L08 河川浸水 × 津波浸水 × 大規模盛土 — 複合災害リスクの重ね合わせ

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/L08_multi_flood_overlay.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

1. 面の問い: ダブル浸水リスク (河川氾濫と津波の両方が想定されている) 領域は何 ha 存在し、どこに分布するか?
2. 市町の問い: その領域は広島県のどの市町に集中するか?
3. 用途の問い: 用途地域別に見ると、ダブルリスク領域の "中身" はどんな 土地利用か? (住居 / 工業 / 商業)
4. 盛土の問い: 大規模盛土造成地サンプルのうち、浸水想定域内 ⊃ ダブルリスク内にあるものはどれくらいか?
5. 深さの問い: 河川と津波で浸水深の分布特性は違うか? (山側で深いか海側で深いか)

立てた仮説 (H1〜H5)

1. H1: ダブルリスク領域 (河川想定最大 ∩ 津波) は ≥ 100 ha 存在する (海に近い低地で河川氾濫と津波が両方届くため)
2. H2: ダブルリスク領域は 広島市南区・西区・中区など港湾部 に集中 (太田川河口デルタ + 瀬戸内海面)
3. H3: 大規模盛土サンプルの中に、浸水想定域内のものが存在する (盛土崩壊+浸水の複合リスク)
4. H4: 浸水深の分布は 河川の方が深く、津波は 浅瀬中心 (河川は山地の谷で 10m+、津波は海岸線から内陸へ減衰)
5. H5: ダブルリスクの用途別構成は 工業/港湾施設・商業地 に集中 (臨海工業地帯と中心商業地が低地に集まる)

用語の定義 (このレッスン独自)

• 「3 重災害リスク」: 同一地点に 河川計画規模・河川想定最大規模・ 津波想定最大 の 3 つの浸水想定が重なって指定されている領域
• 「ダブルリスク」: 河川想定最大 ∩ 津波想定最大 の 2 重重ね合わせ (計画規模を含めて 3 重にすると、計画規模は最大規模の部分集合なので実質ダブル の評価が中心となる)
• 「rank」: 浸水深の 8 段階コード (10=0.5m未満 〜 80=20m以上)。 河川 Shapefile の rank 列にも、津波メッシュの最大浸水深からも 同じ凡例で対応させる
• 「dissolve」: 同じキー (例: rank, 用途名, 市町名) を持つポリゴン を 1 つの巨大ポリゴンにまとめる GIS 操作
• 「sjoin」: spatial join — 点が polygon の中にあるかどうかで属性を 転写する GIS 操作。本レッスンでは盛土点 × 浸水域で利用

結果サマリ (本文の前にざっくり)

使用データ

• 河川 計画規模 浸水想定 (Shapefile): 416 polys, 総面積 8324 ha (= 83.2 km²)、rank 列あり (浸水深 8 段階)
• 河川 想定最大規模 浸水想定 (Shapefile): 613 polys, 総面積 25266 ha (= 252.7 km²)、rank 列あり
• 津波 想定最大規模 浸水想定 (Shapefile): 元データ 1,256,706 メッシュ × 4 列 (10m 正方メッシュ、各メッシュに最大浸水深 m)。 本レッスンでは初回実行時に rank 8 段階で bin 化 → dissolve して lessons/assets/L08_tsunami_dissolved.gpkg に保存。 2 回目以降は そのキャッシュを直読 (6 polygons, 総面積 9370 ha)
• 用途地域 GeoJSON (340006 県全域): 2629 features → 用途別 dissolve 12 用途
• 大規模盛土造成地 規制法 xlsx: 受付窓口の市町リスト (20 市町) を抽出し、各市町の用途地域 polygon 内部に シード固定で 8 点ずつランダム 代表点を生成。本データは 位置の illustrative sample であり、 実際の盛土位置を表すものではない (xlsx には座標列が無いため)
• CRS は全レイヤ EPSG:6671 (JGD2011 平面直角座標 III 系) に統一し、 面積計算は m² 単位で実施

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)

2. プログラムが生成する中間データ + 図

分析1: 津波 1.25M メッシュ → 8 polygon キャッシュ (前処理の主役)

