L05 水系単位 横断分析 — 太田川・芦田川・沼田川・江の川・黒瀬川 等の比較

学習目標と問い

本記事で答えたい問い

1. 水系単位の問い: 広島県のどの水系が「最もリスクが高い」のか、複合指標で答える
2. 形と人の問い: 浸水面積が大きくても人口が少ない水系 (山間部) と、面積中位でも都市と重なる水系 (デルタ部) のどちらが優先か
3. 多様性の問い: 中小河川 (Shapefile で `suikei='中小河川'` と一括分類) は内部にどれだけのバラツキを持つか

立てた仮説 H1〜H5

1. H1: 太田川水系が 全指標 (浸水面積・人口・文化財・インフラ) でトップ (広島市デルタ地帯を貫流)
2. H2: 江の川水系は浸水面積は大きいが、人口・施設は太田川より大幅に少ない (山間部)
3. H3: 総合リスクスコア 1 位は太田川水系
4. H4: 主要5水系の 「人口あたり浸水面積」 は 5 倍以上の差がある (デルタ vs 山間部)
5. H5: 中小河川グループは内部に多様な地形を含むため、主要5水系よりもバラツキ (標準偏差) が大きい

用語の独自定義

• 水系 (suikei): 浸水Shapefile の suikei 列。広島県内 25 系。 本記事では 主要 5 水系 = 太田川水系・芦田川水系・沼田川水系・江の川水系・黒瀬川水系 と限定する。 それ以外の小河川は Shapefile で suikei='中小河川' と一括分類されたものと、 独自名 (御手洗川水系・八幡川水系等) の小規模水系がある。
• リスク人口 (推定): DID polygon × 浸水域 overlay の重なり面積に DID polygon ごとの人口密度 (JINKOU_S/area) を掛けた按分推定値。 厳密な被災想定人口ではないが、水系間の比較には十分。
• 総合スコア: 浸水面積・リスク人口・文化財件数・インフラ件数を 各列で z-score 正規化し、 重み 0.30 / 0.40 / 0.15 / 0.15 で加重和した値。 平均 0、+ 大きいほど高リスク。重み配分は 「人命優先 (=DID人口最重視)」 の編集方針に基づく。
• z-score: ある列の値から平均を引いて標準偏差で割った数値。「平均と比べて何標準偏差ぶん上か下か」を表す。
• クロス集計マトリクス: 行=水系・列=指標 の 2 次元表。各水系を多角度で並べる。

到達点

• 主要 5 水系の数値プロファイル表 (浸水面積・人口・文化財・インフラ・スコア)
• 水系別色分けの 主題図 + 6 panel small multiples
• 水系×指標の z-score ヒートマップ (上位15水系)
• 5 仮説の支持/部分支持/棄却 判定

結果サマリー (詳細の前に)

使用データ

• 河川浸水想定 (想定最大規模): 613 polygons, 総面積 830 km², suikei 25系
• 河川浸水想定 (計画規模): 416 polygons, 総面積 195 km²
• 用途地域 (県全域): 2629 polygons, 13 用途 → 4 区分 (住居系/商業系/工業系/田園住居)
• DID 人口集中地区: 48 polygons, 14 市町, 総人口 1,840,973 人
• 文化財 3 種: 埋蔵文化財 190 / 官衙跡等 13 / 被爆樹木 89
• インフラ 3 種: 橋 4,203 / ダム 12 / トンネル 157
• CRS: すべて EPSG:6671 (JGD2011 平面直角 III) に統一して面積を m² で計算

ダウンロード

データ取得手順

一括取得 (PowerShell):

cd "2026 DoBoX 教材"
py -X utf8 data\fetch_all.py

中間データ・図 (本記事で生成)

分析1: 水系別色分け 主題図 (図1)

狙い

そもそも広島県の 「水系」とは地理的にどんな広がりか を最初に押さえる。25 水系のうち、 主要 5 水系と「中小河川」を別色で塗り分け、それ以外を灰色で表示。 これで以降の数値分析が「どの地理に対応するか」が頭に入る。

手法 (要件B,J: ツール化視点で)

• geopandas.GeoDataFrame.plot(): 「ポリゴンを色分けして地図に描く関数」。入力=GeoDataFrame + 列名/colormap、出力=matplotlib axes に描画。
• simplify(30): ポリゴンの細かいギザギザを 30m 精度で間引いて描画を高速化。集計には影響しない (描画専用)。
• 限界: ポリゴン同士が重なる場合、後に描いたものが上に来る。本記事では水系ごとに分離されているので問題なし。

