L04: 河川浸水想定区域 × 文化財立地 — 「歴史遺産は水没するか?」 点 in ポリゴン判定研究 (sjoin 版)

データ取得手順

⚠️ このスクリプトは自動取得に対応していません。以下のデータセットを DoBoX から手動でダウンロードし、data/extras/ 以下に保存してください。

実行コマンド:

cd "2026 DoBoX 教材"
python -X utf8 lessons/L04_flood_cultural_assets.py

DoBoX のオープンデータは申請不要・商用/非商用とも利用可。 data/extras/ は .gitignore 対象（約 57 GB のキャッシュ）。 スクリプト実行で自動再生成されます。

学習目標と問い

このレッスンで答えたい問い

「広島県の文化財 292 件のうち何件が河川浸水想定区域内に立地しているか、 種別・市町・水系・時代でどう違うか、計画規模と想定最大規模の差からどんな 『未認識リスク文化財』が見つかるか？」

立てた仮説 H1〜H5

• H1: 城・官衙跡は政治拠点として河川沿いに置かれた → 浸水率 ≥30%。
• H2: 被爆樹木は爆心地近辺 = 広島市中心デルタ平野 = 低地 → 浸水率 ≥50% で 3 群中最高。
• H3: 種別ごとに浸水率に明確な差がある（最大 − 最小 ≥ 30 ポイント）。
• H4: 太田川水系が最も多くの文化財をその浸水域内に抱える（広島市が河口）。
• H5: 「計画規模では安全 / 想定最大規模では水没」になる 未認識リスク文化財が ≥10 件 見つかる。

独自定義の用語 (このレッスン専用 — 要件M)

• 「文化財」: 本記事では DoBoX 由来の 3 系統 = 「城・官衙跡」「庭園/居宅/経塚等のその他埋蔵文化財」「被爆樹木」を指す。 仏像・古文書・無形文化財などは含まない（緯度経度が点として与えられないため）。
• 「浸水域内立地」: ある文化財点 (lon,lat) が、河川浸水想定区域 SHP の ポリゴンの 内側 (predicate='within') に入ること。境界上は内側扱い。
• 「未認識リスク文化財 (border)」: 計画規模 (1/100 〜 1/30 確率) では浸水域外 だが、 想定最大規模 (1/1000 確率) では浸水域内 になる文化財。 通常運用の防災計画では『安全』と判断されるが、過去最大級の降雨では水没するもの。
• 「sjoin」: geopandas の spatial join。点とポリゴンを空間条件 (predicate) で結合する。R-tree 空間インデックス (boundsで先に絞る) が裏で勝手に効くので 学習者は predicate='within' という 1 引数だけ覚えれば良い。
• 「平面直角第II系 (EPSG:6671)」: 広島県を含む西日本用の m単位 平面座標系。 緯度経度 (度) のままだと距離計算で緯度補正が必要だが、6671 に投影すると 普通の x,y で距離が m として測れる。本記事では計算前に必ず 6671 へ揃える。

到達点

1. geopandas.sjoin で点 in ポリゴン判定が 1 行で書ける（X08 の Ray casting 自前実装が黒箱化される）。
2. 3 系統の CSV を 1 つの GeoDataFrame に統合し、「大分類 → 細分類 (種別) → 市町 → 水系 → 時代」の 4 軸 + 1 軸で集計できる。
3. 「計画規模 / 想定最大規模 の 4 区分」から、通常運用では見えない未認識リスク文化財を発見できる。
4. 被爆樹木の「爆心地距離 vs 浸水域内」散布で、空間的な災害履歴の重ね書きを体験する。

使用データ

本レッスンは DoBoX 4 系統を使う。 文化財は緯度経度を持つ 3 系統を統合、浸水は X08 と同じ「全河川集約版」2 件をそのまま使う。

原データ — 文化財 (3 系統 統合 292 件)

原データ — 河川浸水想定区域 (2 件, EPSG:3857)

サイズ・次元の整理 (要件 L)

※「上位 12 種別」「上位 15 市町」のように表示の都合で切り出す箇所があるが、 集計母数は 常に 292 文化財 / 20 市町のままで、 表示行数 ≠ 次元数である点に注意 (要件L)。

ダウンロード (再現用データ・中間データ・図)

本レッスンの全成果物に直リンクを置いた。途中ステップから再現したい学習者向け。

1. 生データ (DoBoX 由来, ローカル)