狙い

津波シェープファイルは 1,256,706 行 × 4 列 という巨大データ。 そのまま gpd.overlay() や gpd.sjoin() に入れると 数十分〜数時間かかる。教材としての完走時間 (1〜3 分) を守るため、 「メッシュの最大浸水深を 8 段階に bin 化 → 各 bin で dissolve」 し、 1.25M を 8 個 (実用上 6 個) の巨大 polygon に集約する。

手法 (リテラシレベルの直感的説明)

• bin 化: 連続値の浸水深 (0.46m, 1.03m, 1.99m, ...) を 8 段階の "棚" に振り分ける操作。ヒストグラムの作り方と同じ。本レッスンでは河川 Shapefile の rank 列と 同じ 8 段階 (0-0.5m / 0.5-1m / 1-2m / 2-3m / 3-5m / 5-10m / 10-20m / 20m以上) に揃えることで、河川と津波を直接比較可能にする
• dissolve: 同じキーを持つ多数の polygon を 1 つの巨大 polygon に統合する操作。 1,000 個の小さな四角形を 1 つの大きな多角形に変える、と思えばよい。 GIS の Boolean union 演算で実装される
• shapely.box(x0, y0, x1, y1): 矩形 polygon を 1 行で生成。 1.25M 行に対してベクトル化されているので高速
• shapely.unary_union(polys): polygon の配列を 1 つに統合。 内部的に R-tree で空間インデックスを構築し、近接する polygon 同士を併合

入出力 (Before / After 具体例)

実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import pyogrio, shapely, pandas as pd, geopandas as gpd

# 1. attr のみ読む (geometry を読み飛ばす = 4 倍速)
df = pyogrio.read_dataframe(TSUNAMI_SHP, read_geometry=False)
df.columns = ["x", "y", "depth"]

# 2. 浸水深 → 8 段階 rank
RANK_BINS = [0, 0.5, 1.0, 2.0, 3.0, 5.0, 10.0, 20.0, 999]
RANK_CODES = [10, 20, 30, 40, 50, 60, 70, 80]
df["rank"] = pd.cut(df["depth"], bins=RANK_BINS,
                    labels=RANK_CODES, right=False).astype(int)

# 3. rank ごとに矩形を作って unary_union
out_geoms, out_ranks = [], []
for rk in RANK_CODES:
    sub = df[df["rank"] == rk]
    if len(sub) == 0: continue
    polys = shapely.box(sub["x"]-5, sub["y"]-5, sub["x"]+5, sub["y"]+5)
    out_geoms.append(shapely.unary_union(polys))   # 1.25M → 1 polygon
    out_ranks.append(rk)

gdf = gpd.GeoDataFrame({"rank": out_ranks, "geometry": out_geoms},
                       crs=CUSTOM_TSU_CRS)
gdf.to_crs("EPSG:6671").to_file("L08_tsunami_dissolved.gpkg", driver="GPKG")

結果

なぜこの図か: bin 化の効果は数値で語るのが最も明確。 各 rank の polygon 数とサイズを 表で見せ、後段の主題図で "このサイズなら GIS overlay も 1 秒で終わる" ことを実演する。

読み取り:

• 津波の浸水深は rank 10〜40 (0〜3m) が圧倒的多数 で、5m 超 (rank 50) は限定的、10m 超 (rank 70/80) は本データに存在しない。これは 津波が海岸線から内陸へ減衰 する物理特性を反映している (H4 への伏線)
• 1.25M → 6 polygon の集約で、後続の overlay/sjoin が秒単位 で終わるようになる (キャッシュなしだと数十分かかる)。教材で "前処理の重要性" を実体験できる 代表例
• キャッシュ .gpkg は ~2 MB と小さく、リポジトリに入れても問題ない

分析2: 三重浸水主題図 (主役の発見)

狙い

河川計画規模 / 河川想定最大規模 / 津波 の 3 災害を 同一マップに 半透明で重ね 、「重なる場所が複合災害高リスク帯」 を視覚的に把握する。 背景に用途地域、点として大規模盛土サンプルも重ねることで、 「リスクの形」と「土地利用」と「人為構造物」を同時に読む。

なぜこの図か (要件 H)

