# -*- coding: utf-8 -*- """L60 ため池監視カメラ及び水位計設置箇所一覧 単独 3 研究例分析 — 広島県 (実質広島市) のため池監視装置 70 箇所 (CSV) 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「ため池監視カメラ及び水位計設置箇所一覧」 1 件 (dataset_id = 1675) を 単独で取り上げ、 広島県内のため池監視装置 (= カメラ + 水位計の遠隔観測点) 70 箇所を 3 つの独立した研究角度 (RQ1 / RQ2 / RQ3) で並列に分析する。 Phase 4 農業遺構系の続編 = ため池系の運用監視側。 L59 (ため池基本情報 = 属性側) と L45 (ため池浸水想定 = 幾何側) と並ぶ ため池系 3 番目の角度。 「ため池監視カメラ及び水位計」 とは: 広島県 (実運用は広島市) が ため池の決壊予兆を検知するため設置した 遠隔監視装置。具体的には: - カメラ: ため池の堤体・水面を可視光で監視 (越流・崩落の視覚検知) - 水位計: 水面高を 1 分間隔等で計測 (越流前の予兆把握) 観測値は Web (https://hiroshima.ikelog.cloud/) でリアルタイム公開。 本データは「観測所名・住所・緯度経度・観測情報URL」の 5 列だけの シンプルな点台帳 (70 行 × 5 列, 約 8 KB)。 2018 年西日本豪雨と監視投資の関係 (本記事の歴史的位置付け): 2018 年 7 月 6 日の西日本豪雨で広島県内のため池32 箇所が損傷、うち 3 箇所が決壊し下流の住宅・道路に被害。これを受けて: (1) 国レベル: 2019 年「ため池管理保全法」 制定 (= L59 で扱う指定制度) (2) 県レベル: 「特定農業用ため池」 指定 (= L59 6,754 件) (3) 市レベル: 広島市が「ため池監視カメラ・水位計」 設置事業を開始 本データの 70 箇所は (3) の運用結果として 2020 年代に整備された。 つまり「2018 豪雨 → 法制度整備 → 監視装置投資」の三段ロケットの 最終段に当たる運用フェーズの初期データとして研究的に貴重。 本データ #1675 の独自性と限界: - 70 件すべてが広島市内: 緯度 34.37-34.60、経度 132.33-132.67 の範囲。 所在は 5 区 (安佐北 30 / 安芸 19 / 安佐南 13 / 佐伯 5 / 東 3) に集中、 中区・西区・南区はゼロ (= 都市核心部にため池無し)。 県内全域データではなく広島市の運用データであることを冒頭で明示。 - 観測機器のカメラ / 水位計の判別列なし: 1 行 = 1 観測点で、 カメラと水位計を併設した装置を 1 件として扱う構造。 本記事は「監視装置」 を上位概念として扱い、両者を統合 1 単位で集計。 - device-chart の URL ID (= 3072-3174 の整数 ID) を持ち、 ikelog.cloud のリアルタイム観測値 (越流警報) と直結。 装置の物理的設置順を反映する可能性 (= 早く設置された装置ほど ID が若い)。 ため池系 3 記事 (L45 / L59 / L60) の関係: 本記事 (L60) はため池の運用フェーズを扱う 3 本目で、L45/L59 と 同じため池群を異なる断面で見る。 - L45: 浸水想定区域 (Shapefile, 6,730 polygon) = 幾何側 = 決壊シナリオの空間 - L59: 基本情報 (CSV, 6,754 行) = 属性側 = 規模・指定日の台帳 - L60: 監視装置 (CSV, 70 行) = 運用側 = 実時間観測の現場 L60 は 70 件と件数最少だが、「指定された 6,754 件のうち実際にどれが 監視されているか」という運用合理性の問いを初めて立てる。 研究の問い (3 RQ): RQ1 (主研究): 広島市のため池監視装置の地理分布と区別構造はどう描けるか? 70 件すべて広島市内、しかし5 区 (安佐北 30 / 安芸 19 / 安佐南 13 / 佐伯 5 / 東 3) に 不均等分布。中区・西区・南区はゼロ。 8 区別ランキング、近接装置の最近隣距離 (NN) 分布、装置 ID 範囲、 広島市内の防災重点ため池 161 件中の監視カバー率 42.2%を多角度に集計。 RQ2 (副研究 1): 監視装置と防災重点ため池 (L59 + L45) の対応 — 監視ネットワークの空白はどこか? 広島市の防災重点ため池 161 件のうち、68 件 (42.2%) のみ監視済、 残り 93 件 (57.8%) は監視装置から離れて存在する空白池。 未監視 93 件の最近隣監視点距離分布 (median 347m, max 8.3km) を 「監視ネットワーク到達半径」として可視化。 規模 (堤高・貯水量) の差はあるか? — 監視済が大規模か未監視が大規模かを検証。 RQ3 (副研究 2): 監視装置と下流人家・避難所 (L03 既知) の空間関係 — 監視優先度の妥当性はどうか? 広島市内の指定緊急避難場所 (約 1,200 件, L03 から抽出) と 監視装置の最近隣距離を計算。 仮説: 監視装置は下流人家集中域 (= 避難所多い区)にあるべきだが、 実際は安佐北 (中山間) に 30 件と最多。 中山間ため池ほど 2018 豪雨型崩落のリスクが大きいため、 「中山間優先」 の制度合理性を空間統計で検証。 仮説 (5): H1 (区別偏在, 安佐北最多, RQ1): 監視装置は中山間 (安佐北 + 安佐南 = 43 件 = 61%)に集中。 これは中山間ため池の2018 豪雨型崩落リスクを反映した制度運用。 中区・西区・南区はゼロ (都市核心部にため池無し)。 H2 (装置 ID 連番性, RQ1): 装置 ID (3072-3174) は設置順を反映するはず。 早期設置 (ID 3072-3100 = 30 件) と後期設置 (3140-3174 = 30 件) を 比較すると、早期は重要度の高い大池に多いはず。 