L14 3D 都市モデル 7 市町比較 — 建物高度の地理学

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/L14_3d_city_model_compare.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

カバー宣言

本記事は 3D都市モデル 7 市町 = 7 dataset_id を統合分析:

• #1316 広島市 / #1302 府中市 / #1187 呉市 / #1188 福山市
• #1189 海田町 / #1443 竹原市 / #1444 三次市

全 PLATEAU CityGML 規格で統一されており、統合可能。
ただし CityGML 本体は重量級なため、同 7 市町の建物利用現況 GeoJSON (#1469 / #1483 / #1323 / #1327 / #512 / #71 / #1474) を Plan B として採用。 これらは PLATEAU の建物 footprint + 属性 (階数・軒高) と内容が一致する軽量版で、 本研究の論点 (建物高度の地理学) には十分。
対応表 7/7 件 論理カバー。

主な問い

1. 都市階層の問い: 7 市町で建物階数の構成は どう違うか? 政令市 (広島市) と中山間市町 (三次市) で何が変わるか?
2. 用途と階数の関係: 同じ「商業」でも、都市規模で平均階数は変わるか?
3. 中心市街地効果: DID (人口集中地区) 内外で 階数の差はどれだけ広がるか?
4. 浸水時の致命率: 浸水想定 3 m 以上の地域に立つ平屋 (1 階建て) は何棟で、市町別にどれだけ差があるか?

立てた仮説 (H1〜H6)

1. H1: 広島市は最も高層建物率が高い (5 階以上が多い)
2. H2: 山間部市町 (三次市) は平屋率が高い
3. H3: 浸水想定深 3 m 超の地域に「平屋」 = 命の危険最高ランク (致命的建物) が確実に存在する
4. H4: 港湾系 (呉市/福山市) は中層 (3-4 階) 中心
5. H5: 旧市街地 (竹原は古い町並み) は低層密集 (平屋+2 階の比率が大都市より高い)
6. H6: 浸水域内 平屋率は市町間で 10 倍以上の差

用語の定義 (本レッスン独自を含む)

• 3D 都市モデル (PLATEAU): 国交省主導で全国整備中の標準 3D 都市データ。CityGML 規格 (XML 系)。 広島県内では 7 市町分が DoBoX に公開済み (各 100 MB〜1 GB)
• 建物利用現況: 都市計画基礎調査の建物毎レイヤ。GeoJSON で軽量。 階数 (KAISUU) と軒高 (TATE_H) と用途 (TATE_YO) を含む
• 階数バンド: 本レッスン独自定義。KAISUU を 5 区分にビン化: 平屋 (1) / 2 階 / 低中層 (3-4 階) / 中層 (5-9 階) / 高層 (10 階以上)
• 致命的建物: 本レッスン独自定義。浸水想定深 3 m 以上 × 階数 1 階 (平屋) の建物。 3 m は 2 階建て住宅の 1 階を超える深さ。平屋には垂直避難先がないため、命の危険最高ランク
• 相対安全建物: 浸水域内に立つが 2 階以上 の建物。 3 m 浸水でも 2 階に垂直避難すれば一時生存可能 (= 救助到着までの「タイム」を確保)
• 致命率: 浸水域内建物のうち、致命的建物 (3 m + 平屋) の比率。市町ランキングを取る
• DID (人口集中地区): 国勢調査の Densely Inhabited District。中心市街地の代理指標として使用
• キャッシュ (parquet): 大型 GeoJSON を一度読んだら、列を絞ってバイナリ形式 (parquet) で保存。 2 回目以降は数秒で読み戻せる手法。要件 S (1 分以内) を満たすための仕組み
• 代表点 (representative_point): 多角形内に必ず 1 つ存在する点。shapely の標準関数。 建物 footprint を 1 点に縮約することで sjoin (空間結合) を高速化する
• 主題図 (choropleth): 領域や点を属性 (階数バンド) で色分けした地図
• small multiples: 同じ枠の小図を条件 (市町) だけ変えて並べる比較手法

