"""L06 浸水深分布の地理学 ======================== 河川浸水Shapefile の `rank` 列(浸水深 8 段階)を主役に、 水系・市町・小流域・河川単位で浸水深分布の差異を可視化する。 要件S準拠: 1分以内、最悪3分以内で完走する。 - flood_max を rank で dissolve するのは避ける(時間がかかる) - groupby 集計と直接 plot で攻める - city との対応は polygon centroid と sjoin で軽量化 要件T準拠: 主題図 + small multiples を必ず含める。 """ from __future__ import annotations import sys, time from pathlib import Path sys.path.insert(0, str(Path(__file__).parent)) from _common import (ROOT, ASSETS, LESSONS, render_lesson, code, figure) import numpy as np import pandas as pd import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.patches import Patch from matplotlib.colors import ListedColormap, BoundaryNorm import geopandas as gpd import shapely plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t0 = time.time() print("=== L06 浸水深分布の地理学 ===") # === 1. 浸水 Shapefile の読み込みと前処理 =========================== FLOOD_DIR = ROOT / "data" / "extras" / "flood_shp" flood_max = gpd.read_file(FLOOD_DIR / "shinsui_souteisaidai" / "shinsui_souteisaidai.shp") flood_plan = gpd.read_file(FLOOD_DIR / "shinsui_keikaku" / "shinsui_keikakukibo.shp") print(f"想定最大規模: {len(flood_max)} polygons, 計画規模: {len(flood_plan)} polygons") TARGET_CRS = "EPSG:6671" flood_max = flood_max.to_crs(TARGET_CRS) flood_plan = flood_plan.to_crs(TARGET_CRS) # 3D ポリゴン → 2D 化（処理高速化、Z 座標は本研究では不要） flood_max["geometry"] = gpd.GeoSeries(shapely.force_2d(flood_max.geometry.values), crs=TARGET_CRS) flood_plan["geometry"] = gpd.GeoSeries(shapely.force_2d(flood_plan.geometry.values), crs=TARGET_CRS) # 面積 m² を持たせる（要件 R: 正確な面積は EPSG:6671 で） flood_max["area_m2"] = flood_max.geometry.area flood_plan["area_m2"] = flood_plan.geometry.area flood_max["area_ha"] = flood_max["area_m2"] / 10000.0 flood_plan["area_ha"] = flood_plan["area_m2"] / 10000.0 # 広島県標準凡例（rank コード → 浸水深ラベル / 色） DEPTH_LABEL = { 10: "0.0〜0.5m", 20: "0.5〜1.0m", 30: "1.0〜2.0m", 40: "2.0〜3.0m", 50: "3.0〜5.0m", 60: "5.0〜10.0m", 70: "10.0〜20.0m", 80: "20m以上", } DEPTH_COLOR = { 10: "#bee2ff", 20: "#87c4f0", 30: "#56a4dc", 40: "#2c83c4", 50: "#1c63a4", 60: "#0e4282", 70: "#7d2cbf", 80: "#4a1280", } RANK_ORDER = [10, 20, 30, 40, 50, 60, 70, 80] DEPTH_LABELS_ORDERED = [DEPTH_LABEL[r] for r in RANK_ORDER] DEPTH_COLORS_ORDERED = [DEPTH_COLOR[r] for r in RANK_ORDER] flood_max["depth_label"] = flood_max["rank"].map(DEPTH_LABEL).fillna("不明") flood_plan["depth_label"] = flood_plan["rank"].map(DEPTH_LABEL).fillna("不明") flood_max["depth_color"] = flood_max["rank"].map(DEPTH_COLOR).fillna("#cccccc") flood_plan["depth_color"] = flood_plan["rank"].map(DEPTH_COLOR).fillna("#cccccc") # === 2. 市町コード → 市町名 + 市町境界（用途地域からの簡易作成） ==== # CITY_CD 101-108 = 広島市の8区, 200番台 = 主要市, 300番台 = 町, 400番台 = 一部 CITY_NAME = { 101: "広島市中区", 102: "広島市東区", 103: "広島市南区", 104: "広島市西区", 105: "広島市安佐南区", 106: "広島市安佐北区", 107: "広島市安芸区", 108: "広島市佐伯区", 202: "呉市", 203: "竹原市", 204: "三原市", 205: "尾道市", 207: "福山市", 208: "府中市", 209: "三次市", 210: "庄原市", 211: "大竹市", 212: "東広島市", 213: "廿日市市", 214: "安芸高田市", 215: "江田島市", 302: "府中町", 304: "海田町", 307: "熊野町", 309: "坂町", 369: "安芸太田町", 462: "世羅町", } LANDUSE_PREF = ROOT / "data" / "extras" / "landuse_extracted" / "340006_city_planning_area_various_use_geojson_20220324.geojson" landuse = gpd.read_file(LANDUSE_PREF).to_crs(TARGET_CRS) print(f"用途地域: {len(landuse)} features") # 市町ごとに dissolve（凸包風の軽量近似 → そのまま union で十分） city_poly = landuse.dissolve(by="CITY_CD", as_index=False)[["CITY_CD", "geometry"]] city_poly["city_name"] = city_poly["CITY_CD"].map(CITY_NAME).fillna(city_poly["CITY_CD"].astype(str)) print(f"市町ポリゴン: {len(city_poly)} 行") # === 3. 