2. プログラムで生成される中間データ

• L04_cultural_judge.csv — 全 292 件 × 14 列の最終判定表
• L04_by_group.csv — 大分類 (3 群) 別集計
• L04_by_type.csv — 細分類 (種別) 別集計
• L04_by_city.csv — 市町別集計
• L04_by_suikei.csv — 水系別集計 (浸水域内のみ)
• L04_by_era.csv — 時代別 (古代/中世/近世/近代) 集計
• L04_border_breakdown.csv — 計画 vs 最大 4 区分内訳
• L04_newrisk.csv — 未認識リスク文化財 (83 件)
• L04_track_one_asset.csv — 1 件追跡 Before/After (要件K)
• L04_hypothesis.csv — 仮説検証集計

3. 図 PNG

• L04_group_rate.png — 図1 大分類別 浸水率
• L04_type_rate.png — 図2 細分類別 浸水率
• L04_city_rate.png — 図3 市町別 浸水率
• L04_suikei_bar.png — 図4 水系別 文化財数
• L04_era_rate.png — 図5 時代別 浸水率
• L04_map.png — 図6 浸水ポリゴン+点 オーバレイマップ
• L04_border.png — 図7 4区分内訳
• L04_atomic_distance.png — 図8 被爆樹木 爆心地距離 vs 浸水

4. 再現スクリプト

cd "2026 DoBoX 教材"
py -X utf8 lessons/L04_flood_cultural_assets.py

スクリプト本体: lessons/L04_flood_cultural_assets.py

分析1: 3 CSV を 1 GeoDataFrame に統合

狙い

3 種類の文化財 CSV を 1 つの GeoDataFrameに統合し、緯度経度を「m 単位の x,y」に 直して以後の sjoin に備える。大分類 (group) 列を付けることで、後で「城・官衙跡 vs 被爆樹木」の 浸水率比較ができるようにする。

手法 (geopandas — 黒箱で OK)

• 入力: 「lon, lat の 2 列を持つ DataFrame」 (292 行)
• 処理:
  1. gpd.points_from_xy(lon, lat) で 各行を Point geometry に変換
  2. crs="EPSG:4326" で「これは WGS84 経緯度」と明示
  3. .to_crs("EPSG:6671") で 平面直角第II系 (m 単位) に再投影
• 出力: 同じ 292 行の GeoDataFrame。座標は m 単位の x, y。
• 限界: 緯度経度の数値が nan の行は dropna で落とす。本データは欠損なし。
• パラメータ: EPSG:6671 は広島県を含む西日本用。東日本なら 6677 など、地域で番号が変わる。

実装

↑ L04_flood_cultural_assets.py 行 697–912

 1
 2
 3
 4
 5
 6
 7
 8
 9
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727

# 1. 文化財 CSV 3 種を読込み 1 表に統合 (group 列で出所を識別)
cas = pd.read_csv("data/extras/burial_castle_govt.csv", encoding="utf-8-sig")
cas = cas.rename(columns={"名称":"name","種別":"type","時代":"era",
                          "市町名":"muni","緯度":"lat","経度":"lon"})
cas["group"] = "城・官衙跡"

oth = pd.read_csv("data/extras/burial_other.csv", encoding="utf-8-sig")
oth = oth.rename(columns={"名称":"name","種別":"type","時代":"era",
                          "市町名":"muni","緯度":"lat","経度":"lon"})
oth["group"] = "その他文化財"

ato_raw = pd.read_csv("data/extras/atomic_bombed_trees.csv", encoding="utf-8-sig")
# 被爆樹木は時代列がないので "近代" を埋める
ato = pd.DataFrame({
    "name": ato_raw["名称"], "type": ato_raw["分類"], "era": "近代",
    "muni": "広島市",  # 簡略, 実装では区まで抽出
    "lat":  ato_raw["緯度"], "lon": ato_raw["経度"], "group": "被爆樹木",
})

# 縦方向に積む
df = pd.concat([cas, oth, ato], ignore_index=True)
df = df.dropna(subset=["lat","lon"]).reset_index(drop=True)

# 2. 緯度経度 → GeoDataFrame → 平面直角第II系 (m単位) に再投影
import geopandas as gpd
gdf_pts = gpd.GeoDataFrame(
    df,
    geometry=gpd.points_from_xy(df["lon"], df["lat"]),
    crs="EPSG:4326",
).to_crs("EPSG:6671")
print(gdf_pts.shape, gdf_pts.crs.srs)

