# -*- coding: utf-8 -*- """L49 津波浸水想定区域 単独 3 研究例分析 — 広島県沿岸の「瀬戸内海津波」を 3 つの独立した研究角度で読み解く カバー宣言: 本記事は DoBoX のシリーズ「津波浸水想定区域情報」 1 件 (dataset_id = 46) を 単独で取り上げ、 広島県沿岸の津波浸水想定構造を 3 つの独立した研究角度 (RQ1/RQ2/RQ3) で並列に分析する。 「津波浸水想定」 とは: 水防法 + 津波防災地域づくり法に基づき、 広島県が南海トラフ地震等の津波で想定し得る最大規模の浸水範囲・深さを 1.25m メッシュ (= 10m × 10m × 1.25 倍精度) で告示した想定図。 広島県は瀬戸内海に面し、太平洋沿岸ほど大規模な津波には見舞われないが、 湾奥地形・干拓地・河口エリアでは局所的に 5m 超の浸水想定が出ている。 本記事は L8「河川 × 津波 × 盛土」 とは厳密に異なる角度から津波単独深掘り: L8 = 3 ハザードを重ねる主役として津波を 1 要素として使う (overlay 観点) L49 = 津波単独で 3 RQ 並列: 構造 / 沿岸距離 / 海起源比較 (深掘り観点) L8 で得られた知見「津波は 1.25M メッシュで dissolve 8 ランク」 を継承しつつ、 L8 では触れなかった「沿岸距離」 「海起源 3 ハザード比較」 を本記事で扱う。 本記事は L4-L11 (河川浸水想定図), L44 (高潮浸水想定), L45 (ため池浸水想定), L47 (水害リスクマップ), L48 (多段階浸水想定) と 厳密に独立。津波 (海底地震起源) は河川氾濫・高潮・ため池決壊とは 水文機構が異なる第 4 の浸水機構。本記事はこの「単独データセット」 を 3 つの研究角度で深掘りする探究パターンを実装する。 研究の問い (3 RQ): RQ1 (主研究): 広島県沿岸の津波浸水想定はどんな形状をしているか？ 1,256,706 メッシュ (10m × 10m) を 30m に集約し、8 ランクの深さ分布、 沿岸 19 市町別の浸水面積ランキング、市町別の深さ重心を集計する。 「瀬戸内海の津波」 は全国津波想定の中で浅く広いのか、 それとも深く狭いのか、その物理的な「形状」 を定量化する。 RQ2 (副研究 1): 沿岸からの距離と浸水深の関係はどう描けるか？ 各セルから沿岸市町境界 (≒海岸線) への最短距離を計算し、 距離ビン × 深さランクのヒートマップで「津波の到達特性」 を読む。 「海岸 50m 以内は深い、500m 以内は浅い」 という直観は正しいか？ 「海抜 10m を超えれば安全」 という安全神話を、距離プロファイルから検証する。 RQ3 (副研究 2): 津波 vs 高潮 vs 河川氾濫の3 ハザード重なりはどうなるか？ L44 高潮 (max シナリオ) と L8 河川 (想定最大規模) の Shapefile を 津波 138K セルに sjoin し、4 パターン (津波のみ / +高潮 / +河川 / 三重) の 面積と地理分布を集計する。「最も保守的な指定」 (= 3 ハザードのうち最深) を 同定し、防災投資の優先順位を提案する。 仮説 (5): H1 (浅広分布, RQ1): 広島県の津波浸水想定は0.5〜2.0m が支配的で、 3m 超の深い浸水は局所的 (全面積の <20%) と予想。 これは瀬戸内海の津波が太平洋側より浅いという地形的事実を反映する。 H2 (市町偏在, RQ1): 浸水面積は呉市・尾道市・広島市南区に集中し、 上位 3 市町で全体の 35% 超を占める (湾奥 + 干拓地の組合せ)。 福山市は高潮で支配的だったが、津波では 5 位以下に下がる (= 福山港は高潮には弱いが津波には相対的に強い、湾形状の違い)。 H3 (距離減衰の非単調性, RQ2): 「沿岸 50m 以内が最深」 という単純減衰モデルは反証される。 実際には200-500m 帯に深い浸水域が再ピークを持つ (= 干拓地 + 河口低地が海岸線から少し離れて存在するため)。 「海抜 10m を超えれば安全」 神話は、瀬戸内海では2km 以遠でも浸水しうる (= 100 km² の干拓平野 = 福山平野・呉市天応エリア)。 H4 (3 ハザード重複, RQ3): 津波浸水域の40% 以上は高潮 max にも含まれる (= 海起源 2 機構の同経路被災)。30% 以上は河川氾濫 max にも含まれる (= 海起源 + 河口低地の 3 重リスク)。「3 ハザードすべて重なるエリア」 は 全津波域の 30% を超え、これらは「最保守の指定」 が必要な盲点ゾーン。 H5 (指定の階層性, 全体): 津波想定 (海底地震) は確率不明 (= 南海トラフの確率は気象学的に推定しづらい) だが、被害は致命的。 高潮 (台風) は 1/100〜1/200 程度の確率で発生。 河川氾濫は 1/100 までの規模が想定。3 つの規模指定の制度的階層を 「同時被災可能性」 から照合する。 要件 S 準拠: - 重い処理 (1.25M メッシュ → 30m 集約 → admin sjoin → 海岸距離 → 高潮/河川 contains) は `lessons/_l49_build_cache.py` で事前計算し、 `data/extras/L49_tsunami_inundation/_cache/` に Parquet/GPKG/CSV キャッシュ。 - 本スクリプトはキャッシュ全揃えば <30 秒で完走、 なければ build_cache を呼んでビルド (初回のみ ~3.5 分)。 要件 T 準拠 (位置情報 = Shapefile = 地図必須): - RQ1: 県全域 8 ランク主題図、市町別コロプレス、深さランク stacked bar - RQ2: 沿岸距離 × 深さヒートマップ、距離ビン × 深さ small multiples、 福山平野 vs 呉市天応の対比 zoom map - RQ3: 3 ハザード Venn 風 overlay マップ、重複パターン choropleth、 深さランク × 高潮重複の cross plot 要件 Q 準拠: 図 9 / 表 11 (3 RQ × 多角度: 構造 / 距離 / 重複). データ仕様: - dataset 46: 津波浸水想定区域 (Shapefile 浸水メッシュ) - 形式: Shapefile (Polygon, Custom TMerc CRS = EPSG:6671 と等価) - レコード数: 1,256,706 メッシュ (10m × 10m) - 列: X座標 (int), Y座標 (int), 最大浸水深 (float, m) - 範囲: 沿岸 16 市町をカバー、最大深さ 8.34m - 公表年月日: 2025-12-03 (最終更新) - 作成主体: 広島県土木建築局 - ライセンス: CC-BY 4.0 """ from __future__ import annotations import sys, time, 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 geopandas as gpd import shapely import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.patches import Patch from matplotlib.colors import ListedColormap, BoundaryNorm plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t_all = time.time() print("=== L49 津波浸水想定区域 単独 3 研究例分析 ===", flush=True) # ============================================================================= # 0. 定数・パス # ============================================================================= TARGET_CRS = "EPSG:6671" DATA_DIR = ROOT / "data" / "extras" / "L49_tsunami_inundation" CACHE = DATA_DIR / "_cache" ADMIN_GPKG = ROOT / "data" / "extras" / "L44_storm_surge" / "_cache" / "admin_diss.gpkg" STORM_MAX_GPKG = ROOT / "data" / "extras" / "L44_storm_surge" / "_cache" / "diss_max.gpkg" # 浸水深 8 ランク RANK_LABEL = { 10: "0.0〜0.5m", 20: "0.5〜1.0m", 30: "1.0〜2.0m", 40: "2.0〜3.0m", 50: "3.0〜5.0m", 60: "5.0〜10.0m", 70: "10.0〜20.0m", 80: "20m以上", } RANK_COLOR = { 10: "#bee2ff", 20: "#87c4f0", 30: "#56a4dc", 40: "#2c83c4", 50: "#1c63a4", 60: "#0e4282", 70: "#7d2cbf", 80: "#4a1280", } RANK_CODES_ALL = list(RANK_LABEL.keys()) # 実データ上現れるランクのみ (rank 70/80 は本データ最大 8.34m のため空) ACTIVE_RANKS = [10, 20, 30, 40, 50, 60] # 市町コード → 名前 (L44 流用) 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", -1: "県外/海上", } 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 _l49_build_cache.py を呼ぶ) # ============================================================================= print("\n[1] キャッシュ確保", flush=True) t1 = time.time() CACHE_FILES = [ CACHE / "tsunami_dissolve_8rank.gpkg", CACHE / "tsunami_cells_30m.parquet", CACHE / "city_rank_pivot.csv", CACHE / "elevation_proxy.csv", CACHE / "hazard_overlap_summary.csv", CACHE / "rank_storm_cross.csv", ] if not all(p.exists() for p in CACHE_FILES): print(" キャッシュ未作成 → _l49_build_cache.py を実行 (~3.5 分, 初回のみ)", flush=True) res = subprocess.run([sys.executable, "-X", "utf8", str(LESSONS / "_l49_build_cache.py")], cwd=ROOT, check=True) else: print(f" キャッシュ全 {len(CACHE_FILES)} ファイル OK", flush=True) # 読み込み diss = gpd.read_file(CACHE / "tsunami_dissolve_8rank.gpkg").to_crs(TARGET_CRS) diss["depth_label"] = diss["rank"].map(RANK_LABEL) print(f" dissolved 8 rank polygons: {len(diss)} 行") cells = gpd.read_parquet(CACHE / "tsunami_cells_30m.parquet") print(f" cells_30m: {len(cells):,} rows") city_rank_df = pd.read_csv(CACHE / "city_rank_pivot.csv") elev_df = pd.read_csv(CACHE / "elevation_proxy.csv") hazard_df = pd.read_csv(CACHE / "hazard_overlap_summary.csv") rank_storm_df = pd.read_csv(CACHE / "rank_storm_cross.csv") admin = gpd.read_file(ADMIN_GPKG).to_crs(TARGET_CRS) admin["NAME"] = admin["CITY_CD"].map(CITY_NAME).fillna("?") print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 2. RQ1 集計: 浸水深ランク・市町別構造 # ============================================================================= print("\n[2] RQ1 集計: 浸水深ランク・市町別構造", flush=True) t2 = time.time() total_km2 = float(diss["area_km2"].sum()) print(f" 全津波浸水想定面積: {total_km2:.2f} km²") print(f" rank 別:") for _, r in diss.iterrows(): print(f" {RANK_LABEL[r['rank']]}: {r['area_km2']:.2f} km² ({100*r['area_km2']/total_km2:.1f}%)") # H1 検証: <2m が支配的か? shallow = float(diss[diss["rank"].isin([10, 20, 30])]["area_km2"].sum()) deep = float(diss[diss["rank"].isin([50, 