結果サマリー

使用データ

主データ (Plan B: 軽量 GeoJSON 採用)

カバー対応表 (DoBoX 7 dataset_id ↔ 本記事)

本記事は 3D 都市モデル 7 dataset_id を「論理カバー」する。 CityGML 直接処理は重すぎるため、同 7 市町の建物利用現況 GeoJSON で代替。 PLATEAU は CityGML から 建物 footprint と階数・軒高を生成しているので、 本記事の分析対象 (= 階数・軒高・footprint) は両者で一致する。

対応表 7/7 件 論理カバー。

補助データ

• 河川浸水想定区域 (想定最大規模): DoBoX #1278 Shapefile, 8 浸水深ランク (X09/L09 と同源)
• DID (人口集中地区) 14 市町: DoBoX #1294 系列 GeoJSON。中心市街地境界として使用
• CRS: EPSG:6671 (JGD2011 / 平面直角 III) で全レイヤ統一。建物 footprint 面積は m² で正確計算

ダウンロード

中間データ (再現用 CSV)

図 PNG

取得手順 (PowerShell)

cd "2026 DoBoX 教材"
# 7 市町の建物利用現況 GeoJSON を取得 (合計 ~80 MB, ~20 秒)
mkdir data\extras\bld_data -Force
iwr "https://hiroshima-dobox.jp/resource_download/94767" -OutFile "data\extras\bld_hiroshima.zip"  # 広島市
iwr "https://hiroshima-dobox.jp/resource_download/94848" -OutFile "data\extras\bld_fukuyama.zip"   # 福山市
iwr "https://hiroshima-dobox.jp/resource_download/50387" -OutFile "data\extras\bld_kure.zip"       # 呉市
iwr "https://hiroshima-dobox.jp/resource_download/50423" -OutFile "data\extras\bld_miyoshi.zip"    # 三次市
iwr "https://hiroshima-dobox.jp/resource_download/51056" -OutFile "data\extras\bld_fuchu.zip"      # 府中市
iwr "https://hiroshima-dobox.jp/resource_download/51057" -OutFile "data\extras\bld_kaita.zip"      # 海田町
iwr "https://hiroshima-dobox.jp/resource_download/94794" -OutFile "data\extras\bld_takehara.zip"   # 竹原市
# 解凍 (PowerShell 5.1+)
Expand-Archive data\extras\bld_hiroshima.zip data\extras\bld_data -Force
# (他都市も同様に)

# 浸水深 (X09 と同じ #1278)
mkdir data\extras\flood_shp -Force
# (X09 / L09 で取得済みなら不要)

py -X utf8 lessons\L14_3d_city_model_compare.py

キャッシュ機構: 初回実行で data/extras/_l14_cache/{slug}.parquet を生成。 2 回目以降は parquet から数秒で読込 (要件 S 1 分以内を担保)。 キャッシュを破棄したい場合は _l14_cache フォルダを削除。

分析1: 市町別 基本統計 — 都市規模と建物プロファイル

狙い

7 市町を 政令市 (広島) → 中核市 (福山・呉) → 中山間市町 (三次・府中) → 都市近郊町 (海田町) → 瀬戸内市 (竹原) の階層に並べ、各階層で建物プロファイル (棟数密度・平均階数・5 階以上率・平屋率) がどう変わるかを概観する。 これが H1 (広島市が最も高層) と H2 (三次市が最も平屋多) の検証の出発点となる。

手法

• 建物利用現況 GeoJSON の KAISUU (階数) 列を使う
• 市町ごとに n_bld, mean_kaisuu, max_kaisuu, rate_high_pct (5 階以上率), rate_flat_pct (1 階率) を計算
• KAISUU == 0 は不明・倉庫等として除外して平均・中央値を算出
• 人口・面積は公的統計の概数 (令和年代) を参照