市町別 浸水ポリゴン分類（centroid sjoin で軽量化） ============ flood_max_pt = flood_max.copy() flood_max_pt["geometry"] = flood_max.geometry.representative_point() joined = gpd.sjoin( flood_max_pt[["rank", "suikei", "kasen", "area_ha", "geometry"]], city_poly[["CITY_CD", "city_name", "geometry"]], how="left", predicate="within", ) flood_max["CITY_CD"] = joined["CITY_CD"].values flood_max["city_name"] = joined["city_name"].fillna("(用途地域外)").values print(f"市町割当 完了: 該当 {flood_max['CITY_CD'].notna().sum()} / 全 {len(flood_max)}") # === 4. 集計テーブル群（CSV エクスポート） =========================== # 4-1. 水系 × rank ピボット（面積 ha） suikei_rank = flood_max.groupby(["suikei", "rank"])["area_ha"].sum().unstack(fill_value=0.0) suikei_rank = suikei_rank.reindex(columns=RANK_ORDER, fill_value=0.0) suikei_rank["合計"] = suikei_rank.sum(axis=1) suikei_rank = suikei_rank.sort_values("合計", ascending=False) suikei_rank.to_csv(ASSETS / "L06_suikei_rank_area.csv", encoding="utf-8-sig") # 4-2. 河川 × rank ピボット（上位 15 河川のみ表示用に保存） kasen_rank = flood_max.groupby(["kasen", "rank"])["area_ha"].sum().unstack(fill_value=0.0) kasen_rank = kasen_rank.reindex(columns=RANK_ORDER, fill_value=0.0) kasen_rank["合計"] = kasen_rank.sum(axis=1) kasen_rank = kasen_rank.sort_values("合計", ascending=False) kasen_rank.to_csv(ASSETS / "L06_kasen_rank_area.csv", encoding="utf-8-sig") # 4-3. 市町 × rank ピボット city_rank = flood_max.dropna(subset=["CITY_CD"]).groupby(["city_name", "rank"])["area_ha"].sum().unstack(fill_value=0.0) city_rank = city_rank.reindex(columns=RANK_ORDER, fill_value=0.0) city_rank["合計"] = city_rank.sum(axis=1) city_rank = city_rank.sort_values("合計", ascending=False) city_rank.to_csv(ASSETS / "L06_city_rank_area.csv", encoding="utf-8-sig") # 4-4. 計画 vs 想定最大 比較 plan_rank = flood_plan.groupby("rank")["area_ha"].sum().reindex(RANK_ORDER, fill_value=0.0) max_rank = flood_max.groupby("rank")["area_ha"].sum().reindex(RANK_ORDER, fill_value=0.0) scale_compare = pd.DataFrame({ "rank": RANK_ORDER, "depth_label": [DEPTH_LABEL[r] for r in RANK_ORDER], "計画規模_ha": plan_rank.values, "想定最大規模_ha": max_rank.values, }) scale_compare["増加倍率"] = (scale_compare["想定最大規模_ha"] / scale_compare["計画規模_ha"].replace(0, np.nan)).round(2) scale_compare.to_csv(ASSETS / "L06_scale_compare.csv", encoding="utf-8-sig", index=False) # 4-5. 致命的浸水（rank ≥ 50, 3m 以上）の地理的集中度 deadly = flood_max[flood_max["rank"] >= 50].copy() deadly_by_suikei = deadly.groupby("suikei")["area_ha"].sum().sort_values(ascending=False) deadly_by_city = deadly.dropna(subset=["CITY_CD"]).groupby("city_name")["area_ha"].sum().sort_values(ascending=False) deadly_summary = pd.DataFrame({ "水系": deadly_by_suikei.index, "致命的浸水面積_ha": deadly_by_suikei.values, "致命的浸水割合_pct": (deadly_by_suikei / deadly_by_suikei.sum() * 100).round(1).values, }) deadly_summary.to_csv(ASSETS / "L06_deadly_by_suikei.csv", encoding="utf-8-sig", index=False) deadly_city_summary = pd.DataFrame({ "市町": deadly_by_city.index, "致命的浸水面積_ha": deadly_by_city.values, "致命的浸水割合_pct": (deadly_by_city / deadly_by_city.sum() * 100).round(1).values, }) deadly_city_summary.to_csv(ASSETS / "L06_deadly_by_city.csv", encoding="utf-8-sig", index=False) # 4-6. rank 別 全体集計 rank_total = flood_max.groupby("rank").agg( polygon_count=("rank", "size"), area_ha=("area_ha", "sum"), ).reindex(RANK_ORDER, fill_value=0) rank_total["depth_label"] = [DEPTH_LABEL[r] for r in rank_total.index] rank_total["全体に占める割合_pct"] = (rank_total["area_ha"] / rank_total["area_ha"].sum() * 100).round(2) rank_total = rank_total[["depth_label", "polygon_count", "area_ha", "全体に占める割合_pct"]] rank_total.to_csv(ASSETS / "L06_rank_total.csv", encoding="utf-8-sig") # 4-7. 