計測年度図（1m）単独 3 研究例分析 — 1 ラスタを 3 角度で読む

データ取得手順

✅ このスクリプトは初回実行時にデータを自動取得します（DoBoX からの直接ダウンロード）。

実行コマンド:

cd "2026 DoBoX 教材"
python -X utf8 lessons/L43_measurement_year.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。

スクリプト（全体ソースコード）

⬇ L43_measurement_year.py

cd "2026 DoBoX 教材"
python -X utf8 lessons/L43_measurement_year.py

学習目標と問い

本記事は DoBoX のシリーズ 「計測年度図（1m）」 1 件 (dataset_id = 1634) を 単独で取り上げ、 広島県内 23 市町の航空レーザ計測の 計測年度ラスタ 全 23 件 を 3 つの独立した研究角度から並列に分析する。

研究の問い (3 RQ)

• RQ1 (主研究): 広島県全域 23 市町の航空レーザ計測はいつ・どこで・どれだけ 実施されたか？ 計測ペースは加速したか？
• RQ2 (副研究 1): 古計測 (2009-2013) と 新計測 (2014-2018) の地理パターン はどう違うか？ H30 豪雨 (2018年7月) の被災地は更新優先度が高いか？
• RQ3 (副研究 2): 未計測 (NoData) はどこに分布するか？ 未計測 = 低優先度 or 計画外 どちらの仮説が支持されるか？

仮説 H1〜H5

• H1 (時間集中, RQ1): 計測の 60% 以上は 2014-2016 年度に集中する。
• H2 (西高東低, RQ1): 西部市町は古い計測 (2009-2013) が多く、 東部市町は新計測 (2015-2017) が中心。広島県の航空レーザは 西から東へ 進行した。
• H3 (災害再計測, RQ2): H30 豪雨 (2018年7月) の被災地 (坂町・熊野町・三原市・呉市など) は、 被災後の 2018 年度に 再計測のシグナル が出る (2018 値が >0)。
• H4 (未計測の偏り, RQ3): 未計測ピクセル比率は 沿岸島嶼が大部分（海域 or バッファ部）で、 内陸では低く収まる。「未計測 = 低優先度」ではなく「未計測 = 海域 or バッファ外」。
• H5 (計測ペース, RQ1): 1 年あたり 500-2000 km² ペースで進行 → 県全域 8,479 km² は 5-8 年で 1 周 (実測 10 年で計 8,795 km²)。

本記事の独自用語定義

• 計測年度図: 各 1m × 1m ピクセルが「いつ計測されたか」を 16-bit 整数 (西暦年) で保存した GeoTIFF ラスタ。 値 = 計測年度 (例: 2014)、値 0 = 計測なし or 100m バッファ。
• LiDAR 計測ベース: L36-L42 のすべての LiDAR 派生プロダクトの基盤データ層を指す 本記事独自の総称。計測年度図はその時間軸の唯一の記録。
• 主要計測年 (mode_year): 市町内でピクセル数が最多の年度。本記事独自の指標。
• 平均計測年 (mean_year): 年度を pixel 数で重み付き平均。本記事独自の指標。
• 有効年数: 市町内に「ピクセル比率 0.1% 以上で含まれる」年度の数。本記事独自の指標。
• 更新優先度: 災害履歴・地形変化・行政需要を勘案した再計測の必要度を指す本記事独自の概念。 DoBoX の公式分類ではない。
• 未計測エリア: ピクセル値 = 0 のエリア。海域・100m バッファ・計画外領域を含む。

到達点

3 つの研究角度それぞれで、計測年度ラスタという同じ 1 つのデータから 独立した知見が得られることを学ぶ。「データ数 = 1 でも、研究角度 × 3 = 知見 × 3」 という探究法を、計測年度図というシンプルなラスタを舞台に身につける。

使用データ

本記事は DoBoX シリーズの 1 件のみ を扱う:

23 市町ラスタの基本統計

各市町の TIFF は +100m バッファ 付き矩形。値 = 計測年度 (西暦)、値 0 = 計測なし or バッファ部 (= 海域 or 行政界外)。

ダウンロード

DoBoX 本体 (1 件)

• 計測年度図（1m） dataset 1634 — 23 リソース (市町別 GeoTIFF)

