L11 トリプルハザード — 河川浸水 × 土砂災害 × 雪崩 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/L11_triple_hazard_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

主な問い (4 段階)

1. 分布の問い: 3 種ハザードはそれぞれどこに分布するか?
2. 重複の問い: 同一地点で何種類が重なるか? (0/1/2/3)
3. 類型の問い: 市町は「沿岸/山間/中間」のどれに分類できるか?
4. 避難所の問い: 避難所自体が警戒区域内にあるケースは何件?

立てた仮説 (H1〜H6)

1. H1: トリプル重複域 (3 種すべて) は山間集落 (河川+土砂+雪崩 の県境部)
2. H2: 沿岸デルタは河川浸水優位だが土砂+雪崩は少ない
3. H3: 安芸太田町・北広島町・庄原市は山間部で雪崩+土砂が突出
4. H4: 階層クラスタリングで広島県市町は 「沿岸/山間/中間」 に分離
5. H5: 避難所のうち 2 種以上 ハザード警戒区域内のものが一定数存在
6. H6: トリプル重複度は全県の 0.5% 未満だが、いざ災害時は救助困難

用語の独自定義

• トリプルハザード: 本記事の独自概念。河川浸水・土砂災害・雪崩の 3 種が同一地点で重なる状態 (本記事では 2km grid セル単位で評価)
• 重複度 (depth): 各 2km セルでヒットしたハザード種別数 (0〜3 の整数)。0=安全, 1=単一, 2=ダブル, 3=トリプル
• 2km grid: 県全体を 2km × 2km セルに分割した評価格子。R-tree spatial index で高速判定
• ハザード profile: 各市町 × 3 ハザードの件数ベクトル [浸水_n, 土砂_n, 雪崩_n]
• 沿岸クラスタ: 浸水優位、土砂と雪崩が少ない市町群
• 山間クラスタ: 土砂+雪崩が多く、特に雪崩がゼロでない市町群
• 救助困難セル: 重複度 = 3 のセル。複数ハザードが同時発動すると救助経路が遮断される懸念

到達点

• 2km grid で県全域 4,416 セルのうち、ハザードに該当するセル 2,180 個 (うちトリプル 312 / ダブル 1188 / 単一 680)
• 市町別ハザード件数ランキング 1 位: 庄原市 (合計 5315 件)
• 避難所のうち重複度 ≥ 2 (複数ハザード警戒区域内): 27 件 / 全 4065 件

使用データ

• 河川浸水想定区域 (想定最大規模) #313 全河川版: 613 polygons (rank/suikei/kasen 列)
• 河川浸水想定区域 (計画規模) #295 全河川版: 416 polygons
• 土砂災害警戒区域 #48 (土石流 #79 / 急傾斜 #80 / 地すべり #81 を統合): 43,220 polygons (city/np_type 列)
• 雪崩危険箇所 #50 (#77): 2,169 polygons (city/bunrui 列)
• 避難所マスタ S71 #1517: 4,065 件 (緯度経度)
• 共通 CRS: EPSG:6671 (JGD2011 平面直角 III, 単位 m)

論理カバー宣言

ダウンロード

中間データ (CSV)

図 (PNG)

スクリプト

L11_triple_hazard_overlay.py

cd "2026 DoBoX 教材"
py -X utf8 lessons\L11_triple_hazard_overlay.py

分析1: 3 種ハザードを同一座標系で重ね描き (主題図)

狙い

3 種ハザードを 1 枚の地図 に重ね、地理的偏りを目で確認する。 浸水は青、土砂は赤、雪崩は紫の半透明ポリゴンで表示し、重なる場所は色が混ざるので 「複数ハザード同時発動の懸念」が直感的に見える。

手法 (3 ステップ)