H3 (監視カバー率, RQ2): 広島市の防災重点ため池 161 件のうち、 監視済は 70 件未満 (= 半数以下)。これは 2020 年代開始の 新規事業のため、整備途上にあることを反映。 H4 (規模 ↔ 監視, RQ2): 監視済ため池は未監視より大規模 (堤高・貯水量とも)。 決壊時被害が大きい池を優先監視するのは制度的合理性。 Mann-Whitney U で中央値の差を統計検定。 H5 (避難所最近隣, RQ3): 監視装置の1km 圏に避難所が複数存在するはず。 これは「下流人家集中域に監視装置を置く」 の合理性。 未監視ため池との比較で、監視装置選定の下流リスク考慮を定量化。 要件 S 準拠 (1分以内完走): - CSV 70 行は読込・パース 0.1 秒未満 - L45 既処理 cache CSV から広島市分 161 件を抽出 (重い空間処理は不要) - shelters.json から広島市分 1,218 件をフィルタ (JSON パース < 1 秒) - 行政区域 GeoJSON は L15 既扱の admin_786_広島市.zip から - 期待実行時間: <15 秒 要件 T 準拠 (位置情報あり=地図必須): - RQ1: 広島市全域 70 点マップ + 区別 choropleth 風 (装置数) - RQ1: 8 区別棒 + 装置 ID 散布 - RQ2: 監視済 vs 未監視 ため池マップ (赤=未監視 93 件) - RQ2: 最近隣監視点距離分布ヒスト + 距離 × 規模散布 - RQ3: 監視装置 + 避難所 重ね合わせマップ - RQ3: 装置半径 1km 圏避難所数の棒グラフ 要件 Q 準拠: 図 8 / 表 11 (3 RQ × 多角度)。 データ仕様: - dataset 1675: ため池監視カメラ及び水位計設置箇所一覧 (CSV) - リソース (CSV, 約 8 KB, UTF-8 BOM): 70 行 × 5 列 - 列構成 (5 列): 観測所名 (例 流谷, 大原) / 住所 (例 広島市東区戸坂新町一丁目) / 緯度 / 経度 (WGS84 度) / 観測情報URL (https://hiroshima.ikelog.cloud/#/device-chart/{id}) - CRS: WGS84 (緯度経度) → 解析時 EPSG:6671 (平面直角第 III 系) m 単位 - 取得日: 2026-05-10 - ライセンス: クリエイティブ・コモンズ表示 4.0 - 作成主体: 広島市 """ from __future__ import annotations import sys, time, shutil, zipfile, re, json 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 requests import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.patches import Patch from matplotlib.lines import Line2D from sklearn.neighbors import BallTree from scipy.stats import mannwhitneyu plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t_all = time.time() print("=== L60 ため池監視カメラ及び水位計 単独 3 研究例分析 ===", flush=True) # ============================================================================= # 0. 定数・パス # ============================================================================= TARGET_CRS = "EPSG:6671" # JGD2011 平面直角座標系第 III 系 (m 単位) SRC_CRS = "EPSG:4326" # WGS84 (緯度経度) EARTH_R_M = 6_371_000.0 # 地球半径 (m)、haversine → m 換算用 DATA_DIR = ROOT / "data" / "extras" / "L60_pond_monitoring" DATA_DIR.mkdir(parents=True, exist_ok=True) # 本データの CSV CSV_PATH = ROOT / "data" / "extras" / "tameike_camera.csv" # L45/L59 既処理 cache (RQ2 で使用) L45_CACHE = ROOT / "data" / "extras" / "L45_pond_inundation" / "_cache" / "pond_inund_merge.csv" # 行政区域 (L15 広島市別) ADMIN_HIRO_ZIP = ROOT / "data" / "extras" / "L15_admin_zones" / "admin_786_広島市.zip" ADMIN_PREF_ZIP = ROOT / "data" / "extras" / "L15_admin_zones" / "admin_922_広島県.zip" # 避難所 JSON (L03 既扱) SHELTERS_JSON = ROOT / "data" / "shelters.json" # DoBoX DOBOX_BASE = "https://hiroshima-dobox.jp" HDR = {"User-Agent": "DoBoX-MDASH-textbook/1.0 (educational use)"} # 主要日付 (制度史) RAIN_2018 = pd.Timestamp("2018-07-06") # 西日本豪雨 (ため池決壊 32 箇所) LAW_TAMEIKE_KEI = pd.Timestamp("2021-05-31") # ため池管理保全法 経過措置期限 # 広島市 8 区 CITY_CD KU_CD_TO_NAME = { 101: "中区", 102: "東区", 103: "南区", 104: "西区", 105: "安佐南区", 106: "安佐北区", 107: "安芸区", 108: "佐伯区", } # ============================================================================= # 1. データ取得 (CSV を DoBoX から自動 DL) # ============================================================================= print("\n[1] データ取得", flush=True) t1 = time.time() if not CSV_PATH.exists() or CSV_PATH.stat().st_size < 100: # DoBoX dataset 1675 url = f"{DOBOX_BASE}/datasets/1675" print(f" fetch resource list <- {url}") r = requests.get(url, headers=HDR, timeout=60) rids = re.findall(r"/resources/(\d+)", r.text) if not rids: raise RuntimeError("dataset 1675 にリソースが見つかりません") rid = rids[0] rh = requests.get(f"{DOBOX_BASE}/resources/{rid}", headers=HDR, timeout=60) m = re.search(r'href="(' + re.escape(DOBOX_BASE) + r'/resource_download/\d+)"', rh.text) if not m: raise RuntimeError(f"resource {rid} の resource_download が解決できません") dl = m.group(1) print(f" DL <- {dl}") rd = requests.get(dl, headers=HDR, timeout=60) rd.raise_for_status() CSV_PATH.parent.mkdir(parents=True, exist_ok=True) CSV_PATH.write_bytes(rd.content) print(f" saved -> {CSV_PATH.name} ({len(rd.content):,} bytes)") else: print(f" cache HIT: {CSV_PATH.name} ({CSV_PATH.stat().st_size:,} bytes)") # 中間保存先 (L60 専用フォルダにコピー) LOCAL_CSV = DATA_DIR / "tameike_camera.csv" if not LOCAL_CSV.exists(): shutil.copy(CSV_PATH, LOCAL_CSV) print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 2. CSV 読込・前処理 # ============================================================================= print("\n[2] CSV 読込・前処理", flush=True) t1 = time.time() df = pd.read_csv(CSV_PATH, encoding="utf-8-sig", dtype=str) df.columns = [c.replace("", "").strip().strip('"') for c in df.columns] n_total = len(df) print(f" rows: {n_total}, columns: {df.columns.tolist()}") # 緯度経度の数値化 (元データは末尾空白あり) df["緯度"] = pd.to_numeric(df["緯度"].astype(str).str.strip(), errors="coerce") df["経度"] = pd.to_numeric(df["経度"].astype(str).str.strip(), errors="coerce") n_xy = (df["緯度"].notna() & df["経度"].notna()).sum() print(f" 緯度経度 ok: {n_xy} / {n_total}") print(f" 緯度範囲: {df['緯度'].min():.4f} - {df['緯度'].max():.4f}") print(f" 経度範囲: {df['経度'].min():.4f} - {df['経度'].max():.4f}") # 装置 ID (URL 末尾 device-chart/{id} を抽出) df["device_id"] = df["観測情報URL"].str.extract(r"/device-chart/(\d+)").astype(int) print(f" device_id 範囲: {df['device_id'].min()} - {df['device_id'].max()}") # 区抽出 (住所 "広島市XX区..." から) def get_ku(s): s = str(s) m = re.search(r"広島市([^区市町]+区)", s) if m: return m.group(1) return "その他" df["区"] = df["住所"].apply(get_ku) print(f" 区別件数: {df['区'].value_counts().to_dict()}") # GeoDataFrame 