L06 浸水深分布の地理学 — rank 列を主役に水系・河川・市町で深さの差を見る

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/L06_flood_depth_geography.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

主な問い (3 段階)

1. 水系の問い: 25 水系のうち、どこに深い浸水（5m+）が集中するか？
2. 市町の問い: 県内の市町のうち、致命的浸水（3m+）面積が大きいのはどこか？
3. 規模の問い: 計画規模 vs 想定最大規模で深さ分布はどう変化するか？

立てた仮説 (H1〜H5)

1. H1: 太田川水系で深い浸水（5m+）が集中する（広島市デルタ低地）
2. H2: 「中小河川」分類は浅瀬（0〜2m）中心で、深さは限定的
3. H3: 計画規模と想定最大規模で深さ分布が大きく異なる
4. H4: 河川別で「最深ポイント」の rank が異なる（一律ではない）
5. H5: 致命的深さ（3m+）は上位水系に集中する

用語の定義（本レッスン独自）

• rank（浸水深ランク）: 10=0〜0.5m / 20=0.5〜1m / 30=1〜2m / 40=2〜3m / 50=3〜5m / 60=5〜10m / 70=10〜20m / 80=20m以上（広島県河川防災情報システム凡例）
• 水系: 主要河川とその支流をまとめた集水単位。広島県では 25 水系（含「中小河川」分類）
• 致命的浸水: 本記事独自定義。rank ≥ 50（=3m 以上）の浸水域を指す。3m は通常の 2 階建て住宅の 1 階を超える深さで、垂直避難でも危険
• 面積加重平均 rank: 各ポリゴンの rank を面積で重み付け平均した「深さインデックス」。値が大きいほど水系全体が深い傾向
• 主題図 (choropleth): 領域を属性（ここでは rank）で色分けした地図
• small multiples: 同じ枠組みで条件だけ変えた小図を並べ、比較を促す手法

到達点

このレッスンを終えると、(1) 水系・河川・市町の 3 単位での 浸水深差異 を 9 枚の図と 9 個の表で読み解けるようになり、 (2) geopandas の 軽量な集計テクニック（dissolve しないで groupby、representative_point + sjoin）を身につける。 学習者の自治体で 致命的浸水域 がどこにあるか、自分で計算できる。

使用データ

• 河川浸水想定区域 (想定最大規模): DoBoX 1462 (参考) / 613 polygons / 25 水系 / 83 河川 / rank 列 8 段階
• 河川浸水想定区域 (計画規模): DoBoX 1463 (参考) / 416 polygons
• 用途地域 (340006 県全域): 市町割当の境界生成に流用 / CITY_CD 列を保持 / 2629 features
• CRS: 入力は EPSG:3857 → 解析は EPSG:6671 (Japan Plane Rectangular III 系) で面積計算
• 属性列: rank (浸水深ランク 8 段階), suikei (水系), kasen (河川名), kasen_no (河川番号)

結果サマリー (詳しい本文の前に概観)

ダウンロード

共通の前処理（投影変換・面積算出）

狙い

すべての分析の基盤として、浸水ポリゴンを 面積が m² で計算できる座標系 に揃え、 3D ポリゴンを 2D に落として処理を軽くする。

手法（リテラシ向け）

• EPSG:3857 (Web メルカトル) は地図表示には便利だが、面積が緯度で歪む。 広島県のように南北に幅のある地域では数 % のずれが出る。
• EPSG:6671 (平面直角座標 III 系) は中国地方向けの「平面で扱う座標系」で、 1m が 1m として扱える。面積計算は必ずこちらで行うのがセオリー。
• shapefile が 3D ポリゴン (Z 座標つき) の場合、shapely.force_2d で 2D 化すると 内部処理（特に sjoin と plot）が速くなる。

実装の要点

• to_crs() は最初に 1 度だけ呼ぶ。各セクションで再呼出ししない（要件 S）
• 面積は geometry.area で 一括取得 (m²) → /10000 で ha 換算
• rank → 浸水深ラベル / 色 のマップを辞書で 1 度だけ作り、各図で再利用

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import geopandas as gpd
import shapely

flood_max  = gpd.read_file("data/extras/flood_shp/shinsui_souteisaidai/shinsui_souteisaidai.shp")
flood_plan = gpd.read_file("data/extras/flood_shp/shinsui_keikaku/shinsui_keikakukibo.shp")