実装

↑ L14_3d_city_model_compare.py 行 224–260

 1
 2
 3
 4
 5
 6
 7
 8
 9
233
234
235
236
237
238
239

city_stats = []
for slug, g in city_data.items():
    jp = g["city"].iloc[0]
    n = len(g)
    kaisuu_valid = g[g["KAISUU"] > 0]["KAISUU"]
    h_valid = g[g["TATE_H"] > 0]["TATE_H"]
    ref = CITY_REF.get(jp, {})
    city_stats.append({
        "city": jp, "slug": slug,
        "pop": ref.get("pop", 0), "area_km2": ref.get("area_km2", 0),
        "n_bld": n, "bld_per_km2": n / max(ref.get("area_km2", 1), 1),
        "mean_kaisuu":  float(kaisuu_valid.mean())   if len(kaisuu_valid) else 0,
        "max_kaisuu":   int(kaisuu_valid.max())      if len(kaisuu_valid) else 0,
        "rate_high_pct": float((g["KAISUU"] >= 5).sum() / max(n, 1) * 100),  # 5階以上率
        "rate_flat_pct": float((g["KAISUU"] == 1).sum() / max(n, 1) * 100),  # 平屋率
    })

図1 — 7 市町 small multiples 主題図

なぜこの図か: 棒グラフでは「広島市の中心部にタワーが集中している」「三次市は広く分散して平屋」のような 地理的なパターンが見えない。同じスケール感で 7 市町を並べることで、各市町の都市形態 (compact / sprawl) を直感的に比較する (要件 T)。

図1 7 市町 small multiples — 色は階数バンド (黄=平屋, 紫=10階以上)

この図から読み取れること:

• 広島市・福山市は中心部 (デルタ・駅前) に紫 (10 階以上) が集中、周縁部は黄 (平屋) が広がる典型的なモノセントリック構造
• 呉市は山と海に挟まれた狭い帯状の市街地で、中層が線状に並ぶ「リアス都市」型
• 三次市・府中市・竹原市は紫がほぼ無く、黄〜橙 (平屋〜2 階) が大半を占める
• 海田町は面積が小さいが密度が高く、ほぼ全域が黄+橙で埋まる「都市近郊密集型」

表 — 市町別 基本統計 (人口降順)

この表から読み取れること:

• 建物数は 広島市 (35 万棟) → 福山市 (25 万棟) → 呉市 (9 万棟) と人口順に並ぶ
• 棟密度 (棟/km²) は 海田町 が最高 (面積が小さいため)。人口密度の代理指標として使える
• 5 階以上率は 広島市が突出 (3.17%, 他市町は 1.54% 以下)
• 平屋率は 三次市・府中市・竹原市 で 50% を超え、中山間/旧市街型は平屋が主役

分析2: 階数バンド × 用途 — 都市の「機能ピラミッド」

狙い

建物を 5 つの階数バンド (平屋 / 2 階 / 3-4 階 / 5-9 階 / 10 階以上) に分類し、 さらに 用途バンド (業務・商業・住宅・工業・倉庫運輸他 等) と組み合わせて、 「政令市の高層は何用途か?」「中核市と中山間市で 商業の階数はどう違うか?」を見る。 これが H4 (港湾系は中層中心) を検証する基盤になる。

手法

階数バンド (本レッスン独自定義):

用途バンド (TATE_YO 401-499 を 7 区分に集約): 業務 / 商業 / 娯楽サービス / 文教 / 住宅 / 工業 / 倉庫運輸他

実装

↑ L14_3d_city_model_compare.py 行 1375–1430

 1
 2
 3
 4
 5
 6
 7
 8
 9
1384
1385
1386
1387
1388
1389
1390
1391
1392
1393
1394
1395
1396
1397
1398
1399

def kaisuu_band(k):
    if k <= 0: return "0_その他"
    if k == 1: return "1_平屋"
    if k == 2: return "2_2階"
    if k <= 4: return "3_3-4階"
    if k <= 9: return "4_5-9階"
    return "5_10階以上"

def yoto_band(c):
    c = int(c)
    if 401 <= c <= 404: return "1_業務"
    if 411 <= c <= 415: return "2_商業"
    if 421 <= c <= 431: return "3_娯楽サービス"
    if c == 441:        return "4_文教"
    if 451 <= c <= 454: return "5_住宅"
    if c == 461:        return "6_工業"
    if 471 <= c <= 499: return "7_倉庫運輸他"
    return "9_不明"

all_b["kaisuu_band"] = all_b["KAISUU"].apply(kaisuu_band)
all_b["yoto_band"]   = all_b["TATE_YO"].apply(yoto_band)