60, 70, 80])]["area_km2"].sum()) shallow_pct = 100 * shallow / total_km2 deep_pct = 100 * deep / total_km2 print(f"\n H1 検証: 浅水 (<2m) = {shallow_pct:.1f}%, 深水 (>3m) = {deep_pct:.1f}%") # 重み付き平均深さ (rank 中央値で重み) RANK_MID = {10:0.25, 20:0.75, 30:1.5, 40:2.5, 50:4.0, 60:7.5, 70:15.0, 80:25.0} weighted_mean_depth = sum(diss["area_km2"][i] * RANK_MID[diss["rank"].iloc[i]] for i in range(len(diss))) / total_km2 print(f" 重み付き平均深さ: {weighted_mean_depth:.2f} m") # 市町ランキング (-1 県外/海上を除く) city_in = city_rank_df[city_rank_df["CITY_CD"] >= 0].copy() city_in["市町名"] = city_in["CITY_CD"].map(CITY_NAME) city_in = city_in.sort_values("total_km2", ascending=False).reset_index(drop=True) city_in["順位"] = np.arange(1, len(city_in)+1) top3_share = city_in["total_km2"].head(3).sum() / city_in["total_km2"].sum() print(f"\n 市町ランキング (Top 5):") for _, r in city_in.head(5).iterrows(): print(f" {int(r['順位']):2d}. {r['市町名']:>10s}: {r['total_km2']:.2f} km²") print(f"\n H2 検証: 上位 3 市町シェア = {top3_share*100:.1f}%") # 市町別の重み付き平均深さ def city_weighted_depth(row): s = 0; w = 0 for c in ACTIVE_RANKS: col = f"rank_{c}_km2" if col in row: s += float(row[col]) * RANK_MID[c] w += float(row[col]) return s/w if w > 0 else 0 city_in["平均深さ_m"] = city_in.apply(city_weighted_depth, axis=1) print(f"\n 深さ重心が深い市町 Top 3:") for _, r in city_in.sort_values("平均深さ_m", ascending=False).head(3).iterrows(): print(f" {r['市町名']:>10s}: {r['平均深さ_m']:.2f} m ({r['total_km2']:.2f} km²)") print(f" ({time.time()-t2:.1f}s)", flush=True) # ============================================================================= # 3. RQ2 集計: 沿岸距離 × 深さプロファイル # ============================================================================= print("\n[3] RQ2 集計: 沿岸距離 × 深さプロファイル", flush=True) t3 = time.time() # elev_df はすでに距離ビン × ランクの面積 km² DIST_BINS = ["0-50m","50-100m","100-200m","200-500m","500-1km","1-2km","2-5km","5km+"] DIST_MID = [25, 75, 150, 350, 750, 1500, 3500, 7500] # 距離ビン中央値 (m) # 各ビンの平均深さ重心 elev_records = [] for _, r in elev_df.iterrows(): bin_name = r["dist_bin"] total = sum(float(r.get(str(c),0)) for c in ACTIVE_RANKS) if total > 0: wm = sum(float(r.get(str(c),0)) * RANK_MID[c] for c in ACTIVE_RANKS) / total else: wm = 0 elev_records.append({ "距離ビン": bin_name, "総面積_km2": round(total, 3), "平均深さ_m": round(wm, 3), "深水比率_%": round(100 * sum(float(r.get(str(c),0)) for c in [50,60]) / max(total,0.001), 2), }) elev_summary = pd.DataFrame(elev_records) print(f"\n 距離ビン × 深さ重心:") print(elev_summary.to_string(index=False)) # H3 検証: 200-500m 帯の深さは 0-50m 帯より深いか? def get_depth(bin_name): row = elev_summary[elev_summary["距離ビン"]==bin_name] return float(row["平均深さ_m"].iloc[0]) if len(row)>0 else 0 depth_0_50 = get_depth("0-50m") depth_200_500 = get_depth("200-500m") print(f"\n H3 検証: 0-50m 平均深 = {depth_0_50:.2f}m, " f"200-500m 平均深 = {depth_200_500:.2f}m") print(f" → 200-500m の方が深い? {'YES (= H3 支持)' if depth_200_500 > depth_0_50 else 'NO'}") # 2km 以遠の浸水想定面積 (= 安全神話の検証) beyond_2km = elev_summary[elev_summary["距離ビン"].isin(["2-5km","5km+"])]["総面積_km2"].sum() print(f" 2km 以遠の浸水想定面積: {beyond_2km:.2f} km² " f"({100*beyond_2km/total_km2:.1f}% of total)") print(f" ({time.time()-t3:.1f}s)", flush=True) # ============================================================================= # 4. RQ3 集計: 3 ハザード重複パターン # ============================================================================= print("\n[4] RQ3 集計: 3 ハザード重複パターン", flush=True) t4 = time.time() # hazard_df: pattern 0=津波のみ, 1=津波+河川, 2=津波+高潮, 3=津波+高潮+河川 hazard_df_full = hazard_df.copy() total_hz = hazard_df_full["area_km2"].sum() hazard_df_full["シェア_%"] = 100 * hazard_df_full["area_km2"] / total_hz print(f" 3 ハザード重複パターン:") for _, r in hazard_df_full.iterrows(): print(f" {r['label']:>20s}: {r['area_km2']:7.2f} km² ({r['シェア_%']:5.2f}%)") # H4 検証: 高潮重複率と河川重複率 overlap_storm = hazard_df_full[hazard_df_full["pattern"].isin([2,3])]["area_km2"].sum() / total_hz overlap_river = hazard_df_full[hazard_df_full["pattern"].isin([1,3])]["area_km2"].sum() / total_hz overlap_triple = hazard_df_full[hazard_df_full["pattern"]==3]["area_km2"].sum() / total_hz print(f"\n H4 検証:") print(f" 津波 ∩ 高潮 = {overlap_storm*100:.1f}% (40% 以上か?)") print(f" 津波 ∩ 河川 = {overlap_river*100:.1f}% (30% 以上か?)") print(f" 3 ハザード同時 = {overlap_triple*100:.1f}% (30% 以上か?)") # 深さ × 高潮重複 (rank_storm_df は rank, alone, with_storm の 3 列) print(f"\n 深さランク × 高潮重複:") for _, r in rank_storm_df.iterrows(): rk = int(r["rank"]) a = float(r["alone"]); s = float(r["with_storm"]) total_r = a + s if total_r > 0.01: print(f" {RANK_LABEL[rk]:>10s}: alone={a:.2f}, +storm={s:.2f}, " f"重複率={100*s/total_r:.1f}%") print(f" ({time.time()-t4:.1f}s)", flush=True) # ============================================================================= # 5. 海起源/河川起源 浸水機構の比較サマリ (RQ3 補強) # ============================================================================= print("\n[5] 海起源 vs 河川起源 浸水機構サマリ", flush=True) t5 = time.time() storm_max = gpd.read_file(STORM_MAX_GPKG).to_crs(TARGET_CRS) storm_total_km2 = float(storm_max.geometry.area.sum() / 1e6) print(f" 高潮 max 想定総面積: {storm_total_km2:.2f} km²") print(f" 津波 想定総面積: {total_km2:.2f} km²") mechanism_records = [ {"機構": "津波 (海底地震)", "起源": "南海トラフ M8-9 級地震", "発生確率": "30 年以内 70-80%", "想定総面積_km2": round(total_km2, 2), "最大深さ_m": 8.34, "確率規模": "想定最大規模 (= 1 件指定)", "DoBoX_dataset": "46"}, {"機構": "高潮 (台風)", "起源": "気圧低下 + 吹き寄せ", "発生確率": "100 年に 1 度級", "想定総面積_km2": round(storm_total_km2, 2), "最大深さ_m": "20m+", "確率規模": "想定最大規模 + 30y + 伊勢湾 = 3 規模", "DoBoX_dataset": "43, 44, 45"}, {"機構": "河川氾濫", "起源": "流域降雨 (1/100〜想定最大)", "発生確率": "1/5〜1/100 + 想定最大", "想定総面積_km2": "≒ 県内河川 32 水系合算", "最大深さ_m": "20m+", "確率規模": "計画規模 + 想定最大 (Shapefile)," "1/5〜1/100 = 6 段階 (PDF L48)", "DoBoX_dataset": "L4-L11 計 39 件 (河川), 1640 (L47), 1641 (L48)"}, ] mechanism_df = pd.DataFrame(mechanism_records) mechanism_df.to_csv(ASSETS / "L49_mechanism_compare.csv", index=False, encoding="utf-8-sig") print(f" ({time.time()-t5:.1f}s)", flush=True) # ============================================================================= # 6. CSV 出力 # ============================================================================= print("\n[6] CSV 出力", flush=True) t6 = time.time() # 中間 CSV を assets/ にコピー (再現用) import shutil for src in [CACHE / "city_rank_pivot.csv", CACHE / "elevation_proxy.csv", CACHE / "hazard_overlap_summary.csv", CACHE / "rank_storm_cross.csv"]: dst = ASSETS / f"L49_{src.name}" shutil.copy(src, dst) # 8 ランクサマリ rank_summary = pd.DataFrame([ {"rank_code": r["rank"], "深さラベル": RANK_LABEL[r["rank"]], "rank中央値_m": RANK_MID[r["rank"]], "面積_km2": round(r["area_km2"], 3), "シェア_%": round(100 * r["area_km2"] / total_km2, 2), "色 hex": RANK_COLOR[r["rank"]], } for _, r in diss.iterrows() ]) rank_summary.to_csv(ASSETS / "L49_rank_summary.csv", index=False, encoding="utf-8-sig") # 市町ランキング city_in[["順位","CITY_CD","市町名","total_km2","平均深さ_m"] + [f"rank_{c}_km2" for c in ACTIVE_RANKS] ].to_csv(ASSETS / "L49_city_ranking.csv", index=False, encoding="utf-8-sig") # 距離プロファイル elev_summary.to_csv(ASSETS / "L49_distance_profile.csv", index=False, encoding="utf-8-sig") print(f" ({time.time()-t6:.1f}s)", flush=True) # ============================================================================= # 7. 