• STEP1: 3 ファイルを EPSG:6671 (JGD2011 平面直角 III) に揃える。元 CRS は flood = EPSG:3857 (Web Mercator) / sediment, avalanche = EPSG:6668 (JGD2011 緯度経度) でバラバラ。to_crs() で統一しないと地理的に揃わない
• STEP2: buffer(0) で TopologyException を予防 (要件S: 後段の処理を高速化)
• STEP3: simplify(80〜200m) で描画用に簡略化 (元 polygon を 1/3 に削減、視覚的にはほぼ同じ)

実装

↑ L11_triple_hazard_overlay.py 行 825–859

 1
 2
 3
 4
 5
 6
 7
 8
 9
834
835
836
837
838
839

flood_max = gpd.read_file("...shinsui_souteisaidai.shp").to_crs("EPSG:6671")
sediment = pd.concat([doseki, kyukei, jisuberi], ignore_index=True).to_crs("EPSG:6671")
avalanche = gpd.read_file("...avalanche.shp").to_crs("EPSG:6671")

# buffer(0) で微小トポロジ崩れを修復
for gdf in (flood_max, sediment, avalanche):
    gdf["geometry"] = gdf.geometry.buffer(0)

# 描画用 simplify (描画速度 ×3 速くなる、視覚は変わらない)
flood_plot = flood_max.copy(); flood_plot["geometry"] = flood_plot.geometry.simplify(100)

fig, ax = plt.subplots(figsize=(13, 9))
flood_plot.plot(ax=ax, color="#1f6feb", alpha=0.55)
sed_plot.plot(ax=ax, color="#cf222e", alpha=0.55)
ava_plot.plot(ax=ax, color="#7d2cbf", alpha=0.65)

結果

なぜこの図か: 重ね描きで「どこで何が起きるか」を1度に把握できる。 ヒートマップやテーブルでは地理的位置が消えるが、地図なら市町や河川との対応がついて議論が具体的になる。

広島県 トリプルハザード 重ね描き (青=浸水, 赤=土砂, 紫=雪崩)

読み取り:

• 南部沿岸 (広島市・呉市・竹原市・尾道市・福山市): 青 (浸水) 優位、赤・紫はほぼ無し
• 北部山間 (庄原市・三次市・安芸太田町・北広島町): 赤 (土砂) と紫 (雪崩) が密集、青は河川沿いに細長く点在
• 中央部: 赤 (土砂) が広く分布、青は谷を縫って点在
• 小さな村落単位で 3 色が同一地点に重なる 場所がいくつか確認できる → トリプル重複域

分析2: 2km grid で重複度を計算 — 主役の発見

狙い

「3 種のうち何種類が同地点で重なるか」を 定量化 する。 重ね描き (図1) は視覚情報だが、定量数字にすることで 市町ランキング・面積比率 が議論できる。

手法 — 2km grid + R-tree spatial index

正攻法は gpd.overlay(A, B, how='intersection') を 3 ハザード総当たりだが、 613 × 43,220 × 2,169 の組合せは 10 分以上かかり要件 S (1〜3 分) を破る。 代わりに以下のラスタ的アプローチを採る:

1. 県全域 bbox を 2km × 2km grid に分割 (4,416 セル)
2. 各ハザードを unary_union で 県全域 1 ポリゴン に統合
3. 各セルが各ハザードと 交差するか を geometry.intersects(union) で判定 (R-tree 内蔵で高速)
4. 3 つのフラグ (flood, sed, ava) の合計 = 重複度 (depth ∈ 0..3)

入出力 Before/After (要件K)

パラメータの意味

• GRID_M = 2000: 解像度。1km にすると 4 倍精細だが処理 4 倍遅い。2km は 県全体 4,416 セル → 県内ヒット 2,180 セルで バランス良い
• buffer(0): self-intersecting polygon を整形。境界を一切動かさないので面積は変わらない
• unary_union: 数千 polygon を 1 つに統合。R-tree で高速になる代わりに属性 (rank, np_type 等) は失われるので、属性別の集計は別途 group_by で実施