# クロス集計: 市町×階数バンド (構成比)
band_cross = all_b.groupby(["city", "kaisuu_band"]).size().unstack(fill_value=0)
band_cross_pct = band_cross.div(band_cross.sum(axis=1), axis=0) * 100

図2 — 階数バンド構成比 (積み上げ棒) + 高層率 vs 平屋率

なぜこの図か: 7 市町の階数構成を 積み上げ棒 1 本/市町 で見ると、 「都市階層を上に行くほど高層比率がスライドして増える」というスケーリング則を視覚的に確認できる。 右の棒は H1 vs H2 の対比 (高層率 vs 平屋率) を 1 図で並べる (要件 H)。

図2 階数バンド構成比 (左, 積み上げ) と 5階以上率 vs 平屋率 (右)

この図から読み取れること:

• 左図: 2 階建てが全市町で支配的 (50-65%)。日本の都市の基層は「2 階建て住宅」
• 左図: 紫 (10 階以上) は広島市・福山市にしか目視できる量がない
• 右図: 5 階以上率の市町間格差は約 2 倍 (広島 vs 最大他市町)
• 右図: 平屋率は中山間・旧市街で 50% 超 — 「平屋が主役の都市」と「2 階以上が主役の都市」に二極化

表 — 市町別 階数バンド構成比 (%)

この表から読み取れること:

• 10 階以上の構成比が 0.5% を超えるのは 広島市のみ (薄赤セル)
• 平屋率 30% 以上の市町 (薄黄セル) は 三次市・府中市・竹原市・海田町
• 5-9 階バンドは呉市・福山市が広島市と肩を並べる — 「中層中心の港湾都市」 (H4 の予兆)

図7 — 用途×階数の組合せ (ヒートマップ)

なぜこの図か: 棒グラフでは 「住宅は何階が中心か」「商業はどこで階数が上がるか」のような 2 軸の関係性が見えない。ヒートマップで 1 図で集約 (要件 H)。

図7 市町×用途の平均階数 (赤=高階数, 黄=低階数)

この表 (図7 の元データ) から読み取れること:

• 業務・商業は 都市規模に応じて階数が上昇 (広島の業務 ≫ 三次の業務)
• 住宅の平均階数は 1.7-2.2 でほぼ一定 — 戸建ベース文化の強さ
• 工業・倉庫運輸は全市町で 1.0-1.5 (実質平屋〜2 階) で都市規模との相関が薄い

分析3: 軒高 (TATE_H) の分布 — メートル単位での「都市の身長」

狙い

階数 KAISUU は離散値 (1, 2, 3...) だが、軒高 TATE_H は m 単位の連続値。 同じ「3 階建て」でも、商業ビル (天井 4 m × 3 = 12 m) と低層マンション (天井 3 m × 3 = 9 m) では軒高が違う。 都市ごとの軒高分布を P95/P99 で見比べると、「裾の長さ」 = 高層化の進度が分かる。

手法

• TATE_H > 0 の建物だけ抽出 (0 は未測定)
• 市町ごとに median, P75, P95, P99, max を計算
• ヒストグラムは log y 軸で「裾」を拡大表示 (高層は希少なため線形だと潰れる)
• 三次市は TATE_H が全 0 (未測定) なので、軒高分析からは除外。階数 KAISUU だけで議論

図3 — 軒高ヒストグラム (city 別, log y)

なぜこの図か: 軒高は典型的な 裾の長い分布 (大半が低い、ごく一部が高い)。 log y で描くと裾の構造が読み取れる。P95/P99 を縦線で示すことで「上位 5% / 1% の境界」を明示 (要件 H)。

図3 7 市町 軒高 (TATE_H) 分布 — log y

この図から読み取れること:

• 広島市の P99 が他市町より顕著に右にある (軒高 50 m 超の建物が一定数存在)
• 福山市・呉市の P99 は 25-35 m (= 8-10 階相当)
• 三次市は「TATE_H 未測定」のためグレー枠に置換 (= 階数のみで判断)
• 竹原市・海田町は P95 でも 15 m 程度 (= 5 階以下)

表 — 市町別 軒高分布要約

この表から読み取れること:

• P99 の市町間格差は約 2.1 倍 — 「最も高い 1%」のスケールが大きく違う
• 中央値は 6-9 m とほぼ全市町で共通 (= 2 階建ての軒高水準)。「ふつうの建物」の高さは都市規模と独立
• P95 と中央値の差 = 「都市の身長分布の裾の太さ」。広島市が最大

分析4: 浸水域 × 建物高度 — 「致命率」の市町ランキング

狙い

本記事の最重要分析。
浸水想定深 3 m 以上 (#1278 の rank ≥ 50) の地域に立つ平屋 (1 階建て) は、 垂直避難先がなく 命の危険最高ランク である。これを 「致命的建物」 と定義し、市町ランキングを取る。 H3 (致命的建物の存在) と H6 (市町間 10 倍以上の差) を同時に検証する。

手法 — 代表点 sjoin による高速近似

素朴な発想: 全建物 footprint と 全浸水ポリゴンを gpd.overlay() で総当たり交差。 しかし 50 万棟 × 600 浸水ポリゴン = 3 億回の交差判定 → 数十分かかる (要件 S 違反)。

本記事の高速化: 建物 footprint を representative_point() で 1 点に縮約 → 浸水ポリゴンに sjoin(predicate='within')。 点 vs ポリゴンの sjoin は GEOS の R-Tree インデックスで O(N log M) で完了する。 建物 footprint の代表点が浸水ポリゴン内にあれば、その建物は浸水想定域内と判定。 精度は「建物の中心 1 点で代表する」近似だが、商業ビル / 戸建のいずれも footprint が小さいため十分。

致命的建物の判定式

建物 i が致命的 ⇔ depth_rank ≥ 50 (3 m 以上) かつ KAISUU == 1 (平屋)

相対安全建物: in_flood かつ KAISUU ≥ 2 (浸水深に関わらず 2 階以上で垂直避難可能)

実装

↑ L14_3d_city_model_compare.py 行 1500–1566

 1
 2
 3
 4
 5
 6
 7
 8
 9
1509
1510
1511
1512
1513
1514
1515
1516
1517
1518
1519
1520
1521
1522
1523
1524
1525
1526
1527
1528
1529
1530

# 1) 建物 footprint → 代表点 (高速化)
bld_pts = gpd.GeoDataFrame(
    all_b[["city", "KAISUU", "TATE_YO", "kaisuu_band", "yoto_band"]].copy(),
    geometry=all_b.geometry.representative_point(),
    crs=TARGET_CRS,
)

# 2) 浸水深ポリゴンと sjoin (建物点がどの浸水ランクに含まれるか)
flood = gpd.read_file(DEPTH_SHP, columns=["rank"]).to_crs(TARGET_CRS)
flood["depth_rank"] = flood["rank"]
bld_in_flood = gpd.sjoin(bld_pts, flood[["depth_rank", "geometry"]],
                         how="left", predicate="within")

# 3) 致命的・相対安全フラグ
bld_in_flood["in_flood"]     = bld_in_flood["depth_rank"].notna()
bld_in_flood["depth_rank"]   = bld_in_flood["depth_rank"].fillna(0).astype(int)
bld_in_flood["deep_3m"]      = bld_in_flood["depth_rank"] >= 50  # 3m 以上
bld_in_flood["deadly_flat"]  = bld_in_flood["deep_3m"] & (bld_in_flood["KAISUU"] == 1)
bld_in_flood["safe_2plus"]   = bld_in_flood["in_flood"] & (bld_in_flood["KAISUU"] >= 2)