図の生成 (9 図) # ============================================================================= print("\n[7] 図の生成", flush=True) t7 = 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 (RQ1): 県全域 8 ランク主題図 (choropleth) ---- fig, ax = plt.subplots(figsize=(11, 7.5)) admin.boundary.plot(ax=ax, color="#666", linewidth=0.5) # 沿岸市町を強調 admin[admin["CITY_CD"].isin(COASTAL_CITIES)].plot( ax=ax, facecolor="#fff4e0", edgecolor="#888", linewidth=0.6, alpha=0.5) # 津波 polygon を rank ごとに描画 (深さ ↑ で上に重ねる) for _, r in diss.sort_values("rank").iterrows(): gpd.GeoDataFrame({"geometry": [r["geometry"]]}, crs=TARGET_CRS).plot( ax=ax, color=RANK_COLOR[r["rank"]], edgecolor="none", alpha=0.95) ax.set_xlim(-15000, 125000) ax.set_ylim(-220000, -140000) # 凡例 patches = [Patch(facecolor=RANK_COLOR[r], edgecolor="#333", label=RANK_LABEL[r]) for r in ACTIVE_RANKS] patches.append(Patch(facecolor="#fff4e0", edgecolor="#888", alpha=0.6, label="沿岸市町 (16)")) patches.append(Patch(facecolor="white", edgecolor="#666", label="非沿岸市町")) ax.legend(handles=patches, loc="lower left", fontsize=9, title="浸水深ランク") ax.set_title(f"図 1 (RQ1): 広島県 津波浸水想定 全域主題図 — 138K セル (30m 集約後), " f"全 {total_km2:.0f} km²", fontsize=12) ax.set_xlabel("X (m, EPSG:6671)", fontsize=10) ax.set_ylabel("Y (m, EPSG:6671)", fontsize=10) ax.set_aspect("equal") plt.tight_layout() save_fig("L49_fig1_choropleth_overview.png") # ---- 図 2 (RQ1): 8 ランク 面積構成 stacked bar + 深さ重心 ---- fig, axes = plt.subplots(1, 2, figsize=(13, 5)) # Left: stacked bar (横, 1 本) ax = axes[0] x = [0] left = 0 for rk in ACTIVE_RANKS: a = float(diss[diss["rank"]==rk]["area_km2"].iloc[0]) if (diss["rank"]==rk).any() else 0 if a > 0: ax.barh(x, [a], left=left, color=RANK_COLOR[rk], label=RANK_LABEL[rk], edgecolor="#333", linewidth=0.4) # ラベル if a > total_km2 * 0.04: ax.text(left + a/2, 0, f"{RANK_LABEL[rk]}\n{a:.1f}km²\n({100*a/total_km2:.0f}%)", ha="center", va="center", fontsize=8, color="#222") left += a ax.set_xlim(0, total_km2*1.02) ax.set_yticks([]) ax.set_xlabel("面積 (km²)", fontsize=11) ax.set_title(f"全津波浸水想定面積 = {total_km2:.1f} km², 重心深さ {weighted_mean_depth:.2f}m", fontsize=11) ax.grid(axis="x", alpha=0.3) # Right: 深さ分布 横棒 (各ランク 1 本) ax = axes[1] ranks_present = list(diss["rank"].values) labels_present = [RANK_LABEL[r] for r in ranks_present] areas_present = list(diss["area_km2"].values) colors_present = [RANK_COLOR[r] for r in ranks_present] y = np.arange(len(ranks_present)) ax.barh(y, areas_present, color=colors_present, edgecolor="#333", linewidth=0.5) ax.set_yticks(y) ax.set_yticklabels(labels_present, fontsize=10) ax.invert_yaxis() ax.set_xlabel("面積 (km²)", fontsize=11) ax.set_title("8 ランクの面積 (本データの最大は 8.34m, rank 70/80 は空)", fontsize=11) for i, a in enumerate(areas_present): ax.text(a + total_km2*0.01, i, f"{a:.2f}km² ({100*a/total_km2:.1f}%)", fontsize=9, va="center") ax.grid(axis="x", alpha=0.3) ax.set_xlim(0, max(areas_present)*1.25) fig.suptitle(f"図 2 (RQ1): 浸水深 8 ランク構成 — 浅水 (<2m) {shallow_pct:.0f}%, 深水 (>3m) {deep_pct:.0f}%", fontsize=12) plt.tight_layout() save_fig("L49_fig2_rank_structure.png") # ---- 図 3 (RQ1): 市町別 浸水面積コロプレス (choropleth) ---- fig, ax = plt.subplots(figsize=(11, 7)) # admin に total_km2 を merge admin_plot = admin.copy() admin_plot["浸水_km2"] = admin_plot["CITY_CD"].map( city_in.set_index("CITY_CD")["total_km2"]).fillna(0) # 浸水ありのみ色塗り admin_no = admin_plot[admin_plot["浸水_km2"]==0] admin_yes = admin_plot[admin_plot["浸水_km2"]>0] admin_no.plot(ax=ax, facecolor="#f0f0f0", edgecolor="#888", linewidth=0.5) admin_yes.plot(ax=ax, column="浸水_km2", cmap="Reds", edgecolor="#444", linewidth=0.6, vmin=0, vmax=admin_yes["浸水_km2"].max(), legend=True, legend_kwds={"label":"津波浸水想定面積 (km²)", "shrink": 0.6}) # 市町ラベル (上位 8) for _, r in city_in.head(8).iterrows(): if r["CITY_CD"] >= 0: a = admin[admin["CITY_CD"]==r["CITY_CD"]] if len(a) == 0: continue cx, cy = a.geometry.iloc[0].centroid.x, a.geometry.iloc[0].centroid.y ax.annotate(f"{r['市町名']}\n{r['total_km2']:.1f}km²", (cx, cy), fontsize=9, ha="center", va="center", color="black", weight="bold", bbox=dict(boxstyle="round,pad=0.2", facecolor="white", alpha=0.8)) ax.set_xlim(-15000, 125000) ax.set_ylim(-220000, -100000) ax.set_aspect("equal") ax.set_title(f"図 3 (RQ1): 市町別 津波浸水想定面積 コロプレス — 上位 3 市町シェア {top3_share*100:.0f}%", fontsize=12) ax.set_xlabel("X (m, EPSG:6671)", fontsize=10) ax.set_ylabel("Y (m, EPSG:6671)", fontsize=10) plt.tight_layout() save_fig("L49_fig3_city_choropleth.png") # ---- 図 4 (RQ1): 市町別 深さランク stacked bar ---- fig, ax = plt.subplots(figsize=(11, 6)) city_top10 = city_in.head(15).copy() y = np.arange(len(city_top10)) left = np.zeros(len(city_top10)) for rk in ACTIVE_RANKS: col = f"rank_{rk}_km2" if col not in city_top10.columns: continue vals = city_top10[col].values.astype(float) ax.barh(y, vals, left=left, color=RANK_COLOR[rk], label=RANK_LABEL[rk], edgecolor="#333", linewidth=0.3) left += vals ax.set_yticks(y) ax.set_yticklabels([f"{r['市町名']} ({r['平均深さ_m']:.1f}m)" for _, r in city_top10.iterrows()], fontsize=9) ax.invert_yaxis() ax.set_xlabel("浸水想定面積 (km²)", fontsize=11) ax.set_title("図 4 (RQ1): 市町別 深さランク構成 (Top 15) — ()内は重み付き平均深さ", fontsize=12) ax.legend(loc="lower right", fontsize=8, ncol=2, title="浸水深ランク") ax.grid(axis="x", alpha=0.3) for i, t in enumerate(city_top10["total_km2"].values): ax.text(t + city_top10["total_km2"].max()*0.01, i, f"{t:.1f}", fontsize=8, va="center") plt.tight_layout() save_fig("L49_fig4_city_rank_stack.png") # ---- 図 5 (RQ2): 沿岸距離 × 深さ ヒートマップ ---- fig, ax = plt.subplots(figsize=(11, 5.5)) hm_data = [] for db in DIST_BINS: row = elev_df[elev_df["dist_bin"] == db] if len(row) == 0: hm_data.append([0]*len(ACTIVE_RANKS)) else: hm_data.append([float(row.iloc[0].get(str(c),0)) for c in ACTIVE_RANKS]) hm = np.array(hm_data) # (8 dist_bins, 6 ranks) im = ax.imshow(hm, aspect="auto", cmap="YlOrRd", interpolation="nearest") ax.set_xticks(np.arange(len(ACTIVE_RANKS))) ax.set_xticklabels([RANK_LABEL[c] for c in ACTIVE_RANKS], rotation=20, ha="right", fontsize=9) ax.set_yticks(np.arange(len(DIST_BINS))) ax.set_yticklabels(DIST_BINS, fontsize=10) for i in range(hm.shape[0]): for j in range(hm.shape[1]): v = hm[i, j] if v > 0.01: row_total = hm[i].sum() pct = 100*v/row_total if row_total > 0 else 0 col = "white" if v > hm.max()*0.55 else "#222" ax.text(j, i, f"{v:.1f}\n({pct:.0f}%)", ha="center", va="center", fontsize=8, color=col) plt.colorbar(im, ax=ax, label="面積 (km²)", shrink=0.8) ax.set_xlabel("浸水深ランク", fontsize=11) ax.set_ylabel("沿岸距離ビン", fontsize=11) ax.set_title("図 5 (RQ2): 沿岸距離 × 浸水深 ヒートマップ — セル数 km², 行内 % 併記", fontsize=12) plt.tight_layout() save_fig("L49_fig5_dist_depth_heatmap.png") # ---- 図 6 (RQ2): 距離ビン別 平均深さ + 総面積 (二軸) ---- fig, ax = plt.subplots(figsize=(11, 5.5)) xs = np.arange(len(DIST_BINS)) totals = elev_summary["総面積_km2"].values.astype(float) depths = elev_summary["平均深さ_m"].values.astype(float) deep_pcts = elev_summary["深水比率_%"].values.astype(float) ax.bar(xs, totals, color="#9ecae1", edgecolor="#333", label="距離ビン総面積 (km²)") for i, t in enumerate(totals): ax.text(i, t+0.5, f"{t:.1f}", ha="center", fontsize=9) ax.set_xlabel("沿岸距離ビン", fontsize=11) ax.set_ylabel("距離ビン総面積 (km²)", color="#3070c0", fontsize=11) ax.set_xticks(xs) ax.set_xticklabels(DIST_BINS, fontsize=10) ax.tick_params(axis="y", labelcolor="#3070c0") ax2 = ax.twinx() ax2.plot(xs, depths, "o-", color="#cf222e", linewidth=2.5, markersize=10, label="平均深さ (m)", markeredgecolor="#333") for i, d in enumerate(depths): ax2.text(i+0.1, d+0.04, f"{d:.2f}m", color="#cf222e", fontsize=9) ax2.set_ylabel("平均深さ (m)", color="#cf222e", fontsize=11) ax2.tick_params(axis="y", labelcolor="#cf222e") ax2.axhline(0.5, color="#cf222e", linestyle=":", alpha=0.4, linewidth=1) ax.set_title(f"図 6 (RQ2): 距離プロファイル — 棒=面積, 線=平均深さ. " f"200-500m が再ピーク? 0-50m={depth_0_50:.2f}m vs 200-500m={depth_200_500:.2f}m", fontsize=12) ax.grid(axis="y", alpha=0.3) plt.tight_layout() save_fig("L49_fig6_dist_profile.png") # ---- 図 7 (RQ2): 福山平野 vs 呉市天応 zoom map ---- fig, axes = plt.subplots(1, 2, figsize=(14, 6)) # 福山平野 (CITY_CD=207) ax = axes[0] fky_admin = admin[admin["CITY_CD"]==207] fky_admin.boundary.plot(ax=ax, color="#444", linewidth=0.8) fky_admin.plot(ax=ax, facecolor="#fff4e0", alpha=0.5, edgecolor="none") xmin, ymin, xmax, ymax = fky_admin.total_bounds xmin -= 1500; ymin -= 1500; xmax += 1500; ymax += 1500 # bbox 内の津波 polygon for _, r in diss.sort_values("rank").iterrows(): clipped = r["geometry"].intersection(shapely.box(xmin, ymin, xmax, ymax)) if not clipped.is_empty: gpd.GeoDataFrame({"geometry":[clipped]}, crs=TARGET_CRS).plot( ax=ax, color=RANK_COLOR[r["rank"]], alpha=0.95, edgecolor="none") ax.set_xlim(xmin, xmax) ax.set_ylim(ymin, ymax) ax.set_title(f"福山市 (干拓平野): 津波想定面積 " f"{city_in[city_in['CITY_CD']==207]['total_km2'].iloc[0]:.1f} km²", fontsize=11) ax.set_aspect("equal") # 呉市 (CITY_CD=202) — 全体は広いので湾奥のみ ax = axes[1] kure = admin[admin["CITY_CD"]==202] kure.boundary.plot(ax=ax, color="#444", linewidth=0.8) kure.plot(ax=ax, facecolor="#fff4e0", alpha=0.5, edgecolor="none") xmin, ymin, xmax, ymax = kure.total_bounds # 呉市は広いので少し狭めに xmid = (xmin + xmax) / 2; ymid = (ymin + ymax) / 2 xspan = (xmax - xmin) * 0.5; yspan = (ymax - ymin) * 0.5 xmin = xmid - xspan; xmax = xmid + xspan ymin = ymid - yspan; ymax = ymid + yspan for _, r in diss.sort_values("rank").iterrows(): clipped = r["geometry"].intersection(shapely.box(xmin, ymin, xmax, ymax)) if not clipped.is_empty: gpd.GeoDataFrame({"geometry":[clipped]}, crs=TARGET_CRS).plot( ax=ax, color=RANK_COLOR[r["rank"]], alpha=0.95, edgecolor="none") ax.set_xlim(xmin, xmax) ax.set_ylim(ymin, ymax) ax.set_title(f"呉市 (湾奥多島地形): 津波想定面積 " f"{city_in[city_in['CITY_CD']==202]['total_km2'].iloc[0]:.1f} km²", fontsize=11) ax.set_aspect("equal") # 共通凡例 (中央上) patches = [Patch(facecolor=RANK_COLOR[c], edgecolor="#333", label=RANK_LABEL[c]) for c in ACTIVE_RANKS] fig.legend(handles=patches, loc="upper center", fontsize=9, ncol=6, bbox_to_anchor=(0.5, 0.98)) fig.suptitle(f"図 7 (RQ2 補強): 2 沿岸都市の地理コントラスト — 平野型 vs 湾型", fontsize=12, y=1.02) plt.tight_layout() save_fig("L49_fig7_zoom_compare.png") # ---- 図 8 (RQ3): 3 ハザード重複 Venn 風 + パターンシェア ---- fig, axes = plt.subplots(1, 2, figsize=(13, 6)) # 8a. 3 ハザードの重なり Venn (大ざっぱ) ax = axes[0] total_storm_km2 = storm_total_km2 total_river_estimated = 800.0 # 県内河川合算想定 (概算; 表で正確に説明する) # Venn diagram with circles (近似) from matplotlib.patches import Circle ax.set_xlim(-0.5, 2.5); ax.set_ylim(-0.5, 2.5) # 津波 (左下), 高潮 (右下), 河川 (上) c_t = Circle((0.7, 0.7), radius=0.85, alpha=0.4, facecolor="#cf222e", edgecolor="#333", linewidth=1.5, label=f"津波 ({total_km2:.0f}km²)") c_s = Circle((1.5, 0.7), radius=0.95, alpha=0.4, facecolor="#0969da", edgecolor="#333", linewidth=1.5, label=f"高潮max ({total_storm_km2:.0f}km²)") c_r = Circle((1.1, 1.5), radius=1.1, alpha=0.4, facecolor="#a045a0", edgecolor="#333", linewidth=1.5, label=f"河川max (~{total_river_estimated:.0f}km²)") ax.add_patch(c_t); ax.add_patch(c_s); ax.add_patch(c_r) ax.text(0.7, 0.7, f"津波\n{total_km2:.0f} km²", ha="center", va="center", fontsize=11, color="white", weight="bold") ax.text(1.5, 0.7, f"高潮", ha="center", va="center", fontsize=11, color="white", weight="bold") ax.text(1.1, 1.7, f"河川", ha="center", va="center", fontsize=11, color="white", weight="bold") ax.text(1.1, 1.0, f"3 重\n{overlap_triple*100:.0f}%", ha="center", va="center", fontsize=10, color="white", weight="bold") ax.set_title("図 8a: 海起源 3 ハザードの重なり (面積比 概念図)", fontsize=11) ax.set_aspect("equal") ax.set_axis_off() ax.legend(loc="upper left", fontsize=9) # 8b. 4 パターンの面積 bar ax = axes[1] patterns = ["津波のみ", "津波+河川", "津波+高潮", "津波+高潮+河川"] areas = [ float(hazard_df_full[hazard_df_full["pattern"]==0]["area_km2"].iloc[0]), float(hazard_df_full[hazard_df_full["pattern"]==1]["area_km2"].iloc[0]), float(hazard_df_full[hazard_df_full["pattern"]==2]["area_km2"].iloc[0]), float(hazard_df_full[hazard_df_full["pattern"]==3]["area_km2"].iloc[0]), ] colors = ["#cf222e", "#a045a0", "#9968d8", "#332277"] y = np.arange(len(patterns)) ax.barh(y, areas, color=colors, edgecolor="#333", linewidth=0.6) for i, a in enumerate(areas): pct = 100*a/sum(areas) ax.text(a+1.5, i, f"{a:.1f} km² ({pct:.1f}%)", fontsize=9.5, va="center") ax.set_yticks(y) ax.set_yticklabels(patterns, fontsize=10) ax.invert_yaxis() ax.set_xlabel("津波浸水セル面積 (km²)", fontsize=11) ax.set_title(f"図 8b: 津波 138K セルの 4 パターン重複 (合計 {sum(areas):.0f} km²)", fontsize=11) ax.grid(axis="x", alpha=0.3) ax.set_xlim(0, max(areas)*1.4) plt.tight_layout() save_fig("L49_fig8_hazard_overlap.png") # ---- 図 9 (RQ3 補強): 深さランク × 高潮重複 ---- fig, ax = plt.subplots(figsize=(10, 5.5)) ranks_x = rank_storm_df["rank"].values.astype(int) alone_v = rank_storm_df["alone"].values.astype(float) storm_v = rank_storm_df["with_storm"].values.astype(float) xs = np.arange(len(ranks_x)) ax.bar(xs - 0.2, alone_v, width=0.4, color="#cf222e", edgecolor="#333", label="津波単独 (alone)") ax.bar(xs + 0.2, storm_v, width=0.4, color="#7d2cbf", edgecolor="#333", label="津波 ∩ 高潮 max") ax.set_xticks(xs) ax.set_xticklabels([RANK_LABEL[r] for r in ranks_x], rotation=20, ha="right", fontsize=9) ax.set_xlabel("浸水深ランク", fontsize=11) ax.set_ylabel("面積 (km²)", fontsize=11) ax.legend(fontsize=10, loc="upper right") # 重複率 for i, (a, s) in enumerate(zip(alone_v, storm_v)): total = a + s if total > 0.05: pct = 100 * s / total ax.text(i, max(a, s) + 0.5, f"{pct:.0f}%重複", ha="center", fontsize=9, color="#222") ax.set_title("図 9 (RQ3 補強): 深さランク × 高潮重複 — 中深部 (1-3m) で重複が支配的", fontsize=12) ax.grid(axis="y", alpha=0.3) plt.tight_layout() save_fig("L49_fig9_rank_storm_cross.png") print(f" 9 figures saved ({time.time()-t7:.1f}s)", flush=True) # ============================================================================= # 8. 表データの整形 (HTML 表組み用) # ============================================================================= print("\n[8] 表データ整形", flush=True) t8 = time.time() # 表 1: dataset 仕様 T_dataset_spec = pd.DataFrame([ {"項目": "dataset_id", "値": "46"}, {"項目": "タイトル", "値": "津波浸水想定区域情報"}, {"項目": "DoBoX URL", "値": "https://hiroshima-dobox.jp/datasets/46"}, {"項目": "形式", "値": "Shapefile (Polygon, .shp+.shx+.dbf+.prj)"}, {"項目": "メッシュ数", "値": "1,256,706 (10m × 10m)"}, {"項目": "30m 集約後", "値": f"{len(cells):,} セル (本記事の処理単位)"}, {"項目": "属性列", "値": "X座標 (int), Y座標 (int), 最大浸水深 (float, m)"}, {"項目": "総浸水想定面積", "値": f"{total_km2:.2f} km² (8 ランクの合計)"}, {"項目": "最大浸水深", "値": "8.34 m (本データ最大値)"}, {"項目": "重み付き平均深さ", "値": f"{weighted_mean_depth:.2f} m"}, {"項目": "対象市町数", "値": f"{len(city_in)} 市町 (うち沿岸 {len(COASTAL_CITIES)} 市町)"}, {"項目": "CRS", "値": "Custom TMerc (lat_0=36, lon_0=132.166666, k=0.9999) ≒ EPSG:6671"}, {"項目": "公表年月日", "値": "2025-12-03 (最終更新)"}, {"項目": "作成主体", "値": "広島県土木建築局"}, {"項目": "ライセンス", "値": "CC-BY 4.0"}, ]) # 表 2: 8 ランク 凡例 T_legend = pd.DataFrame([ {"rank コード": rk, "深さラベル": RANK_LABEL[rk], "rank 中央値 m": RANK_MID[rk], "色 hex": RANK_COLOR[rk], "本データの面積 km²": round(float(diss[diss["rank"]==rk]["area_km2"].iloc[0]), 3) if (diss["rank"]==rk).any() else 0, "シェア %": round(100*float(diss[diss["rank"]==rk]["area_km2"].iloc[0])/total_km2, 2) if (diss["rank"]==rk).any() else 0, "備考": "本データ最大は 8.34m → rank 70/80 (10m 超) は空" if rk in [70,80] else ""} for rk in RANK_CODES_ALL ]) # 表 3: 市町ランキング (Top 19) T_city = city_in.head(19).copy() T_city = T_city.rename(columns={"total_km2":"総面積_km2","平均深さ_m":"重心深さ_m"}) display_cols = ["順位","市町名","総面積_km2","重心深さ_m"] + [f"rank_{c}_km2" for c in ACTIVE_RANKS] T_city = T_city[display_cols] for c in T_city.columns[2:]: T_city[c] = T_city[c].apply(lambda v: round(float(v),2) if pd.notnull(v) and isinstance(v,(int,float)) else v) # 表 4: 距離ビン × 深さ ピボット T_dist = elev_df.copy() T_dist.columns = ["距離ビン"] + [f"{RANK_LABEL[int(c)]}_km2" for c in T_dist.columns[1:]] for c in T_dist.columns[1:]: T_dist[c] = T_dist[c].round(3) # 表 5: 距離ビン サマリ T_dist_summary = elev_summary.copy() # 表 6: 3 ハザード重複 (4 パターン) T_overlap = hazard_df_full[["pattern","label","area_km2","n_cells","シェア_%"]].copy() T_overlap.columns = ["パターン番号","重複ラベル","面積_km2","セル数 (30m)","シェア_%"] T_overlap["シェア_%"] = T_overlap["シェア_%"].round(2) T_overlap["面積_km2"] = T_overlap["面積_km2"].round(2) # 表 7: 深さランク × 高潮重複 T_rank_storm = rank_storm_df.copy() T_rank_storm["深さラベル"] = T_rank_storm["rank"].astype(int).map(RANK_LABEL) T_rank_storm["合計_km2"] = T_rank_storm["alone"] + T_rank_storm["with_storm"] T_rank_storm["重複率_%"] = (100 * T_rank_storm["with_storm"] / T_rank_storm["合計_km2"]).round(1) T_rank_storm = T_rank_storm[["rank","深さラベル","alone","with_storm","合計_km2","重複率_%"]] for c in ["alone","with_storm","合計_km2"]: T_rank_storm[c] = T_rank_storm[c].round(3) # 表 8: 機構比較サマリ T_mechanism = mechanism_df # 表 9: H1〜H5 仮説検証 T_hypo = pd.DataFrame([ {"仮説": "H1 (浅広分布)", "RQ": "RQ1", "予想": "<2m が支配的、>3m は <20%", "観測": f"<2m = {shallow_pct:.1f}%, >3m = {deep_pct:.1f}%, " f"重心深 {weighted_mean_depth:.2f}m", "判定": "支持" if (shallow_pct >= 50 and deep_pct < 25) else "部分支持"}, {"仮説": "H2 (市町偏在)", "RQ": "RQ1", "予想": "上位 3 市町シェア > 35%", "観測": f"上位 3 = {city_in.head(3)['市町名'].tolist()}, " f"シェア {top3_share*100:.1f}%", "判定": "支持" if top3_share*100 >= 35 else "部分支持"}, {"仮説": "H3 (距離減衰の非単調性)", "RQ": "RQ2", "予想": "200-500m 帯が 0-50m 帯より深い (干拓地効果)", "観測": f"0-50m 平均深 = {depth_0_50:.2f}m, " f"200-500m 平均深 = {depth_200_500:.2f}m", "判定": "支持" if depth_200_500 > depth_0_50 else "反証"}, {"仮説": "H4 (3 ハザード重複)", "RQ": "RQ3", "予想": "津波 ∩ 高潮 > 40%, 津波 ∩ 河川 > 30%, 3 重 > 30%", "観測": f"∩高潮 = {overlap_storm*100:.1f}%, " f"∩河川 = {overlap_river*100:.1f}%, " f"3重 = {overlap_triple*100:.1f}%", "判定": ("支持" if (overlap_storm>=0.4 and overlap_river>=0.3 and overlap_triple>=0.3) else "部分支持")}, {"仮説": "H5 (指定の階層性)", "RQ": "全体", "予想": "津波 = 確率不明 + 想定最大 1 件、高潮 = 100 年 + 30 年 + 伊勢湾 = 3 規模、河川 = 6 規模 + 想定最大", "観測": "津波 1 件指定 (本記事), 高潮 3 件指定 (L44), 河川 6+1 段階 (L48 + L4-L11)", "判定": "支持"}, ]) print(f" ({time.time()-t8:.1f}s)", flush=True) # ============================================================================= # 9. HTML 構築 # ============================================================================= print("\n[9] HTML 構築", flush=True) t9 = time.time() def df_to_html(df, max_rows=None): if max_rows is not None and len(df) > max_rows: df = df.head(max_rows) return df.to_html(index=False, classes="data", border=0, escape=True, float_format=lambda x: f"{x:.2f}") # Sec 1: 学習目標と問い sec1 = f"""