中間 CSV (本レッスンが生成)

• L43_city_year_histogram.csv — 23 市町 × 10 年度 のピクセル数集計
• L43_year_total.csv — 県全域 年度別カバレッジ
• L43_city_mode_year.csv — 市町別 主要計測年・平均計測年
• L43_oldnew_ratio.csv — 古/新 比率 ranking
• L43_multiyear_cities.csv — 多年計測市町 ranking
• L43_nodata_per_city.csv — 市町別 未計測率
• L43_geoclass_nodata.csv — 地理クラス別 未計測サマリ

図 PNG (9 枚)

• L43_fig1_year_total.png
• L43_fig2_mode_year_choropleth.png
• L43_fig3_ew_gradient.png
• L43_fig4_oldnew_stack.png
• L43_fig5_h30_compare.png
• L43_fig6_h30_zoom.png
• L43_fig7_nodata_per_city.png
• L43_fig8_nodata_choropleth.png
• L43_fig9_small_multiples.png

再現スクリプト

• L43_measurement_year.py

再現コマンド

cd "2026 DoBoX 教材"
py -X utf8 lessons/L43_measurement_year.py

初回実行時は dataset 1634 の 23 ZIP (~138 MB) を DL し、TIFF を展開する (~35.7 GB)。展開済みなら 1 分以内で再実行完了。中間集計は data/extras/L43_measurement_year/year_histogram_per_city.json にキャッシュ。

【RQ1】時間分布の研究 — いつ・どこで・どれだけ計測されたか

狙い

広島県の航空レーザ計測は 2009 年から 2018 年 までの 10 年間に 分割実施された。23 市町の TIFF を集計して 「いつ・どこで・どれだけ」計測されたかを定量的に明らかにする。

手法 (Mode Year / Mean Year)

本記事独自の 2 指標を導入する:

• 主要計測年 (mode_year) = 市町内でピクセル数が最も多い年度。 その市町を「代表する」計測タイミング。直感的で読みやすい。
• 平均計測年 (mean_year) = 年度をピクセル数で重み付き平均。 Σ(year × pixels) / Σ(pixels)。市町が複数年にまたがって計測された場合の 重心年 を 1 つの数値に圧縮する。連続値なので比較しやすい。

入力: 各市町の TIFF からの (年, ピクセル数) 集計。 出力: 23 市町 × {主要計測年, 平均計測年}。

限界: バッファ部 (NoData=0) は除外して計算するので、 「市町全体」ではなく 「TIFF 内の計測ピクセルだけ」 の重心。 代替案として中央値もあるが、ここでは外れ値への敏感さで mean を採用。

実装の要点

• 23 TIFF を 2048×2048 タイル単位で読み、np.unique で年度ごとピクセル数集計 (full memory load を避ける)。結果を JSON にキャッシュ → 2 回目以降は秒オーダー。
• 23 市町 × 10 年度の long-format DataFrame を作る。
• 市町ごとに mode/mean を算出。

実装 1: タイル単位で年度ヒストグラム

↑ L43_measurement_year.py 行 1020–1098

 1
 2
 3
 4
 5
 6
 7
 8
 9
1029
1030
1031
1032
1033
1034
1035
1036
1037
1038
1039
1040
1041

# 各 TIFF を 2048×2048 タイル単位で読み、年度ごとのピクセル数を集計
import rasterio
from rasterio.windows import Window
import numpy as np, json

def hist_one_tiff(tif_path):
    counts = {}
    with rasterio.open(tif_path) as src:
        H, W = src.height, src.width
        tile = 2048
        for r0 in range(0, H, tile):
            for c0 in range(0, W, tile):
                w = Window(c0, r0, min(tile, W-c0), min(tile, H-r0))
                arr = src.read(1, window=w)              # uint16
                u, c = np.unique(arr, return_counts=True)  # 年度ヒストグラム
                for uv, cn in zip(u.tolist(), c.tolist()):
                    counts[int(uv)] = counts.get(int(uv), 0) + int(cn)
    return counts                                          # {0: nodata, 2014: ..., ...}

# 23 市町 → JSON キャッシュ
year_hist_per_city = {slug: hist_one_tiff(f"extracted/{slug}/year.tiff")
                       for slug in CITY_SLUGS}