# 4) 市町別集計
flood_join_summary = bld_in_flood.groupby("city").agg(
    n_total=("in_flood", "size"),
    n_in_flood=("in_flood", "sum"),
    n_deep_3m=("deep_3m", "sum"),
    n_deadly_flat=("deadly_flat", "sum"),
    n_safe_2plus=("safe_2plus", "sum"),
).reset_index()
flood_join_summary["pct_deadly_flat"] = (
    flood_join_summary["n_deadly_flat"] / flood_join_summary["n_in_flood"] * 100
)

図4 — 致命率 市町ランキング + バブル散布

なぜこの図か: ランキング棒で「どの市町が致命率が高いか」を直感的に見せ、 散布図で「曝露量 (浸水域内棟数) と致命率」の 2 軸関係 + 人口バブルで 3 軸目も同時表示 (要件 H, T)。

図4 致命率ランキング (左) と 曝露×致命率 散布 (右, バブル=人口千人)

この図から読み取れること:

• 左図: 致命率の最大は 府中市 (26.7%) — 3633 棟が「3 m+ 平屋」
• 右図: 広島市は曝露量 (浸水域内棟数) が最大だが、5 階以上ストックが多いため致命率は中位
• 右図: 中山間市町は曝露量は少ないが、 致命率が高い = 件数こそ少ないが住民個人の生死に直結する確率は高い

図5 — 浸水 × 建物 主題図 (広島市拡大)

なぜこの図か: ランキングだけでは「どの地区に致命的建物が集中するか」が見えない。 広島市デルタを拡大し、浸水深 3 m 以上 (青塗り) × 致命的建物 (赤点) を 1 枚に重ねることで、 「太田川河口南岸の平屋密集地」のような具体的な地理パターンを可視化 (要件 T 主役級)。

図5 広島市 — 左: 浸水深 × 階数バンド, 右: 致命的建物 (赤) と相対安全 (青)

この図から読み取れること:

• 広島市デルタ南部 (江波・宇品周辺) に薄〜濃青の浸水域が広がる
• 右図の赤点 (致命的建物) は 太田川河口の中州・南部の平屋住宅地に分布
• 青点 (相対安全) は同じエリアの 2 階以上の住宅・マンションで、同じ浸水深でも階数次第で致命/相対安全が分かれる状況が一目で確認できる
• これは 「居住階を 2 階に上げる」「平屋住人の事前避難計画」 など、政策接続できる発見

表 — 浸水域 × 階数 sjoin 集計 (市町別)

この表から読み取れること:

• 致命的建物 (薄赤セル) は全 7 市町合計で 35,816 棟 — H3 は 支持
• 致命率の最大/最小比 は H6 検証の中核値
• 「相対安全率」 (3 m+ でも 2 階以上) は広島市・福山市で高く、中山間市町で低い — 高層化が進んだ都市は浸水時の生存余地が大きい

分析5: 中心市街地 (DID) 内外 — 「都市勾配」の数値化

狙い

同じ市町内でも 中心市街地 (DID) は階数が高く、郊外は平屋が多い はず。 DID 内外で建物階数を比較して 「都市勾配 (urban gradient)」 を市町別に数値化する。 これは 「中心 vs 郊外」 の差が 大都市 (広島) では大きく、小都市 (竹原) では平坦 という都市地理学の古典的仮説の検証。

手法

• DID GeoJSON (#1294 系列) の各市町ファイルを読み込み、dissolve で市町内 DID 全体を 1 ポリゴンに統合
• 建物 footprint の representative_point が DID ポリゴン内にあるか within 判定
• DID 内 / DID 外 で階数 KAISUU の 箱ひげ + 平均 を比較
• 差 (DID 内平均 − DID 外平均) と 比 (DID 内平均 / DID 外平均) を市町間で並べる

