、カメラ内パラ）
- 品質モニタ（ブラー／露出／衛星数／PDOP）
- 再取得判断（影・死角・ノイズの現場確認）
7.3 取得後～処理
- 生データの正本管理・バックアップ
- 自動処理＋手動QAの分業（クラウド×ローカル）
- 精度検証（CPで統計、断面照合、差分ヒートマップ）
7.4 納品
- 成果仕様（フォーマット、座標系、密度、分類コード、測地補正）
- 再現性（処理レシピ／バージョン管理）
- 可視化（ビューア、3D PDF、Webポータル）
8. 数量と品質の定量化：体積・断面・差分
- 体積計算：基準面／既存DTMとの差分積分。網格解像度が過小だと過小評価のリスク。
- 断面解析：代表測線の切出し→設計線と比較→余盛・不足の算出。
- 時系列差分：同一座標・同一解像度・同一フィルタ条件で比較し、系統差を排除。
- 外れ値処理：LiDARノイズは高さフィルタやローカル統計で除去。SfMは誤対応点のマスク。
9. ハイブリッド運用の設計
- LiDAR幾何 × 写真テクスチャ：幾何精度（LiDAR）＋ビジュアル（SfM）を合成して高精度・高可視化を両立。
- 難所限定LiDAR：通常はSfMで広域、森林下や裏面だけLiDARで補完→費用最小化。
- 検証クロスチェック：相互差分で系統誤差を可視化し、受入判定の信頼性を高める。
10. 新潮流：スマホ＋RTK＋クラウド（LRTK Phone／LRTKクラウドの位置付け）
- 発想：スマホに小型RTK-GNSS受信機を装着し、撮影位置をcm級で記録。クラウドで自動SfM→点群・オルソを即時共有。
- 効用：多数のGCPを省略可能、現場→オフィスのPDCAが短サイクル化。
- 適用：小～中規模の地形・出来形、進捗モニタリング、可視化資料。専門部署がなくても導入しやすい。
- 位置づけ：**手軽さ（SfM）×位置精度（RTK）**の中間解として、現場の反復観測や迅速意思決定に有効。
11. リスクとコンプライアンス
- 安全：UASの飛行安全（風・電波・第三者）、TLSの視界確保、交通動線の確保。
- 法令：飛行許可・占用・個人情報・景観・文化財保護への配慮。
- データ：著作権・個人情報（顔・ナンバー）・社外秘の写り込み。
- セキュリティ：クラウド利用時の認証・暗号化・アクセス権限・ログ保全。
12. よくある疑問（FAQ）
Q1. SfMで数cm級の絶対精度は出ますか？
A. 可能です。RTK/PPKで撮影位置を高精度化し、**GCP（少数でも可）**で拘束、撮影重複・斜め撮影を確保すれば、2～5cm級の事例は珍しくありません。苦手対象や光条件には配慮が必要です。
Q2. 森林の地表DTMには何を選ぶべき？
A. LiDARが第一選択。マルチリターン・分類で地表抽出が可能。SfMは樹冠で遮蔽されやすく不向きです。
Q3. 夜間の出来形確認は？
A. LiDARが安定。光に依存せず取得できます。天候・粉塵によるノイズは事前にリスク評価を。
Q4. 予算が限られるが広域を短期で取りたい
A. SfM中心＋必要箇所だけLiDAR補完がコスパ良。クラウド解析でハード投資を最小化。
Q5. BIM/CIM連携の勘所は？
A. 座標系・単位・レベル基準の整合、点群密度の最適化、ノイズ・穴埋めのポリシー明示、再現性ある処理レシピの付与が重要。
13. 比較サマリ（早見表）
| 観点 | SfM（写真測量） | LiDAR（レーザ） |
|---|---|---|
| 絶対精度 | 数cm（～10cm）／RTK・GCPで2～5cm級可 | 数cm～ミリ級（TLS/良条件） |
| 相対精度 | 視差・重複・B/Hに依存 | 高い一貫性（直接距離計測） |
| 不可視領域 | 裏面・森林下に弱い | 多方向スキャン・マルチリターンで強い |
| 光・時間帯 | 明るさ・テクスチャ依存 | 夜間・暗所でも可／雨霧粉塵ノイズ |
| 可視化 | カラー点群・高解像オルソが得意 | 幾何は強い／カラーは別撮影合成 |
| 初期投資 | 低～中 | 高 |
| 運用 | 少人数・クラウド活用 | 専門人材・大容量処理 |
| 処理負荷 | 機械時間が長い（自動向き） | レジスト・分類に人手 |
| 典型用途 | 出来形・広域現況・可視化 | 高精度・森林・複雑構造・夜間 |
14. 手法選定フレームワーク（意思決定の手順）
- 要求精度：水平・鉛直・RMSE・最大誤差（ミリ～cm？）
- 環境：植生率・遮蔽率・反射面・暗所・天候リスク
- 対象：地形？構造物？内部？
- 範囲と頻度：面積、観測間隔、納期
- 成果物：点群密度、分類要否、オルソ、体積、断面
- 体制・予算：CapEx/OpEx、外注の有無、クラウド可否
- 選択：SfM / LiDAR / ハイブリッド
- 検証計画：GCP/CP、統計指標、受入基準、リスク対応
15. 実務Tips（現場で効く小技）
- SfM：側面・斜め撮影で法面・縁部の歪みを減らす／白一色面にはターゲットシールでテクスチャ付与。
- LiDAR：スキャナ配置は見通し×重なり×拘束で決める／風の強い日や降雨時は再計画。
- 共通：メタデータ整備（座標系・日時・機材・設定）と処理レシピの保存で、再現性と監査性を担保。
16. まとめ：適材適所とハイブリッドのすすめ
- 結論：手軽さ・コスト・可視化重視ならSfM、最高精度・不可視領域・暗所重視ならLiDARが目安。
- 実務最適化：要求精度・対象・環境・頻度・予算を定量化し、両者の長所を組み合わせる。
- 新潮流：スマホ＋RTK＋クラウド（例：LRTK Phone／LRTKクラウド的アプローチ）で、小回り×精度を両立。
- 品質担保：GCP/CP分離、統計検証、差分・断面の多面的チェックで数値に基づく合否を明確化。
要求精度・範囲・納期・環境に照らして適材適所を選び、必要箇所にはハイブリッド補完を。
“撮れるものを撮る”ではなく、“必要なものを確実に撮る”設計と運用こそ、コストと品質を両立する最短ルートです。