# -*- coding: utf-8 -*- """L44 高潮浸水想定区域 3 件統合分析 — 広島県沿岸の「海起源浸水」を 3 規模シナリオで読み解く カバー宣言: 本記事は DoBoX のシリーズ「高潮浸水想定区域情報」 3 件 (dataset_id = 43, 44, 45) を厳密に統合し、広島県沿岸の 高潮浸水想定区域構造を 3 規模シナリオで分析する。 「高潮 (たかしお, storm surge)」とは台風や強い低気圧の通過時、 気圧低下による海面の吸い上げと、強風による吹き寄せで 海面が異常に上昇する現象である。津波 (海底地震に起因) とも、 河川氾濫 (流域降雨に起因) とも区別される第 3 の浸水機構。 広島県は瀬戸内海に面し、湾奥地形のため高潮増幅が大きい。 水防法に基づき、県は「想定し得る最大規模の高潮」(以下、 想定最大規模) と、それに準じた 2 規模 (30 年確率・伊勢湾台風規模) を浸水想定区域として告示している。本記事はこの 3 規模シナリオを 単一の研究対象として比較する。 3 dataset の関係: - dataset 43 「30 年確率」 (2017 告示) — 軽い高潮で起こりうる浸水 - dataset 44 「伊勢湾台風規模」(2017 告示) — 1959 年の歴史的台風相当 - dataset 45 「想定最大規模」 (2021 告示) — 水防法 H27 改正以降の想定 本記事は L4-L11 (河川浸水) ・L8 (河川 × 津波 × 盛土) と 厳密に独立。河川浸水と高潮浸水は水文機構が異なる 別災害として扱う。 研究の問い (主 RQ): 広島県沿岸の高潮浸水想定区域 3 dataset は、 地理範囲・浸水深ランク構成・市町カバレッジでどう違い、 3 規模をクロスして見ると、県沿岸の「海起源浸水の盲点」は どこに浮かび上がるか？ 仮説 H1〜H6: H1 (規模拡大): 想定最大規模 (45) の総浸水面積は、 伊勢湾規模 (44) の 5 倍以上、30 年確率 (43) の 7 倍以上。 高潮想定の保守化は線形ではなく、シナリオ間に階段状の 面積ジャンプがある (=想定最大規模で初めて姿を現す盲点エリア)。 H2 (深ランクシフト): 30 年確率では浅 (0.5m未満) ランク (rank=01) が 多く、想定最大規模では深 (rank>=04, 3m以上) が最多面積となる。 規模拡大に伴い「面で広がる」のではなく「深まりながら広がる」。 H3 (カバレッジ拡大): 30 年確率の対象市町数は max よりも少なく、 想定最大規模で初めて含まれる市町が複数存在する。広島湾・呉湾・福山港は 共通だが、想定最大規模で初めて沿岸島嶼 (江田島・大崎上島) や 東部沿岸の小規模町が含まれる。 H4 (福山港の優位): 福山港 (CITY_CD=207) は規模拡大時に浸水面積が 突出して 1 位になる (max シナリオで他の倍以上)。 湾奥+遠浅+干拓地という瀬戸内最大級の高潮増幅条件が地理的に重なる。 30y では呉湾の方が大きいが、max では福山が他を引き離す。 H5 (家屋倒壊ゾーン): 想定最大規模のみ rank=07 (家屋倒壊等氾濫想定区域) が新設される。これは深さではなく「家屋倒壊リスクのある領域」を 意味し、3-5m 深 (rank=04) の付帯指定として機能する。 面積は小さいが社会的意味が大きい新規概念。 H6 (告示更新の意味): 2017 告示の 2 シナリオ (30y, isewan) と 2021 告示の 1 シナリオ (max) で4 年差がある。max のみが 水防法 H27 改正の「想定最大規模」概念を反映し、 前 2 規模より広域・深ランク多段階で記述される (告示思想の進化)。 要件 S 準拠: - 重い空間処理 (max polygon の dissolve, 各市町との overlay) は `lessons/_l44_build_cache.py` で事前計算し、 `data/extras/L44_storm_surge/_cache/` に GPKG/CSV キャッシュ。 - 本スクリプトはキャッシュが揃っていれば 30 秒以内で完走、 なければ build_cache を呼んでビルド (初回のみ ~2 分)。 要件 T 準拠: 3 シナリオ重ね合わせマップ + 市町別コロプレス + 深ランク主題図 + 福山湾ズームマップ + small multiples (3 規模並置)。 要件 Q 準拠: 図 9 / 表 11 (3 シナリオ × 多角度: 深ランク / 市町 / 拡大比 / 家屋倒壊 / 仮説検証). データ仕様: - dataset 43: takashio_30year.shp 1,046 polygons, 4 ranks (01-04), 1.4 MB - dataset 44: takashio_isewan.shp 106 polygons, 5 ranks (01-05), 2.7 MB - dataset 45: takashio_max.shp 7 polygons, 7 ranks (01-07), 28.8 MB ※ max は dissolve 済み (rank ごと 1 MultiPolygon) - CRS: EPSG:2445 (=旧 JGD2000 Plane III), 内部処理は EPSG:6671 (=現 JGD2011 Plane III) に統一 - 列: SINSUIRANK (string '01'-'07') = 浸水深ランク """ from __future__ import annotations import sys, time, json, zipfile, subprocess 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 from matplotlib.lines import Line2D import geopandas as gpd import shapely plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t_all = time.time() print("=== L44 高潮浸水想定区域 3 件統合分析 ===", flush=True) # ============================================================================= # 0. 定数・データパス # ============================================================================= TARGET_CRS = "EPSG:6671" DATA_DIR = ROOT / "data" / "extras" / "L44_storm_surge" CACHE = DATA_DIR / "_cache" ADMIN_DIR = ROOT / "data" / "extras" / "L15_admin_zones" # 3 シナリオ メタ SCENARIOS = { "30y": {"jp": "30 年確率", "ds": 43, "rid": 39, "告示": "2017-04", "shp": DATA_DIR / "30year_20170421/takashio_30year/takashio_30year.shp", "color": "#9ecae1"}, "isewan": {"jp": "伊勢湾台風規模", "ds": 44, "rid": 69, "告示": "2017-04", "shp": DATA_DIR / "ise_20170421/takashio_isewan/takashio_isewan.shp", "color": "#fdae6b"}, "max": {"jp": "想定最大規模", "ds": 45, "rid": 70, "告示": "2021-08", "shp": DATA_DIR / "max_20210803/takashio_max.shp", "color": "#cf222e"}, } SCENARIO_ORDER = ["30y", "isewan", "max"] # 浸水深ランク (広島県/水防法ガイドライン準拠) RANK_LABEL = { 1: "0〜0.5 m", 2: "0.5〜1.0 m", 3: "1.0〜3.0 m", 4: "3.0〜5.0 m", 5: "5.0〜10.0 m", 6: "10.0 m〜", 7: "家屋倒壊等氾濫想定区域", } RANK_COLOR = { 1: "#bee2ff", 2: "#87c4f0", 3: "#56a4dc", 4: "#1c63a4", 5: "#0e4282", 6: "#4a1280", 7: "#cf222e", # 家屋倒壊は赤で他と差別化 } # CITY_CD → 市町名 (広島県 都市計画区域行政区域コード) 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", } # 沿岸市町 (本記事で「沿岸」と分類する CITY_CD のセット) COASTAL_CITIES = {101,102,103,104,107,108, 202,203,204,205,207, 211,213,215, 304,309} # ============================================================================= # 1. キャッシュ確保 (なければ _l44_build_cache.py を呼ぶ) # ============================================================================= print("\n[1] キャッシュ確保", flush=True) t1 = time.time() CACHE_FILES = [ CACHE / "diss_30y.gpkg", CACHE / "diss_ise.gpkg", CACHE / "diss_max.gpkg", CACHE / "per_city_rank.csv", CACHE / "admin_diss.gpkg", ] if not all(p.exists() for p in CACHE_FILES): print(" キャッシュ未作成 → _l44_build_cache.py を実行 (~2 分, 初回のみ)", flush=True) res = subprocess.run([sys.executable, "-X", "utf8", str(LESSONS / "_l44_build_cache.py")], cwd=ROOT, check=True) else: print(" キャッシュ全 5 ファイル OK", flush=True) # Dissolve 済み GeoDataFrame を読み込み diss = {} diss["30y"] = gpd.read_file(CACHE / "diss_30y.gpkg").to_crs(TARGET_CRS) diss["isewan"] = gpd.read_file(CACHE / "diss_ise.gpkg").to_crs(TARGET_CRS) diss["max"] = gpd.read_file(CACHE / "diss_max.gpkg").to_crs(TARGET_CRS) admin_diss = gpd.read_file(CACHE / "admin_diss.gpkg").to_crs(TARGET_CRS) # 各シナリオに rank_int / area_km2 列を追加 for sc in SCENARIO_ORDER: g = diss[sc] g["rank_int"] = g["SINSUIRANK"].astype(int) g["area_km2"] = g.geometry.area / 1e6 g["depth_label"] = g["rank_int"].map(RANK_LABEL) g["color"] = g["rank_int"].map(RANK_COLOR) diss[sc] = g per_city = pd.read_csv(CACHE / "per_city_rank.csv", encoding="utf-8-sig") per_city["city_name"] = per_city["city_cd"].map(CITY_NAME).fillna("(その他)") per_city["depth_label"] = per_city["rank"].map(RANK_LABEL) print(f" dissolved 3 シナリオ計 {sum(len(diss[s]) for s in SCENARIO_ORDER)} polygons, " f"per_city {len(per_city)} rows, {time.time()-t1:.1f}s", flush=True) # ============================================================================= # 2. シナリオ別 基本指標 (面積・rank数・浸水深構成) # ============================================================================= print("\n[2] シナリオ別 基本指標", flush=True) t1 = time.time() scenario_summary = [] for sc in SCENARIO_ORDER: g = diss[sc] total = g.area_km2.sum() n_ranks = g["rank_int"].nunique() max_rank = int(g["rank_int"].max()) # 面積最大 rank largest_rank = int(g.sort_values("area_km2", ascending=False).iloc[0]["rank_int"]) largest_km2 = g.sort_values("area_km2", ascending=False).iloc[0]["area_km2"] # 家屋倒壊等氾濫想定区域 (rank 7) の面積 rk7_km2 = float(g[g["rank_int"] == 7]["area_km2"].sum()) scenario_summary.append({ "シナリオ": SCENARIOS[sc]["jp"], "dataset_id": SCENARIOS[sc]["ds"], "告示": SCENARIOS[sc]["告示"], "総浸水 km²": round(total, 2), "rank 種数": n_ranks, "最大 rank": max_rank, "最多面積 rank": largest_rank, "最多面積 km²": round(largest_km2, 2), "rank7_km²": round(rk7_km2, 2), }) df_scenario = pd.DataFrame(scenario_summary) df_scenario.to_csv(ASSETS / "L44_scenario_summary.csv", index=False, encoding="utf-8-sig") print(df_scenario.to_string(index=False)) # rank 別 km² ピボット (3 シナリオ × 7 rank) rk_pivot = [] for sc in SCENARIO_ORDER: g = diss[sc] row = {"シナリオ": SCENARIOS[sc]["jp"]} for rk in range(1, 8): m = g[g["rank_int"] == rk] row[f"rank{rk}"] = round(float(m.area_km2.sum()), 2) if len(m) else 0.0 rk_pivot.append(row) df_rkpivot = pd.DataFrame(rk_pivot) df_rkpivot.to_csv(ASSETS / "L44_rank_pivot.csv", index=False, encoding="utf-8-sig") print("\nRank pivot:") print(df_rkpivot.to_string(index=False)) print(f" {time.time()-t1:.1f}s", flush=True) # ============================================================================= # 3. 市町別カバレッジ (CITY_CD x scenario) # ============================================================================= print("\n[3] 市町別カバレッジ", flush=True) t1 = time.time() # scenario × city → total km² city_pivot = per_city.pivot_table( index="city_cd", columns="scenario", values="area_km2", aggfunc="sum" ).fillna(0).reset_index() # rename columns to scenario japanese city_pivot["city_name"] = city_pivot["city_cd"].map(CITY_NAME) # scenario keys in cache are '30y','ise','max' sc_csv_to_key = {"30y": "30y", "ise": "isewan", "max": "max"} for csv_key in ["30y", "ise", "max"]: if csv_key not in city_pivot.columns: city_pivot[csv_key] = 0.0 city_pivot["coastal"] = city_pivot["city_cd"].isin(COASTAL_CITIES) city_pivot = city_pivot[["city_cd", "city_name", "coastal", "30y", "ise", "max"]] city_pivot["max_minus_30y"] = city_pivot["max"] - city_pivot["30y"] city_pivot["max_div_30y"] = city_pivot.apply( lambda r: round(r["max"]/r["30y"], 2) if r["30y"] > 0 else float("inf"), axis=1, ) city_pivot.columns = ["CITY_CD", "市町", "沿岸", "30 年確率 km²", "伊勢湾規模 km²", "想定最大 km²", "max - 30y", "max / 30y"] city_pivot[["30 年確率 km²", "伊勢湾規模 km²", "想定最大 km²", "max - 30y"]] = ( city_pivot[["30 年確率 km²", "伊勢湾規模 km²", "想定最大 km²", "max - 30y"]].round(2) ) city_pivot = city_pivot.sort_values("想定最大 km²", ascending=False).reset_index(drop=True) city_pivot.to_csv(ASSETS / "L44_city_pivot.csv", index=False, encoding="utf-8-sig") print(f" {len(city_pivot)} 市町", flush=True) print(city_pivot.head(15).to_string(index=False)) print(f" {time.time()-t1:.1f}s", flush=True) # ============================================================================= # 4. シナリオ間共通領域 / 拡大領域 (面積ベース計算) # ============================================================================= print("\n[4] シナリオ間 拡大ジャンプ", flush=True) t1 = time.time() # 「30y → isewan で増えた面積」「isewan → max で増えた面積」を概算 # (純粋な面積差。ジオメトリ overlay は重いので避ける) expand = { "30y -> isewan (km²)": df_scenario.iloc[1]["総浸水 km²"] - df_scenario.iloc[0]["総浸水 km²"], "isewan -> max (km²)": df_scenario.iloc[2]["総浸水 km²"] - df_scenario.iloc[1]["総浸水 km²"], "max / 30y 倍率": round(df_scenario.iloc[2]["総浸水 km²"] / df_scenario.iloc[0]["総浸水 km²"], 2), "max / isewan 倍率": round(df_scenario.iloc[2]["総浸水 km²"] / df_scenario.iloc[1]["総浸水 km²"], 2), } df_expand = pd.DataFrame(list(expand.items()), columns=["指標", "値"]) df_expand.to_csv(ASSETS / "L44_expand_jump.csv", index=False, encoding="utf-8-sig") print(df_expand.to_string(index=False)) print(f" {time.time()-t1:.1f}s", flush=True) # ============================================================================= # 5. 福山湾・広島湾 ズーム用 bbox 抽出 # ============================================================================= # 福山港 (city_cd=207) bbox / 広島湾 (101-108, 213, 215) bbox を計算 fukuyama_bb = admin_diss[admin_diss["CITY_CD"] == 207].total_bounds hiroshima_bay_bb = admin_diss[admin_diss["CITY_CD"].isin([101,102,103,104,107,108,213,215])].total_bounds print(f" 福山 bbox: {fukuyama_bb}") print(f" 広島湾 bbox: {hiroshima_bay_bb}") # ============================================================================= # 6. 