3 つの GeoDataFrame を別々の地図に並べると比較に上下スクロールが必要。 同一座標系・同一スケールで透過重ねした 1 枚 なら、 赤紫 (河川+津波の重なり) と単色 (片方だけ) の 違いが目で識別できる。 これは choropleth + 透明度 という GIS の基本パターン。

実装

1
2
3
4
5
6
7

fig, ax = plt.subplots(figsize=(13, 9))
landuse_d_c.plot(ax=ax, color="#eeeeee", alpha=0.6)               # 背景
flood_plan_c.plot(ax=ax, color="#56a4dc", alpha=0.55)              # 河川計画
flood_max_c.plot(ax=ax, color="#0e4282", alpha=0.45)               # 河川最大
for rk in sorted(tsunami["rank"].unique()):                        # 津波(深さ別)
    tsunami[tsunami["rank"]==rk].plot(ax=ax, color=tsu_color[rk], alpha=0.55)
earth_fill.plot(ax=ax, color="black", markersize=22)               # 盛土点

結果

広島県沿岸 三重浸水主題図 (河川計画 + 河川最大 + 津波 + 盛土点)

読み取り:

• 太田川河口デルタ (広島市中区/西区/南区) では、河川と津波の 両方が指定されている領域が広く、赤紫がかった部分 がダブルリスク帯
• 沿岸の港湾部 (呉市・広島市南区・廿日市市など) でも、 河川と津波の重なりが帯状に出現
• 大規模盛土サンプル (黒点) のうち、沿岸/平野部に分布 するものは 浸水帯と重なる位置にある
• 河川単独 (青のみ) は内陸の谷筋に伸びる。津波単独 (橙のみ) は海岸線から 内陸 1km 程度にとどまる。両者の 境界帯がダブルリスク

分析3: 個別主題図 small multiples (3 災害比較)

狙い

重ね合わせ図 (主役) では各災害の 個別の姿 が見えにくい。 3 つを同じスケール・同じ深さ凡例で並べた small multiples で "単独の形" を比較し、重ね合わせの解釈を補強する。

なぜこの図か

1 枚に 3 つを重ねるのが主役なら、3 枚に分けるのは脇役。 両方あって初めて「重なりの読み」と「単独の読み」が両立する。 条件 (= 災害種類) だけ変えて並べる small multiples は比較用途で最適。

(a) 河川計画 (b) 河川想定最大 (c) 津波想定最大 — 同一スケール

読み取り:

• (a) 河川計画規模は 河道に沿った細長い帯。氾濫域は限定的
• (b) 河川想定最大規模は計画の 2 倍以上 に拡大、谷筋・平野部に広がる
• (c) 津波は 海岸線に沿った帯 で、内陸への侵入は限定的だが 広島市・呉市の港湾部では深く入る
• 3 図を比較すると、"河川は内陸+山地、津波は沿岸" という棲み分けが 見える。両者の交差点 (デルタ・低地) がダブルリスク帯

分析4: ダブルリスク領域 (河川想定最大 ∩ 津波) の計算と可視化

狙い

重ね合わせ主題図は 定性的 で「どこ」は分かるが「何 ha」は分からない。 gpd.overlay(A, B, how='intersection') で正確に交差面積を出す ことで、政策判断に使える定量値に変換する。

手法 (黒箱化)

ツール化の意味: 内部で R-tree 空間インデックス、トポロジ修正、 Boolean 演算が走るが、利用者は知らなくても結果が得られる。 原理 (集合の交差) を理解した上で ブラックボックスとして利用 するのが GIS の実務スタイル。

実装

↑ L08_multi_flood_overlay.py 行 1151–1186

 1
 2
 3
 4
 5
 6
 7
 8
 9
1160
1161
1162
1163
1164

# 各レイヤを単一 polygon にまとめる
flood_max_union = gpd.GeoDataFrame(
    {"id":[0]}, geometry=[flood_max.geometry.unary_union], crs=TARGET_CRS)
tsunami_union   = gpd.GeoDataFrame(
    {"id":[0]}, geometry=[tsunami.geometry.unary_union],  crs=TARGET_CRS)

# ダブル: 河川最大 ∩ 津波
double = gpd.overlay(flood_max_union, tsunami_union,
                     how="intersection", keep_geom_type=False)
double_ha = double.geometry.area.sum() / 10000  # ha