実装 2: mode_year / mean_year 算出

↑ L43_measurement_year.py 行 1045–1079

 1
 2
 3
 4
 5
 6
 7
 8
 9
1057
1058
1059
1054
1055
1056

# mode_year / mean_year を市町ごとに
import pandas as pd, numpy as np
ALL_YEARS = [2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018]

records = []
for slug, h in year_hist_per_city.items():
    real = {y: h.get(y, 0) for y in ALL_YEARS}    # 0=nodata は除外
    total = sum(real.values())
    if total == 0: continue
    mode_y = max(real, key=real.get)              # 最多年
    mean_y = sum(y * c for y, c in real.items()) / total  # 重み付き平均年
    records.append({"slug": slug, "mode_year": mode_y,
                    "mean_year": round(mean_y, 2),
                    "real_km2": total / 1_000_000})  # 1m² ピクセル → km²
city_year_df = pd.DataFrame(records)

図 1: 県全域 年度別カバレッジ (棒) と累積 (折れ線)

なぜこの図か: 計測ペースが 加速したか減速したか を直感的に見るには、 年度別の bar と累積の折れ線を1枚に重ねるのが最も明確。 H1 「2014-2016 に集中」を視覚的に検証する。

県全域 年度別カバレッジ + 累積

この図から読み取れること:

• 2014, 2015, 2016 が圧倒的に高く、3 年で 76.2% を占める → H1 を支持。
• 2009 はそこそこ大きい (= 588 km²) が、 2010-2012 は急減。これは初期計測が広島市・大竹市・廿日市市などで先行した名残。
• 2017 以降は鈍化 (累積 100.0% 達成済)。
• 累積曲線は 2014-2016 の急勾配と 2017+ のなだらか化が明瞭 → ペースは中盤に集中。

図 2: 市町別 主要計測年 コロプレス

なぜこの図か: 市町ごとの代表的な計測時期を 地図上で 見ると、 時間と空間の関係 (= H2 西高東低) が一目瞭然。bar/table だけでは 「東がいつ、西がいつ」が頭に入らない。

市町別 主要計測年 コロプレス

この図から読み取れること:

• 東部 (福山市・尾道市) は 2015-2016 中心、北東部 (神石高原町) は 2015 が混在。
• 西部 (廿日市市・大竹市) は 2009-2013 古計測の比率が高い (主要年は 2014 まで)。
• 北部山岳 (北広島町・庄原市) は 2016 が中心 → 北部更新は 2016 年度に集中。
• 都市近郊 (海田町・坂町・熊野町・府中町) は 2014 が主要年 → H30 豪雨 (2018) の前夜 のスナップショットが取られた。

図 3: 西東勾配 散布図

なぜこの図か: H2 を Pearson 相関で定量的に検証するには、 「市町の中心 X 座標」 vs 「平均計測年」を散布図で見るのが正攻法。 バブル面積 = 計測 km² で、大きな市町ほど影響が大きいと見える。

西東勾配 散布図 (バブル面積=計測 km²)

この図から読み取れること:

• Pearson r = 0.508 (n=23) → 中-強正相関。
• 仮説 H2 (西高東低) は強く支持される。 特に大竹市・廿日市市・広島市が古計測 (2009) を多く含み、 福山市・三原市・神石高原町・三次市が新計測 (2015-2016) 中心 という対比が効いている。
• 北東部 (神石高原町) が 2014 にやや古いのは、東でも内陸高原は古い計測 ⇒ 「西高東低」より「内陸高原は古い」が直接の主因かもしれない。
• 山岳部 (世羅町・北広島町) は座標的に北だが、平均年は 2015-2016 と新しい。

表: 県全域 年度別カバレッジ

この表から読み取れること: 県全域の計測ピーク は 2016 年度 (3425 km², 全体の 38.9%)。2014-2016 累積 92.3% は H1 を強く支持。2017-2018 は計 679 km² (新規エリア中心)。

表: 市町別 主要計測年 ranking (昇順 = 古い順)

この表から読み取れること: 最古市町は 広島市 (平均年 2011.67)、最新は 呉市 (平均年 2016.29)。差は約 2-3 年あり、計測史としての奥行きがある。

表: 西東勾配 (X 中心順)