結果 (表と読み取り)

なぜこの表か: 「3 CSV → 1 GeoDataFrame」の 1 件分の Before/After (要件K)を見せる。 学習者が「lat,lon の数値が m単位 x,y に変わる」というステップを具体値で追えるようにする。

表1: 1 件追跡 (要件K) — 城・官衙跡から 1 件を最後まで追う

この表から読み取れること:

• 段階 3 で CRS が 4326 → 6671 に変わること、つまりここで距離が m として測れる座標系になる。
• 段階 4-5 の 2 回の sjoin がメイン処理。1 回目で max、2 回目で keikaku を結合する。
• 段階 6 の border_class が最終アウトプット。「両 OK / 両 NG / ボーダー」の 4 値。

分析2: sjoin で点 in ポリゴン (中核操作)

狙い

本レッスンの中核操作。292 文化財点のそれぞれが 1029 浸水ポリゴンのどれかに 入っているかを、geopandas.sjoin(predicate='within') 1 関数で判定する。

手法 (geopandas.sjoin の入出力)

• 入力 1: 左 GeoDataFrame (292 行 × Point geometry)
• 入力 2: 右 GeoDataFrame (613 or 416 行 × Polygon geometry)
• predicate: 'within' = 左の点が右のポリゴンの内側にあるとき結合
• how: 'left' = 左テーブルを残す。マッチしなかった点は右側列が NaN になる
• 出力: 結合後の DataFrame。index_right 列が NaN なら浸水域外、値があれば内側。
• R-tree 空間インデックス (黒箱): ポリゴンの bounding box (外接矩形) で先に絞り、 明らかに離れた組み合わせは Ray casting せずに飛ばす。292×1,029 = 300,468 通りのうち、 実際に幾何判定するのは数千通りに枝刈りされる。学習者はこの中身を知らなくて良い。
• 限界: 1 点が複数ポリゴンに入った場合 (= 河川合流近辺) は drop_duplicates で 1 件にする。 本記事の用途 (浸水か否か) には十分。水系を厳密に追いたいなら how='inner' + 1:多 で扱う。

実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761

import geopandas as gpd

# 浸水 SHP を読込, 同じ EPSG:6671 に揃える
fl_max = gpd.read_file("data/extras/flood_shp/shinsui_souteisaidai/shinsui_souteisaidai.shp",
                       encoding="utf-8").to_crs("EPSG:6671")
fl_kei = gpd.read_file("data/extras/flood_shp/shinsui_keikaku/shinsui_keikakukibo.shp",
                       encoding="utf-8").to_crs("EPSG:6671")

# === 中核: 点 in ポリゴン を sjoin で 1 行 ====================================
# how="left"  : 文化財側を左テーブル、ポリゴンに入らない点も残す
# predicate="within": 点 Point がポリゴンの内側にあるか
sj_max = gpd.sjoin(
    gdf_pts[["asset_id", "geometry"]],
    fl_max[["suikei", "kasen", "geometry"]],
    how="left", predicate="within",
)

# 1 点が複数ポリに入る場合 (= 川と海の重なり等) は最初の 1 件を採用
sj_max = sj_max.drop_duplicates(subset="asset_id", keep="first")

# index_right が NaN ⇔ どのポリにも入っていない (= 浸水域外)
gdf_pts["in_max"]      = sj_max["index_right"].notna().astype(int).values
gdf_pts["max_suikei"]  = sj_max["suikei"].values   # 入っていれば水系名

# 計画規模も同じ流儀で
sj_kei = gpd.sjoin(gdf_pts[["asset_id","geometry"]],
                   fl_kei[["suikei","kasen","geometry"]],
                   how="left", predicate="within")
sj_kei = sj_kei.drop_duplicates("asset_id", keep="first")
gdf_pts["in_keikaku"] = sj_kei["index_right"].notna().astype(int).values

# 派生フラグ
gdf_pts["only_max_in"] = ((gdf_pts["in_max"]==1) & (gdf_pts["in_keikaku"]==0)).astype(int)
gdf_pts["both_in"]     = ((gdf_pts["in_max"]==1) & (gdf_pts["in_keikaku"]==1)).astype(int)

結果 (図と読み取り)