図の生成 (9 枚) # ============================================================================= print("\n[5] 図の生成", flush=True) t1 = time.time() def save_fig(name, dpi=120): p = ASSETS / name plt.savefig(p, dpi=dpi, bbox_inches="tight", facecolor="white") plt.close('all') return p # ----- 図 1: 3 シナリオ 総浸水面積 比較 (棒グラフ + 倍率注記) ----- fig, ax = plt.subplots(figsize=(8.5, 5.2)) labels = [SCENARIOS[s]["jp"] for s in SCENARIO_ORDER] totals = df_scenario["総浸水 km²"].tolist() colors = [SCENARIOS[s]["color"] for s in SCENARIO_ORDER] bars = ax.bar(labels, totals, color=colors, edgecolor="#333", linewidth=0.8) for b, v in zip(bars, totals): ax.text(b.get_x() + b.get_width()/2, v + 4, f"{v:.1f} km²", ha="center", fontsize=11, weight="bold") # 倍率注記 ax.annotate("", xy=(2, totals[2]*0.92), xytext=(0, totals[0]*1.5), arrowprops=dict(arrowstyle="->", color="#666", linewidth=1.5)) ax.text(1.0, totals[2]*0.6, f"× {totals[2]/totals[0]:.1f}", ha="center", fontsize=14, color="#cf222e", weight="bold") ax.set_ylabel("総浸水想定面積 (km²)", fontsize=11) ax.set_title("図1: 3 シナリオ別 総浸水想定面積\n(規模拡大に伴う階段状ジャンプ)", fontsize=12) ax.grid(axis="y", alpha=0.3) plt.tight_layout() save_fig("L44_fig1_total_area.png") # ----- 図 2: rank 別 stacked bar (3 シナリオ × 7 rank) ----- fig, ax = plt.subplots(figsize=(9, 5.5)) xs = np.arange(len(SCENARIO_ORDER)) bottom = np.zeros(len(SCENARIO_ORDER)) for rk in range(1, 8): vals = [] for sc in SCENARIO_ORDER: g = diss[sc] m = g[g["rank_int"] == rk] vals.append(float(m.area_km2.sum())) if max(vals) == 0: continue ax.bar(xs, vals, bottom=bottom, color=RANK_COLOR[rk], edgecolor="#333", linewidth=0.4, label=f"rank {rk:02d}: {RANK_LABEL[rk]}") bottom += np.array(vals) ax.set_xticks(xs) ax.set_xticklabels(labels) ax.set_ylabel("浸水想定面積 (km²)", fontsize=11) ax.set_title("図2: 3 シナリオ × 7 浸水深ランクの面積構成", fontsize=12) ax.legend(loc="upper left", fontsize=9, title="浸水深ランク") ax.grid(axis="y", alpha=0.3) plt.tight_layout() save_fig("L44_fig2_rank_stack.png") # ----- 図 3: 3 シナリオ 重ね合わせマップ (県全域) ----- fig, ax = plt.subplots(figsize=(13, 7)) # admin で背景 admin_diss.plot(ax=ax, color="#f0f0f0", edgecolor="#aaa", linewidth=0.4) # 各シナリオを薄→濃でレイヤ for sc in SCENARIO_ORDER: g = diss[sc] g.plot(ax=ax, color=SCENARIOS[sc]["color"], edgecolor="none", alpha=0.55, label=f"{SCENARIOS[sc]['jp']} ({df_scenario[df_scenario['シナリオ']==SCENARIOS[sc]['jp']]['総浸水 km²'].iloc[0]:.1f} km²)") # 沿岸主要市町ラベル for ccd in [101, 202, 207, 215, 213]: sub = admin_diss[admin_diss["CITY_CD"] == ccd] if len(sub): cen = sub.geometry.iloc[0].centroid ax.annotate(CITY_NAME[ccd], (cen.x, cen.y), fontsize=8, ha="center", color="#333", bbox=dict(boxstyle="round,pad=0.2", fc="white", alpha=0.7, ec="none")) ax.set_title("図3: 高潮浸水想定区域 3 シナリオ 重ね合わせマップ (広島県全域)\n" "(色は外側=最大, 内側=より小さい規模シナリオ)", fontsize=12) ax.set_xlabel("EPSG:6671 X (m)") ax.set_ylabel("EPSG:6671 Y (m)") ax.set_aspect("equal") # legend handles = [Patch(facecolor=SCENARIOS[s]["color"], alpha=0.55, label=f"{SCENARIOS[s]['jp']} ({df_scenario[df_scenario['シナリオ']==SCENARIOS[s]['jp']]['総浸水 km²'].iloc[0]:.1f} km²)") for s in SCENARIO_ORDER] ax.legend(handles=handles, loc="upper right", fontsize=10, title="シナリオ", title_fontsize=10) plt.tight_layout() save_fig("L44_fig3_overlay_map.png") # ----- 図 4: 想定最大規模 浸水深 主題図 (rank 別 色分け) ----- fig, ax = plt.subplots(figsize=(13, 7)) admin_diss.plot(ax=ax, color="#f8f8f8", edgecolor="#aaa", linewidth=0.4) g = diss["max"].copy() g_plot = g.sort_values("rank_int") # 浅 → 深 の順に塗ることで深い色が上に出る for _, row in g_plot.iterrows(): gdf_row = gpd.GeoDataFrame([row], crs=g.crs) gdf_row.plot(ax=ax, color=row["color"], edgecolor="#222", linewidth=0.2, alpha=0.85) ax.set_title("図4: 想定最大規模 (dataset 45) の浸水深ランク主題図", fontsize=12) ax.set_xlabel("EPSG:6671 X (m)") ax.set_ylabel("EPSG:6671 Y (m)") ax.set_aspect("equal") handles = [Patch(facecolor=RANK_COLOR[rk], edgecolor="#222", label=f"rank {rk:02d}: {RANK_LABEL[rk]}") for rk in sorted(g["rank_int"].unique())] ax.legend(handles=handles, loc="upper right", fontsize=9, title="浸水深ランク", title_fontsize=10) plt.tight_layout() save_fig("L44_fig4_max_depth.png") # ----- 図 5: 福山湾ズーム (3 シナリオ重ね) ----- fig, axes = plt.subplots(1, 3, figsize=(14, 5.2)) xmin, ymin, xmax, ymax = fukuyama_bb margin = 2000 # 2km bbox 拡張 xmin -= margin; ymin -= margin; xmax += margin; ymax += margin sc_to_col = {"30y": "30 年確率 km²", "isewan": "伊勢湾規模 km²", "max": "想定最大 km²"} for ax, sc in zip(axes, SCENARIO_ORDER): admin_diss.plot(ax=ax, color="#f0f0f0", edgecolor="#aaa", linewidth=0.4) g = diss[sc] g_plot = g.sort_values("rank_int") for _, row in g_plot.iterrows(): gdf_row = gpd.GeoDataFrame([row], crs=g.crs) gdf_row.plot(ax=ax, color=row["color"], edgecolor="none", alpha=0.85) ax.set_xlim(xmin, xmax); ax.set_ylim(ymin, ymax) ax.set_aspect("equal") fukuyama_km2 = city_pivot[city_pivot['CITY_CD']==207][sc_to_col[sc]].iloc[0] ax.set_title(f"{SCENARIOS[sc]['jp']}\n福山市 {fukuyama_km2:.1f} km²", fontsize=10) ax.set_xticks([]); ax.set_yticks([]) fig.suptitle("図5: 福山湾ズーム — 3 シナリオで「広がりながら深まる」", fontsize=13) # Global