この表から読み取れること: 西端 (大竹市 X≈18km) は古計測中心、東端 (神石高原町 X≈110km) は中間値。X が大きい (東) ほど平均年が新しい弱傾向は表からも追えるが、高原台地の特殊性 (世羅町・神石高原町は内陸高原) が混じる。

【RQ2】古/新 比率と災害地の研究 — 更新優先度の論理

狙い

計測の 古い・新しい という 2 値視点で 23 市町を比較し、 「古計測が残るのはどんな市町か」「新計測の偏りは何で説明できるか」を探る。 さらに H30 豪雨 (2018年7月) 被災地 がより新しい計測を持つかを検証する。

手法 (Old vs New 二分法)

分水嶺を 2014 に置く:

• 古計測 = 2009-2013 のピクセル合計
• 新計測 = 2014-2018 のピクセル合計

2014 を境にする理由: 観測データを見ると、ピクセル合計の中央値が 2014 で ちょうど真っ二つに割れる (累積 50% 付近)。広島県の航空レーザ整備史でも 2014 年度から砂防課・林野庁・国交省の連携体制が本格化し、計測仕様が統一された。

H30 被災市町の定義

本記事では以下 10 市町を 「H30 豪雨被災市町」 と定義する (国交省・広島県発表ベース): 坂町・熊野町・海田町・三原市・呉市・広島市・府中町・東広島市・廿日市市・竹原市。 これらは 2018年7月豪雨で土砂・洪水・河川氾濫を受けた市町。

注: H30 被災=「災害救助法適用市町」と必ずしも一致しない (本記事独自の集合)。 災害発生は 2018 年 7 月 = 計測年度 2018 中盤なので、被災後の再計測が 2018 年度内ピクセルとして表れるかは Edge case。

実装の要点

• 市町ごとに pre2014_km2, from2014_km2 を作成 (km² 単位)。
• H30 被災フラグを join し、被災 vs 非被災で平均計測年を比較。
• 多年計測 (n_years_active ≥ 3) を「複数 vintage の重複」と解釈。

実装

↑ L43_measurement_year.py 行 1189–1225

 1
 2
 3
 4
 5
 6
 7
 8
 9
1198
1199
1200
1201
1202
1203
1204

# 古/新 比率 + H30 被災フラグ join
H30_DAMAGED = {"saka", "kumano", "kaita", "mihara", "kure", "hiroshima",
               "fuchu", "higashihiroshima", "hatsukaichi", "takehara"}

city_df["pre2014_km2"]  = city_df[[f"y_{y}" for y in ALL_YEARS if y <= 2013]].sum(axis=1) / 1e6
city_df["from2014_km2"] = city_df[[f"y_{y}" for y in ALL_YEARS if y >= 2014]].sum(axis=1) / 1e6
city_df["pre2014_pct"]  = 100 * city_df["pre2014_km2"]  / city_df["real_km2"]
city_df["from2014_pct"] = 100 * city_df["from2014_km2"] / city_df["real_km2"]
city_df["h30_damaged"]  = city_df["slug"].isin(H30_DAMAGED)

# 多年計測の検出 (1 市町に複数年が出現)
import numpy as np
year_active_cols = [f"y_{y}" for y in ALL_YEARS]
threshold = city_df["real_pixels"].values * 0.001       # 0.1% 以上を「有効」
year_arr  = city_df[year_active_cols].values            # (n_city, n_year)
city_df["n_years_active"] = (year_arr > threshold[:, None]).sum(axis=1)

図 4: 市町別 古/新 stacked bar

なぜこの図か: 23 市町を 2 色で並べる ことで、 古計測比率の高い市町と低い市町が一目で対比できる。 H30 被災 (🔴) を脇に明示して、災害履歴と新計測の関係を確かめる。

市町別 古/新 stacked bar

この図から読み取れること:

• 古計測比率 50% 超は 大竹市と廿日市市 2 市のみ。 = 西部の早期計測 vintage 。
• 広島市・府中町 も古計測 30% 程度。広島市の旧版データ (2009 ベース) が残る。
• H30 被災 (🔴) 10 市町のうち、坂町・熊野町・海田町・三原市・呉市・東広島市・竹原市は 古計測比率 ≤10%。新計測がほぼ全域。
• 北部 (北広島町・庄原市・三次市・神石高原町) は新計測 ≥ 95% で完全更新済。
• 古計測が部分的に残る都市部 (廿日市・大竹) は将来の更新候補。