河川別「最深 rank」（その河川で出現する最大の rank） kasen_max_rank = flood_max.groupby("kasen")["rank"].max() kasen_max_rank_df = pd.DataFrame({ "kasen": kasen_max_rank.index, "最深rank": kasen_max_rank.values, "最深ラベル": [DEPTH_LABEL[r] for r in kasen_max_rank.values], }).sort_values("最深rank", ascending=False) kasen_max_rank_df.to_csv(ASSETS / "L06_kasen_max_rank.csv", encoding="utf-8-sig", index=False) # 4-8. 水系別「平均深さインデックス」(面積加重平均 rank) _w = flood_max.assign(rxa=flood_max["rank"] * flood_max["area_ha"]) suikei_avg_rank = (_w.groupby("suikei")["rxa"].sum() / _w.groupby("suikei")["area_ha"].sum()).sort_values(ascending=False) suikei_avg_rank_df = pd.DataFrame({ "水系": suikei_avg_rank.index, "面積加重平均rank": suikei_avg_rank.round(2).values, }) # 致命的浸水比率も付加 _deadly_area = flood_max[flood_max["rank"] >= 50].groupby("suikei")["area_ha"].sum() _total_area = flood_max.groupby("suikei")["area_ha"].sum() deadly_ratio = (_deadly_area / _total_area * 100).fillna(0) suikei_avg_rank_df["致命的浸水比率_pct"] = suikei_avg_rank_df["水系"].map(deadly_ratio).round(1).fillna(0).values suikei_avg_rank_df.to_csv(ASSETS / "L06_suikei_avg_rank.csv", encoding="utf-8-sig", index=False) print(f" 集計完了 ({time.time()-t0:.1f}s)") # === 5. 図1: 水系別 浸水深ランク 積み上げ棒（上位 12 水系） =========== top_suikei = suikei_rank.index[:12].tolist() fig, ax = plt.subplots(figsize=(11, 6)) sub = suikei_rank.loc[top_suikei, RANK_ORDER] bottom = np.zeros(len(top_suikei)) for r in RANK_ORDER: vals = sub[r].values ax.bar(range(len(top_suikei)), vals, bottom=bottom, color=DEPTH_COLOR[r], label=DEPTH_LABEL[r], edgecolor="white", linewidth=0.3) bottom = bottom + vals ax.set_xticks(range(len(top_suikei))) ax.set_xticklabels(top_suikei, rotation=35, ha="right") ax.set_ylabel("浸水面積 (ha)") ax.set_title("水系別 浸水深ランク分布（想定最大規模, 上位12水系）") ax.legend(title="浸水深", bbox_to_anchor=(1.02, 1), loc="upper left", fontsize=9) ax.grid(axis="y", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L06_fig1_suikei_rank_stack.png", dpi=130, bbox_inches="tight") plt.close(fig) # === 6. 図2: 河川別 浸水深ランク 積み上げ棒（上位 15 河川） ============ top_kasen = kasen_rank.index[:15].tolist() fig, ax = plt.subplots(figsize=(12, 6)) sub2 = kasen_rank.loc[top_kasen, RANK_ORDER] bottom = np.zeros(len(top_kasen)) for r in RANK_ORDER: vals = sub2[r].values ax.bar(range(len(top_kasen)), vals, bottom=bottom, color=DEPTH_COLOR[r], label=DEPTH_LABEL[r], edgecolor="white", linewidth=0.3) bottom = bottom + vals ax.set_xticks(range(len(top_kasen))) ax.set_xticklabels(top_kasen, rotation=40, ha="right") ax.set_ylabel("浸水面積 (ha)") ax.set_title("河川別 浸水深ランク分布（想定最大規模, 上位15河川）") ax.legend(title="浸水深", bbox_to_anchor=(1.02, 1), loc="upper left", fontsize=9) ax.grid(axis="y", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L06_fig2_kasen_rank_stack.png", dpi=130, bbox_inches="tight") plt.close(fig) # === 7. 