化 (緯度経度 → EPSG:6671) gdf = gpd.GeoDataFrame( df, geometry=gpd.points_from_xy(df["経度"], df["緯度"]), crs=SRC_CRS, ).to_crs(TARGET_CRS) gdf["x_m"] = gdf.geometry.x gdf["y_m"] = gdf.geometry.y # 装置 ID コホート (前期 / 中期 / 後期 = 3 等分) df_sorted = df.sort_values("device_id").reset_index(drop=True) n_per_cohort = n_total // 3 cohort_labels = [] for i in range(n_total): if i < n_per_cohort: cohort_labels.append("前期") elif i < n_per_cohort * 2: cohort_labels.append("中期") else: cohort_labels.append("後期") df_sorted["設置コホート"] = cohort_labels df = df.merge(df_sorted[["device_id", "設置コホート"]], on="device_id", how="left") print(f" コホート別件数: {df['設置コホート'].value_counts().to_dict()}") print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 3. 行政区域 (L15 広島市) 読込 # ============================================================================= print("\n[3] 行政区域 (L15 広島市) 読込", flush=True) t1 = time.time() admin_dir = DATA_DIR / "_admin" admin_dir.mkdir(parents=True, exist_ok=True) # 広島市 8 区 GeoJSON hiro_geo = None if ADMIN_HIRO_ZIP.exists(): if not list(admin_dir.glob("*hiroshima*.geojson")) and not list(admin_dir.glob("341002*.geojson")): try: with zipfile.ZipFile(ADMIN_HIRO_ZIP) as zf: zf.extractall(admin_dir) except Exception as e: print(f" WARN: hiro zip extract failed: {e}") geos = list(admin_dir.glob("341002*.geojson")) if geos: hiro_geo = geos[0] ku_diss = None ku_outline = None if hiro_geo and hiro_geo.exists(): try: ku_gdf = gpd.read_file(hiro_geo).to_crs(TARGET_CRS) if "CITY_CD" in ku_gdf.columns: ku_gdf["区名"] = ku_gdf["CITY_CD"].astype(int).map(KU_CD_TO_NAME).fillna("不明") ku_diss = ku_gdf.dissolve(by="区名", as_index=False) ku_outline = ku_gdf.dissolve() print(f" hiroshima ku: {len(ku_gdf)} polys → {len(ku_diss)} 区 dissolve") else: ku_diss = ku_gdf ku_outline = ku_gdf.dissolve() except Exception as e: print(f" WARN: hiro geojson read failed: {e}") # 広島県境 (背景用、L15 #922) pref_outline = None if ADMIN_PREF_ZIP.exists(): pref_dir = DATA_DIR / "_pref" pref_dir.mkdir(parents=True, exist_ok=True) if not list(pref_dir.rglob("*.geojson")): try: with zipfile.ZipFile(ADMIN_PREF_ZIP) as zf: zf.extractall(pref_dir) except Exception: pass pgs = list(pref_dir.rglob("*.geojson")) if pgs: try: pref_gdf = gpd.read_file(pgs[0]).to_crs(TARGET_CRS) pref_outline = pref_gdf.dissolve() except Exception as e: print(f" WARN: pref geojson failed: {e}") print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 4. RQ1 分析: 監視装置の地理分布と区別構造 # ============================================================================= print("\n[4] RQ1: 監視装置の構造研究", flush=True) t1 = time.time() # (a) 区別ランキング ku_rank = df.groupby("区").size().reset_index(name="件数") ku_rank["シェア_%"] = (ku_rank["件数"] / n_total * 100).round(2) ku_rank = ku_rank.sort_values("件数", ascending=False).reset_index(drop=True) ku_rank.to_csv(ASSETS / "L60_ku_ranking.csv", index=False, encoding="utf-8-sig") top_ku = ku_rank.iloc[0] top1_ku = top_ku["区"] top1_ku_n = int(top_ku["件数"]) top1_ku_share = float(top_ku["シェア_%"]) # 中山間 vs 都市部 (本記事独自定義) INLAND_KU = {"安佐北区", "安佐南区", "安芸区", "佐伯区"} # 中山間+郊外 URBAN_KU = {"中区", "東区", "南区", "西区"} # 都市核心部 df["立地区分"] = df["区"].apply( lambda k: "中山間" if k in INLAND_KU else ("都市部" if k in URBAN_KU else "その他") ) n_inland = int((df["立地区分"] == "中山間").sum()) n_urban = int((df["立地区分"] == "都市部").sum()) n_other = int((df["立地区分"] == "その他").sum()) # (b) 最近隣装置距離 (NN) 分布 (haversine) mon_rad = np.deg2rad(df[["緯度", "経度"]].values) tree_mon = BallTree(mon_rad, metric="haversine") nn_d, nn_i = tree_mon.query(mon_rad, k=2) # k=2 で自身を除外 nn_dist_m = nn_d[:, 1] * EARTH_R_M # m df["NN距離_m"] = nn_dist_m nn_median = float(np.median(nn_dist_m)) nn_mean = float(np.mean(nn_dist_m)) nn_min = float(np.min(nn_dist_m)) nn_max = float(np.max(nn_dist_m)) nn_p25 = float(np.percentile(nn_dist_m, 25)) nn_p75 = float(np.percentile(nn_dist_m, 75)) # (c) 装置 ID コホート × 区 cohort_ku = pd.crosstab(df["設置コホート"], df["区"]).reindex(["前期", "中期", "後期"]) cohort_ku.to_csv(ASSETS / "L60_cohort_by_ku.csv", encoding="utf-8-sig") # (d) device_id 配置: 散布 id_min = int(df["device_id"].min()) id_max = int(df["device_id"].max()) id_range = id_max - id_min + 1 print(f" Top 区: {top1_ku} = {top1_ku_n} ({top1_ku_share:.1f}%)") print(f" 中山間 / 都市部 / その他: {n_inland} / {n_urban} / {n_other}") print(f" NN 距離 (m): median={nn_median:.0f}, mean={nn_mean:.0f}, " f"min={nn_min:.0f}, max={nn_max:.0f}") print(f" device_id 範囲: {id_min}-{id_max} ({id_range} ID 幅 / 70 装置)") print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 5. RQ2 分析: 監視ネットワークの空白 # ============================================================================= print("\n[5] RQ2: 監視ネットワーク空白研究", flush=True) t1 = time.time() # L45 cache から広島市分のため池を抽出 if not L45_CACHE.exists(): raise FileNotFoundError(f"L45 cache not found: {L45_CACHE} — L45 を先に実行してください") l45 = pd.read_csv(L45_CACHE, dtype={"ため池番号": str}) hiro_ponds = l45[l45["所管市町"] == "広島市"].copy() hiro_ponds["緯度"] = pd.to_numeric(hiro_ponds["緯度"], errors="coerce") hiro_ponds["経度"] = pd.to_numeric(hiro_ponds["経度"], errors="coerce") hiro_ponds["堤高_m"] = pd.to_numeric(hiro_ponds["堤高（m）"], errors="coerce") hiro_ponds["貯水量_千m3"] = pd.to_numeric(hiro_ponds["貯水量（千m3）"], errors="coerce") hiro_ponds = hiro_ponds.dropna(subset=["緯度", "経度"]).reset_index(drop=True) n_hiro_ponds = len(hiro_ponds) print(f" 広島市内 防災重点ため池 (L59 由来): {n_hiro_ponds} 件") # 