なぜこの図か: 大分類 (3 群) ごとの浸水率を 計画規模 vs 想定最大規模で並べたい。 H1, H2 の検証と「規模を上げると浸水率がどれくらい増えるか」を 1 枚で見たい。

図1: 文化財 大分類別 浸水域内立地率 (計画規模 vs 想定最大規模)

この図から読み取れること:

• 被爆樹木 の浸水率が最大 (約92%) で、3 群間に明確な差がある (= H2/H3 の入口)。
• 計画規模と想定最大規模の差は 79 ポイントまで開く群もある — H5 ボーダー候補が多い系統。
• 城・官衙跡 (n=13) は群サイズが小さいため、率の信頼区間は広い (1 件ずれで 7-8 ポイント動く)。

結果 (表と読み取り)

なぜこの表か: 図1 の数値を 件数 (n) と率 (%) 両方で確認し、群サイズの違いを意識する。

表2: 大分類別 浸水率

この表から読み取れること:

• n_total: 城 13 件 / その他 198 件 / 被爆樹木 89 件 — 母数が桁違いな点に注意 (要件L)。
• pct_only_max 列が「未認識リスク」の率。最大値の群が H5 の主役になる。

分析3: 細分類 (種別) 別 浸水率

狙い

細分類 (種別) 別の浸水率を見て、H3 「種別による差 ≥ 30 ポイント」を検証する。 大分類は 3 値しかないので、ここでは元 CSV の type 列 (32 値) を使う。 ただし n_total < 5 の種別は信頼性が低いので除外し、上位 12 種別だけプロットする。

手法 (groupby + 集計)

• 入力: gdf_pts (292 行)
• 処理: groupby('type').agg({'in_max':'sum', 'asset_id':'count'}) で 種別ごとの「浸水域内件数 / 母数」を集計し、pct_in_max = 100 × n_in_max / n_total で率に。
• 出力: 種別 × 4 列 (n_total, n_in_max, pct_in_max, pct_in_kei) の集計表 32 行
• 表示の都合: n_total ≥ 5 で絞った後の 上位 12 種別だけ図に出す (要件L: 表示 ≠ 次元)。

実装

↑ L04_flood_cultural_assets.py 行 880–912

 1
 2
 3
 4
 5
 6
 7
 8
 9
889
890
891
892
893

def _agg(df_, by):
    g = df_.groupby(by, dropna=False).agg(
        n_total=("asset_id","count"),
        n_in_max=("in_max","sum"),
        n_in_kei=("in_keikaku","sum"),
        n_only_max=("only_max_in","sum"),
    ).reset_index()
    g["pct_in_max"]   = (g["n_in_max"] / g["n_total"] * 100).round(2)
    g["pct_in_kei"]   = (g["n_in_kei"] / g["n_total"] * 100).round(2)
    g["pct_only_max"] = (g["n_only_max"] / g["n_total"] * 100).round(2)
    return g.sort_values("n_total", ascending=False).reset_index(drop=True)

by_type = _agg(gdf_pts, "type")              # 32 行
by_type_disp = by_type[by_type["n_total"] >= 5].head(12)  # 表示用

結果 (図と読み取り)

なぜこの図か: 種別 × 浸水率の 順位を一目で読みたいので水平棒。 細分類間の差が H3 (≥30 ポイント) を満たすかを視覚的に確認できる。

図2: 文化財 細分類 (種別) 別 浸水域内立地率 (n≥5 の上位 12)

この図から読み取れること:

• 図上端 (浸水率最大) と図下端 (最小) の差は 92 ポイント。
• 「被爆樹木」が上位独占なのは、爆心地 = 中区 = 太田川デルタ平野という地形的事情を直接反映。
• 「庭園」「居宅」などの 人居系は河川沿い平野 (灌漑が効く) に立地しやすく、率が高い。
• 「城跡」(n=5) は山城・平山城が混じるため、平均率は中位。

結果 (表と読み取り)

なぜこの表か: 図2 の数値順位と n_total を併記し、サンプルが少ない種別の信頼幅をチェック。

表3: 細分類 (種別) 別 浸水率 (n≥5 の上位 12)

この表から読み取れること:

• n_total が 1 桁の種別は ±10 ポイント以上動く可能性。表4 (市町別) と合わせて読む。
• pct_in_kei と pct_in_max の差が大きい種別は、計画では拾えていないリスクが多い。