図3: 計画規模 vs 想定最大規模（rank ごとの面積比較） =========== fig, ax = plt.subplots(figsize=(10, 5.5)) x = np.arange(len(RANK_ORDER)) w = 0.4 ax.bar(x - w/2, plan_rank.values, w, label="計画規模", color="#7eb6e8", edgecolor="#1c63a4") ax.bar(x + w/2, max_rank.values, w, label="想定最大規模", color="#cf222e", edgecolor="#7d2cbf", alpha=0.85) ax.set_xticks(x) ax.set_xticklabels(DEPTH_LABELS_ORDERED, rotation=20, ha="right") ax.set_ylabel("面積 (ha)") ax.set_yscale("log") ax.set_title("rank 別 浸水面積：計画規模 vs 想定最大規模（対数スケール）") ax.legend() ax.grid(axis="y", alpha=0.3, which="both") # 増加倍率のテキスト for i, r in enumerate(RANK_ORDER): p = plan_rank.values[i] m = max_rank.values[i] if p > 0 and m > 0: ratio = m / p ax.annotate(f"×{ratio:.1f}", (x[i] + w/2, m), textcoords="offset points", xytext=(0, 4), ha="center", fontsize=9, color="#cf222e", fontweight="bold") plt.tight_layout() plt.savefig(ASSETS / "L06_fig3_scale_compare.png", dpi=130, bbox_inches="tight") plt.close(fig) # === 8. 図4: 致命的浸水（3m+）の水系別 / 市町別 ランキング ============ fig, axes = plt.subplots(1, 2, figsize=(13, 6)) # 左: 水系 top_deadly_suikei = deadly_summary.head(12) axes[0].barh(top_deadly_suikei["水系"][::-1], top_deadly_suikei["致命的浸水面積_ha"][::-1], color="#7d2cbf", edgecolor="#4a1280") axes[0].set_xlabel("致命的浸水面積 (ha, rank≥50)") axes[0].set_title("水系別 致命的浸水（3m以上）面積") axes[0].grid(axis="x", alpha=0.3) # 右: 市町 top_deadly_city = deadly_city_summary.head(15) axes[1].barh(top_deadly_city["市町"][::-1], top_deadly_city["致命的浸水面積_ha"][::-1], color="#cf222e", edgecolor="#7d2cbf") axes[1].set_xlabel("致命的浸水面積 (ha, rank≥50)") axes[1].set_title("市町別 致命的浸水（3m以上）面積") axes[1].grid(axis="x", alpha=0.3) plt.tight_layout() plt.savefig(ASSETS / "L06_fig4_deadly_ranking.png", dpi=130, bbox_inches="tight") plt.close(fig) # 描画高速化: color 列を 1 度だけ構築 + rasterized で描画を画像レイヤ化 flood_max["_plotcolor"] = flood_max["rank"].map(DEPTH_COLOR).fillna("#cccccc") flood_max_plot = flood_max # 別名のみ（simplify は重いので不採用） # 県背景は landuse の dissolve でなく、city_poly（27 行）の dissolve を使う（軽量） pref_outline = city_poly.dissolve() pref_xmin, pref_ymin, pref_xmax, pref_ymax = pref_outline.total_bounds # === 9. 図5: 主題図 — 県全域 浸水深カラーマップ ========================== # 要件 T: 主題図必須。rank 順にソートして 1 度の plot で色配列を渡す（高速） fig, ax = plt.subplots(figsize=(12, 9)) pref_outline.plot(ax=ax, facecolor="#f0f0f0", edgecolor="#999", linewidth=0.5) # rank 昇順にソートし、color 列を直接渡す（loop 不要、1 回の plot 呼出し） flood_max_sorted = flood_max_plot.sort_values("rank") flood_max_sorted.plot(ax=ax, color=flood_max_sorted["_plotcolor"].values, edgecolor="none", alpha=0.85, rasterized=True) patches = [Patch(facecolor=DEPTH_COLOR[r], edgecolor="none", label=DEPTH_LABEL[r]) for r in RANK_ORDER] ax.legend(handles=patches, title="浸水深ランク", loc="lower left", fontsize=9, framealpha=0.9) ax.set_title("広島県 河川浸水想定（想定最大規模）— rank 別色分け主題図") ax.set_axis_off() plt.tight_layout() plt.savefig(ASSETS / "L06_fig5_thematic_map.png", dpi=130, bbox_inches="tight") plt.close(fig) # === 10. 図6: small multiples — 上位 8 水系の浸水深分布マップ ============= top_suikei8 = suikei_rank.index[:8].tolist() fig, axes = plt.subplots(2, 4, figsize=(16, 9)) axes = axes.flatten() for i, sk in enumerate(top_suikei8): ax = axes[i] pref_outline.plot(ax=ax, facecolor="#f5f5f5", edgecolor="#bbb", linewidth=0.3) sub_sk = flood_max_sorted[flood_max_sorted["suikei"] == sk] if len(sub_sk) > 0: sub_sk.plot(ax=ax, color=sub_sk["_plotcolor"].values, edgecolor="none", alpha=0.9, rasterized=True) ax.set_xlim(pref_xmin, pref_xmax) ax.set_ylim(pref_ymin, pref_ymax) ax.set_title(f"{sk} ({sub_sk['area_ha'].sum():.0f} ha)", fontsize=11) ax.set_axis_off() fig.suptitle("water-system small multiples — 上位8水系の浸水深空間分布", fontsize=14, y=1.0) plt.tight_layout() plt.savefig(ASSETS / "L06_fig6_suikei_small_multiples.png", dpi=120, bbox_inches="tight") plt.close(fig) # === 11. 