# 投影変換 (EPSG:6671 = 平面直角座標 III 系。面積を m² で正確に)
flood_max  = flood_max.to_crs("EPSG:6671")
flood_plan = flood_plan.to_crs("EPSG:6671")

# 3D ポリゴン → 2D（Z 座標は不要、処理高速化）
flood_max["geometry"] = gpd.GeoSeries(shapely.force_2d(flood_max.geometry.values),
                                      crs="EPSG:6671")
flood_max["area_m2"]  = flood_max.geometry.area
flood_max["area_ha"]  = flood_max["area_m2"] / 10000.0

入出力の Before/After（要件 K）

結果（rank の全体分布）

なぜこの表か: まず 「rank が 10〜80 でどう散らばっているか」を 母集団全体 で確認しないと、 水系別・市町別の偏りが正常範囲か判断できない。

読み取り:

• rank=30（1〜2m）と rank=20（0.5〜1m）が 面積では多数派。これは多くの河川氾濫が「腰〜胸」までの浅瀬で済むことを意味する
• 致命的な rank ≥ 50（3m 以上）の合計は約 41.5% — 無視できないが、母集団では少数
• rank=80（20m 以上）は極めて少なく、特殊な地形（峡谷部・狭窄部）に限定

分析1: 水系別 浸水深ランク分布

狙い

仮説 H1 検証。25 水系のうち、深い浸水（5m+）はどこに集中するか。

手法（リテラシ向け）

• groupby(["suikei", "rank"]).area_ha.sum() でクロス集計 → unstack でピボット
• dissolve しないのがポイント（要件 S）。dissolve は内部でジオメトリ union を行うため遅い。 今回は「面積を足すだけ」なので groupby で十分
• 視覚化は 積み上げ棒: 同じ水系内で rank の構成比を見るのに最適

実装の要点

1
2
3
4
5

# rank × suikei (水系) ピボット — ここで dissolve しない（重い）
suikei_rank = (flood_max
               .groupby(["suikei", "rank"])["area_ha"]
               .sum()
               .unstack(fill_value=0))

結果（表）

なぜこの表か: 集計結果の "生" を見せることで、後続の図がどこから来ているかを追える。

読み取り:

• 中小河川 が合計面積でトップ（25169 ha）
• 中小河川 分類は本流に属さない多数の小河川を束ねたもので、合計が大きくなる
• 太田川水系の rank=60 (5〜10m) は 5560 ha — 仮説 H1 の検証材料

結果（図1）

なぜこの図か: ヒートマップでは「色の濃淡」で量を見るが、棒グラフは 絶対量と内訳の両方 を 1 度に伝える。 水系内で「浅瀬中心か、深い帯まで広がるか」が積み上げの色配分で直感的にわかる。

水系別 浸水深ランク 積み上げ棒（上位12水系, 想定最大規模）

読み取り:

• 中小河川 が他水系を圧倒。地理的範囲が広いことを反映
• 太田川水系では 濃い青〜紫（5m+）の比率が比較的高い → H1 の支持証拠
• 中小河川分類では浅い水色（0〜2m）の比率が大きく、H2 の支持証拠
• 江の川水系は 0.5〜2m の水色帯が多く、深い帯は少ない（盆地型氾濫の特徴）

分析2: 河川別 浸水深ランク分布

狙い

仮説 H4 検証。83 河川を「最深ポイントの rank」で評価し、河川ごとの個性を見る。

手法

• groupby("kasen")["rank"].max() で河川ごとの最大 rank を取得
• 同時に groupby(["kasen", "rank"]).area_ha.sum() で構成内訳も計算
• 河川は数が多い（83）ので、合計面積で上位 15 に絞って可視化（要件 L: 表示件数と本来の件数の区別を明示）

結果（表: 最深 rank）

なぜこの表か: 河川ごとの「最悪シナリオ深さ」を 1 列で示すと、地形リスクが直感的に比較できる。

読み取り:

• 最深 rank=80（20m 以上）の河川は 15 本
• 最深 rank=70（10〜20m）の河川は 29 本 — 峡谷地形を示唆
• 同じ「太田川水系」でも本流と支流で最深 rank は異なる → 流域内不均一

結果（図2）

なぜこの図か: 上位 15 河川に絞った積み上げ棒で、「主要河川の中でどれが深い帯を持つか」を視覚化する。河川名と深さ構成を 1 枚で見せられる。

河川別 浸水深ランク 積み上げ棒（上位15河川, 想定最大規模）

読み取り:

• 上位河川では浅瀬から深い帯まで 幅広く出現
• 同じ rank の合計面積でも、河川によって 0〜2m が支配的なものと 3〜10m が混在するものがある（H4 の支持）
• 本流（太田川・芦田川・沼田川など）が上位を占める一方、流域面積の小さい河川（手城川等）は限定的

分析3: 計画規模 vs 想定最大規模

狙い

仮説 H3 検証。同じ rank の面積を「計画規模」と「想定最大規模」で比較し、規模拡大時の 深さ分布のシフト を見る。

手法

• 計画規模 = 数十年に 1 度の中規模降雨で想定される浸水。河川改修の基準
• 想定最大規模 = 千年に 1 度クラスの巨大降雨で想定される浸水。2015 年の水防法改正で全国整備
• 両者を rank ごとに比較。対数スケールにすると、小さな計画規模でゼロに近かった rank が、想定最大規模で何倍に膨らむかが見える

結果（表）

なぜこの表か: 「規模を上げた時にどの rank がどれだけ膨らむか」を 倍率 として 1 列に集約。

読み取り:

• 合計面積は計画規模 19509 ha → 想定最大規模 82973 ha （×4.25）
• 増加倍率が大きい rank ほど 「想定外」の領域。計画では捉えきれていなかった範囲
• 面積加重平均 rank の差: 計画 33.42 → 最大 41.57（差 8.15）

結果（図3）

なぜこの図か: rank の幅は 0〜20m と 5 桁レンジに渡る。線形軸では一部の値が潰れるため 対数軸 を採用。各 rank の上に増加倍率を直接書き込むと 「規模の拡大が深さにどう波及したか」が一目で読める。

rank 別 浸水面積：計画規模 vs 想定最大規模（対数スケール）

読み取り:

• すべての rank で想定最大規模の方が大きいが、増加倍率は rank によって違う（H3 支持）
• 特に rank=70, 80 のような極端に深い帯は、計画規模ではほぼゼロでも想定最大規模で出現するケースがある
• 0〜2m の浅瀬帯は 緩やかに拡大、深い帯は 非線形に拡大 という構造

分析4: 致命的浸水（3m以上）の地理的集中

狙い

仮説 H5 検証。命の危険を伴う 3m 以上の浸水（rank ≥ 50） がどこに集中するか。 水系別と市町別の 2 軸で見る。

手法

• フィルタ flood_max[flood_max['rank'] >= 50] で抽出
• 水系別 / 市町別に面積合計を集計し、横棒グラフで並列比較
• 「3m」を 独自定義: 一般的な木造 2 階建ての 1 階高（約 2.7m）を超える深さで、垂直避難でも 1 階居住空間が水没する境界

結果（表: 水系別）

なぜこの表か: 致命的浸水の 地理的集中度を上位順に並べ、防災の優先順位を可視化する。

読み取り:

• 上位 1 水系（太田川水系）だけで全体の 34.1% を占める
• 上位 3 水系で 72.8% — 致命的浸水は 明らかに偏在している（H5 支持）

結果（表: 市町別）

読み取り:

• 致命的浸水 1 位の市町は 福山市（6825 ha）
• 広島市の各区（中区・南区・西区・安佐南区など）が上位に並ぶ — デルタ低地・新規造成地のリスク
• 非広島市の市町（福山市、三原市など）も上位に出現 — 県全域の防災課題

結果（図4）

なぜこの図か: 水系と市町は 異なる地理スケール。両方を並列で示すことで、「水系単位で見ると太田川中心、市町単位で見ると広島市中心」というスケール依存の見え方を学習者に体感させる。

致命的浸水（3m以上, rank≥50）水系別 / 市町別 ランキング

読み取り:

• 左パネル: 水系の集中度。太田川水系 が他を引き離す
• 右パネル: 市町の集中度。広島市の複数区が上位を占める（同じ水系を共有）
• 「水系 × 市町」の対応を見ると、1 水系が複数市町にまたがる ことがわかる — 越境的防災連携の必要性