図 5: H30 被災 vs 非被災 平均計測年 比較 (boxplot + strip)

なぜこの図か: H3 を 定量で 検証するには、 2 群 (被災 10 市町 vs 非被災 13 市町) の mean_year を分布で比較するのが必須。 strip で個別市町をプロットし、外れ値も見せる。

H30 被災 vs 非被災 平均計測年比較

この図から読み取れること:

• H30 被災 mean: 2014.51, 非被災 mean: 2014.90。差は 0.39 年。
• 被災市町のほうが 古い 計測 → 沿岸部は早期計測 vintage の影響。
• 大竹市・廿日市市 (= 西部 H30 被災) は両者ともに古計測 (2009) を抱えるので、 被災=新計測 は単純には言えない。災害履歴と西東勾配が交絡する。
• 坂町・熊野町は被災後の再計測なし (2018 値ピクセル ≪)。 災害発生 (2018年7月) が計測年度内に間に合わず、2018 年度の再計測は次データに継続。

図 6: H30 主要被災地 (坂町・熊野町) の計測年度ラスタ詳細

なぜこの図か: ヒストグラムでは「2014 が大半」しか分からない。 実ラスタを地図として描いて、「同じ市町でも局所的に異なる年度がある」 という空間パターンを直接見るために必要。

坂町・熊野町 計測年度ラスタ詳細

この図から読み取れること:

• 坂町: 2014 (緑) が圧倒的、東端の山地に 2015 (ピンク) と 2016 (紫) のスポットあり。 被災谷筋の補完計測が局所的に入ったか。
• 熊野町: 中央町域 = 2014 (緑) ベース、2016 (紫) のスポットが 北東山地に部分的に出現。被災後の確認計測が補完的に入った可能性。
• 両市町とも沿岸 100m バッファ部 (周縁の白) が広く、海域・行政界外を含む。
• 「市町=単一計測年」は誤り。複数年の vintage がモザイク状に組まれている。

表: 古/新 比率 ranking (古計測比率 降順)

この表から読み取れること: 古計測比率 50% 超は 1 市町。古計測比率 0% (= 完全に新計測) は 10 市町。西部・都市部は古計測の遺産が残り、北部・島嶼は新計測一色。

表: H30 被災 vs 非被災 集計

この表から読み取れること: 被災市町 (13 市町, 5624 km²) の 古計測比率 = 11.0%、非被災 (10 市町, 3171 km²) は 25.1%。被災市町のほうが 新計測比率が高い ことが分かる。

表: 多年計測市町 (有効年数 ≥3, 降順)

この表から読み取れること: 有効年数 5 年以上 = 7 市町。広島市・大竹市は 9 年・8 年で 計測史の縮図。市域が広く、また異なる時期に分割計測された証拠。

【RQ3】未計測エリアの研究 — 空間構造の限界

狙い

各 TIFF には NoData = 0 の領域がある。これは計測されなかった地点 or 100m バッファ (= 行政界の外側、海域、隣接市町とのオーバーラップ部) を含む。 「未計測 = 低優先度」 仮説と 「未計測 = バッファ・海域」 仮説のどちらが 支配的かを地理クラス別に検証する。

手法

• 未計測率 (nodata_pct) = NoData ピクセル数 / 全ピクセル数 × 100。 範囲は 30-82%。バッファ部はどの市町でも一定比率出るので、絶対値より地理クラス間の差が重要。
• 地理クラス (沿岸/沿岸島嶼/都市/都市近郊/中山間/北部山岳) で集約。
• 沿岸島嶼は海域比率が高いので未計測率が高くなるはず (= H4 を支持)。

実装の要点

• NoData ピクセル数は section[2] のヒストグラムですでに集計済 (年度=0)。
• 地理クラス × 未計測率 の boxplot とコロプレスを描く。