# トリプル: 河川計画 ∩ 河川最大 ∩ 津波 (計画 ⊂ 最大 なので実質 計画 ∩ 津波)
triple = gpd.overlay(double, flood_plan_union,
                     how="intersection", keep_geom_type=False)

結果

なぜこの図か: ダブル領域だけを 赤色 でハイライトした 主題図にすると、政策資料としてそのまま使える明快さになる。 背景に河川単独 (青) と津波単独 (橙) を薄く描くことで、ダブル領域の "位置付け" も同時に伝わる。

ダブル浸水リスク領域 (赤): 河川想定最大 ∩ 津波 = 6197 ha

読み取り:

• ダブルリスク領域は 6197 ha (61.97 km²)。 これは 100 ha 以上 → H1 支持
• 計画 ⊂ 最大 という包含関係があるので、トリプルは実質「計画 ∩ 津波」と同義 (2161 ha)。ダブルの一部 がトリプル
• ダブル領域は河川単独 (25266 ha) の 24.5%、 津波単独 (9370 ha) の 66.1%。 両者が "出会う狭い帯" であることが定量化された

分析5: ダブルリスク × 市町別分布

狙い

"どこにダブルリスクが集中しているか" を市町粒度で見る。 H2 (広島市南区/西区港湾部集中) を検証する分析。

なぜこの図か

市町数が 25 程度あるので、地図に 25 色で塗ると視覚混乱する。 横棒グラフで上位 12 市町をランキング する方が、 "どの市町に集中したか" を一目で読み取れる。

手法

1
2
3
4
5
6
7
8

# 市町別 dissolve
city_d = landuse[["city_name","geometry"]].dissolve(by="city_name").reset_index()

# 各市町 × ダブル領域 の交差面積
for _, row in city_d.iterrows():
    inter = row.geometry.intersection(double.geometry.unary_union)
    a_ha = inter.area / 10000
    ...

市町別 ダブル浸水リスク領域 (上位 12)

読み取り:

• ダブルリスク面積 1 位は 広島市南区 (1176 ha, 64.2%)
• 広島市南区/西区/中区が上位 → H2 支持
• 沿岸の港湾市町 (呉市・廿日市市・大竹市など) も上位に入り、 太田川河口に限らない 沿岸全域の課題であることが見える
• 市町総面積に対する比率 (%) で見ると、絶対面積では小さい市町でも "市町の数 % が複合浸水域" という質的危機度が浮かぶ

分析6: ダブルリスク × 用途地域

狙い

H5 (工業/商業/港湾系に集中) を検証。土地利用視点でダブルリスク領域の "中身" を分解する。

なぜこの図か

市町ランキング (分析5) は "どこ"、用途ランキング (本分析) は "何が"。両軸を並べて初めて「広島市南区の工業地が」のような 2 軸クロスの解釈が成り立つ。

用途地域 × ダブル浸水リスク 上位用途

読み取り:

• ダブルリスク面積 1 位の用途は 第一種住居 (1686 ha, 10.4%)
• 住居系が上位 → H5 反証 (沿岸住居の方がダブルリスクに多い)
• 住居系の絶対面積も大きい場合は、「臨海工業地に加えて、海沿いに住む人にも ダブルリスク」 が共存することを示唆

分析7: ランク別 面積比較 (河川 vs 津波)

狙い

H4 (河川は深い、津波は浅瀬中心) を検証。同じ rank 8 段階凡例で、 3 災害の浸水深分布を 対数スケール棒グラフ で比較する。

なぜこの図か

線形スケールだと浅瀬 (rank 10-20) の桁違いの大きさに圧縮されて、 深い帯 (rank 50-80) が読み取れない。対数スケール で揃えれば、 全 rank の分布の "形" が見える。

浸水深ランク別 面積 (河川計画 vs 河川最大 vs 津波) — 対数

読み取り:

• 河川は rank 50 (3-5m) や rank 60 (5-10m) でも一定面積 が存在し、 山地の谷で浸水深が深くなる傾向 (河川の物理特性: 河道の絞り込みで水位上昇)
• 津波は rank 50 まで に大半が収まり、rank 60 以上はわずか。 rank 70-80 は本データに 存在しない。これは津波の物理特性 (海岸線から内陸へ減衰、市街地の摩擦で深さ低下) を反映
• 深部 (rank ≥ 50) 面積: 河川 > 津波 → H4 支持
• 計画規模と想定最大規模で全 rank が揃って増えており、 「想定の規模拡大は浸水域全域で起こる」 ことが確認できる

分析8: 河川 rank × 津波 rank ピボット

狙い

ダブルリスク領域内で、「河川は何 m + 津波は何 m が組み合わさるか」 を 8 × 8 ピボット表で見る。これは "リスクの中身" を最も詳細に見る分析。

なぜこの図か

2 軸の値を一目で把握するヒートマップは、ピボット表の自然な可視化。 セル数値も併記することで、表として読める/図として読めるの両立。

ダブルリスク領域: 河川 rank × 津波 rank の重なり面積 (ha)

読み取り:

• ダブルリスクの 主役は浅瀬同士の重なり (河川 rank 10-30 × 津波 rank 10-30)
• 河川深 + 津波浅 (例: 河川 rank 50 × 津波 rank 10) のセルがあれば、 河川氾濫で 3-5m 沈む土地に津波 0.5m 未満が来る という複雑シナリオ
• 津波 rank が高い + 河川 rank が低いセルは、海岸線で河川氾濫が及ばないが 津波が深い領域 (純粋な海寄り)

分析9: 大規模盛土サンプル × 3 災害 sjoin

狙い

盛土点 (117 点) のうち、浸水想定域内にあるもの がいくつか? そのうちダブルリスク (河川+津波) はいくつか? という H3 の検証。

手法 (sjoin = spatial join)

• sjoin: 点が polygon の中にあるかで属性を付与する GIS 操作。 predicate='within' を指定すると "点 ⊂ polygon" を判定
• 本レッスンでは geometry.intersects() を使った愚直な ループでも同じ結果が得られる (点の数が少ないので速度差は無視できる)
• 各盛土点について 3 災害それぞれの最大 rank を取得 → DataFrame 列に追加

実装

↑ L08_multi_flood_overlay.py 行 1330–1378

1330
1331
1332
1333
1334
1335
1336

def lookup_rank(point, gdf):
    sub = gdf[gdf.intersects(point)]
    return int(sub["rank"].max()) if not sub.empty else None

ef_pts_df["rank_river_max"]  = [lookup_rank(p, flood_max)  for p in earth_fill.geometry]
ef_pts_df["rank_river_plan"] = [lookup_rank(p, flood_plan) for p in earth_fill.geometry]
ef_pts_df["rank_tsunami"]    = [lookup_rank(p, tsunami)    for p in earth_fill.geometry]

結果サマリ

盛土サンプル × ランク × ランク 散布

読み取り:

• サンプル 117 点中、41 点 が河川想定最大規模に入る、 22 点 が津波想定に入る、11 点 がダブル
• ダブルリスク内に盛土が存在 → H3 支持
• 散布図で原点 (-5, -5) 付近 (どの災害にも入らない点) は内陸/山地に位置する盛土。 赤点 (ダブル) は 低地の港湾部 に集中

サンプル盛土の先頭 15 件

本サンプル点は xlsx の受付窓口市町から各 8 点ずつ シード固定で生成した illustrative データ。実際の盛土位置を 表すものではない。位置データが取得できた場合は同じ sjoin 手順で 正確な判定が可能。

仮説検証と考察

仮説と結果の照合

考察

• 3 ハザードの空間関係: 河川 (内陸方向に伸びる) と津波 (沿岸方向に伸びる) は 本来別の物理現象だが、太田川河口デルタや沿岸低地 という共通の地理舞台で 重なる。これがダブルリスク帯 (6197 ha) の正体
• 津波の浅瀬中心の分布: rank 10-40 (3m 未満) が津波域の大半を占め、 深い帯 (rank 50 以上) は限定的。これは 津波のシミュレーション物理 (海岸線で 減衰) を反映 (H4 支持)
• 用途別の含意: ダブルリスク域に 第一種住居 が最多。 住居系が最多なら、人命保護の観点で防災投資の優先度がさらに高まる
• 盛土の複合リスク: 大規模盛土は本来 地震時の崩壊 が主リスクだが、 浸水域内にあれば 液状化 + 浸水 + 崩壊 の三重連鎖シナリオが想定される。 H3 の 11 点はサンプル数として小さいが、設計上要警戒の存在を示す
• 計画 vs 想定最大の差: 河川では計画 (8324 ha) と最大 (25266 ha) で 3.0 倍の差。 "計画規模で安全だから大丈夫" は誤り、想定最大規模で考えるべき