実装

↑ L14_3d_city_model_compare.py 行 1589–1639

 1
 2
 3
 4
 5
 6
 7
 8
 9
1598
1599
1600
1601
1602
1603
1604
1605
1606
1607
1608
1609
1610
1611

did_compare = []
for slug, g in city_data.items():
    jp = g["city"].iloc[0]
    did_files = list((DID_DIR / f"did_{jp}").glob("*.geojson"))
    if not did_files: continue
    did = gpd.read_file(did_files[0]).to_crs(TARGET_CRS)
    did_u = did[["geometry"]].dissolve()  # 市町内 DID を 1 ポリゴンに
    bld_pts = gpd.GeoDataFrame(
        g[["KAISUU"]].copy(),
        geometry=g.geometry.representative_point(),
        crs=TARGET_CRS,
    )
    bld_pts["in_did"] = bld_pts.geometry.within(did_u.geometry.iloc[0])
    inside  = bld_pts[bld_pts["in_did"]]["KAISUU"]
    outside = bld_pts[~bld_pts["in_did"]]["KAISUU"]
    inside, outside = inside[inside > 0], outside[outside > 0]
    did_compare.append({
        "city": jp,
        "mean_in":  float(inside.mean()),
        "mean_out": float(outside.mean()),
        "diff_mean":  float(inside.mean() - outside.mean()),
        "ratio_in_out": float(inside.mean() / max(outside.mean(), 0.01)),
    })

図6 — DID 内外 箱ひげ比較

なぜこの図か: 平均だけだと外れ値 (タワー) に引っ張られる。箱ひげで中央値・四分位を見せ、平均は丸でオーバーレイ。 左 (DID 内) → 右 (DID 外) の階段状の落差が 「都市勾配」 の視覚化 (要件 H)。

図6 中心市街地 (DID) 内外 で建物階数の箱ひげ比較

この図から読み取れること:

• 全市町で DID 内 (左) > DID 外 (右) の階数差が確認できる — 都市勾配は普遍的
• 勾配の大きさ (DID 内 - DID 外) は広島市・福山市で大きく、海田町では平坦
• 外れ値 (高層) は DID 内に集中 — タワーは中心部にしか立たない

表 — DID 内外 階数比較

DID 比較から除外された市町:

• 三次市: DID CITY_CD=[208] は['府中市'] 用 (ファイル名と内容が不整合 — DoBoX 抽出ミス)

この表から読み取れること:

• 全 6 市町で 「比 (中心/郊外)」 > 1.0 — どの規模の都市でも都市勾配は確認できる (普遍性)
• 勾配 (差 0.34 階) が最大なのは 広島市・海田町。広島は中心高層化型、海田町は市域が小さく 大半が DID 内 なので「DID 外サンプル」が少ない解釈に注意 (DID 外 306 棟のみ)
• 勾配 (差 0.07 階) が最小なのは 竹原市。竹原は中心も郊外もほぼ平屋〜2 階 — フラット構造の典型
• 府中市は DID 内 1.70・DID 外 1.48 — 中山間ながら旧市街は近代化が進み、明確な勾配を持つ
• 三次市は DID 公開データの整合性問題で本分析から除外 (上の警告ボックス参照)

仮説検証と考察

図8 — 広島県全域 7 市町 統合主題図 (シノプティックビュー)

なぜこの図か: 個別の small multiples (図1) では市町ごとの構造が見えるが、 県全体としてどこに高層ストックが集中しているか はワンショットで掴みにくい。 1 枚に 7 市町を統合した主題図は、本記事の「7 市町統合」というテーマ自体の象徴 (要件 T)。

図8 広島県 7 市町 建物分布 主題図 — 統合カバー宣言の視覚化

この図から読み取れること:

• 広島市デルタに紫 (高層) が密集、福山市駅前にも一定数
• 呉市は山際の細長いエリアに中層が連なる
• 三次市・府中市・竹原市は黄〜橙 (低層) が支配的でほぼ紫が見えない
• 海田町は密度が高いが層構成は黄+橙中心

仮説 H1〜H6 判定

結果サマリー (主要な発見)