分析5: 主題図 — 県全域 浸水深カラーマップ

狙い

要件 T。これまでの集計を 地図で「どこ」 として表現する。 表と棒グラフだけでは「数字は見えても場所が見えない」状態。主題図で空間的偏在を直感的に把握する。

手法（リテラシ向け）

• 主題図 (choropleth) = 領域を属性値で色分けする地図。ここでは rank で 8 色に塗り分け
• 描画順は rank が小さい→大きい（浅い色から深い色へ）。深い帯が画面手前に来る
• 背景に県全域の用途地域 dissolve を薄グレーで敷く（座標感を提供）
• dissolve しないで plot するのが速度のキモ。ポリゴン同士の重複は重ね描きで自然に解消

実装の要点

↑ L06_flood_depth_geography.py 行 520–536

520
521
522
523
524
525

# 主題図: rank が小さい順に重ねて描画（深い色が上に来る）
fig, ax = plt.subplots(figsize=(12, 9))
pref_outline.plot(ax=ax, facecolor="#f0f0f0", edgecolor="#999")
for r in [10, 20, 30, 40, 50, 60, 70, 80]:
    flood_max.query("rank == @r").plot(
        ax=ax, color=DEPTH_COLOR[r], edgecolor="none", alpha=0.85)

結果（図5）

なぜこの図か: 数字や棒グラフでは 「地理的な集中パターン」 が伝わらない。 主題図は「広島市デルタ」「福山平野」「三次盆地」など、名前のある場所 をそのまま見せられる唯一の表現。

広島県 河川浸水想定（想定最大規模）— rank 別色分け主題図

読み取り:

• 太田川下流〜広島湾岸に 濃い青〜紫 が集中（広島市中区・南区）
• 福山市の芦田川下流もまとまった浸水域
• 県北部（三次・庄原方面）の盆地は浅い水色が広がる（H2 中小河川 浅瀬中心 を視覚的に支持）
• 県西部（大竹・廿日市方面）は小瀬川・八幡川水系の細い帯

分析6: small multiples — 水系別 8 panels

狙い

主題図 1 枚に全水系を載せると重なって読みにくい。 水系を 1 つずつ取り出し、同じ枠で並べる ことで形の違いを比較する（small multiples）。

手法

• 上位 8 水系（合計面積順）を選択
• 2x4 = 8 panels の subplot を作成
• 全 panels で同じ bbox に固定（県全体の総 bounds）→ 「県のどこにその水系があるか」を空間的に比較できる
• 各 panel タイトルに合計面積を併記

実装の要点

↑ L06_flood_depth_geography.py 行 529–553

 1
 2
 3
 4
 5
 6
 7
 8
 9
538

# small multiples: 上位8水系を 2x4 で並べる（同じ bbox で比較）
fig, axes = plt.subplots(2, 4, figsize=(16, 9))
xmin, ymin, xmax, ymax = pref_outline.total_bounds
for i, sk in enumerate(top_suikei8):
    ax = axes.flat[i]
    pref_outline.plot(ax=ax, facecolor="#f5f5f5", edgecolor="#bbb")
    sub = flood_max[flood_max["suikei"] == sk]
    for r in [10, 20, 30, 40, 50, 60, 70, 80]:
        sub[sub["rank"] == r].plot(ax=ax, color=DEPTH_COLOR[r], edgecolor="none")
    ax.set_xlim(xmin, xmax); ax.set_ylim(ymin, ymax)

結果（図6）

なぜこの図か: 主題図 1 枚では 「水系ごとの形状の違い」 がわからない。 small multiples は「条件だけ変えた小図を並べて見比べる」古典的だが極めて効果的な手法。

水系 small multiples — 上位8水系の浸水深空間分布

読み取り:

• 太田川水系: 広島市中心部に 面で広がる 浸水域
• 芦田川水系: 福山市中心部に同様に面で広がる
• 沼田川水系・小瀬川水系: 細長い線状の分布（峡谷型）
• 江の川水系: 県北で広がる盆地型、ただし深い帯は限定的
• 中小河川: 県全域に 分散して点在 — 全 panels と異なる空間パターン
• 形の違い = 地形の個性（デルタ vs 峡谷 vs 盆地）が一目でわかる