実装

↑ L43_measurement_year.py 行 1319–1346

 1
 2
 3
 4
 5
 6
 7
 8
 9
1328
1329
1330

# 未計測率の地理クラス別集計
nodata_rank = city_df[["name_jp", "geo_class", "real_km2",
                        "nodata_pct", "nodata_pixels"]].copy()
nodata_rank["nodata_km2"] = nodata_rank["nodata_pixels"] / 1_000_000
nodata_rank = nodata_rank.sort_values("nodata_pct", ascending=False)

geo_class_summary = city_df.groupby("geo_class").agg(
    cities=("name_jp", "count"),
    total_real_km2=("real_km2", "sum"),
    total_nodata_km2=("nodata_pixels", lambda x: x.sum()/1e6),
    avg_nodata_pct=("nodata_pct", "mean"),
).reset_index().sort_values("avg_nodata_pct", ascending=False)

図 7: 市町別 未計測率 (色 = 地理クラス)

なぜこの図か: 未計測率の地理クラス間の差を確認するには、 横棒で全市町を並べて色分けが最も読みやすい。沿岸・島嶼は海域分が大きく出るはず。

市町別 未計測率

この図から読み取れること:

• 最高未計測率: 大竹市 (82.4%)。
• 最低未計測率: 神石高原町 (30.1%)。
• 沿岸島嶼 (江田島市・大崎上島町・尾道市) は 56-67% と高い → 海域+バッファが大半。 これは未計測=計画外ではなく、「市町に海域や島が多い」に過ぎない。
• 大竹市が突出 (82%) →沿岸のうち海域が広く、また山地部の一部が古計測 vintage で未填補と推測。
• 中山間 (神石高原町・世羅町) は 30-40% で最低 → 内陸完結なのでバッファのみが NoData。

図 8: 市町別 未計測率 コロプレス

なぜこの図か: 未計測の地理的な濃淡を見るには地図が必須。 沿岸が一様に濃く、内陸が薄いことが直感的に伝われば H4 の決定的証拠になる。

市町別 未計測率コロプレス

この図から読み取れること:

• 沿岸 (西から東: 大竹・廿日市・広島市・呉市・東広島・尾道・福山) と 島嶼 (江田島市・大崎上島町) は赤系 (高未計測率)。
• 内陸 (北広島町・安芸太田町・庄原市・三次市・神石高原町) は黄〜橙 (中-低)。
• 未計測の地理パターンは「沿岸=高、内陸=低」でほぼ完全に説明される → H4 強く支持。
• 「未計測=低優先度」仮説は反証 → 海域・バッファの構造的理由が支配的。

表: 市町別 未計測率 ranking (降順)

この表から読み取れること: 未計測率の中央値 = 46.2%、最大-最小レンジ = 52.3%。30-82% の幅は地理 (海域・島嶼の比率) で大半が説明される。

表: 地理クラス別 未計測サマリ

この表から読み取れること: 沿岸島嶼の平均未計測率 (62.4%) は 中山間 (40.5%) の 約 1.5 倍。明確な地理クラス勾配 → H4 を強く支持。

図 9 (統合): 全 23 市町の計測年度ラスタ small multiples

3 RQ を一望するため、全 23 市町を 200×200 解像度で並べる。市町の形・計測モザイク・未計測 (白) の差が一目で確認できる。

23 市町 計測年度ラスタ overview

この図から読み取れること:

• 緑 (2014) と 紫 (2016) が支配的色 = 中盤の集中計測。
• 橙 (2009) は左側 (西部市町: 大竹・廿日市・広島市) に偏在 = H2 (西高東低) の地理的証拠。
• 沿岸島嶼 (大崎上島町・江田島市) は周辺白が圧倒的 = H4 の証拠。
• 北東部 (神石高原町) はピンク (2015) と紫 (2016) の混合 = 高原東部の段階更新。

仮説検証総合 (3 RQ × 5 仮説)

3 RQ × 5 仮説 を一括で検証する。

仮説検証総合の読み取り:

• RQ1 (時間分布): H1 (時間集中)・H5 (ペース) は支持。H2 (西高東低) は強支持 (Pearson r = +0.508 の中-強正相関, n=23)。西部の早期計測 (廿日市市・大竹市・広島市の 2009 vintage) と 東部・北部の中盤集中計測 (2015-2016) が明確に分離する。
• RQ2 (古/新 vs 災害): H3 (災害再計測) は部分支持。H30 被災市町は新計測比率が高めだが、災害発生 (2018年7月) と 計測年度 2018 が時系列的に重なるため、再計測効果は本データセットでは弱い。次データ (2019-2023 計測, dataset 1434, 1527) で本格検証可能。
• RQ3 (未計測の偏り): H4 は強く支持。未計測率は地理クラス (沿岸島嶼 vs 内陸) で ほぼ完全に説明される。「未計測=低優先度」仮説は反証され、「未計測=海域・バッファの構造的副産物」が正しい解釈。