分析4: 市町別 浸水率

狙い

市町別の浸水率を見て、地形 (沿岸 vs 内陸) と浸水率の相関を読む。 n < 3 の市町は除外。

手法

• 同じ _agg(gdf_pts, "muni")。広島市は 「広島市」として 1 つにまとめている (区別ではない) — burial_castle_govt / burial_other CSV では「市町名」列が「広島市」のみ。 被爆樹木のみ 区抽出を行ったため「広島市中区」「広島市南区」など細分化されている (要件L: 区別表示)。

結果 (図と読み取り)

なぜこの図か: 市町別の浸水率順位を「地形(山沿い/平野/沿岸)」と対比して読みたい。

図3: 市町別 文化財 浸水率 (n≥3)

この図から読み取れること:

• 沿岸都市 (広島市の中区・南区, 福山市, 三原市) が上位。デルタ平野・干拓地は河口浸水想定域に丸ごと入る。
• 内陸山間部 (北広島町, 安芸太田町) は浸水率が低い。山城・山中の経塚が浸水域外に立地。
• 三次市は江の川水系の浸水ポリゴンが大きいため、内陸でも浸水率が高い (盆地都市の特殊例)。

結果 (表と読み取り)

表4: 市町別 浸水率 (n≥3 の上位 15)

この表から読み取れること: 母数の大きい広島市・福山市・三次市が、率と件数の両面で支配的。 小さい市町は ±15 ポイントの誤差幅を見込んで読む。

分析5: 水系別 浸水域内文化財数 (H4 検証)

狙い

H4「太田川水系が浸水域内文化財数で最多か」を検証。浸水域内 (in_max=1) の文化財だけを 水系別に集計する。max_suikei 列は in_max=1 のときのみ値が入る (NaN は除外)。

手法

• gdf_pts[gdf_pts.in_max==1].groupby('max_suikei').size() で水系別件数。
• 降順ソートして上位 10 水系を採用。

結果 (図と読み取り)

なぜこの図か: 水系という地理的単位で「文化財がどの川の浸水域に集中しているか」を見たい。 学習者の地理感覚 (太田川 = 広島市, 芦田川 = 福山市) と整合するかを確認できる。

図4: 水系別 浸水域内文化財数 (想定最大規模, 上位 10 水系)

この図から読み取れること:

• 1 位は 太田川水系 (83 件) — H4 の判定根拠。
• 水系が「中小河川」となっている件 (7 件) は、 本流に組み込まれていないが想定区域は描かれている支流・小河川の合算。文化財立地の分母として無視できない。
• 江の川水系 (三次市・庄原市の中国山地) も上位 — 内陸山間でも浸水想定範囲は広い。

結果 (表と読み取り)

表5: 水系別 浸水域内文化財数 (上位 10)

この表から読み取れること: 全 25 水系のうち上位 10 で文化財の 100% を覆う。 末尾の小水系は 1〜2 件と少ない。

分析6: 時代別 浸水率

狙い

「時代と浸水リスクに関係はあるか」を見たい。古代 (奈良・平安・古墳・弥生・縄文・古代) → 中世 → 近世 → 近代 の 4 バケツに集約し、古い時代ほど河川利用 = 浸水域立地が多いか確認する。

手法

• 原 CSV の era 列は値が 25 種類 (古墳〜奈良・平安, 古代～中世, 近世？ … バリエーションが多い) のため、 含む文字列で 4 バケツに正規化する関数 _era_bucket() を作る。
• 正規化後に _agg(gdf_pts, "era_bucket") で 4 行集計。

結果 (図と読み取り)

なぜこの図か: 時代軸 (順序あり) で浸水率の推移を見たい。棒グラフを左から「古代→近代」と並べることで、 時系列としての変化が読める。

図5: 文化財 時代別 浸水率 (古代/中世/近世/近代)

この図から読み取れること:

• 近代 (= 被爆樹木 89 件) の浸水率が圧倒的に高い (90%)。 これは時代要因ではなく 立地要因 (中区デルタ) の交絡で、純粋な時代変化ではない。
• 古代→中世→近世の変化は緩やか。城が多い中世・近世は山城が多く山地立地、近世の庭園/居宅は平地立地で率が上がる傾向。
• サンプル数の偏り (近代=89, 中世=多, 古代=少) を意識して読む (要件L)。