分析7: small multiples — 広島市 8 区

狙い

市町スケールで more zoomed-in。広島市の 8 区 ごとに浸水深分布を比較し、 区ごとのリスクパターンを可視化する。

手法

• 市町割当の手順: 浸水ポリゴンの代表点（representative_point）を市町ポリゴン（用途地域 dissolve）に sjoin(predicate='within')
• representative_point は centroid と違って 必ずポリゴン内。L字型ポリゴンの centroid が外に出るバグを回避
• 2x4 panels に 8 区を配置、bbox は広島市全体に固定
• 各 panel の右下に「3m+ 致命的浸水面積」を併記して比較しやすく

実装の要点

↑ L06_flood_depth_geography.py 行 511–527

511
512
513
514
515
516

# 市町割当: 浸水ポリゴンの代表点 (representative_point) を市町ポリゴンに sjoin
# representative_point は polygon 内に保証される点で、centroid より頑健
flood_pt = flood_max.copy()
flood_pt["geometry"] = flood_max.geometry.representative_point()
joined = gpd.sjoin(flood_pt, city_poly, how="left", predicate="within")
flood_max["CITY_CD"] = joined["CITY_CD"].values

結果（図7）

なぜこの図か: 区ごとに重ねると 「自分の区がどう見えるか」 を 1 枚で確認できる。 学習者の住所スケールでリスクを認知させる教育的効果。

広島市 8 区 small multiples — 区別の浸水深分布

読み取り:

• 中区: 太田川河口デルタ全域が浸水域、深い帯（紫）も広く分布
• 南区: 港湾部が深い帯、新規埋立地が露出
• 西区: 太田川派川・天満川流域
• 安佐南区・安佐北区: 太田川中流の流路に沿った帯状
• 佐伯区: 八幡川水系が独立して存在
• 東区・安芸区: 限定的、瀬野川水系の影響
• 同じ市内でも区ごとに 形と深さがかなり違う

分析8: 全体分布 + 水系別 深さインデックス

狙い

これまでの「個別水系/市町」の話を 1 つの指標 に圧縮する。 水系全体の「平均的な深さ傾向」を 面積加重平均 rank（深さインデックス）として算出。

手法（リテラシ向け）

• 面積加重平均 rank = Σ(rank × 面積) / Σ(面積)
• 大きい rank ほど深い帯が含まれているので、平均値が大きい水系 = 全体として深い
• 同時に「致命的浸水比率」（rank≥50 が水系内に占める割合）も算出
• 限界: 平均値は単一スカラなので「深い帯と浅い帯の混在」は見えない（補完として図1 と併読）

結果（表: 深さインデックス）

なぜこの表か: 25 水系を 1 つの数字 で順位付けすると、棒グラフでは見えない「平均的な性格」が浮き彫りに。

読み取り:

• 深さインデックス 1 位は 太田川水系（rank=48.2）
• 面積では中堅でも 深さインデックスが高い水系 = 浸水域が小さくても深い → 局所的に深い峡谷型氾濫
• 逆に面積大・インデックス小の水系は 広く浅く広がる盆地型氾濫

結果（図8）

なぜこの図か: 全体分布（左）と水系別の深さインデックス（右）を並べることで、 「全体平均」と「水系別の偏り」を 同じスケールで対比 できる。

左: rank 別 全体面積 / 右: 水系別 面積加重平均 rank（深さインデックス）

読み取り:

• 全体（左）は浅瀬中心だが、水系別（右）には 明らかに「深い」群がある
• 右のバーが rank=50（3m）を超えている水系 = 致命的浸水が 水系全体で支配的
• 本流の太田川水系は中間値（広く分布する平均的水系）

分析9: 市町 × rank ヒートマップ

狙い

市町 × rank の 2 軸クロス集計を 1 枚のヒートマップで俯瞰する。 市町ごとに「どの深さ帯がどれくらいあるか」のパターンを比較。

手法

• 市町 (上位 20) × rank (8段階) の面積行列を作成
• imshow で色分け、セルに数値を直接書き込む（読み取りやすさ）
• cmap は YlOrRd（黄→赤）。値が大きいほど赤く

結果（表: 市町×rank ピボット 上位15）

なぜこの表か: ヒートマップの数値根拠を表で並列して示すと、厳密な値で確認できる。

読み取り:

• 合計が大きい市町は 広島市の各区 と 福山市
• 同じ「合計上位」でも内訳が違う（区によって浅瀬中心 vs 深い帯ありの分かれ）

結果（図9）

なぜこの図か: 表は厳密だが、20 市町 × 8 rank = 160 セルを パターンとして読み取るのは難しい。 ヒートマップは色の濃淡で「どこに偏在するか」を即座に把握させる。