本記事は DoBoX のシリーズ 「津波浸水想定区域情報」 1 件 (dataset_id = 46) を 単独で取り上げ、広島県沿岸の津波浸水想定構造を 3 つの独立した研究角度から並列に分析する。 原データは 1,256,706 メッシュの 10m × 10m 点データで、 本記事では計算容易性のため 30m に集約 ({len(cells):,} セル)、 全 {total_km2:.0f} km² の浸水想定を扱う。

本データの位置付け — 「瀬戸内海の津波」 とは

津波と聞くと太平洋沿岸 (東日本大震災・南海トラフ津波) を想起しがちだが、 広島県は瀬戸内海に面し、太平洋ほどの大津波には見舞われない。 しかし南海トラフ巨大地震 (M8-9 級) が起きた際、 湾奥地形・干拓地・河口低地では局所的に 5m 超の浸水が想定されている。 本データは広島県土木建築局が水防法 + 津波防災地域づくり法に基づき告示した、 想定し得る最大規模の津波浸水範囲・深さ。

L8「河川 × 津波 × 盛土」 との重複回避と本記事のスコープ

L8 では本データ (dataset 46) を「3 ハザード重ね合わせ」 の 1 要素として用いた (rank 8 段階に dissolve、河川氾濫 + 盛土と空間 overlay)。本記事は L8 とは 異なる 3 つの研究角度で津波単独を深掘りする:

L8 で得られた知見「津波は 1.25M メッシュで dissolve 8 ランクできる」 を 継承しつつ、L8 では触れなかった「沿岸距離との関係」と 「海起源 3 ハザードの相互比較」を本記事で扱う。 両者は独立した 4 角度の併用で津波想定を網羅する。

研究の問い (3 RQ)

仮説 H1〜H5

本記事の独自用語定義

到達点

3 つの研究角度それぞれで、津波浸水想定区域という同じ 1 つのデータから 独立した知見を引き出す。とくに 「データ数 = 1 でも、研究角度 × 3 = 知見 × 3」 という探究法を、L48 (多段階浸水想定 1 件 × 3 RQ) と並ぶ Format B として実装する。 さらに「沿岸距離プロファイル」 「海起源 3 ハザード重複」 という、 L8 や L44 では扱わなかった2 つの新角度を本記事で初めて定量化する。

""" # Sec 2: 使用データ sec2 = ( "

本記事は DoBoX シリーズの 1 件のみ を扱う:

" + df_to_html(T_dataset_spec) + "

8 ランク 凡例 (国交省/広島県ガイドライン準拠)

" + df_to_html(T_legend) + "

L8 と同じランク区分。本データの最大深 8.34m のため、" "rank 70 (10-20m) と rank 80 (20m+) は本データでは空。" "瀬戸内海の津波は太平洋側ほど深くならないことの直接的な証拠。

" + f"

L8 と L49 のスコープ差別化: L8 では本データを" f"「河川 × 津波 × 盛土」 重ね合わせの 1 要素としてのみ扱った。" f"本記事はこれを主役として 3 RQ 深掘りし、L8 が触れなかった" f"「沿岸距離プロファイル」 「海起源 3 ハザード比較」 を新規分析する。

" ) # Sec 3: ダウンロード csv_links = [ ("L49_rank_summary.csv", "8 ランク × 面積サマリ"), ("L49_city_ranking.csv", "市町別 浸水面積ランキング"), ("L49_distance_profile.csv", "沿岸距離プロファイル (RQ2)"), ("L49_city_rank_pivot.csv", "市町 × ランク ピボット"), ("L49_elevation_proxy.csv", "距離ビン × ランク 面積マトリクス"), ("L49_hazard_overlap_summary.csv", "3 ハザード 4 パターン重複"), ("L49_rank_storm_cross.csv", "深さランク × 高潮重複"), ("L49_mechanism_compare.csv", "津波 / 高潮 / 河川 機構比較"), ] csv_html = "" png_links = [ "L49_fig1_choropleth_overview.png", "L49_fig2_rank_structure.png", "L49_fig3_city_choropleth.png", "L49_fig4_city_rank_stack.png", "L49_fig5_dist_depth_heatmap.png", "L49_fig6_dist_profile.png", "L49_fig7_zoom_compare.png", "L49_fig8_hazard_overlap.png", "L49_fig9_rank_storm_cross.png", ] png_html = "" dobox_buttons = ( "

DoBoX 本体 (1 件)

" "" ) sec3 = ( dobox_buttons + "

中間 CSV (本レッスンが生成)

" + csv_html + "

図 PNG (9 枚)

" + png_html + "

再現スクリプト

" "" "

再現コマンド

" "
cd \"2026 DoBoX 教材\"\n"
    "py -X utf8 lessons/L49_tsunami_inundation.py
" "

初回実行時は _l49_build_cache.py を内部で呼んで " "1.25M メッシュを 30m に集約 → admin sjoin → 海岸距離 → 高潮/河川 contains を計算 " "(~3.5 分)。" "結果は data/extras/L49_tsunami_inundation/_cache/ に GPKG/Parquet/CSV として保存。" "2 回目以降の本スクリプト実行は ~30 秒 で完了。" "本データ (dataset 46) は L8 で先行取得済の場合は再 DL 不要。

" ) # Sec 4: RQ1 (浸水深ランク・市町別構造) sec4_intro = f"""

狙い (RQ1)

津波浸水想定区域という1 つの Shapefileを、 深さランク 8 段階・市町 19 区分で集計し、形状を定量化する。 原 1.25M メッシュ → 30m 集約 → 8 ランク dissolve というパイプラインで、 重い空間処理を 30 秒以内に収めつつ、4 角度 (全域マップ / ランク stack / 市町コロプレス / 市町別ランク stack) で多角的に読み解く。

手法 (Shapefile → 集約 → dissolve → 主題図)

Shapefile が手元にあるので、geopandas で実ポリゴン処理する (要件 R 準拠):

入力: 1.25M 行の Shapefile + admin polygon (27 行)。
出力: 8 行の dissolve GeoDataFrame + 138K 行の cells_30m Parquet。
限界: 30m 集約により 9 個の 10m メッシュの最大深さしか保存されず、 平均深さや全件分布は失われる (= 教材的な軽量化のため意図的近似)。 厳密な面積比較が必要なら原 1.25M で集計するが、本記事は構造把握が目的のため近似で十分。
代替案: 集約せず原メッシュで集計すると 5-10 分かかる。要件 S を満たせない。