各ため池に最近隣の監視装置を割り当て (haversine) ponds_rad = np.deg2rad(hiro_ponds[["緯度", "経度"]].values) nearest_d, nearest_i = tree_mon.query(ponds_rad, k=1) hiro_ponds["最近隣監視点_m"] = nearest_d[:, 0] * EARTH_R_M hiro_ponds["最近隣監視装置"] = df.iloc[nearest_i[:, 0]]["観測所名"].values hiro_ponds["最近隣device_id"] = df.iloc[nearest_i[:, 0]]["device_id"].values # 「同一池」 とみなす閾値: 100m 以内 (実装テストで 70/70 が < 100m) SAME_POND_THRESHOLD_M = 100.0 hiro_ponds["監視済"] = hiro_ponds["最近隣監視点_m"] < SAME_POND_THRESHOLD_M n_monitored_ponds = int(hiro_ponds["監視済"].sum()) n_unmonitored_ponds = n_hiro_ponds - n_monitored_ponds cover_rate = n_monitored_ponds / n_hiro_ponds * 100 print(f" 監視済 (< {SAME_POND_THRESHOLD_M:.0f}m): {n_monitored_ponds} / {n_hiro_ponds} = {cover_rate:.1f}%") print(f" 未監視: {n_unmonitored_ponds} 件") # 監視装置側から見た「同一池」 マッチ — カメラ→ため池 cam_rad = np.deg2rad(df[["緯度", "経度"]].values) tree_pond = BallTree(ponds_rad, metric="haversine") cam_to_pond_d, cam_to_pond_i = tree_pond.query(cam_rad, k=1) df["対応ため池_m"] = cam_to_pond_d[:, 0] * EARTH_R_M df["対応ため池名"] = hiro_ponds.iloc[cam_to_pond_i[:, 0]]["ため池名称"].values df["対応ため池番号"] = hiro_ponds.iloc[cam_to_pond_i[:, 0]]["ため池番号"].values df["対応貯水量_千m3"] = hiro_ponds.iloc[cam_to_pond_i[:, 0]]["貯水量_千m3"].values df["対応堤高_m"] = hiro_ponds.iloc[cam_to_pond_i[:, 0]]["堤高_m"].values n_cam_matched = int((df["対応ため池_m"] < SAME_POND_THRESHOLD_M).sum()) print(f" 装置→ため池 マッチ (< {SAME_POND_THRESHOLD_M:.0f}m): {n_cam_matched} / {n_total}") # 区別カバー率 ku_cover = [] for ku in sorted(set(hiro_ponds.get("所管市町", pd.Series(dtype=str))) | {"広島市"}): pass # ため池に区情報を付与 (緯度経度を区 polygon に sjoin、ku_diss があれば) if ku_diss is not None and "区名" in ku_diss.columns: ponds_gdf = gpd.GeoDataFrame( hiro_ponds, geometry=gpd.points_from_xy(hiro_ponds["経度"], hiro_ponds["緯度"]), crs=SRC_CRS, ).to_crs(TARGET_CRS) ponds_with_ku = gpd.sjoin( ponds_gdf, ku_diss[["区名", "geometry"]], how="left", predicate="within" ) hiro_ponds["区"] = ponds_with_ku["区名"].fillna("その他").values else: # フォールバック: 緯度経度ベースで簡易判定 hiro_ponds["区"] = "不明" ku_cover_df = hiro_ponds.groupby("区").agg( 全件数=("ため池番号", "count"), 監視済=("監視済", "sum"), ).reset_index() ku_cover_df["未監視"] = ku_cover_df["全件数"] - ku_cover_df["監視済"] ku_cover_df["カバー率_%"] = (ku_cover_df["監視済"] / ku_cover_df["全件数"] * 100).round(2) ku_cover_df = ku_cover_df.sort_values("全件数", ascending=False).reset_index(drop=True) ku_cover_df.to_csv(ASSETS / "L60_ku_coverage.csv", index=False, encoding="utf-8-sig") print(f" 区別カバー率:\n{ku_cover_df.to_string(index=False)}") # 未監視ため池の最近隣監視点距離分布 unmon = hiro_ponds[~hiro_ponds["監視済"]].copy() unmon_dist = unmon["最近隣監視点_m"].values unmon_med = float(np.median(unmon_dist)) unmon_p75 = float(np.percentile(unmon_dist, 