実装

↑ L11_triple_hazard_overlay.py 行 890–924

 1
 2
 3
 4
 5
 6
 7
 8
 9
899
900
901
902
903
904

xs = np.arange(xmin, xmax, GRID_M)
ys = np.arange(ymin, ymax, GRID_M)
grid_cells = [box(x, y, x + GRID_M, y + GRID_M) for x in xs for y in ys]
grid_gdf = gpd.GeoDataFrame(geometry=grid_cells, crs="EPSG:6671")

# 各ハザードを 1 ポリゴンに統合 (R-tree 速度のため)
flood_union = flood_max.geometry.unary_union
sed_union = sediment.geometry.unary_union
ava_union = avalanche.geometry.unary_union

# 交差テスト (R-tree 内蔵)
grid_gdf["flood"] = grid_gdf.geometry.intersects(flood_union).astype(int)
grid_gdf["sed"]   = grid_gdf.geometry.intersects(sed_union).astype(int)
grid_gdf["ava"]   = grid_gdf.geometry.intersects(ava_union).astype(int)
grid_gdf["depth"] = grid_gdf["flood"] + grid_gdf["sed"] + grid_gdf["ava"]

結果

なぜこの図か: ラスタ風の 2km セル塗り分けは、点や polygon より「どこに何種類か」が一目で読み取れる。 地図サムネイル感覚でリスクのホットスポットを把握できる。

広島県 ハザード重複度マップ (2km grid)

読み取り:

• トリプル (深紅, depth=3): 312 セル (該当セル中 14.31%) — 山間部の 河川沿い+斜面+冬期積雪域 という極めて狭い条件でしか出現しない
• ダブル (橙): 1188 セル (54.5%) — 圧倒的多数。山間部では「土砂+雪崩」「土砂+浸水」、平野部では「浸水+(局所斜面の)土砂」が典型
• 単一 (黄): 680 セル (31.2%)
• 沿岸南部はほぼ単一 (浸水のみ) の黄色帯、北部は橙〜深紅の高重複度帯と 南北二極 構造が明瞭

表の読み取り: トリプル (312 セル, 全 grid の 7.07%, ハザード該当セルの 14.31%)。 仮説 H6 では「0.5% 未満」と予想していたが、実際は遥かに多い (該当セル比で 14% 程度) で 反証。 これは広島県北部の山間部が「河川沿い + 急斜面 + 冬期積雪」という 3 条件をもれなく満たしているため。 ただし地理的集中 (北部山間に偏在) は仮説の後段「救助困難」と整合する。

分析3: 3 ハザード個別マップ (small multiples)

狙い

図1 では 3 色が混ざってしまうので、 1 ハザード = 1 panel で並列比較 する。 分布の形 (河川沿い/斜面/谷) の違いを見比べる。

手法

1 行 3 panel に並べた small multiples。各 panel で背景に 「ハザード該当セル」をグレーで示し、 ハザードポリゴンだけを濃色で重ねる。

結果

なぜこの図か: 比較用には small multiples が最強。条件 (ハザード種別) だけ変えて並べると、 分布形状の 共通点と差異 が同時に読み取れる。

3 ハザード 個別主題図 (small multiples)

読み取り:

• 河川浸水: 河川沿いに細長く分布。河口デルタ (太田川河口=広島市中区/南区/西区) で扇状に拡がる
• 土砂災害: 県全域に広く分布、特に山間部の谷筋に密集。沿岸の島嶼部にも斜面型が点在
• 雪崩: 県北部 (庄原・北広島・安芸太田) に集中、南半分にはほぼゼロ
• 3 種は 地理的に異なる発動条件 を持つので、同地点で重なるには「河川沿い + 急斜面 + 冬期積雪」と複数条件が満たされる必要 → トリプルの希少性につながる