結果 (表と読み取り)

表6: 時代別 浸水率

この表から読み取れること: 「不明」を除いた 4 時代の比較で、時代差より 群差 (大分類)のほうが 支配的であることが分かる。「時代」変数は単独ではなく、群と組み合わせて読むべき。

分析7: ボーダー区分 (H5 検証 — 未認識リスク文化財)

狙い

H5「未認識リスク文化財が ≥ 10 件存在するか」を検証する。 計画規模 (1/100〜1/30 確率) と 想定最大規模 (1/1000 確率) の在不在で 4 区分 (A〜D) し、 区分 C (= 計画 OUT / 最大 IN, 「最大規模のみ水没」) に該当する文化財を抽出。

手法

• border_class 列を 4 値で付与: A 両安全 / B 両水没 / C ボーダー / D 計画のみ (異常)。
• D は地形上ありえないか低確率 (想定最大規模が縮むのは稀) なので、件数を確認するだけ。
• C を抽出して新 CSV に書き出し、HTML から DL リンク化。

実装

↑ L04_flood_cultural_assets.py 行 222–243

222
223
224
225
226
227
228
229
230

def _classify(r):
    k, m = r["in_keikaku"], r["in_max"]
    if k == 0 and m == 0: return "A 両規模で安全"
    if k == 1 and m == 1: return "B 両規模で水没"
    if k == 0 and m == 1: return "C ボーダー (最大規模のみ)"
    return "D 計画のみ (異常)"
gdf_pts["border_class"] = gdf_pts.apply(_classify, axis=1)
new_risk = gdf_pts[gdf_pts["only_max_in"] == 1]
new_risk.to_csv("assets/L04_newrisk.csv", index=False)

結果 (図と読み取り)

なぜこの図か: 4 区分の絶対件数を一目で見たい。C (ボーダー) が H5 検証の主役。

図7: 計画 vs 想定最大規模 4 区分内訳

この図から読み取れること:

• 区分 C (未認識リスク) = 83 件。 H5 の閾値 10 件と比較して判定 (考察セクション)。
• 区分 D は通常 0 件か極小。本データで 0 件 (= ポリゴン端の浮動小数誤差ほぼ無視可)。
• 区分 A (安全) が大多数なので、文化財全体としては「過半が浸水域外」という安心材料もある。

結果 (表と読み取り)

表7: ボーダー 4 区分内訳

表8: 未認識リスク文化財 (区分 C, 上位 20 件)

この表から読み取れること:

• 未認識リスク文化財は 83 件中 70 件が被爆樹木、 11 件がその他文化財、 2 件が城・官衙跡。
• 水系内訳は 太田川水系 が最多 — 想定最大規模で初めて 浸水域に入る支流の影響が大きい。
• これらの文化財は 個別に最大規模対応の保存計画が必要 (= 教材から実務への橋渡し)。

分析8: 地図オーバレイ + 被爆樹木 距離散布 (空間検算)

狙い

これまでの集計を 地理空間に戻して確認する。文化財点 (色: 大分類) と浸水ポリ (薄青) を重ね描きし、 「沿岸の点が水色に重なっているか」を視覚で検算。 あわせて、被爆樹木の特殊な空間構造 (爆心地から半径数km) と浸水フラグの関係を散布で見る。

手法

• EPSG:6671 のままで fl_max.plot (薄青塗り) → gdf_pts.plot (色: 大分類) を 1 軸に重ねる。
• 被爆樹木の散布は x = 爆心地距離 (m), y = 浸水フラグ (0/1) のジッタープロット。

結果 (図と読み取り)

なぜこの図か: 集計だけでは見落とす空間パターン (例: 太田川河口に被爆樹木が密集) を地図で確認したい。

図6: 浸水想定区域 (薄青) と 文化財点 (色: 大分類)

この図から読み取れること:

• 緑点 (被爆樹木) が太田川河口 (広島市中心) に密集 — 中区の 100% 浸水域内立地と整合。
• 赤点 (城・官衙跡) は内陸の盆地・河岸段丘に分散立地。一部は浸水域に重なる。
• 橙点 (その他文化財) は県内全域に散らばる — 庭園/居宅/経塚など立地動機が多様。

なぜこの散布図か: 被爆樹木の特異性 (= 爆心地半径 ≦ 数 km) と浸水フラグの関係を見たい。 H2 が支持されるなら、距離が近い樹木ほど浸水域内 (= 上段) に多く現れるはず。