3 つの研究角度が互いに補強し合う構造になっている: RQ1 で時間軸を、RQ2 で災害との関係を、RQ3 で空間構造の限界を解明する。同じ 1 つの計測年度図ラスタが、視点を変えると 3 つの異なる物語を語るのが本記事の主旨。

発展課題 (3 RQ 各 1 + 統合 1)

本記事の結果から導かれる新仮説と発展課題を 3 RQ ごとに 1 つ以上提示する。

発展課題 A (RQ1 → 次データ追跡)

• 結果 X: 計測の 60% 以上が 2014-2016 に集中、2017-2018 で鈍化。
• 新仮説 Y: dataset 1434 (2019, 2023 計測) と 1527 (2023 計測) を加えると、 2019-2023 の追加カバレッジは 2018 までの累積と相補的になり、 5 年で 1 周の更新サイクルが見える。
• 課題 Z: dataset 1634 (本記事) + 1434 + 1527 の 3 vintage を統合し、 ピクセル単位の更新履歴 GeoTIFF (= 「最新計測年」「初回計測年」「計測回数」3 バンド) を構築する。L42 で扱った地図情報シリーズと組み合わせ、 15 年スパンの計測ベースタイムラインを可視化する。

発展課題 B (RQ2 → 災害履歴との空間結合)

• 結果 X: H30 被災市町 (10) と非被災 (13) で平均計測年に差は小さい (≤0.5 年)。 H3 「災害再計測」は弱支持。
• 新仮説 Y: 「市町単位」ではなく 「ピクセル単位」 で見ると、 H30 被災谷筋の周辺 1km 以内のピクセルだけ 2018-2019 の再計測が出ている可能性がある。 具体的には 坂町・熊野町・三原市本郷町 の被災 ravine 周辺。
• 課題 Z: L08/L09 で扱った H30 浸水域・土砂災害区域の Shapefile を読み、 その空間バッファ 500m 内のピクセルだけ計測年度ヒストグラムを作る。 被災地内外で 2018-2019 比率を比較し、ピクセル単位の災害再計測の証拠を探す。 これと dataset 1434 (2019 計測) の併用で本格検証。

発展課題 C (RQ3 → 行政界精度との比較)

• 結果 X: 未計測率は沿岸島嶼で 56-67%、中山間で 30-40%。"未計測=海域+バッファ" がほぼ完全に説明。
• 新仮説 Y: 行政界 GeoJSON (L15) と TIFF を 厳密オーバーレイ すると、 「行政界内」のうち未計測ピクセル (= 真の未計測) は 5% 未満。 残りはすべて海域+バッファ。
• 課題 Z: rasterio.mask.mask() で各市町の TIFF を行政界 GeoJSON で クリップし、「行政界内」と「行政界外」に分けて未計測率を再計算する。 内側未計測 ≤5% なら H4 を完全支持。≥10% なら本当に未計測の領域を特定し、 地形傾斜 (L39) や CS立体図 (L38) と重ねて「物理的に計測困難な所か」を解明する。

発展課題 D (3 RQ 統合 → 計測コスト推定)

• 結果 X: 23 市町 × 10 年 = 8,795 km² の計測ピクセル。1 年あたり 600 km² 平均。
• 新仮説 Y: 1 km² の計測コストは航空時間 (~1-2 hr/km²) × 機材費 + 解析コスト。 ざっくり 1 km² ≈ 30-100 万円 とすれば、8,795 km² で 18-60 億円規模。
• 課題 Z: dataset 1434/1527 の業務 XML (L42 で集めた meta XML) から 実計測日数を抽出 → km²/日 を推定 → 残りの広島県全域 8,479 km² までの 未整備 ~2,500 km² の計測完了予測を立てる。 予算規模・優先順位を防災予算と比較して合理性を判定する。