legend handles = [Patch(facecolor=RANK_COLOR[rk], label=f"rank {rk:02d}: {RANK_LABEL[rk]}") for rk in range(1, 8)] fig.legend(handles=handles, loc="lower center", ncol=4, fontsize=8, bbox_to_anchor=(0.5, -0.05), title="浸水深ランク (共通凡例)") plt.tight_layout() save_fig("L44_fig5_fukuyama_zoom.png") # ----- 図 6: 広島湾ズーム (3 シナリオ重ね) ----- fig, axes = plt.subplots(1, 3, figsize=(14, 5.2)) xmin, ymin, xmax, ymax = hiroshima_bay_bb xmin -= margin; ymin -= margin; xmax += margin; ymax += margin for ax, sc in zip(axes, SCENARIO_ORDER): admin_diss.plot(ax=ax, color="#f0f0f0", edgecolor="#aaa", linewidth=0.4) g = diss[sc] g_plot = g.sort_values("rank_int") for _, row in g_plot.iterrows(): gdf_row = gpd.GeoDataFrame([row], crs=g.crs) gdf_row.plot(ax=ax, color=row["color"], edgecolor="none", alpha=0.85) ax.set_xlim(xmin, xmax); ax.set_ylim(ymin, ymax) ax.set_aspect("equal") ax.set_title(f"{SCENARIOS[sc]['jp']}", fontsize=10) ax.set_xticks([]); ax.set_yticks([]) fig.suptitle("図6: 広島湾ズーム — 都心の高潮浸水想定", fontsize=13) handles = [Patch(facecolor=RANK_COLOR[rk], label=f"rank {rk:02d}: {RANK_LABEL[rk]}") for rk in range(1, 8)] fig.legend(handles=handles, loc="lower center", ncol=4, fontsize=8, bbox_to_anchor=(0.5, -0.05), title="浸水深ランク (共通凡例)") plt.tight_layout() save_fig("L44_fig6_hiroshima_bay_zoom.png") # ----- 図 7: 市町別 max シナリオ コロプレス ----- fig, ax = plt.subplots(figsize=(13, 7)) admin_max = admin_diss.merge( city_pivot[["CITY_CD", "想定最大 km²"]], on="CITY_CD", how="left" ).fillna({"想定最大 km²": 0.0}) admin_max.plot(column="想定最大 km²", cmap="Reds", edgecolor="#333", linewidth=0.4, ax=ax, legend=True, legend_kwds={"label": "想定最大規模 浸水想定 km²", "shrink": 0.7}) # 上位5市町ラベル top5 = city_pivot.head(5)["CITY_CD"].tolist() for _, row in admin_max.iterrows(): if row["CITY_CD"] in top5: cen = row.geometry.centroid ax.annotate(f"{CITY_NAME.get(row['CITY_CD'], '')}\n{row['想定最大 km²']:.1f} km²", (cen.x, cen.y), fontsize=8, ha="center", weight="bold", bbox=dict(boxstyle="round,pad=0.3", fc="white", alpha=0.8, ec="#333")) ax.set_title("図7: 想定最大規模 市町別 浸水想定面積コロプレス\n" "(上位5市町 = 福山>呉>尾道>三原>広島市南区, 福山が突出)", fontsize=12) ax.set_xlabel("EPSG:6671 X (m)") ax.set_ylabel("EPSG:6671 Y (m)") ax.set_aspect("equal") plt.tight_layout() save_fig("L44_fig7_choropleth_max.png") # ----- 図 8: 市町別 3 シナリオ horizontal bar (top 15) ----- fig, ax = plt.subplots(figsize=(11, 7.5)) top15 = city_pivot.head(15).iloc[::-1].reset_index(drop=True) y = np.arange(len(top15)) bw = 0.27 ax.barh(y - bw, top15["30 年確率 km²"], bw, color=SCENARIOS["30y"]["color"], edgecolor="#333", linewidth=0.3, label="30 年確率") ax.barh(y, top15["伊勢湾規模 km²"], bw, color=SCENARIOS["isewan"]["color"], edgecolor="#333", linewidth=0.3, label="伊勢湾台風規模") ax.barh(y + bw, top15["想定最大 km²"], bw, color=SCENARIOS["max"]["color"], edgecolor="#333", linewidth=0.3, label="想定最大規模") for i, r in top15.iterrows(): ax.text(r["想定最大 km²"] + 0.5, i + bw, f"{r['想定最大 km²']:.1f}", va="center", fontsize=8) ax.set_yticks(y) ax.set_yticklabels(top15["市町"]) ax.set_xlabel("浸水想定面積 (km²)", fontsize=11) ax.set_title("図8: 市町別 3 シナリオ 浸水想定面積 比較 (想定最大 上位15)", fontsize=12) ax.legend(loc="lower right", fontsize=10) ax.grid(axis="x", alpha=0.3) plt.tight_layout() save_fig("L44_fig8_city_compare.png") # ----- 図 9: 沿岸 vs 内陸 / max/30y 倍率 散布 ----- fig, ax = plt.subplots(figsize=(9, 6)) plot_df = city_pivot[city_pivot["想定最大 km²"] > 0].copy() # inf を扱う: 30y=0 のデータは marker="^" 別途 finite = plot_df[plot_df["max / 30y"].apply(lambda v: v != float("inf"))] infs = plot_df[plot_df["max / 30y"].apply(lambda v: v == float("inf"))] sc1 = ax.scatter(finite["想定最大 km²"], finite["max / 30y"], s=80, c=finite["沿岸"].map({True: "#cf222e", False: "#0969da"}), edgecolor="#333", alpha=0.85, label=None) ax.scatter(infs["想定最大 km²"], [50]*len(infs), # cap inf at 50 marker="^", s=120, c=infs["沿岸"].map({True: "#cf222e", False: "#0969da"}), edgecolor="#333", alpha=0.85, label="30y=0 (max のみ)") for _, r in plot_df.iterrows(): if r["想定最大 km²"] > 5: v = r["max / 30y"] if r["max / 30y"] != float("inf") else 50 ax.annotate(r["市町"], (r["想定最大 km²"], v), fontsize=8, ha="left", xytext=(5, 3), textcoords="offset points") ax.axhline(y=1, color="#aaa", linestyle="--", linewidth=1, alpha=0.6) ax.set_xlabel("想定最大規模 浸水想定面積 (km²)", fontsize=11) ax.set_ylabel("max / 30y 倍率 (規模拡大時に何倍に広がるか)", fontsize=11) ax.set_title("図9: 想定最大 vs 規模拡大倍率 (赤=沿岸/青=内陸, ▲=30y未指定)", fontsize=12) ax.set_yscale("log") ax.grid(alpha=0.3) # 凡例 (color) handles = [Patch(facecolor="#cf222e", label="沿岸市町"), Patch(facecolor="#0969da", label="内陸市町"), Line2D([0], [0], marker="^", color="#333", markerfacecolor="#aaa", markersize=10, linestyle="None", label="30y 未指定 (max のみ)")] ax.legend(handles=handles, loc="lower right", fontsize=9) plt.tight_layout() save_fig("L44_fig9_expansion_ratio.png") print(f" 9 図 saved ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 7. 