実装

↑ L05_watershed_cross.py 行 950–973

950
951
952
953
954
955
956
957
958

flood_plot = flood_max[["suikei", "rank", "geometry"]].copy()
flood_plot["geometry"] = flood_plot.geometry.simplify(30)
SYS_COLOR = {"太田川水系":"#cf222e", "芦田川水系":"#0969da",
             "沼田川水系":"#1a7f37", "江の川水系":"#9933cc",
             "黒瀬川水系":"#bf8700", "中小河川":"#8250df"}
fig, ax = plt.subplots(figsize=(13, 10))
for sui, c in SYS_COLOR.items():
    flood_plot[flood_plot["suikei"] == sui].plot(
        ax=ax, color=c, edgecolor="none", alpha=0.85)

結果

なぜこの図か (要件H): クロス集計の数値を見る前に、地理的位置関係を頭に入れることで、 「太田川水系が広島市中心部、江の川水系が県北部山間、芦田川水系が福山市中心部」 という空間的直感が得られる。

図1 広島県 想定最大規模 浸水想定区域 — 水系別色分け 主題図

読み取り (要件F):

• 太田川水系 (赤) は広島市デルタを中心に広く分布。市街地と直結
• 江の川水系 (紫) は県北部 (三次・庄原方面) に長く伸びる。山間の谷沿い
• 芦田川水系 (青) は福山市・府中市方面に集中
• 沼田川水系 (緑) は三原市・本郷町
• 黒瀬川水系 (黄土) は呉市・東広島市の境界域
• 中小河川 (薄紫) は広島県全域に散らばる

分析2: 主要6水系 small multiples (図2)

狙い

図1 では水系同士が重なって細部が読めない。同じ視野で水系を 1 つずつ強調することで、 各水系の 形と分布パターン を比較できる。

手法 (要件B)

• small multiples: 「同じ枠で条件だけ変えた小図を並べる」可視化技法。 人間は枠が同じだと 差分に注意が向くため、比較が効率化する。
• 共通 bbox: 全水系の総バウンディングボックスを揃え、6 panel すべて同じ縮尺で描く。
• 背景に全水系を薄く描く: 対象水系がどの位置にあるかを文脈付きで見せる。

結果

なぜこの図か (要件H): 5+1 水系を 1 枚に並べて重ねると判別できないが、6 panel に分けると 「太田川は河口集中・江の川は線状に長い・中小河川は点状散在」というパターンが瞬時に見える。

図2 主要6水系 浸水想定区域 small multiples

読み取り (要件F):

• 太田川水系: 広島市デルタにギュッと集中。面積はやや少ないが密度高い
• 江の川水系: 県北部を 細長く線状 に伸びる。面積大だが幅は狭い
• 芦田川水系: 福山市デルタ + 府中市方面の支流
• 沼田川水系: 三原市域中心、コンパクト
• 黒瀬川水系: 呉市〜東広島市境界の中規模
• 中小河川: 全県に 均等散在。県内ほぼどこでも中小河川の浸水リスクがある

分析3: クロス集計マトリクス (表1) ＋ z-score ヒートマップ (図3)

狙い

各水系を 浸水面積・浸水深・DID人口・文化財・インフラ の複数指標で 横並び比較 する。 そのまま並べると単位が違って大小が見えないため、z-score 正規化で揃えてヒートマップ化。

手法 (要件B,J,P)

• z-score (標準化得点): ある列の値から平均を引いて標準偏差で割る。「平均より何個ぶん上か」。 列ごとに行うと、km² の指標と件数の指標を 同じスケール で並べられる。
• 入力: 数値の列 (浸水面積、人口、件数 等)
  出力: 各値を 平均0 / 標準偏差1 に変換した数値 (おおむね -2〜+2 の範囲)
• 限界: 外れ値の影響を受けやすい。1 個極端な水系があると他が圧縮される。 本記事ではトップ15に絞り、ロバスト性を確保。
• 代替案: min-max スケーリング (0〜1)、順位 (rank) ベース。順位ベースは外れ値に強いが情報量が落ちる。 教材としては z-score がもっとも統計教育的。

1件のBefore/After 具体例 (要件K)