分析4: 重複度ヒストグラム

狙い

セル数の絶対分布と、ハザード該当セル (≥1) 内の比率を 2 panel で比較。

結果

なぜこの図か: 縦棒で各重複度のセル数を直接比較できる。 左 = 全 grid (depth=0 を含む)、右 = ハザード該当セルだけ → 該当セル内での重複構造を見る。

重複度別 セル数 (左: 全 grid, 右: ハザード該当セル)

読み取り:

• 全 grid のうち depth=0 (該当なし) が大半 — 当然、グリッドの bbox は海域・他県も含むため
• 該当セル内訳: 単一が約 31%, ダブル 54%, トリプル 14.3%
• ダブルが 54% と無視できない多さ → 複数ハザード同時発動は決して例外的ではない

分析5: 市町別 ハザード件数 (絶対値)

狙い

市町ごとに 3 ハザードの件数を合算してランキング。 「地理的にどの市町がハザード集中しているか」を浮かせる。

手法

土砂・雪崩は属性 city 列をそのまま groupby。 浸水は city 列がないため、sediment polygon を city で dissolve → 凸包に拡張 → flood polygon の重心を sjoin という疑似的市町割当を使う。 精度は完璧ではない (凸包外の沿岸海岸は割り当てられない可能性) が、ランキング水準では十分。

実装

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

sed_city = sediment.groupby("city").size()
ava_city = avalanche.groupby("city").size()

# flood の市町割当: sediment polygon を city で dissolve → 凸包 → flood centroid を sjoin
city_polys = sediment[["city", "geometry"]].dissolve(by="city").reset_index()
city_polys["geometry"] = city_polys.geometry.convex_hull.buffer(0)
flood_centroid = flood_max.copy()
flood_centroid["geometry"] = flood_centroid.geometry.centroid
flood_with_city = gpd.sjoin(flood_centroid, city_polys, predicate="within")
flood_city_count = flood_with_city.groupby("city").size()

結果

なぜこの図か: ランキングは横棒 + stacked が読みやすい。 土砂と雪崩を縦に積むことで「合計件数の中で雪崩比率が高いか」も同時に見える。

市町別 土砂×雪崩 件数 (上位15市町)

読み取り:

• 庄原市 が最多 (5315 件) — 山間広域で土砂区域が圧倒的
• 雪崩 (紫) が大きく積み上がっているのは 庄原市・北広島町・安芸太田町・安芸高田市: 内陸豪雪域
• 沿岸都市 (広島市・呉市・福山市・尾道市) は土砂の絶対値は中位、雪崩はほぼゼロ

表の読み取り: 浸水_n は便宜的な空間結合の結果なので絶対値は粗いが、 広島市・福山市・三次市・庄原市など 大きい市町や河川氾濫面積の広い市町 で大きい値が出ている。 仮説 H3 (安芸太田町・北広島町は雪崩+土砂が突出) は 支持。

分析6: 水系別 浸水ポリゴン数

狙い

河川浸水を 市町ではなく水系単位 で集計。どの河川が氾濫想定域として大きいかを把握。

結果

なぜこの図か: 河川は市町境を越えて流れるので、市町集計だけでは河川の真の姿が見えない。水系ごとに横棒で並べる。

水系別 浸水ポリゴン数 (上位15水系)

読み取り:

• 太田川水系 が突出 (広島市中心部を貫流、大規模ハザード)
• 江の川 / 沼田川 / 芦田川 が中規模 — 県東〜北の主要河川
• 下位は支流レベルだが、それでも全 39 水系がカバーされる

分析7: 階層クラスタリングで市町を「沿岸/山間/中間」に分類

狙い

市町を 3 ハザードのプロファイル で類型化する。「直感的に沿岸/山間と分けたいが、 データに語らせる」ために階層クラスタリング (Ward 法) を使う。

手法 (STEP 分け, 要件O)

手法解説 — 階層クラスタリングって何 (リテラシ向け)