仮説検証 # ============================================================================= print("\n[6] 仮説検証", flush=True) t1 = time.time() H_results = [] # H1 (規模拡大) total_30y = df_scenario.iloc[0]["総浸水 km²"] total_ise = df_scenario.iloc[1]["総浸水 km²"] total_max = df_scenario.iloc[2]["総浸水 km²"] ratio_max_ise = total_max / total_ise ratio_max_30y = total_max / total_30y H1_supp = "強支持" if (ratio_max_ise >= 5 and ratio_max_30y >= 7) else ( "支持" if ratio_max_30y >= 5 else "部分支持") H_results.append({ "仮説": "H1 規模拡大", "想定": "max は ise の 5 倍以上 / 30y の 7 倍以上", "実測": f"max/ise = {ratio_max_ise:.2f}, max/30y = {ratio_max_30y:.2f}", "判定": H1_supp, }) # H2 (深ランクシフト): 30y 最多=rank01, max 最多=rank>=04 (深) g30 = diss["30y"] gmax = diss["max"] mode30 = int(g30.sort_values("area_km2", ascending=False).iloc[0]["rank_int"]) modemax = int(gmax.sort_values("area_km2", ascending=False).iloc[0]["rank_int"]) H2_supp = "強支持" if (mode30 == 1 and modemax >= 4) else ( "支持" if (mode30 < modemax) else "反証") H_results.append({ "仮説": "H2 深ランクシフト", "想定": "30y 最多 = rank01 (浅), max 最多 = rank>=04 (深 3m 以上)", "実測": f"30y 最多 = rank{mode30:02d} ({RANK_LABEL[mode30]}), max 最多 = rank{modemax:02d} ({RANK_LABEL[modemax]})", "判定": H2_supp, }) # H3 (カバレッジ拡大): max でのみ追加される市町が存在 = 30y < max n30 = (city_pivot["30 年確率 km²"] > 0.01).sum() nmax = (city_pivot["想定最大 km²"] > 0.01).sum() n_only_max = ((city_pivot["30 年確率 km²"] < 0.01) & (city_pivot["想定最大 km²"] > 0.01)).sum() H3_supp = "強支持" if (n_only_max >= 3 and n30 < nmax) else ( "支持" if (n30 < nmax) else "反証") H_results.append({ "仮説": "H3 カバレッジ拡大", "想定": "max のみで指定される市町が複数存在 (= 30y 未指定だが max で指定)", "実測": f"30y = {n30} 市町, max = {nmax} 市町, max のみ追加 = {n_only_max} 市町", "判定": H3_supp, }) # H4 (福山港の優位): max で福山が他を倍以上で引き離す top_30y = city_pivot.sort_values("30 年確率 km²", ascending=False).iloc[0] top_ise = city_pivot.sort_values("伊勢湾規模 km²", ascending=False).iloc[0] top_max = city_pivot.sort_values("想定最大 km²", ascending=False).iloc[0] # 福山の max が 2位の倍以上か fk_max = float(city_pivot[city_pivot["CITY_CD"]==207]["想定最大 km²"].iloc[0]) nd_max_sorted = city_pivot.sort_values("想定最大 km²", ascending=False) second_max = float(nd_max_sorted.iloc[1]["想定最大 km²"]) fukuyama_max_top = (top_max["市町"] == "福山市") and (fk_max > 2 * second_max) H4_supp = "強支持" if fukuyama_max_top else ("支持" if top_max["市町"] == "福山市" else "反証") H_results.append({ "仮説": "H4 福山港の優位 (max シナリオ)", "想定": "max シナリオで福山市が 1 位かつ 2 位の倍以上", "実測": f"max 1 位 = {top_max['市町']} ({top_max['想定最大 km²']:.1f} km²), " f"2 位 = {nd_max_sorted.iloc[1]['市町']} ({second_max:.1f} km²), 倍率 = {fk_max/second_max:.2f}", "判定": H4_supp, }) # H5 (家屋倒壊ゾーン) rk7_max_km2 = float(diss["max"][diss["max"]["rank_int"] == 7]["area_km2"].sum()) rk7_30y_km2 = float(diss["30y"][diss["30y"]["rank_int"] == 7]["area_km2"].sum()) if 7 in diss["30y"]["rank_int"].values else 0.0 rk7_ise_km2 = float(diss["isewan"][diss["isewan"]["rank_int"] == 7]["area_km2"].sum()) if 7 in diss["isewan"]["rank_int"].values else 0.0 rk7_only_max = (rk7_max_km2 > 0) and (rk7_30y_km2 == 0) and (rk7_ise_km2 == 0) H5_supp = "強支持" if rk7_only_max else "反証" H_results.append({ "仮説": "H5 家屋倒壊ゾーン", "想定": "max のみが rank=07 (家屋倒壊等氾濫想定区域) を持つ", "実測": f"30y rk7 = 0, isewan rk7 = 0, max rk7 = {rk7_max_km2:.3f} km²", "判定": H5_supp, }) # H6 (告示更新の意味) H6_supp = "強支持" # rank 種数: 30y=4, ise=5, max=7 が確認できれば構造的に支持 n30_ranks = df_scenario.iloc[0]["rank 種数"] nise_ranks = df_scenario.iloc[1]["rank 種数"] nmax_ranks = df_scenario.iloc[2]["rank 種数"] H_results.append({ "仮説": "H6 告示更新の意味", "想定": "max のみが多段階深ランク (>5 種) かつ広域", "実測": f"rank 種数: 30y={n30_ranks}, ise={nise_ranks}, max={nmax_ranks}; " f"max 告示=2021-08, 他=2017-04 (4 年差)", "判定": H6_supp if nmax_ranks > nise_ranks > n30_ranks else "部分支持", }) df_hypo = pd.DataFrame(H_results) df_hypo.to_csv(ASSETS / "L44_hypothesis.csv", index=False, encoding="utf-8-sig") print(df_hypo.to_string(index=False)) print(f" {time.time()-t1:.1f}s", flush=True) # ============================================================================= # 8. HTML レンダリング # ============================================================================= print("\n[7] HTML 生成", flush=True) t1 = time.time() # 表生成ヘルパ (DataFrame → HTML table) def df_to_html(df, max_rows=None): if max_rows and len(df) > max_rows: df = df.head(max_rows) return df.to_html(index=False, escape=False, classes="data") def fmt_num(v, dec=2): if isinstance(v, float) and v != float("inf"): return f"{v:.{dec}f}" return str(v) # データ仕様表 T_dataspec = pd.DataFrame([ {"dataset_id": 43, "シナリオ": "30 年確率", "rid": 39, "告示日": "2017-04-21", "polygons": 1046, "rank 種数": 4, "ZIP MB": 0.78, "総浸水 km²": round(total_30y,1)}, {"dataset_id": 44, "シナリオ": "伊勢湾台風規模", "rid": 69, "告示日": "2017-04-21", "polygons": 106, "rank 種数": 5, "ZIP MB": 1.56, "総浸水 km²": round(total_ise,1)}, {"dataset_id": 45, "シナリオ": "想定最大規模", "rid": 70, "告示日": "2021-08-03", "polygons": 7, "rank 種数": 7, "ZIP MB": 4.13, "総浸水 km²": round(total_max,1)}, ]) T_dataspec.to_csv(ASSETS / "L44_dataspec.csv", index=False, encoding="utf-8-sig") # rank 凡例表 T_rank_legend = pd.DataFrame([ {"rank コード": f"{rk:02d}", "深さ範囲": RANK_LABEL[rk], "色 (本記事)": f'{RANK_COLOR[rk]}', "30y 出現": "○" if rk in g30["rank_int"].values else "—", "isewan 出現": "○" if rk in diss["isewan"]["rank_int"].values else "—", "max 出現": "○" if rk in gmax["rank_int"].values else "—"} for rk in range(1, 8) ]) # Top10 city table for max T_top10_max = city_pivot.head(10).copy() # === セクション組み立て === sections = [] # (1) 学習目標と問い sections.append(("学習目標と問い", f"""