実装

↑ L05_watershed_cross.py 行 1032–1052

1032
1033
1034
1035
1036
1037
1038
1039

heat_cols = ["flood_area_km2", "plan_area_km2", "rank_max", "rank_mean",
             "did_overlap_km2", "risk_pop_est", "文化財_合計",
             "インフラ_合計", "総合スコア"]
heat_z = cross.loc[top_sui, heat_cols].copy()
for c in heat_z.columns:
    s = heat_z[c]
    heat_z[c] = (s - s.mean()) / (s.std() + 1e-9)
ax.imshow(heat_z.values, cmap="RdBu_r", vmin=-2, vmax=2)

結果

なぜこの図か (要件H): 9 指標 × 15 水系 のテーブルを目で読むのは辛い。色 (赤=高 / 青=低) にすれば 「どの水系がどの指標で突出しているか」がパッと見で分かる。

図3 水系×指標 z-score ヒートマップ (上位15水系)

読み取り (要件F):

• 太田川水系: ほぼ全列が深紅 (+2 σ 近辺)。「全方向で最大級」 な水系
• 江の川水系: 浸水面積は赤いが、リスク人口は青い (山間部仮説 H2)
• 芦田川水系: 浸水面積中位、文化財/インフラはやや高い (福山中心市街地)
• 中小河川: 各列でばらつき (合算しているため平均化される)
• 下位水系: ほとんどが青系 (= 総合的に小規模)

表1 主要5水系プロファイル

表1 読み取り (要件G):

• 太田川水系: 浸水面積 207 km² / リスク人口 1,457,246 人 / 文化財 302 件
• 江の川水系: 浸水面積 75 km² / リスク人口 0 人 (面積大なのに人口少 → H2 の核心)
• 芦田川水系: 浸水面積 146 km² / リスク人口 255,757 人
• 沼田川水系・黒瀬川水系: 中位

表2 上位15水系 全指標

表2 読み取り: 25 水系のうち上位15を表示。総合スコア順。 中小河川の suikei='中小河川' グループは 1 行にまとまるが、内訳としては数十の小河川を含む。

分析4: 総合スコア ランキング (図4)

狙い

多角的な指標を 1 つの数値に集約し、「どの水系が最も総合的にリスクが高いか」を視覚化する。

手法 (要件B,J)

• 加重和スコア: 浸水面積 × 0.30 + リスク人口 × 0.40 + 文化財 × 0.15 + インフラ × 0.15 (各列を z-score 正規化したあとで加重和)。
• 重み配分の根拠:
  • 人命優先 (要件 D の編集方針) で リスク人口を最大重み 0.40
  • 浸水面積は基礎リスクの代理指標で 0.30
  • 文化財/インフラは 失われた場合の社会的損失 を表すので各 0.15
• 限界: 重みは編集者の主観。学習者は重みを変えて再計算してほしい (発展課題)。

結果

なぜこの図か (要件H): 25 水系を一目で順位付けするには 水平棒グラフが最適。 バーの色は地図 (図1) と同じ配色にして対応関係を視覚化。

図4 水系別 総合リスクスコア (上位15)

読み取り (要件F):

• 1 位 太田川水系 (スコア +3.37)
• 2 位 中小河川 (スコア +1.68)
• 3 位 芦田川水系 (スコア +1.04)
• 主要5水系のうち 1 位 = 太田川水系
• マイナススコアの水系は「平均以下のリスク」(=規模が小さい)

分析5: 水系×用途地域 ヒートマップ (図5)

狙い

X09 で得た「用途地域 × 浸水」の発見を 水系単位で再集計。 「住居系の浸水は特定水系に集中するのか」「工業系はどこの水系で多いのか」を見る。

手法

• geopandas.overlay(landuse, flood, how='intersection'): 2 ポリゴンの交差を計算。 入力=2 GeoDataFrame、出力=交差ポリゴン (両方の属性を保持)。
• 用途地域 13 区分を 4 区分 (住居系/商業系/工業系/田園住居) に集約してから集計。

結果

図5 水系×用途地域 浸水内重なり面積 (ha)

読み取り (要件F):

• 太田川水系 × 住居系: 8,655 ha (圧倒的)
• 芦田川水系 × 住居系: 5,542 ha (福山中心市街地)
• 商業系・工業系も太田川と芦田川に集中
• 江の川水系は浸水面積大なのに用途地域 (=都市計画区域) が少ない → 山間で都市計画指定外

表3 水系×用途地域 ピボット

表3 読み取り: ヘクタール単位の生値表。1 ha = 100m × 100m。

分析6: 浸水面積 vs リスク人口 散布 (図6)