政策含意 (Policy Implications)

• 避難計画の二重化: ダブルリスク市町 (広島市南区 等) では 河川氾濫避難経路と津波避難経路が一致しないケースがある。 両方に対応した 多層避難計画 が必要
• 盛土設計基準の重ね合わせ: 浸水域内の大規模盛土は、 通常の盛土設計に加えて 耐浸水/排水設計 を要件化する余地
• 用途地域の見直し: ダブルリスク領域に住居系が多い場合、 新規宅地化を抑制し、既存住居の 嵩上げ/移転 支援を検討

発展課題 (結果から導かれる新たな問い)

1. 盛土実位置データへの拡張:
   • 結果X: 盛土サンプル 117 点中、ダブルリスク内 11 点 (illustrative)
   • 新仮説Y: 実際の許可・届出盛土 (#1429, #1430) のうち X% が ダブルリスク域内にある
   • 課題Z: DoBoX #1429/#1430 の届出データ (位置情報含む) を取得し、 本レッスンと同じ sjoin パイプラインを実行して X を測定
2. 避難所との 4 重交差: 本レッスンのダブルリスク領域に 避難所 (DoBoX #42) が含まれていないか? 含まれている避難所は "自分が浸水するのに人を受け入れる" という矛盾を抱える
3. 標高との交差: ダブルリスク領域の 標高 (DoBoX 標高 5m メッシュ) 分布を見て、"標高 X m 以下なら必ずダブル" という閾値を導出
4. 建物密度との交差: 都市計画基礎調査の建物密度と本ダブルリスク領域を クロスし、「人がたくさん住んでいるダブルリスク域」 を特定
5. 過去災害履歴との照合: 平成 30 年 7 月豪雨や昭和 21 年枕崎台風の 浸水実績と本想定の整合を確認 (想定の妥当性検証)
6. 市町別 small multiples: 本レッスンは県全域 1 枚だが、 広島市・呉市・福山市など 市町別に拡大した small multiples を作成し、 "自分の街のダブルリスク" を直感的に把握できる教材に拡張
7. X09 との結合: X09 (河川浸水 × 用途地域) と本レッスンを統合し、 「河川単独」「ダブル」「津波単独」 の用途別比率を 1 枚の積み上げ棒で見る

補足: GIS 関数の黒箱化早見表 / 処理時間とメモリ

本レッスンで使った GIS 関数 (要件 J: ツール化視点)

処理時間プロファイル (要件 S 対応)

キャッシュ戦略の意味: 1.25M メッシュ → 6 polygon は 情報量を捨てるトレードオフ ではなく、教材で扱う粒度 (rank 8 段階) では 情報損失なし。むしろメッシュ単位の冗長性を除去している。 この種の前処理は GIS 実務でも常套手段で、「重い生データを軽量サマリに落として パイプラインに乗せる」が定石。

本レッスンの限界

• 盛土位置の illustrative 性: xlsx には座標が無いため、 受付市町ごとに用途地域内ランダム代表点を生成。実位置データ (DoBoX #1429/#1430) を使えば同じ sjoin で正確な判定が可能
• 3D 浸水深の平均化: 河川 rank と津波 rank は両方 8 段階に揃えたが、 河川は 谷地形での集中、津波は 海面上昇による拡散 という物理が異なる。 "同じ rank 50 でも、河川と津波で危険度の質は違う" 点は要注意
• 同時発生の前提: 河川氾濫と津波が同時に起こる確率は本レッスンでは 扱っていない (空間的重なりのみ)。時間軸の連動 (例: 大地震 → 津波 + ダム決壊 → 河川氾濫) は別レッスン課題