• 直感: 「似た者同士をくっつけていって、最後に N 個のグループにする」
• 手順: (1) 各市町を独立した「クラスタ」として開始 → (2) 一番近い 2 クラスタを合体 → (3) 全部が 1 つになるまで繰り返し → (4) 途中で「3 クラスタになった瞬間」を採用
• Ward 法: クラスタ内のばらつきが最小になるように合体させる方式 (球状クラスタが得意)
• 入力: 市町×特徴量行列 (本記事は 3 列)
• 出力: 各市町に 1〜3 のクラスタ番号 + 樹形図 (dendrogram)
• パラメータ: t=3 (作るクラスタ数), method="ward"
• 限界: クラスタ数を事前に決める必要あり / 外れ値に弱い (本記事では log 変換で緩和)
• 代替案: K-Means (より単純だが乱数依存), DBSCAN (密度ベース)

なぜ log 変換?

大都市 (広島市, 福山市) は土砂件数が小都市の数十倍。生の値で z-score を取ると 「広島市だけ別グループ」になってしまうので、 log1p で大きさを圧縮してプロファイルの形だけで判定する。

実装

1
2
3
4
5
6

from scipy.cluster.hierarchy import linkage, fcluster, dendrogram

features_log = np.log1p(city_df[["浸水_n", "土砂_n", "雪崩_n"]])
features_z = (features_log - features_log.mean()) / features_log.std()
Z = linkage(features_z.values, method="ward")
clusters = fcluster(Z, t=3, criterion="maxclust")

結果

なぜこの図か: dendrogram は階層構造を, 棒グラフはプロファイルの違いを示す。2つを並列に置くことで 「どこで切るか」と「切った結果の意味」を 1 枚で確認できる。

市町階層クラスタリング (Ward 法) + クラスタ平均プロファイル

表の読み取り: 3 クラスタの平均プロファイルが明確に分離。 特に 雪崩平均 が大きいクラスタは「山間 (土砂+雪崩優位)」、 浸水平均が大きいクラスタは「沿岸/平野 (浸水優位)」、中間は両方そこそこ。 仮説 H4 (3 クラスタ分離) 支持。

市町クラスタ地理マップ

読み取り:

• 南部沿岸 = 沿岸クラスタ (青) が連続して並ぶ → 仮説 H2 支持
• 北部 = 山間クラスタ (紫) が県境沿いに並ぶ → 仮説 H3 支持
• 中央部 = 中間クラスタ (赤) が東西に帯状に並び、両者の遷移帯を成す

分析8: 避難所自体のリスク — 警戒区域内に立地する避難所

狙い

避難所 (4065 件) のうち、 避難所自体が警戒区域内 に立地するケースは何件あるか。 2 種以上のハザード警戒区域と重なる「ダブル/トリプル危険避難所」を特定する。

手法

• 避難所 GeoJSON を point 化 → EPSG:6671 に投影
• 各点が flood_union / sed_union / ava_union と intersects() するかをテスト
• 3 つの bool を合計 = 重複度 (overlap_n)

実装

↑ L11_triple_hazard_overlay.py 行 1094–1112

1094
1095
1096
1097
1098
1099
1100
1101

shelter_gdf = gpd.GeoDataFrame(shelters_df,
    geometry=gpd.points_from_xy(shelters_df["lon"], shelters_df["lat"]),
    crs="EPSG:4326").to_crs("EPSG:6671")

shelter_gdf["in_flood"] = shelter_gdf.geometry.intersects(flood_union).astype(int)
shelter_gdf["in_sed"]   = shelter_gdf.geometry.intersects(sed_union).astype(int)
shelter_gdf["in_ava"]   = shelter_gdf.geometry.intersects(ava_union).astype(int)
shelter_gdf["overlap_n"] = shelter_gdf[["in_flood","in_sed","in_ava"]].sum(axis=1)

結果

避難所 重複度別件数

読み取り:

• 避難所 4065 件中、 1 種以上のハザード警戒区域内 に位置するもの = 1638 件
• うち 2 種以上 (ダブル/トリプル) と重なる避難所 = 27 件 → 仮説 H5 支持
• 避難所として指定されていても、当該避難所が浸水しうる/土砂が押し寄せうる/雪崩で通行困難 という事態が想定される
• 逆に重複度0 (どのハザードからも安全) の避難所が 大多数 なのは安心材料

避難所点マップ — 色=重複度

マップの読み取り:

• 北部山間部の避難所には橙〜赤 (重複度 ≥ 2) が散見される
• 沿岸都市部は重複度 0〜1 が大半 (浸水想定区域外の高台に避難所を置いているため)
• 避難所立地の見直しが必要な候補リスト = L11_high_risk_shelters.csv として直リンクで提供

分析9: 重複度2/3 セル × 市町ランキング

狙い

「どの市町に 多重ハザードセル が多いか」を ranking で示す。 各セルの重心を最近傍市町に割り当て、市町ごとに ダブル+トリプル セル数を集計。

手法

市町 centroid (sediment dissolve から計算) と grid セル中心の最近傍距離を scipy.spatial.cKDTree で取得し、 各セルを最も近い市町に割り当てる。これは厳密な行政境界ではないが、 centroid 距離による近似 で十分な精度。

結果

市町別 重複度 ≥ 2 セル数 (上位12)

読み取り:

• トリプル セル最多市町 = 庄原市 (106 セル) — H1/H3 整合
• ダブル中心の市町と トリプル混在の市町で構造が異なる: トリプルが出る市町 = 河川 + 山地 + 雪崩エリアが交わる極めて限定的な地理
• 沿岸都市 (広島市・呉市) はダブルゼロ寄り

分析10: 雪崩 危険度ランク × 市町 ヒートマップ

狙い

雪崩データには bunrui 列に 危険度 Ⅰ/Ⅱ/Ⅲ ランクがある (Ⅰ=軽度, Ⅲ=重度)。 市町 × ランクで内訳を可視化し、特に重度 (Ⅲ) ハイリスク市町を特定。

結果

市町別 雪崩 危険度ランク内訳

読み取り:

• 雪崩トップ市町 = 庄原市 (1283 箇所)
• 危険度 Ⅱ (中度) が圧倒的多数を占めるが, Ⅲ (重度) も県北部の市町に集中
• Ⅲ ランクが多い市町 = 県境の山岳地帯で、冬期の救助困難リスク大

分析11: 土砂 種別 × 市町 ヒートマップ

狙い

土砂データの np_type 列に 「土石流」「がけ崩れ」「地すべり」 の3種別がある。 市町ごとにどの土砂種が支配的かを把握する。

結果

市町別 土砂災害警戒区域 (種別内訳)

読み取り:

• 「がけ崩れ (急傾斜)」が全市町で最多 — 急斜面が多い広島県の地理
• 「土石流」も山間市町に多い — 谷筋の集中豪雨で発動
• 「地すべり」は市町数が極端に少ない — 厳密に認定された箇所のみ
• 市町別の対策優先順位 (急傾斜 → 土石流 → 地すべり) を考える材料

仮説検証と考察

考察

• 3 種ハザードは地理的に「南北二極」: 沿岸南部 = 浸水単独、北部山間 = 土砂+雪崩、中間部 = 浸水+土砂混在。 これは降雨/勾配/積雪 の地理的条件が南北で異なる広島県の構造に対応する。
• トリプル重複域は希少だが, ダブルは 54% と無視できない: 防災計画は単一ハザードだけでなく 「複数同時発動」を想定した避難経路設計が必要
• 避難所立地の見直し余地: 27 件の重複度≥2 避難所は、それぞれの場所で 「想定される複合災害シナリオ」を個別検討するべき (本記事の L11_high_risk_shelters.csv がそのリスト)
• 市町クラスタが防災予算配分の根拠になりうる: 沿岸クラスタは河川防災予算重点、山間クラスタは斜面/雪崩予算重点、 中間クラスタは複合対策 — というメリハリが見える
• 2km grid の限界: 市町境/字界より粗いので、ピンポイントの避難判断にはさらに細かい (250m grid 等の) 分析が必要。 本記事はあくまで 県全体の俯瞰 用