図7: 市町別 small multiples（広島市8区） ======================== hiroshima_wards = [101, 102, 103, 104, 105, 106, 107, 108] fig, axes = plt.subplots(2, 4, figsize=(16, 9)) axes = axes.flatten() hiroshima_bound = city_poly[city_poly["CITY_CD"].isin(hiroshima_wards)] hxmin, hymin, hxmax, hymax = hiroshima_bound.total_bounds for i, cc in enumerate(hiroshima_wards): ax = axes[i] cname = CITY_NAME[cc] ward_poly = city_poly[city_poly["CITY_CD"] == cc] ward_poly.plot(ax=ax, facecolor="#f5f5f5", edgecolor="#888", linewidth=0.6) flood_in_ward = flood_max_sorted[flood_max_sorted["CITY_CD"] == cc] if len(flood_in_ward) > 0: flood_in_ward.plot(ax=ax, color=flood_in_ward["_plotcolor"].values, edgecolor="none", alpha=0.9, rasterized=True) ax.set_xlim(hxmin, hxmax) ax.set_ylim(hymin, hymax) deep_ha = flood_in_ward.loc[flood_in_ward["rank"] >= 50, "area_ha"].sum() if len(flood_in_ward) else 0 ax.set_title(f"{cname}\n3m+: {deep_ha:.0f} ha", fontsize=10) ax.set_axis_off() fig.suptitle("広島市 8区 small multiples — 区別の浸水深分布", fontsize=14, y=1.0) plt.tight_layout() plt.savefig(ASSETS / "L06_fig7_hiroshima_wards.png", dpi=120, bbox_inches="tight") plt.close(fig) # === 12. 図8: rank 別 ヒストグラム（全体の深さ分布） ======================= fig, axes = plt.subplots(1, 2, figsize=(13, 5)) # 左: rank 面積横棒（全体） axes[0].barh([DEPTH_LABEL[r] for r in RANK_ORDER][::-1], [rank_total.loc[r, "area_ha"] for r in RANK_ORDER][::-1], color=[DEPTH_COLOR[r] for r in RANK_ORDER][::-1]) axes[0].set_xlabel("面積 (ha)") axes[0].set_title("浸水深ランク別 全体面積（想定最大規模）") axes[0].grid(axis="x", alpha=0.3) # 右: 水系別 平均 rank（面積加重） top_avg = suikei_avg_rank_df.head(15) axes[1].barh(top_avg["水系"][::-1], top_avg["面積加重平均rank"][::-1], color="#1c63a4", edgecolor="#0e4282") axes[1].set_xlabel("面積加重 平均rank（大きいほど深い）") axes[1].set_title("水系別「深さインデックス」（上位15）") axes[1].grid(axis="x", alpha=0.3) # 参考線 for r, lbl in [(30, "1〜2m"), (50, "3〜5m"), (60, "5〜10m")]: axes[1].axvline(r, ls="--", color="#888", alpha=0.5) axes[1].text(r, len(top_avg)-0.5, lbl, fontsize=8, color="#666") plt.tight_layout() plt.savefig(ASSETS / "L06_fig8_depth_index.png", dpi=130, bbox_inches="tight") plt.close(fig) # === 13. 図9: 市町別 ヒートマップ（市町 × rank） ========================= fig, ax = plt.subplots(figsize=(11, 9)) city_sub = city_rank.drop(columns="合計").head(20) # 上位20市町 mat = city_sub.values im = ax.imshow(mat, aspect="auto", cmap="YlOrRd") ax.set_xticks(range(len(RANK_ORDER))) ax.set_xticklabels(DEPTH_LABELS_ORDERED, rotation=30, ha="right") ax.set_yticks(range(len(city_sub.index))) ax.set_yticklabels(city_sub.index) ax.set_xlabel("浸水深ランク") ax.set_title("市町 × 浸水深ランク 面積ヒートマップ（上位20市町, ha）") # セルに数値 for i in range(mat.shape[0]): for j in range(mat.shape[1]): v = mat[i, j] if v > 0: color = "white" if v > mat.max() * 0.4 else "black" ax.text(j, i, f"{v:.0f}", ha="center", va="center", fontsize=8, color=color) plt.colorbar(im, ax=ax, label="面積 (ha)") plt.tight_layout() plt.savefig(ASSETS / "L06_fig9_city_rank_heatmap.png", dpi=130, bbox_inches="tight") plt.close(fig) print(f" 図出力完了 ({time.time()-t0:.1f}s)") # === 14. 