• 都市階層と建物高度: 5 階以上率は広島市が突出 (3.17%)、他市町は 1% 未満で約 2 倍の格差
• 2 階建ての普遍性: 全市町で 50-65% が 2 階建て — 日本の都市の「基層」
• 致命的建物の存在: 浸水想定 3 m 以上 × 平屋 = 35,816 棟。これは政策・防災教育の最優先ターゲット
• 都市勾配の差: 中心 (DID) 内外の階数差は政令市で 0.5 階以上、中山間市町で 0.2 階以下
• 港湾系の中層中心: 呉市・福山市の 3-4 階バンド比率が三次市の 3.5 倍

本記事の限界

• 3D 都市モデル (CityGML) 本体は未取得 (重量級)。建物利用現況 GeoJSON で代替したため、屋根形状・LOD2 ファサードなどの 3D 情報は扱えない
• 軒高 TATE_H は三次市で全 0 (未測定)。階数のみで議論
• 浸水想定は #1278 の「最大規模」のみ。計画規模との比較は L09 / X09 を参照
• 代表点 sjoin は精度近似。建物 footprint が浸水ポリゴン境界をまたぐ場合、誤判定の可能性あり (footprint が小さいため影響は限定的)

発展課題

結果X → 新仮説Y → 課題Z (要件E)

1. 致命的建物の地理クラスタリング

• 結果X: 致命的建物 35,816 棟は広島市デルタ南部・福山市の沿岸部に集中 (図5)
• 新仮説Y: これらは 「旧河川敷・干拓地・埋立地」 に多く立地し、地盤沈下や液状化リスクも高いはず
• 課題Z: DBSCAN で致命的建物の空間クラスタを抽出し、各クラスタ重心を液状化マップ・地盤分類図と sjoin。 「致命的 × 軟弱地盤」 の最優先地区を 5-10 件特定する。 使う手法: sklearn.cluster.DBSCAN + 国交省ジオロジカル地盤マップ

2. CityGML LOD2 への発展 (3D 都市モデル本来の活用)

• 結果X: 本記事は 2D footprint + 階数の分析。「屋根形状」は扱えていない
• 新仮説Y: 屋根形状 (寄棟・切妻・陸屋根) は地域文化・気候 (積雪) で違うはず。 例えば三次市は積雪を考慮した急勾配屋根が多い?
• 課題Z: PLATEAU CityGML の LOD2 を 1 市町だけ取得 (例: 竹原市 = 比較的小サイズ) し、 屋根形状属性 (RoofSurface) を抽出。plateaupy または citygml-tools ライブラリ。 重量を割り切る前提で、建物 1 万棟までサンプル抽出。 屋根勾配の市町間比較 → 気候適応の可視化

3. 時系列データとの結合 — 新築と廃絶

• 結果X: 静的な「現状」スナップショットしか見ていない
• 新仮説Y: 過去 10 年で 中心市街地 (DID 内) の高層化 が進み、郊外は 平屋の更新 が止まっている可能性
• 課題Z: DoBoX #1334 (新築動向) と本記事の階数バンドを年次クロス。 「新築の階数バンド構成」が「既存ストックの階数バンド構成」と乖離していれば、構造変化が進行中

4. 建物 × 鉄道駅 — 駅前再開発の効果

• 結果X: 高層建物は中心市街地に集中するが、その「中心」 = 駅前か?
• 新仮説Y: 5-9 階・10 階以上は JR 駅から半径 500 m 以内 に集中するはず
• 課題Z: 鉄道駅 GeoJSON (国土数値情報) と本記事の建物データを sjoin_nearest で距離結合。 駅からの距離 × 階数バンドの分布を作る。 駅前再開発の効果定量化につながる

5. 浸水以外のハザードへの拡張

• 結果X: 浸水だけ見たが、土砂災害警戒区域 (L10) との重なりは未検証
• 新仮説Y: 山間部市町 (三次市・府中市) では 「土砂災害区域内 × 平屋」 の方が浸水よりリスク高
• 課題Z: 本記事の手法 (代表点 sjoin) を土砂 Shapefile に適用し、 「土砂区域内 × 平屋」 件数を市町別に集計。 浸水致命率と土砂致命率を 1 つの図に並べて 「市町ごとに支配的ハザードが違う」 を示す