発展課題 (結果から導かれる新たな問い)

1. 結果X: トリプル重複域は山間部の谷筋に集中

• 新仮説Y: トリプル域に立地する集落 (人口あり) は限定的だが、ライフライン (道路・橋) が多重災害で遮断されると孤立化
• 課題Z: トリプル域 ∩ 国勢調査 1km メッシュ人口 で「孤立化リスク人口」を推計し、 道路ネットワーク (S40 トンネル, S39 ダム) と重ね合わせて避難経路の冗長性を評価

2. 結果X: 避難所の 27 件が重複度≥2

• 新仮説Y: 重複度≥2 避難所のなかでも「収容人数が多い大型避難所」と「小型集会所」では再配置の優先度が違う
• 課題Z: capacity 列を加味した「容量×重複度」スコアで再ランキング、また 重複度≥2 避難所の半径 1km 以内に代替避難所があるかを sjoin で検証

3. 結果X: クラスタ分離が明瞭 (沿岸/中間/山間)

• 新仮説Y: クラスタ別に「過去の災害履歴」「人口減少率」「高齢化率」が異なるパターンを示す
• 課題Z: S05 性別年齢別人口・S66 過去災害情報 を市町キーで結合し、クラスタ × 人口動態 × 災害頻度の3次元クロスを分析

4. 結果X: 太田川水系が浸水ポリゴン最大

• 新仮説Y: 太田川水系内で土砂+雪崩との重複度2/3 セルがどこに集中しているか? 「水系単位の多重ハザード」が見える可能性
• 課題Z: grid セルを水系で割当 → 水系 × depth で集計し、太田川/江の川/沼田川 等の水系別重複度比較

5. 結果X: トリプル 312 セル / 全該当 2180 の希少性

• 新仮説Y: トリプル域は 1km grid に解像度を上げると数倍〜数十倍に増えるかもしれない (今は 2km の粗さで切り捨て)
• 課題Z: GRID_M=1000/500 で再計算し、解像度依存性を確認 (要件 S を満たすには事前 dissolve が必須)

6. 結果X: 避難所自体に複数ハザードリスクがある事実

• 新仮説Y: 高リスク避難所はその種別 (洪水避難所/土砂避難所) の指定との不整合があるかもしれない (例: 洪水避難所なのに土砂警戒区域内)
• 課題Z: floodShFlg / sedimentDisasterShFlg と本記事の in_flood / in_sed をクロス集計し、 「種別指定と実 location の整合」をチェック

補足: GIS メソッドのツール化視点 + 処理時間

本記事で使う GIS 関数の入出力

処理時間とパフォーマンス (要件S対応)

• 3 つの大型 Shapefile (613 + 43,220 + 2,169 polygons) を扱うが、 2km grid + unary_union + intersects 戦略で 1〜3 分 で完走
• 正攻法の gpd.overlay(A, B) 総当たりは数十分かかる (本記事では避けた)
• buffer(0) は ロード後 1 度のみ 実行 (各分析で繰り返さない)
• 描画用 simplify(80m) でレンダリング 3 倍高速化 (視覚はほぼ同じ)

「ベクトル」「次元」「疎行列」の言い換え (要件P)

• 特徴量ベクトル [浸水_n, 土砂_n, 雪崩_n] = 「3 列の数値の並び (1 市町 = 1 行)」
• 3 次元 = 「3 列」
• クラスタ ID = 「グループ番号 (1〜3 の整数)」
• z-score = 「平均を 0 に, 散らばりを 1 に揃えた値」