仮説検証 ==================================================== # H1: 太田川水系で深い浸水深(5m+)が集中 ohta_deadly = deadly[deadly["suikei"] == "太田川水系"]["area_ha"].sum() ohta_5m = flood_max[(flood_max["suikei"] == "太田川水系") & (flood_max["rank"] >= 60)]["area_ha"].sum() all_5m = flood_max[flood_max["rank"] >= 60]["area_ha"].sum() H1_ratio = ohta_5m / all_5m * 100 if all_5m > 0 else 0 H1 = "支持" if H1_ratio >= 25 else ("部分支持" if H1_ratio >= 10 else "反証") # H2: 「中小河川」分類は浅瀬中心 chu_total = flood_max[flood_max["suikei"] == "中小河川"]["area_ha"].sum() chu_shallow = flood_max[(flood_max["suikei"] == "中小河川") & (flood_max["rank"] <= 30)]["area_ha"].sum() H2_ratio = chu_shallow / chu_total * 100 if chu_total > 0 else 0 H2 = "支持" if H2_ratio >= 50 else ("部分支持" if H2_ratio >= 30 else "反証") # H3: 計画 vs 想定最大で深さ分布が大きく異なる _idx_arr = np.array(RANK_ORDER, dtype=float) plan_avg = float((_idx_arr * plan_rank.values).sum() / max(plan_rank.values.sum(), 1e-9)) max_avg = float((_idx_arr * max_rank.values).sum() / max(max_rank.values.sum(), 1e-9)) H3_diff = abs(max_avg - plan_avg) H3 = "支持" if H3_diff >= 5 else ("部分支持" if H3_diff >= 2 else "反証") # H4: 河川別「最深ポイント」の rank が異なる H4_unique_max_ranks = kasen_max_rank_df["最深rank"].nunique() H4 = "支持" if H4_unique_max_ranks >= 4 else ("部分支持" if H4_unique_max_ranks >= 2 else "反証") # H5: 致命的深さ(3m+)は本流合流部に集中（太田川水系の致命的浸水比率を proxy として） deadly_total = deadly["area_ha"].sum() ohta_share = ohta_deadly / deadly_total * 100 if deadly_total > 0 else 0 top3_suikei = deadly_summary.head(3)["致命的浸水割合_pct"].sum() H5 = "支持" if top3_suikei >= 60 else ("部分支持" if top3_suikei >= 40 else "反証") hypotheses = [ ("H1", "太田川水系で深い浸水深(5m+)が集中", f"太田川水系の 5m+ 面積は全県の {H1_ratio:.1f}%", H1), ("H2", "「中小河川」分類は浅瀬中心", f"中小河川の 0〜2m が全体の {H2_ratio:.1f}%", H2), ("H3", "計画規模と想定最大規模で深さ分布が大きく異なる", f"面積加重平均 rank の差: {H3_diff:.2f}", H3), ("H4", "河川別で「最深ポイント」の rank が異なる", f"河川別 最深 rank の種類数: {H4_unique_max_ranks} / 8", H4), ("H5", "致命的深さ(3m+)は上位水系に集中", f"致命的浸水 上位3水系で全体の {top3_suikei:.1f}%", H5), ] hyp_df = pd.DataFrame(hypotheses, columns=["仮説", "内容", "証拠", "判定"]) hyp_df.to_csv(ASSETS / "L06_hypothesis_check.csv", encoding="utf-8-sig", index=False) print(hyp_df.to_string(index=False)) print(f" 仮説検証完了 ({time.time()-t0:.1f}s)") # === 15. HTML 構築 ===================================================== def df_to_html(df, max_rows=None, float_fmt="{:.1f}"): """DataFrame を簡易 HTML テーブルに変換（数値は丸める）""" if max_rows: df = df.head(max_rows) rows = [""] rows.append("" + "".join(f"" for c in df.columns) + "") for _, r in df.iterrows(): cells = [] for v in r.values: if isinstance(v, (int, np.integer)): cells.append(f"") elif isinstance(v, float) or isinstance(v, np.floating): if np.isnan(v): cells.append("") else: cells.append(f"") else: cells.append(f"") rows.append("" + "".join(cells) + "") rows.append("
{c}
{int(v)}—{float_fmt.format(v)}{v}
") return "\n".join(rows) def df_idx_to_html(df, max_rows=None, float_fmt="{:.1f}"): """index 含む DataFrame の HTML 化""" if max_rows: df = df.head(max_rows) df2 = df.reset_index() return df_to_html(df2, float_fmt=float_fmt) # Python 表示用ソース（ハイライト） src_overview = ''' 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 ''' src_groupby = ''' # 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)) ''' src_sjoin_city = ''' # 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 ''' src_thematic = ''' # 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) ''' src_small_mult = ''' # 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) ''' # テーブル変数 suikei_rank_disp = suikei_rank.head(15).copy() kasen_rank_disp = kasen_rank.head(15).copy() city_rank_disp = city_rank.head(15).copy() # =================================================================== # Section 1: 学習目標と問い sec_goals = """
本記事のスタイル: 浸水深ランク (rank 列) を主役にした「地理的深掘り」
広島県の河川浸水想定区域 Shapefile の rank 列（10〜80 の 8 段階）は、 0.5m から 20m 超まで 命の危険度がまるで違う 浸水深を 1 列で表現している。 この列を 水系・河川・市町 の 3 つの地理単位で集計し、 「どの地域が、どのくらい深く沈むのか」を可視化する。