狙い

水系を 2 軸 (浸水面積・リスク人口) でプロットし、「面積大なのに人口少ない山間水系」と「面積中位なのに人口大の都市水系」を視覚的に分離する。

手法

• symlog scale: 値が 0 付近から 数千まで広範囲なため、対数スケール (ただし 0 含む) を使う。
• 色は SYS_COLOR で主要5水系を強調、その他は灰色。

結果

図6 浸水面積 vs リスク人口 散布

読み取り (要件F):

• 右上 (両方大): 太田川水系・芦田川水系 = 都市と重なる広域水系
• 右下 (面積大・人口少): 江の川水系 = 山間水系 (H2 の根拠)
• 左上 (面積小・人口大): 都市内の小水系 (該当少ない)
• 左下 (両方小): 多くの中小河川

分析7: 主要6水系 浸水深 積み上げ (図7) ＋ 浸水深表 (表4)

狙い

面積だけでなく 「どれだけ深く沈むか」 を水系別に比較する。 3m 以上 (rank ≥ 50) は命の危険を伴う深さ。各水系で深い帯がどれだけ占めるか。

手法

• flood Shapefile の rank 列 (10/20/30/40/50/60/70/80) を使う
• 積み上げ棒: 同じ x (水系) で y を積み上げる。色は浅瀬 (青) 〜 深瀬 (紫) で深さ表現。

結果

図7 主要6水系 浸水深ランク内訳 (積み上げ棒)

読み取り (要件F):

• 太田川水系: 浅瀬 (0〜2m) が大半だが、5m 以上の深い帯も無視できない (本流氾濫)
• 江の川水系: 浅瀬中心、深い帯は少ない (谷底氾濫の特性)
• 芦田川水系: 浅瀬中心 (デルタ部の特徴)
• 中小河川: 浅瀬主体、深い帯はほぼなし

表4 主要6水系 浸水深ランク内訳

表4 読み取り (要件G): km² 単位の生値。3m 以上 (rank 50〜80) の合計が「致命的浸水域」の規模。

分析8: 水系×文化財・インフラ ヒートマップ (図8) ＋ 集計表 (表5)

狙い

L04/L07 で扱った文化財・インフラを 水系別 に再集計。点 sjoin の結果を可視化。

手法

• gpd.sjoin(points, polygons, how='inner', predicate='within'): 点が浸水ポリゴンの内側にあるかどうかを判定し、ポリゴンの属性 (suikei, rank) を点に付与する。
• 入力: 点 GeoDataFrame + ポリゴン GeoDataFrame、出力: 点 GeoDataFrame に rank/suikei が結合されたもの。
• R-tree 空間インデックスが裏で動くので、292 × 613 の総当りでも数秒。

結果

図8 水系×文化財・インフラ件数 ヒートマップ

読み取り (要件F):

• 太田川水系の浸水域内に文化財が集中 → 広島市デルタは「文化遺産密集地帯」でもある
• 橋梁は太田川 + 中小河川 + 芦田川にまんべんなく分布
• ダムは少数 (上流の堰止施設なので浸水域とは重ならないことが多い)
• 被爆樹木は太田川水系に集中 (= 広島市内)

表5 浸水内 文化財・インフラ 水系別トップ3

表5 読み取り (要件G): 各カテゴリの 1〜3 位水系を抽出。 太田川水系が複数のカテゴリでトップ=広島市内に資源が集中している裏返し。

分析9: 主要5水系 文化財・インフラ点 重ね地図 (図9)

狙い

図1 (主題図) と図3〜8 (集計) を 1 枚に統合し、点と面の関係を地理的に確認する。

結果

図9 主要5水系 浸水域 × 文化財・インフラ 重ね地図

読み取り (要件F):

• 赤い点 (インフラ) が太田川河口に集中 → 都市インフラと水害リスクの重なり
• 黒い点 (文化財) が広島市内に密集 → 街全体が「水害遺産」となるリスク
• 江の川水系の浸水内には点が少ない (山間で人工物が少ない)

仮説検証と考察

仮説判定表

考察 (要件 N)