図8: 被爆樹木 — 爆心地距離 vs 想定最大規模 浸水域フラグ

この図から読み取れること:

• 距離 0〜2km の樹木が全部 上段 (浸水域内) に並ぶ — 爆心地周辺はほぼ全域が太田川浸水想定域内。
• 距離 2km 超になると下段 (浸水域外) も現れる — 段原・東区の小高い場所に植えられた樹木。
• 「被爆」と「浸水」という異なる災害履歴が同じ空間 (デルタ平野) に重なる広島の地理特性が一目で分かる。

仮説検証と考察

仮説検証集計

表9: 仮説 H1〜H5 の判定

考察

1. 大分類差は鮮明: 被爆樹木 (92%) ≫ その他文化財 (11%) ≫ 城・官衙跡 (54%)。 3 群間に 38 ポイントの開きがあり、立地動機 (被爆樹木 = 中心市街地の街路樹/公園木 / 城 = 山地・段丘) の差を反映する。
2. 未認識リスクは 83 件: 計画規模では拾えないが想定最大規模で水没する文化財 = 「最大級の災害でだけ消失する遺産」。 計画規模ベースの保存計画では見逃される — H5 の含意は政策的にも重要。
3. 水系構造: 上位水系の 太田川水系 (83 件) と 芦田川水系 (10 件) で 全浸水域内文化財の 85% を占める — 水系単位での保全計画が効率的。
4. 時代軸は群との交絡: 近代の浸水率が高いのは時代要因ではなく被爆樹木の立地要因。 時代×群を分離した二要因分析は L04 のスコープ外 (発展課題)。
5. 市町別の地形対比: デルタ平野市 (広島市中区, 福山市, 三原市) と内陸山間町 (北広島町, 安芸太田町) で 浸水率がほぼ反転 — 文化財防災計画の方針が市町タイプで分かれるべき (発展課題)。

発展課題

本レッスンの結果から、次の 3 段論法 (結果X → 新仮説Y → 課題Z) で発展課題を提示する (要件E)。

課題A: 浸水深 × 標高で「浸水重大度」を定量化

結果X: 本レッスンは「ポリゴン内/外」の二値判定だけで、水深 (cm) や 標高差 は使っていない。

新仮説Y: 同じ「浸水域内」でも、想定水深 5m と 20cm では文化財の被害度合いが 2 桁違う。 水深データ (DoBoX 内の shinsui_keikakuShinsui* 系列) を使えば、水深×標高で「重大度スコア」が作れる。

課題Z: 浸水深 SHP を別途取得し、点 in ポリゴン後の各文化財に その点での想定水深 を割り当てる (gpd.sjoin_nearest で水深ポリ最大値を採用)。標高は国土地理院 DEM 5m メッシュから抽出。 重大度 = 水深 / max(標高 - 浸水高, 1cm) で連続値化。Top 30 の重大度ランキングを X08 と同じ形式で出力。

課題B: 文化財防災計画の現状と「未認識リスク」の照合

結果X: H5 で「計画規模では安全 / 想定最大規模では水没」の文化財が 83 件見つかった。

新仮説Y: 各市町の 文化財防災計画 (公開 PDF) を読むと、これら 83 件のうち多くは 「計画規模で安全」を根拠に保護対象外になっている可能性がある。

課題Z: 広島市・福山市など主要市町の文化財防災計画 (HP 公開 PDF) をテキスト化し、 本記事の L04_newrisk.csv の名称列と 名称マッチ。マッチしない文化財 = 計画から見落とされている候補。 県・市町への政策提言の基礎資料として使える (= 教材を超えた実務応用)。

課題C: 時代×大分類の交絡を分離 (二要因分析)

結果X: 図5 で「近代の浸水率が高い」が、これは時代要因ではなく被爆樹木 (近代 = 被爆樹木 89 件) の交絡。

新仮説Y: 大分類を固定して時代を見ると、近世が他時代より浸水率が高いはず (近世 = 城下町・庭園 = 平野立地)。

課題Z: 大分類「その他文化財」だけに絞り、時代 4 値で再集計。pd.crosstab で時代×浸水フラグの 4×2 表を 作り、scipy.stats.chi2_contingency で独立性検定 (p < 0.05 で時代差ありと判定)。