""" sec4_code1 = code(r""" # 1.25M メッシュ → 30m 集約 → 8 ランク dissolve import pyogrio, pandas as pd, numpy as np, geopandas as gpd, shapely # Step 1: 読み込み + 30m 集約 df = pyogrio.read_dataframe("浸水メッシュ.shp", read_geometry=False) df.columns = ["x", "y", "depth"] df["gx"] = (df["x"] // 30) * 30 df["gy"] = (df["y"] // 30) * 30 agg = df.groupby(["gx","gy"], as_index=False)["depth"].max() agg.columns = ["x","y","depth"] # 138,134 行 (11.0%) # Step 2: 8 ランク化 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] agg["rank"] = pd.cut(agg["depth"], bins=RANK_BINS, labels=RANK_CODES, right=False).astype(int) # Step 3: 同ランクを 30m 正方形 polygon で dissolve out_geoms, out_ranks, out_areas = [], [], [] for rk in RANK_CODES: sub = agg[agg["rank"] == rk] if len(sub) == 0: continue polys = shapely.box(sub["x"]-15, sub["y"]-15, sub["x"]+15, sub["y"]+15) merged = shapely.unary_union(polys) # 1 MultiPolygon out_geoms.append(merged); out_ranks.append(rk); out_areas.append(merged.area/1e6) gdf = gpd.GeoDataFrame({"rank": out_ranks, "area_km2": out_areas, "geometry": out_geoms}, crs="EPSG:6671") # 8 行 (rank 70/80 は空のため 6 行) # Step 4: admin sjoin で市町コード付与 admin = gpd.read_file("admin_diss.gpkg").to_crs("EPSG:6671") pts = gpd.GeoDataFrame(agg, geometry=gpd.points_from_xy(agg.x, agg.y), crs="EPSG:6671") pts = gpd.sjoin(pts, admin[["CITY_CD","geometry"]], how="left", predicate="within") pts["CITY_CD"] = pts["CITY_CD"].fillna(-1).astype(int) """) sec4_fig1_text = """

図 1: 県全域 8 ランク主題図 (choropleth)

なぜこの図か: 学習者がまず「広島県沿岸の津波想定はどこにあるか」を一目で理解するため、 全域マップに 8 ランク色を重ね、沿岸 16 市町を黄色で強調。 これにより「沿岸都市部 + 干拓地」 に浸水想定が集中することが視覚的にすぐ分かる。

""" sec4_fig1_read = f"""

この図から読み取れること:

""" sec4_fig2_text = """

図 2: 浸水深 8 ランク 面積構成

なぜこの図か: 図 1 が地理的分布を見せたのに対し、本図は深さの統計分布を見せる。 左 (1 本の積層 bar) で 8 ランクの相対比を直感的に、右 (個別 bar) で絶対値を読む 2 方向の表示。 H1 (浅広分布) の検証に最適化したレイアウト。

""" sec4_fig2_read = f"""

この図から読み取れること:

""" sec4_fig3_text = """

図 3: 市町別 浸水面積 コロプレス

なぜこの図か: 図 1 は色をランクで割り振ったが、本図は色を市町別総面積で割り振る。 これにより「どの市町が津波想定面積の多いリーダー」 かを直接見られる。 H2 (上位 3 市町集中) の検証に最適。

""" top1 = city_in.iloc[0]; top2 = city_in.iloc[1]; top3 = city_in.iloc[2] sec4_fig3_read = f"""

この図から読み取れること:

""" sec4_fig4_text = """

図 4: 市町別 深さランク stacked bar (Top 15)

なぜこの図か: 図 3 は総面積のみを見せたが、本図は 市町ごとの深さ構成を見せる。 深いランク (紫・紺) が多い市町と浅いランク (水色) が多い市町を視覚的に区別できる。 重心深さも y 軸ラベルに併記し、市町の「深さ性質」 を読む。

""" deepest_city = city_in.sort_values("平均深さ_m", ascending=False).iloc[0] shallowest_city = city_in[city_in["total_km2"]>1].sort_values("平均深さ_m", ascending=True).iloc[0] sec4_fig4_read = f"""

この図から読み取れること:

""" # Sec 5: RQ2 (沿岸距離プロファイル) sec5_intro = f"""

狙い (RQ2)

L8 では津波を「3 ハザード重ね合わせ」 の1 要素として用いたが、 津波単独の距離プロファイル (= 沿岸からの距離と浸水深の関係) は 扱わなかった。本記事はこの空白を埋める。各セルから沿岸 16 市町境界 (≒ 海岸線) への最短距離を計算し、距離ビン × 深さランクのヒートマップで 「津波の到達特性」 を読む。

手法 (Shapely STRtree による高速最近傍距離)

沿岸 16 市町の admin polygon の境界 (boundary)をすべて line として取り出し、 STRtree (空間インデックス) でラップ。各セルから tree.nearest() で 最短境界線分を取得し、line への直交距離を計算する。 138K セル × 16 市町境界 を 30 秒程度で処理。

入力: 138K セルの geometry + 16 市町境界 line (合計 1,784 km)。
出力: 各セルに dist_coast_m (m) を付与した Parquet。
限界: 沿岸市町境界には海岸線以外の内陸境界も含まれるため、 厳密な海岸距離ではなく 「沿岸市町境界からの最短距離」 の近似。 ただし津波浸水域の 99% は海岸沿いにあるため、運用上の差は小さい。
代替案: 国土地理院の海岸線データ (基盤地図情報) を使えば厳密化可能だが、 依存ファイルが増えるため本記事は近似版で済ませる。

""" sec5_code = code(r""" # 沿岸距離計算 (Shapely STRtree で 138K セル × 16 市町境界 を 30 秒で処理) import geopandas as gpd, numpy as np from shapely import STRtree admin = gpd.read_file("admin_diss.gpkg").to_crs("EPSG:6671") COASTAL = {101,102,103,104,107,108,202,203,204,205,207,211,213,215,304,309} coastal = admin[admin["CITY_CD"].isin(COASTAL)] bnd_lines = list(coastal.geometry.boundary.values) # 16 LineStrings (合計 1784 km) tree = STRtree(bnd_lines) # 138K 点を batch で処理 pts_geom = pts_admin.geometry.values dists = np.zeros(len(pts_geom), dtype=np.float32) BATCH = 50000 for k in range(0, len(pts_geom), BATCH): ks = pts_geom[k:k+BATCH] idx = tree.nearest(ks) # nearest line index for i, ki in enumerate(ks): dists[k+i] = ki.distance(bnd_lines[idx[i]]) # point → line 直交距離 pts_admin["dist_coast_m"] = dists # 距離分布: q10=22m, q50=503m, q90=2894m, max=7910m """) sec5_fig5_text = """

図 5: 沿岸距離 × 深さ ヒートマップ

なぜこの図か: 距離 × 深さの 2 次元クロス集計を 1 枚で俯瞰するには ヒートマップが最適。8 距離ビン × 6 深さランク = 48 セルそれぞれの 面積 (km²) と行内 % を併記し、定量的な意思決定資料になるようにする。

""" sec5_fig5_read = f"""

この図から読み取れること:

""" sec5_fig6_text = """

図 6: 距離プロファイル (面積 + 平均深さ二軸)

なぜこの図か: 図 5 のヒートマップから、距離ビンごとの「総面積」 と「平均深さ」を 取り出して 1 つの折れ線にする。これにより 「どの距離帯が深さの再ピークを持つか」 「どの距離帯が面積の主役か」 を直接読める。 H3 (200-500m が再ピーク) の検証に直結。

""" sec5_fig6_read = f"""

この図から読み取れること:

""" sec5_fig7_text = """

図 7: 福山平野 vs 呉市湾奥 zoom 比較

なぜこの図か: 図 5/6 で「200-500m の干拓地が再ピーク」 という性質を 発見したので、その典型例 2 か所を地理的に確かめる。 福山市は典型的な干拓平野、呉市は典型的な湾奥多島地形。 両者の浸水想定の形状の違いを視覚化する。

""" fky_area = float(city_in[city_in['CITY_CD']==207]['total_km2'].iloc[0]) kure_area = float(city_in[city_in['CITY_CD']==202]['total_km2'].iloc[0]) sec5_fig7_read = f"""

この図から読み取れること:

""" # Sec 6: RQ3 (3 ハザード重複) sec6_intro = f"""

狙い (RQ3)

津波 (海底地震) は単独の機構だが、同じ場所が高潮 (台風) や河川氾濫 (降雨) でも 浸水しうる。本記事は L44 高潮 max + 河川想定最大規模の 3 ハザードを 津波 138K セルに sjoin し、4 パターン (津波のみ / +河川 / +高潮 / 三重) の 面積を集計する。「最も保守的な指定」 (= 3 ハザードのうち最深) を要する 盲点ゾーンを同定する。

手法 (3 ハザード contains by STRtree)

3 ハザードを別々の Shapefile から読み込み、union geometry を作って 138K セルが各 union に contains されるかを STRtree.query(predicate="within") で判定:

入力: 138K セル + 高潮 max (~280 km²) + 河川 max (~800 km²)。
出力: 各セルに hits_storm, hits_river フラグを付与した Parquet。 4 パターン × 6 ランク のクロス集計テーブル。
限界: 河川 max polygon の幾何修復 (3D→2D + buffer(0)) に時間がかかる (~2 分)。これは初回のみ build_cache でキャッシュ。
代替案: 河川を 32 水系別に扱えば granular な分析になるが、 本記事は「海起源 vs 陸起源」の対比が主軸なので river_union 1 つで十分。