• 都市と水系の不可分性: 広島県の主要都市 (広島市・福山市・呉市・三原市) はすべて水系のデルタ部に立地。 都市発達史 = 水系氾濫原の利用史であり、水害リスクは都市そのものの構造に組み込まれている。
• 「面積では測れない」リスク: 江の川水系は H2 が示すように 面積大・人口少。 浸水面積だけで予算配分すると山間部に過配分されるが、人命優先なら太田川・芦田川が最優先。
• 中小河川の見落とし: H5 に関して、Shapefile で suikei='中小河川' と 1 行にまとめられている ことが教材的に重要。 実際には 101 polygon の集合体で、各々独立した小水系。 本研究では「中小河川」を 1 つの仮想水系として扱ったが、 細分化すれば仮説 H5 の検証はもっと強くできる。
• z-score の落とし穴 (要件 P 補足): 標準偏差で割っているため、外れ値 1 個 (=太田川水系) が他を圧縮する効果がある。 ロバスト統計 (中央値+MAD) も併用するのが本来の作法。

発展課題 (要件E: 結果X → 新仮説Y → 課題Z の3段で)

1. 結果X: 主要5水系で「面積大・人口少」の江の川水系と「面積中・人口大」の太田川水系で対照的なリスク構造があった (H2 支持)。
   新仮説Y: 同じ 「人口あたり浸水面積」 指標を市町別に集計すれば、市町ごとの優先度ランキングが水系単位とは違って見えるはず。
   課題Z: gpd.overlay(市町境界, flood_max) で市町×水系×浸水のクロス集計を作り、 本記事のクロスマトリクスと比較せよ。
2. 結果X: 「中小河川」グループが Shapefile で 1 行にまとめられているため、内部のばらつきは可視化できなかった (H5 部分支持)。
   新仮説Y: kasen 列 (河川名) で再集計すれば、中小河川の中にも「危険な河川」と「安全な河川」が分かれるはず。
   課題Z: flood_max_s[flood_max_s['suikei']=='中小河川'].groupby('kasen') で河川別集計し、 本記事のスコア式を河川単位で再計算 → 上位中小河川を抽出。
3. 結果X: 重み配分 (浸水0.30 + 人口0.40 + 文化財0.15 + インフラ0.15) は編集者の主観で決めた。
   新仮説Y: 重みを変えると上位水系の順位は入れ替わるが、太田川水系のトップは揺るがないはず (z-score が全項目で +2σ 近いため)。
   課題Z: 重み配分を 5 パターン (人命特化 / 文化財特化 / 等配分 等) に振って総合スコアを再計算し、 順位の安定性を Spearman 順位相関で評価せよ。
4. 結果X: リスク人口は DID polygon の人口密度を浸水域に按分した近似値で、誤差が大きい。
   新仮説Y: 国勢調査の 500m メッシュ人口を使えば、より正確なリスク人口が出る。
   課題Z: e-Stat のメッシュ人口データを取り込み、メッシュ × 浸水のオーバーレイで再計算。 本記事の DID 按分との差を相対誤差 (%) で評価。
5. 結果X: 浸水面積は計画規模 vs 想定最大規模で 2 倍程度に拡大している (cross 表参照)。
   新仮説Y: 拡大倍率は水系で異なり、都市デルタほど倍率が大きいはず (氾濫原が広いため)。
   課題Z: flood_area_km2 / plan_area_km2 の倍率を水系別に算出し、 都市/山間カテゴリで比較 (t 検定など)。
6. 結果X: 太田川水系が文化財ヒートマップでも上位 → 水害は文化財損失リスクでもある。
   新仮説Y: 鎌倉時代以前の遺跡は 水害を経験して残った ものなので、現在の浸水想定区域とは選択的に重ならないはず。
   課題Z: 文化財の 時代列 を時代区分 (古代/中世/近世/近代) で分け、各時代×水系の浸水重なり率を比較。

補足: GIS メソッドのツール化視点 / 処理時間の工夫

本記事で使った GIS メソッドの黒箱化 (要件 J)

処理時間の工夫 (要件 S)

• 本スクリプトは 1〜3 分で完走 (ハンズオン要件)。実測 472 秒。
• dissolve は使わない: flood_max.dissolve(by='suikei') は数十分かかる + TopologyException で落ちることがある。 本記事では 個別ポリゴンを sjoin/overlay → groupby('suikei').sum で代用。 小さな重複面積 (rank分割境界) は無視。
• simplify(20〜30) で描画と overlay を高速化。集計は元の精度で実施。
• buffer(0) でトポロジ崩れを軽く修正してから overlay。
• sjoin は事前 R-tree 構築でO(N log M): 4,200 点 × 600 polygon でも 1 秒以内。

水系コード対照表