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）

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。

""" # =================================================================== # Section 2: 使用データ sec_data = f"""
使用データセット: 河川浸水想定区域図（計画規模 / 想定最大規模, 広島県河川防災情報システム）。 本記事内の dataset_id 番号は仮のものです。実際の DoBoX カタログでは 「河川浸水想定区域」で検索してください。

結果サマリー (詳しい本文の前に概観)

指標結果
想定最大規模 全 rank 合計面積{rank_total['area_ha'].sum():.0f} ha ({len(flood_max)} polygons)
致命的浸水（3m+）の面積{deadly['area_ha'].sum():.0f} ha ({len(deadly)} polygons)
致命的浸水 最大水系{deadly_summary.iloc[0]['水系']} ({deadly_summary.iloc[0]['致命的浸水面積_ha']:.0f} ha, 全体の {deadly_summary.iloc[0]['致命的浸水割合_pct']:.1f}%)
致命的浸水 最大市町{deadly_city_summary.iloc[0]['市町']} ({deadly_city_summary.iloc[0]['致命的浸水面積_ha']:.0f} ha)
面積加重 深さインデックス 最大水系{suikei_avg_rank_df.iloc[0]['水系']} (rank={suikei_avg_rank_df.iloc[0]['面積加重平均rank']:.1f})
計画→想定最大 全体面積 増加倍率×{max_rank.sum()/max(plan_rank.sum(), 1e-9):.2f}
""" # =================================================================== # Section 3: ダウンロード sec_dl = """
ファイル内容
L06_suikei_rank_area.csv水系×rank 面積ピボット (25 水系)
L06_kasen_rank_area.csv河川×rank 面積ピボット (83 河川)
L06_city_rank_area.csv市町×rank 面積ピボット
L06_scale_compare.csv計画 vs 想定最大 規模比較
L06_deadly_by_suikei.csv致命的浸水（3m+）水系別
L06_deadly_by_city.csv致命的浸水（3m+）市町別
L06_rank_total.csvrank 別 全体集計
L06_kasen_max_rank.csv河川別 最深 rank
L06_suikei_avg_rank.csv水系別 面積加重平均 rank
L06_hypothesis_check.csv仮説 H1-H5 判定結果
L06_fig1_suikei_rank_stack.png図1 水系別 積み上げ棒
L06_fig2_kasen_rank_stack.png図2 河川別 積み上げ棒
L06_fig3_scale_compare.png図3 規模比較
L06_fig4_deadly_ranking.png図4 致命的浸水ランキング
L06_fig5_thematic_map.png図5 県全域 主題図
L06_fig6_suikei_small_multiples.png図6 水系 small multiples (8 panels)
L06_fig7_hiroshima_wards.png図7 広島市8区 small multiples
L06_fig8_depth_index.png図8 全体分布 + 深さインデックス
L06_fig9_city_rank_heatmap.png図9 市町×rank ヒートマップ
L06_flood_depth_geography.py再現スクリプト
""" # =================================================================== # Section: 共通の前処理（投影変換・面積算出） sec_preprocess = f"""

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）

実装の要点

{code(src_overview)}

入出力の Before/After（要件 K）

段階例: 1 ポリゴン目サイズ
① 読込直後rank=10, suikei='本郷川水系', geometry=MULTIPOLYGON Z (EPSG:3857){len(flood_max)} 行 / 5 列
② to_crs(6671)geometry が平面直角 III 系の座標へ変換{len(flood_max)} 行 / 5 列
③ force_2dZ 座標が削除され MULTIPOLYGON (X, Y) に同上
④ area / 10000area_ha 列追加（例: 12.34 ha）{len(flood_max)} 行 / 7 列

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。

{df_idx_to_html(rank_total, float_fmt='{:.2f}')}

読み取り:

""" # =================================================================== # Section: 分析1 水系別 sec_a1 = f"""

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）

実装の要点

{code(src_groupby)}

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。

{df_idx_to_html(suikei_rank_disp, float_fmt='{:.1f}')}

読み取り:

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。

{figure('assets/L06_fig1_suikei_rank_stack.png', '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:

""" # =================================================================== # Section: 分析2 河川別 sec_a2 = f"""

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

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。

{df_to_html(kasen_max_rank_df.head(15), float_fmt='{:.0f}')}

読み取り:

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。

{figure('assets/L06_fig2_kasen_rank_stack.png', '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:

""" # =================================================================== # Section: 分析3 計画 vs 想定最大 sec_a3 = f"""

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

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。

{df_to_html(scale_compare, float_fmt='{:.1f}')}

読み取り:

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。

{figure('assets/L06_fig3_scale_compare.png', '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:

""" # =================================================================== # Section: 分析4 致命的浸水（3m+） sec_a4 = f"""

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

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。

{df_to_html(deadly_summary.head(15), float_fmt='{:.1f}')}

読み取り:

結果（表: 市町別）

{df_to_html(deadly_city_summary.head(15), float_fmt='{:.1f}')}

読み取り:

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。

{figure('assets/L06_fig4_deadly_ranking.png', '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:

""" # =================================================================== # Section: 分析5 主題図 sec_a5 = f"""

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）

実装の要点

{code(src_thematic)}

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。

{figure('assets/L06_fig5_thematic_map.png', '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:

""" # =================================================================== # Section: 分析6 small multiples (水系) sec_a6 = f"""

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

実装の要点

{code(src_small_mult)}

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。

{figure('assets/L06_fig6_suikei_small_multiples.png', '水系 small multiples — 上位8水系の浸水深空間分布')}

読み取り:

""" # =================================================================== # Section: 分析7 small multiples (広島市8区) sec_a7 = f"""

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

実装の要点

{code(src_sjoin_city)}

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。

{figure('assets/L06_fig7_hiroshima_wards.png', '広島市 8 区 small multiples — 区別の浸水深分布')}

読み取り:

""" # =================================================================== # Section: 分析8 全体分布 + 深さインデックス sec_a8 = f"""