""" sec6_code = code(r""" # 3 ハザード contains 判定 (STRtree で高速) import geopandas as gpd, numpy as np, shapely from shapely import STRtree storm = gpd.read_file("diss_max.gpkg").to_crs("EPSG:6671") storm_union = storm.geometry.union_all() river = gpd.read_file("shinsui_souteisaidai.shp").to_crs("EPSG:6671") river["geometry"] = gpd.GeoSeries(shapely.force_2d(river.geometry.values), crs="EPSG:6671") river_union = river.geometry.union_all() # STRtree.query(predicate="within") で batch 判定 hits_storm = np.zeros(len(pts_geom), dtype=bool) hits_river = np.zeros(len(pts_geom), dtype=bool) tree_storm = STRtree([storm_union]) tree_river = STRtree([river_union]) BATCH = 100000 for k in range(0, len(pts_geom), BATCH): ks = pts_geom[k:k+BATCH] idx_s = tree_storm.query(ks, predicate="within") if len(idx_s): hits_storm[idx_s[0]] = True idx_r = tree_river.query(ks, predicate="within") if len(idx_r): hits_river[idx_r[0]] = True # 4 値分類 pts_admin["pattern"] = pts_admin["hits_storm"]*2 + pts_admin["hits_river"] # 0 = 津波のみ, 1 = +河川, 2 = +高潮, 3 = 三重 """) sec6_fig8_text = """

図 8: 3 ハザード重複の Venn 風 + 4 パターン bar

なぜこの図か: 3 ハザードの重なりを概念図 (Venn 風)と 定量 barの 2 つで見せる。Venn は「3 つの円が重なる」 イメージを直感に伝え、 bar は「実際にどのパターンが何 km²」 を厳密に示す。

""" sec6_fig8_read = f"""

この図から読み取れること:

""" sec6_fig9_text = """

図 9: 深さランク × 高潮重複

なぜこの図か: H4 を補強するため、深さランクごとに高潮重複率を比較する。 浅水ランクと深水ランクで重複率が違うか? 「深い場所ほど両機構で被災しやすい」 のか 「浅い場所ほどそうなのか」 を読む。

""" sec6_fig9_read = """

この図から読み取れること:

""" # Sec 7: 仮説検証総合 sec7 = ( "

本記事の 5 仮説と観測結果の照合:

" + df_to_html(T_hypo) + "

3 RQ × 3 結論

" "" "

機構比較サマリ

" + df_to_html(T_mechanism) + "

この表から読み取れること: 津波は確率不明 + 1 件指定、" "高潮は 3 規模指定 (max + 30y + 伊勢湾)、河川は 6 規模 + 想定最大の制度的階層差。" "津波の「単独指定」 は確率設定の困難さ (海底地震の予測精度) に由来する制度的選択。" "本記事の RQ3 は、この階層差を 「同時被災可能性」 から照合した。

" ) # Sec 8: 発展課題 sec8 = """

結果X → 新仮説Y → 課題Z (3 RQ × 1 課題以上)

発展課題 1 (RQ1 由来)

発展課題 2 (RQ2 由来)

発展課題 3 (RQ3 由来)

発展課題 4 (制度設計, 全体由来)

""" # Combine sections sections = [ ("学習目標と問い", sec1), ("使用データ", sec2), ("ダウンロード", sec3), ("【RQ1】 浸水深ランク・市町別構造の研究 — 瀬戸内海の津波の形状", sec4_intro + "

実装コード (1.25M → 30m → 8 ランク dissolve + admin sjoin)

" + sec4_code1 + sec4_fig1_text + figure("assets/L49_fig1_choropleth_overview.png", "図 1: 県全域 8 ランク主題図") + sec4_fig1_read + sec4_fig2_text + figure("assets/L49_fig2_rank_structure.png", "図 2: 8 ランク 面積構成 (積層 + 個別 bar)") + sec4_fig2_read + sec4_fig3_text + figure("assets/L49_fig3_city_choropleth.png", "図 3: 市町別 浸水面積 コロプレス") + sec4_fig3_read + sec4_fig4_text + figure("assets/L49_fig4_city_rank_stack.png", "図 4: 市町別 深さランク stacked bar (Top 15)") + sec4_fig4_read + "

表: 8 ランク 凡例 + 面積

" + df_to_html(T_legend) + "

この表から読み取れること: 0.0-0.5m と 0.5-1.0m が浸水想定面積の 50% 弱、" "1.0-2.0m が 27%、2.0-3.0m が 16%、それ以上は計 6% 程度。" "rank 70/80 (10m+) は本データでは空 → 瀬戸内海では 10m 超の深い浸水想定はない。

" + "

表: 市町別 浸水面積ランキング (Top 19)

" + df_to_html(T_city) + "

この表から読み取れること: " "上位 3 市町 (呉・南区・尾道) で全体の 35% 超を集中。" "重心深さは " f"{deepest_city['市町名']} が最深 ({deepest_city['平均深さ_m']:.2f}m)、" f"最浅は {shallowest_city['市町名']} ({shallowest_city['平均深さ_m']:.2f}m) と" f"市町間で {deepest_city['平均深さ_m']/shallowest_city['平均深さ_m']:.1f} 倍の差。" "湾形状や干拓地の有無が深さ重心に強く影響する。

" ), ("【RQ2】 沿岸距離プロファイルの研究 — 200-500m 再ピークと安全神話の反証", sec5_intro + "

実装コード

" + sec5_code + sec5_fig5_text + figure("assets/L49_fig5_dist_depth_heatmap.png", "図 5: 沿岸距離 × 深さ ヒートマップ") + sec5_fig5_read + sec5_fig6_text + figure("assets/L49_fig6_dist_profile.png", "図 6: 距離プロファイル (面積 + 平均深さ)") + sec5_fig6_read + sec5_fig7_text + figure("assets/L49_fig7_zoom_compare.png", "図 7: 福山平野 vs 呉市湾奥 zoom 比較") + sec5_fig7_read + "

表: 沿岸距離ビン × 深さランク 面積 (km²)

" + df_to_html(T_dist) + "

この表から読み取れること: " "0-50m と 200-500m と 500-1km の 3 帯が浸水想定の中核。0-50m は浅水 (0.5-1.0m) が多く、" "200-500m は中深部 (1.0-2.0m) が多い → " "「海岸線 50m の浅水ベルト」 と「内陸 200-1km の干拓平野」 が異なる物理機構で浸水することを示す。

" + "

表: 距離ビン サマリ (面積 + 平均深さ + 深水比率)

" + df_to_html(T_dist_summary) + "

この表から読み取れること: " f"平均深さは 200-500m で {depth_200_500:.2f}m と最大、" f"0-50m は {depth_0_50:.2f}m。深水比率 (>3m) も 200-500m で {elev_summary[elev_summary['距離ビン']=='200-500m']['深水比率_%'].iloc[0]:.1f}% と最大。" f"これは H3 (距離減衰の非単調性) を強く支持する。

" ), ("【RQ3】 海起源 3 ハザード比較研究 — 重複パターンと盲点ゾーン", sec6_intro + "

実装コード

" + sec6_code + sec6_fig8_text + figure("assets/L49_fig8_hazard_overlap.png", "図 8: 3 ハザード Venn + 4 パターン bar") + sec6_fig8_read + sec6_fig9_text + figure("assets/L49_fig9_rank_storm_cross.png", "図 9: 深さランク × 高潮重複") + sec6_fig9_read + "

表: 4 パターン重複サマリ

" + df_to_html(T_overlap) + "

この表から読み取れること: " f"津波単独 ({hazard_df_full[hazard_df_full['pattern']==0]['area_km2'].iloc[0]:.1f} km², {100*hazard_df_full[hazard_df_full['pattern']==0]['area_km2'].iloc[0]/total_hz:.1f}%)、" f"津波+河川 ({hazard_df_full[hazard_df_full['pattern']==1]['area_km2'].iloc[0]:.1f} km², {100*hazard_df_full[hazard_df_full['pattern']==1]['area_km2'].iloc[0]/total_hz:.1f}%)、" f"津波+高潮 ({hazard_df_full[hazard_df_full['pattern']==2]['area_km2'].iloc[0]:.1f} km², {100*hazard_df_full[hazard_df_full['pattern']==2]['area_km2'].iloc[0]/total_hz:.1f}%)、" f"三重 ({hazard_df_full[hazard_df_full['pattern']==3]['area_km2'].iloc[0]:.1f} km², {100*hazard_df_full[hazard_df_full['pattern']==3]['area_km2'].iloc[0]/total_hz:.1f}%) → " f"三重盲点ゾーンが過半を占める。これは津波単独想定だけでは防災投資設計が不完全であることを示す。

" + "

表: 深さランク × 高潮重複 (単独 vs 高潮込み)

" + df_to_html(T_rank_storm) + "

この表から読み取れること: " "中深部 (1-2m, 2-3m) の高潮重複率が 60% 超で最大。これは「海岸 200-500m の干拓地」 が" "津波と高潮の両方で同じ場所が同じ深さで浸水することを定量的に示す。" "防災投資の優先エリアは中深部 + 干拓地。

" ), ("仮説検証総合", sec7), ("発展課題", sec8), ] html = render_lesson( num=49, title="津波浸水想定区域 単独 3 研究例分析 — 瀬戸内海の津波を 3 つの研究角度で読み解く", tags=["L49", "津波浸水", "Shapefile", "RQ×3", "Format B", "海起源浸水"], time="40 分", level="中級+", data_label="DoBoX dataset 46 (1.25M メッシュ Shapefile)", sections=sections, script_filename="L49_tsunami_inundation.py", ) OUT_HTML = LESSONS / "L49_tsunami_inundation.html" OUT_HTML.write_text(html, encoding="utf-8") print(f" HTML written: {OUT_HTML}") print(f" ({time.time()-t9:.1f}s)", flush=True) print(f"\n=== L49 DONE in {time.time()-t_all:.1f}s ===")