市町 × 浸水深ランク 面積ヒートマップ（上位20市町）

読み取り:

• 左上に赤い塊 = 合計上位市町 + 浅瀬帯（一般的な氾濫パターン）
• 右側（深い rank）でも目立つセルがある市町 = 致命的浸水を抱える市町
• 市町間で 「縦方向の色パターン」 が違う = それぞれの地形特性を反映

仮説検証と考察

考察

• 水系単位の偏在: 致命的浸水は 25 水系のうち 上位3水系で 73% を占める。 水系という単位は 偏在性が強い 単位であり、防災投資の優先付けに使える
• 市町単位の越境: 1 つの水系が複数市町にまたがるため、致命的浸水ランキング 1 位の市町（福山市）と 水系ランキング 1 位（太田川水系）は 同じではない。市町と水系のスケール混合が必要
• 「中小河川」の意味: 仮説 H2 は 部分支持。「中小河川」は名前から「浅い」と想起されやすいが、 実際は深い帯も含む（特に rank=70 以上の極端値）— 名前と実態の乖離 に注意
• 規模の非線形性: 計画規模→想定最大規模で 面積×4.25。 深い帯ほど増加倍率が大きい傾向 — 「想定外」の領域がリスクの中心
• 主題図の教育効果: 9 枚の図のうち主題図と small multiples（図5-7）は学習者にとって 最も「自分事」になる。地名で語れる防災 が要件 T の本質

発展課題（結果から導かれる新たな問い）

1. 避難所立地との交差:
   • 結果X: 致命的浸水（3m+）が水系・市町で偏在することが本記事で明らかに
   • 新仮説Y: 致命的浸水域内に 避難所が立地しているケースが一定数存在し、 その避難所は災害時に使えない
   • 課題Z: S71 避難所情報を sjoin し、致命的浸水域内に何 % の避難所が含まれるか集計。 代替避難ルートの距離を BallTree で計算
2. 過去災害との照合:
   • 結果X: 想定最大規模の致命的浸水域は太田川下流・芦田川下流に集中
   • 新仮説Y: 過去の浸水実績（特に 2018 年西日本豪雨）の被害域は致命的浸水想定域と 高い重なり を持つ
   • 課題Z: 過去災害情報の被害ポリゴンと本記事の致命的浸水域を gpd.overlay で重ね、 IoU（Intersection over Union）で「想定の妥当性」を定量評価
3. 人口集中地区（DID）との交差:
   • 結果X: 致命的浸水は広島市・福山市に集中
   • 新仮説Y: 致命的浸水域 ∩ 人口集中地区 は 「最も人口あたり被害が大きくなる」区域
   • 課題Z: S09 DID 境界と本記事の致命的浸水域をオーバーレイ。人口加重リスク指標を算出
4. 標高・斜度との関係:
   • 結果X: 「中小河川」分類でも一部に深い帯（rank=70+）あり
   • 新仮説Y: 深い rank の発生地点は 谷底地形（標高低 + 斜度高）に集中
   • 課題Z: 5m メッシュ DEM と sjoin し、rank と標高/斜度の相関を算出
5. 用途地域別の致命的浸水（X09 との結合）:
   • 結果X: 致命的浸水は市町別に偏在
   • 新仮説Y: 致命的浸水の 用途地域構成 は市町ごとに大きく異なる（住居中心 vs 工業中心）
   • 課題Z: X09 のオーバーレイ結果に 市町次元 を追加し、市町×用途×rank の 3 軸クロス分析

補足: ツール化視点 / 処理時間 / 次元整理

使った GIS メソッド（ツール化視点, 要件 J）

処理時間とパフォーマンス（要件 S 対応）

• 本スクリプトは 1 分以内 で完走するよう設計（ハンズオン制約）
• dissolve しないのがコツ。flood_max を rank で dissolve すると数十秒〜分単位で遅くなる
• 市町割当は representative_point + sjoin で軽量化（overlay は不要）
• to_crs() は最初に 1 回だけ呼ぶ（再呼出し禁止）
• shapely.force_2d で 3D → 2D 化 → 描画速度が ~1.5 倍に
• 図描画では rank 別ループ（8 回）で plot するが、各ループは数百ポリゴン程度なので軽い

次元・サイズの整理（要件 L）

用語のジャーゴン回避（要件 P）