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）

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。

{df_to_html(suikei_avg_rank_df.head(15), float_fmt='{:.2f}')}

読み取り:

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。

{figure('assets/L06_fig8_depth_index.png', '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:

""" # =================================================================== # Section: 分析9 市町ヒートマップ sec_a9 = f"""

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

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。

{df_idx_to_html(city_rank_disp, float_fmt='{:.1f}')}

読み取り:

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。

{figure('assets/L06_fig9_city_rank_heatmap.png', '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:

""" # =================================================================== # Section: 仮説検証 def fmt_judge(j): color = {"支持": "#1a7f37", "部分支持": "#bf8700", "反証": "#cf222e"}.get(j, "#666") return f'{j}' hyp_rows = "".join( f"{h[0]}{h[1]}{h[2]}{fmt_judge(h[3])}" for h in hypotheses ) sec_hyp = f""" {hyp_rows}
仮説内容証拠判定

考察

""" # =================================================================== # Section: 発展課題 sec_ext = f"""
  1. 避難所立地との交差:
  2. 過去災害との照合:
  3. 人口集中地区（DID）との交差:
  4. 標高・斜度との関係:
  5. 用途地域別の致命的浸水（X09 との結合）:
""" # =================================================================== # Section: 補足（ツール化視点 + 処理時間） sec_appendix = f"""

使った GIS メソッド（ツール化視点, 要件 J）

関数入力出力本記事での役割
gpd.read_file()shp/geojson パスGeoDataFrameShapefile を読込
gdf.to_crs("EPSG:6671")GeoDataFrameCRS変換後 GeoDataFrame面積を m² で正確に
shapely.force_2d()geometry 配列2D geometry 配列3D ポリゴン → 2D（高速化）
gdf.geometry.areaGeoDataFrame面積 Series (m²)各ポリゴンの面積
gdf.geometry.representative_point()GeoDataFrame代表点 GeoSeries市町割当のための「中の点」
gpd.sjoin(predicate='within')点 + ポリゴン点 + ポリゴン属性市町割当
gdf.dissolve(by='CITY_CD')GeoDataFrame + キーキー単位 union市町境界生成
gdf.plot(ax=ax, color=...)GeoDataFrame + 軸matplotlib 描画主題図

処理時間とパフォーマンス（要件 S 対応）

次元・サイズの整理（要件 L）

表示本来の規模注記
水系上位 12 / 河川上位 15 / 市町上位 20水系 25 / 河川 83 / 市町 27表示の都合で上位のみ。CSV には全件を保存
図5-7 の主題図 polygon 数{len(flood_max)} polygonsdissolve せず raw のまま重ね描き
市町境界の精度用途地域 dissolve（厳密ではない）正確な行政境界ではないが、市町割当の近似として十分

用語のジャーゴン回避（要件 P）

用語本記事での平易な言い換え
EPSG:6671「広島県を平面で扱う座標系」（1m が 1m として測れる）
sjoin「点が polygon の中にあるか調べて属性を貼る」
dissolve「同じキーのポリゴンを 1 つに union する」
面積加重平均「面積で重みづけした平均値」
choropleth（コロプレス）「領域を属性で色分けした地図」
""" # =================================================================== # 全セクションをまとめる sections = [ ("学習目標と問い", sec_goals), ("使用データ", sec_data), ("ダウンロード", sec_dl), ("共通の前処理（投影変換・面積算出）", sec_preprocess), ("分析1: 水系別 浸水深ランク分布", sec_a1), ("分析2: 河川別 浸水深ランク分布", sec_a2), ("分析3: 計画規模 vs 想定最大規模", sec_a3), ("分析4: 致命的浸水（3m以上）の地理的集中", sec_a4), ("分析5: 主題図 — 県全域 浸水深カラーマップ", sec_a5), ("分析6: small multiples — 水系別 8 panels", sec_a6), ("分析7: small multiples — 広島市 8 区", sec_a7), ("分析8: 全体分布 + 水系別 深さインデックス", sec_a8), ("分析9: 市町 × rank ヒートマップ", sec_a9), ("仮説検証と考察", sec_hyp), ("発展課題（結果から導かれる新たな問い）", sec_ext), ("補足: ツール化視点 / 処理時間 / 次元整理", sec_appendix), ] html = render_lesson( num=6, title="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", tags=["L系", "GIS", "浸水深", "rank分析", "主題図", "small multiples"], time="55分", level="リテラシ基礎+α", data_label="河川浸水Shapefile (rank列) + 用途地域GeoJSON", sections=sections, script_filename="lessons/L06_flood_depth_geography.py", ) # body タグに data 属性を追加（要件: ） html = html.replace("", '') OUT_HTML = LESSONS / "L06_flood_depth_geography.html" OUT_HTML.write_text(html, encoding="utf-8") elapsed = time.time() - t0 print(f"\n=== 完了 ({elapsed:.1f}s) ===") print(f" HTML: {OUT_HTML}") print(f" CSV : {len(list(ASSETS.glob('L06_*.csv')))} 個") print(f" PNG : {len(list(ASSETS.glob('L06_*.png')))} 個")