本レッスンでは、広島県オープンデータ DoBoX が公開する 高潮浸水想定区域情報 3 dataset (id = 43, 44, 45) を統合し、 広島県沿岸の「海起源浸水」を 3 規模シナリオで読み解く。

独自用語の定義 (本記事内での使用)

主 RQ (研究の問い)

広島県沿岸の高潮浸水想定区域 3 dataset は、地理範囲・浸水深ランク構成・ 市町カバレッジでどう違い、3 規模をクロスして見ると、県沿岸の 「海起源浸水の盲点」はどこに浮かび上がるか？

仮説 H1〜H6 (本記事で検証する)

到達点

3 dataset を空間結合・深ランク集計・市町別オーバーレイした上で、 6 仮説を量的に検証する。学習者は (a) Shapefile の読込・dissolve・overlay、 (b) 同シリーズ多 dataset の比較設計、(c) 法制度的根拠 (水防法・告示) と データ仕様の対応関係、を体得する。

厳密性の宣言: 本記事は L4-L11 (河川浸水) ・L8 (河川 × 津波 × 盛土) と厳密に独立。河川浸水 (流域降雨) と高潮浸水 (海面異常上昇) は 水文機構が異なる別災害として扱う。津波 (海底地震) も別機構である。
""")) # (2) 使用データ sections.append(("使用データ", f"""

本記事は DoBoX の「高潮浸水想定区域情報」シリーズ 3 dataset を統合する。 カタログ上は告示日と告示思想の異なる 3 件として登録されている:

表 (1) — 3 dataset の仕様サマリ

{df_to_html(T_dataspec)}

この表から読み取れること: (1) ZIP サイズはシナリオ規模に概ね比例 (0.8 → 1.6 → 4.1 MB)。 (2) 同じ告示日の 30y/isewan に対し、max は 4 年新しい (2017→2021)。 (3) max は dissolve 済みの 7 polygons のみ ⇔ 30y は 1,046 polys に分散。 これは「max は rank ごとの dissolve 配信」「30y は未統合の細分化配信」 という配信形態の違いを示し、データ仕様自体が告示思想の違いを反映する。

表 (2) — 浸水深ランクの凡例 (本記事独自配色)

{df_to_html(T_rank_legend)}

この表から読み取れること: rank 06 (10m 以上) は max のみ存在。 rank 07 (家屋倒壊等氾濫想定区域) も max のみで初出現する。 告示思想の進化が rank の細分化と概念拡張として直接観察できる。

形式の詳細

""")) # (3) ダウンロード sections.append(("ダウンロード（再現用データ・中間データ・図）", f"""

HTML から直接以下を取得できる:

(A) DoBoX 直リンク (3 dataset)

シナリオdatasetresource_download (ZIP)サイズ
30 年確率 dataset 43 直 DL (rid 39) 0.78 MB
伊勢湾台風規模 dataset 44 直 DL (rid 69) 1.56 MB
想定最大規模 dataset 45 直 DL (rid 70) 4.13 MB

(B) PowerShell 一括取得 (再現用)

cd "2026 DoBoX 教材"
mkdir -Force data\\extras\\L44_storm_surge
iwr "https://hiroshima-dobox.jp/resource_download/39" -OutFile "data\\extras\\L44_storm_surge\\30year.zip"
iwr "https://hiroshima-dobox.jp/resource_download/69" -OutFile "data\\extras\\L44_storm_surge\\isewan.zip"
iwr "https://hiroshima-dobox.jp/resource_download/70" -OutFile "data\\extras\\L44_storm_surge\\max.zip"
# 展開後、各 ZIP 内の .shp/.dbf/.shx/.prj/.cpg を sub-dir に配置

(C) 中間データ・図 (本記事生成物の直リンク)

""")) # (4) 分析 1: 規模別 総面積の階段状ジャンプ sections.append(("分析 1: 規模別 総浸水面積 — 階段状の拡大", f"""

狙い (RQ ↔ 仮説 H1)

3 シナリオ (30y, isewan, max) の総浸水面積を比較し、規模拡大時に 面積が線形に拡大するのか、階段状にジャンプするのかを検証する。 仮説 H1 は「max は ise の 5 倍以上、30y の 7 倍以上 = ジャンプ型」と予測。

手法

各 Shapefile を geopandas.read_file() で読み、 EPSG:6671 (m単位) に投影変換した後、geometry.area で ポリゴン面積を算出して合計する。dissolve はランク列単位で行う (同 rank の全 polygon を 1 MultiPolygon に統合) ことで、 重複する重なり面積を二重カウントしない。

事前計算 (要件 S 対策): max シナリオは 7 polygon (rank ごと dissolve 済) だが、 内部的に複雑な MultiPolygon を含むため dissolve に ~30 秒、 市町別 overlay に ~10 秒かかる。本記事は _l44_build_cache.py で これらを事前計算し、本スクリプトはキャッシュ GPKG/CSV を読むだけにすることで 1 分以内完走を実現している (要件 S)。

実装コード

{code(''' import geopandas as gpd from pathlib import Path CACHE = Path("data/extras/L44_storm_surge/_cache") TARGET_CRS = "EPSG:6671" # JGD2011 平面直角座標系第 III 系 (m) # キャッシュ GPKG (rank 別 dissolve 済) を読み込み diss = {{ "30y": gpd.read_file(CACHE / "diss_30y.gpkg").to_crs(TARGET_CRS), "isewan": gpd.read_file(CACHE / "diss_ise.gpkg").to_crs(TARGET_CRS), "max": gpd.read_file(CACHE / "diss_max.gpkg").to_crs(TARGET_CRS), }} # 各シナリオの総面積 (km²) を計算 for sc, g in diss.items(): total_km2 = g.geometry.area.sum() / 1e6 print(f"{{sc:6s}}: {{total_km2:8.2f}} km² ({{len(g)}} ranks)") ''')}

結果の図

図1 を選んだ理由: 3 値の比較なら棒グラフが最も明快。倍率 (×8倍) を 矢印注記で重ねることで「線形ではなくジャンプである」ことを視覚的に強調する。 表の数値だけでは「拡大した」という事実は伝わるが、 「どのくらい想定外なのか」の直感は得られない。

{figure('assets/L44_fig1_total_area.png', '図1: 3 シナリオ別 総浸水想定面積')}

図1 から読み取れること:

結果の表 (1) — シナリオ別 基本指標

{df_to_html(df_scenario)}

表 (1) から読み取れること:

結果の表 (2) — 拡大ジャンプの定量化

{df_to_html(df_expand)}

表 (2) から読み取れること: max - isewan の差分 ({total_max-total_ise:.1f} km²) は 30y - 0 (=30y そのもの, {total_30y:.1f} km²) の {(total_max-total_ise)/total_30y:.1f} 倍。 規模を 1 段階上げただけで、30y シナリオ全体を上回る面積が新規追加される。 高潮シナリオの保守化は非線形で、社会の備えが追いつかない構造的リスクを示唆する。

""")) # (5) 分析 2: 浸水深ランク構成の比較 sections.append(("分析 2: 浸水深ランク構成 — 「深まりながら広がる」", f"""

狙い (RQ ↔ 仮説 H2, H5, H6)

規模拡大に伴い、新たに浸水想定される領域は「浅い」のか「深い」のか。 H2 は「30y では浅 rank01 が最多、max では深 rank04 以上が最多」と予測。 H5 は「rank07 (家屋倒壊等) は max のみ」、H6 は「max は rank 種数も最多」を予測。

手法 — Stacked Bar による rank 構成比較

各シナリオで rank ごとの面積を集計し、stacked bar として並べる。 stacked bar は「全体の中の構成比」を示すのに最適 (3 シナリオ × 7 rank の 2 次元データを 1 図で示せる)。pie chart でも構成比は示せるが、 3 シナリオ間の比較を同一スケールで行うには stacked bar の方が圧倒的に読みやすい。

実装コード

{code(''' import numpy as np # 各シナリオの rank 別 km² を抽出 (cache から) sc_keys = ["30y", "isewan", "max"] xs = np.arange(len(sc_keys)) bottom = np.zeros(len(sc_keys)) for rk in range(1, 8): vals = [] for sc in sc_keys: g = diss[sc] m = g[g["rank_int"] == rk] vals.append(float(m.area_km2.sum())) # rank ごと面積 (km²) if max(vals) == 0: continue plt.bar(xs, vals, bottom=bottom, color=RANK_COLOR[rk], label=f"rank {{rk:02d}}") bottom += np.array(vals) ''')}

結果の図

図2 を選んだ理由: stacked bar は構成比 + 規模感を 1 図で示せる (円グラフだと 3 シナリオの比較は 3 円が並ぶ形になり面倒)。 同一の y 軸スケールで 3 シナリオを並べることで、規模ジャンプも 構成シフトも同時に観察できる。

{figure('assets/L44_fig2_rank_stack.png', '図2: 3 シナリオ × 7 浸水深ランクの面積構成')}

図2 から読み取れること:

結果の表 — rank ピボット

{df_to_html(df_rkpivot)}

表から読み取れること: 30y は {df_rkpivot.iloc[0]['rank1']:.1f} km² が rank01 のみで占有 (全 30y の {df_rkpivot.iloc[0]['rank1']/total_30y*100:.0f}%)、 max は rank04 が {df_rkpivot.iloc[2]['rank4']:.1f} km² (全 max の {df_rkpivot.iloc[2]['rank4']/total_max*100:.0f}%) が 最多。max は rank05/06/07 にも面積を持ち多段階深ランクになっている。 これは「max は単に広い」のではなく「深い領域の存在を新たに記述する」 告示思想の違いを定量的に示している。

""")) # (6) 分析 3: 県全域 重ね合わせマップ + 想定最大の主題図 sections.append(("分析 3: 重ね合わせマップ — 県沿岸の地理分布", f"""

狙い

3 シナリオを 1 枚の地図に重ねることで、どの沿岸エリアが各規模で 浸水想定されるかを地理的に確認する。さらに max シナリオ単独で 深ランク主題図を描き、「家屋倒壊等氾濫想定区域 (rank07)」の 位置を可視化する。

手法 — 多レイヤ choropleth + 主題図

位置情報があれば地図化必須 (要件 T)。本分析は 2 種類の地図を作る: (a) 重ね合わせマップ — 30y/isewan/max を半透明 alpha=0.55 で重ね描画。 外側に大きい polygon が、内側に小さい polygon が見える階層構造になる。 (b) 主題図 — max のみを rank ごとに色塗りし、深い領域がどこにあるかを示す。

実装コード

{code(''' import geopandas as gpd import matplotlib.pyplot as plt from matplotlib.patches import Patch fig, ax = plt.subplots(figsize=(13, 7)) # 背景: 県内行政界 admin_diss.plot(ax=ax, color="#f0f0f0", edgecolor="#aaa", linewidth=0.4) # 3 シナリオを薄→濃で重ね for sc in ["30y", "isewan", "max"]: diss[sc].plot(ax=ax, color=SCENARIOS[sc]["color"], edgecolor="none", alpha=0.55) ax.set_aspect("equal") ax.set_title("3 シナリオ 重ね合わせマップ") ''')}

結果の図 (1) — 県全域 3 シナリオ重ね

{figure('assets/L44_fig3_overlay_map.png', '図3: 高潮浸水想定区域 3 シナリオ 重ね合わせマップ')}

図3 から読み取れること:

結果の図 (2) — 想定最大規模 浸水深 主題図

{figure('assets/L44_fig4_max_depth.png', '図4: 想定最大規模 (dataset 45) の浸水深ランク主題図')}

図4 を選んだ理由: max シナリオ単独で深ランクごとに色を変えると、 「どこが浅く、どこが深いか」が地図上で直接読める。 3 シナリオを重ねた図3 では各シナリオの境界しか見えないが、 主題図 (choropleth) は連続値の地理パターンを見るのに最適。

図4 から読み取れること:

""")) # (7) 分析 4: 福山湾 + 広島湾 ズーム sections.append(("分析 4: 沿岸 2 大湾ズーム — 「広がりながら深まる」を確認", f"""

狙い (RQ ↔ 仮説 H4)

福山湾と広島湾の 2 大湾を 3 シナリオでズームし、規模拡大に伴う 空間パターンの変化を視覚的に追う。仮説 H4 は「福山港が 3 シナリオ全てで 1 位」を予測。

手法 — Small multiples + bbox ズーム

同じ縮尺・同じ凡例で 3 シナリオを並べるsmall multiples 構図。 bbox は admin_diss.total_bounds から計算し、2km マージンを付与。 同じレンズで 3 時点を見せることで規模の進化を直感的に伝える。

実装コード

{code(''' fig, axes = plt.subplots(1, 3, figsize=(14, 5.2)) # bbox 計算 (福山港 = CITY_CD 207) xmin, ymin, xmax, ymax = admin_diss[admin_diss["CITY_CD"] == 207].total_bounds margin = 2000 # 2km xmin -= margin; ymin -= margin; xmax += margin; ymax += margin for ax, sc in zip(axes, ["30y", "isewan", "max"]): admin_diss.plot(ax=ax, color="#f0f0f0", edgecolor="#aaa") g = diss[sc].sort_values("rank_int") for _, row in g.iterrows(): gpd.GeoDataFrame([row], crs=g.crs).plot( ax=ax, color=row["color"], edgecolor="none", alpha=0.85) ax.set_xlim(xmin, xmax); ax.set_ylim(ymin, ymax) ax.set_aspect("equal") ax.set_title(SCENARIOS[sc]["jp"]) ''')}

結果の図 (1) — 福山湾ズーム

{figure('assets/L44_fig5_fukuyama_zoom.png', '図5: 福山湾 3 シナリオ ズームマップ')}

図5 から読み取れること:

結果の図 (2) — 広島湾ズーム

{figure('assets/L44_fig6_hiroshima_bay_zoom.png', '図6: 広島湾 3 シナリオ ズームマップ')}

図6 から読み取れること:

""")) # (8) 分析 5: 市町別ランキング + コロプレス sections.append(("分析 5: 市町別ランキング — 福山港の優位性", f"""

狙い (RQ ↔ 仮説 H4, H3)

3 シナリオの市町別浸水面積を集計し、(a) どの市町が最も大きいか、 (b) シナリオ間で順位が変わるか、(c) max でのみ追加される市町は どこかを量的に検証する。

手法 — 行政界 GeoJSON との空間結合

L15 で既知の行政界 GeoJSON (data/extras/L15_admin_zones/admin_922_広島県.zip) を 読込、CITY_CD で dissolve して 27 市町ポリゴンを得る (=広島市 8 区 + 14 市 + 5 町)。 各シナリオの dissolve 済みポリゴンと geopandas.sjoin(predicate=intersects) で候補ペアを抽出し、ペアごとに shapely.intersection で 正確な交差面積を計算する。

STEP1/STEP2 構造: 両方とも _l44_build_cache.py で実行され、結果は per_city_rank.csv に保存。本記事の本体スクリプトは CSV を読むだけ。

実装コード (キャッシュビルダ部分の抜粋)

{code(''' # STEP 1: sjoin で候補ペアを抽出 sj = gpd.sjoin(g_dissolved, # rank ごと dissolve 済 admin_diss[["CITY_CD", "geometry"]], how="inner", predicate="intersects") # STEP 2: ペアごと正確な交差面積を計算 results = [] for _, sjr in sj.iterrows(): rk, ccd = sjr["SINSUIRANK"], sjr["CITY_CD"] poly_rk = g_dissolved[g_dissolved["SINSUIRANK"] == rk].geometry.iloc[0] poly_ci = admin_diss[admin_diss["CITY_CD"] == ccd].geometry.iloc[0] inter = shapely.intersection(poly_rk, poly_ci) results.append({{"rank": rk, "city_cd": ccd, "area_km2": inter.area / 1e6}}) ''')}

結果の図 (1) — 市町別 3 シナリオ 比較バー

図8 を選んだ理由: horizontal bar は市町名の長い文字列を見やすく 表示でき、3 シナリオの値を並べることで「シナリオ間で順位がどう変わるか」が 直観的に読める。choropleth は地理を示すには良いが、定量的な順位は バーグラフが優れる。

{figure('assets/L44_fig8_city_compare.png', '図8: 市町別 3 シナリオ 浸水想定面積 比較 (上位15)')}

図8 から読み取れること:

結果の図 (2) — 市町コロプレス (max シナリオ)

{figure('assets/L44_fig7_choropleth_max.png', '図7: 想定最大規模 市町別 浸水想定面積コロプレス')}

図7 から読み取れること:

結果の表 — 市町別 上位10

{df_to_html(T_top10_max)}

表から読み取れること: max/30y 倍率の列が ∞ となるのは 「30y では浸水想定なし、max で初めて指定された市町」。 これらは仮説 H3 (カバレッジ拡大) の直接証拠。 有限値の中で倍率が大きい市町は「規模拡大の感度が高い市町」= 湾奥地形・干拓地・島嶼など物理的増幅条件が強い。

""")) # (9) 分析 6: 規模拡大倍率 散布 sections.append(("分析 6: 規模拡大倍率 — 「max で初めて姿を現す盲点」", f"""

狙い (RQ ↔ 仮説 H3, H6)

各市町について(a) max の浸水想定面積と(b) max/30y 倍率を 2 軸で 散布させ、「max で初めて指定された市町 (盲点市町)」を浮き上がらせる。

手法 — log scale 散布 + 沿岸/内陸 色分け

x 軸 = max km²、y 軸 = max/30y 倍率 (log 10)。30y=0 (max のみ) の 市町は倍率が ∞ になるため、三角マーカー (▲) で y=50 (cap 値) に表示し 他と差別化。色分けは沿岸 (赤) / 内陸 (青) の二分類。

実装コード

{code(''' fig, ax = plt.subplots(figsize=(9, 6)) # 有限の max/30y 倍率を持つ市町 finite = plot_df[plot_df["max / 30y"].apply(lambda v: v != float("inf"))] ax.scatter(finite["想定最大 km²"], finite["max / 30y"], c=finite["沿岸"].map({{True: "#cf222e", False: "#0969da"}}), edgecolor="#333", s=80, alpha=0.85) # 30y=0 (max のみ指定) の市町は ▲ で y=50 にプロット infs = plot_df[plot_df["max / 30y"].apply(lambda v: v == float("inf"))] ax.scatter(infs["想定最大 km²"], [50]*len(infs), marker="^", s=120, c=infs["沿岸"].map({{True: "#cf222e", False: "#0969da"}}), edgecolor="#333") ax.set_yscale("log") ax.axhline(y=1, color="#aaa", linestyle="--") # 倍率1 = 拡大なし ''')}

結果の図

図9 を選んだ理由: 2 次元の関係 (絶対量 + 拡大倍率) を 1 図で見たいから散布図。 log scale は倍率が市町間で 10〜100 倍も違うため必須。 カテゴリ (沿岸/内陸/盲点)はマーカー色と形で示す。

{figure('assets/L44_fig9_expansion_ratio.png', '図9: 想定最大 vs 規模拡大倍率')}

図9 から読み取れること:

""")) # (10) 仮説検証と考察 sections.append(("仮説検証と考察", f"""

6 仮説の検証結果

{df_to_html(df_hypo)}

主要発見の整理

3 dataset 相互関係の構造発見

本記事の最重要発見は、3 dataset が「同じ高潮現象の異なる規模シナリオ」 ではなく、「異なる時代の異なる想定哲学」を反映している点である。

この 3 段階は頻度 → 過去 → 物理上限という想定の階段であり、 水防法 H27 改正が「過去ベースを超えて物理上限を考えよ」という思想転換を 要請した結果、max のみが質的に異なるデータセットになっている。 3 件を統合分析することで、「告示制度の進化と高潮リスク認識の進化」が 1 つのデータシリーズに刻まれていることが量的に可視化された。

本研究の限界

""")) # (11) 発展課題 sections.append(("発展課題", f"""

本記事の結果から論理的に導かれる新仮説と、それを検証する具体的課題:

課題 1: 高潮 × 河川 × 津波 「3 機構ハザード重ね」

課題 2: 沿岸島嶼の盲点エリアの社会基盤調査

課題 3: 浸水深 × 標高 (L40) のヒプソメトリック検証

課題 4: 1959 伊勢湾台風の実観測との比較

課題 5: 高潮 × 海面上昇 (気候変動) シナリオの予測

""")) html = render_lesson( num=44, title="L44 高潮浸水想定区域 3 件統合分析 — 広島県沿岸の「海起源浸水」を 3 規模シナリオで読み解く", tags=["高潮", "浸水想定区域", "水防法", "瀬戸内海", "沿岸防災", "統合分析", "geopandas", "Shapefile"], time="60〜90 分", level="リテラシ〜中級 (geopandas/Shapefile/空間結合の基礎)", data_label="DoBoX dataset 43, 44, 45 (高潮浸水想定区域情報 3 件) — Shapefile 計 5.5 MB", sections=sections, script_filename="L44_storm_surge.py", ) out_html = LESSONS / "L44_storm_surge.html" out_html.write_text(html, encoding="utf-8") print(f" HTML written: {out_html} ({out_html.stat().st_size:,} B), {time.time()-t1:.1f}s", flush=True) print(f"\n=== L44 done in {time.time()-t_all:.1f}s ===", flush=True)