75)) unmon_max = float(unmon_dist.max()) print(f" 未監視ため池の最近隣監視点距離: median={unmon_med:.0f}m, p75={unmon_p75:.0f}m, max={unmon_max:.0f}m") # H4 検証: 監視済 vs 未監視 の規模差 (Mann-Whitney U) mon_cap = hiro_ponds[hiro_ponds["監視済"]]["貯水量_千m3"].dropna().values unmon_cap = hiro_ponds[~hiro_ponds["監視済"]]["貯水量_千m3"].dropna().values mon_dam = hiro_ponds[hiro_ponds["監視済"]]["堤高_m"].dropna().values unmon_dam = hiro_ponds[~hiro_ponds["監視済"]]["堤高_m"].dropna().values mon_cap_med = float(np.median(mon_cap)) if len(mon_cap) else 0.0 unmon_cap_med = float(np.median(unmon_cap)) if len(unmon_cap) else 0.0 mon_dam_med = float(np.median(mon_dam)) if len(mon_dam) else 0.0 unmon_dam_med = float(np.median(unmon_dam)) if len(unmon_dam) else 0.0 if len(mon_cap) > 5 and len(unmon_cap) > 5: u_cap, p_cap = mannwhitneyu(mon_cap, unmon_cap, alternative="greater") else: u_cap, p_cap = (np.nan, np.nan) if len(mon_dam) > 5 and len(unmon_dam) > 5: u_dam, p_dam = mannwhitneyu(mon_dam, unmon_dam, alternative="greater") else: u_dam, p_dam = (np.nan, np.nan) print(f" 規模 (中央値): 監視済 cap={mon_cap_med:.2f} vs 未監視 cap={unmon_cap_med:.2f} 千m³ (U={u_cap}, p={p_cap})") print(f" 規模 (中央値): 監視済 dam={mon_dam_med:.2f} vs 未監視 dam={unmon_dam_med:.2f} m (U={u_dam}, p={p_dam})") # 未監視 93 件の詳細表 (個別識別用) unmon_detail = unmon[ ["ため池番号", "ため池名称", "区", "堤高_m", "貯水量_千m3", "緯度", "経度", "最近隣監視点_m"] ].copy().reset_index(drop=True) unmon_detail.columns = ["ため池番号", "ため池名称", "区", "堤高_m", "貯水量_千m3", "緯度", "経度", "最近隣監視点_m"] unmon_detail["最近隣監視点_m"] = unmon_detail["最近隣監視点_m"].round(0).astype(int) unmon_detail["堤高_m"] = unmon_detail["堤高_m"].round(2) unmon_detail["貯水量_千m3"] = unmon_detail["貯水量_千m3"].round(3) unmon_detail["緯度"] = unmon_detail["緯度"].round(5) unmon_detail["経度"] = unmon_detail["経度"].round(5) unmon_detail = unmon_detail.sort_values("最近隣監視点_m", ascending=False).reset_index(drop=True) unmon_detail.to_csv(ASSETS / "L60_unmonitored_ponds.csv", index=False, encoding="utf-8-sig") print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 6. RQ3 分析: 下流リスクとの一致 # ============================================================================= print("\n[6] RQ3: 下流リスクとの一致研究", flush=True) t1 = time.time() # 避難所データ読込 (L03 既扱) shelters_all = [] if SHELTERS_JSON.exists(): with open(SHELTERS_JSON, encoding="utf-8") as f: sd = json.load(f) for it in sd.get("items", []): try: lat = float(it.get("latitude") or "nan") lon = float(it.get("longitude") or "nan") mname = it.get("municipalityName") or "" if not (np.isnan(lat) or np.isnan(lon)) and "広島市" in mname: shelters_all.append({ "facilityId": it.get("facilityId"), "name": it.get("name"), "ku": mname.replace("広島市", "").strip() or "不明", "lat": lat, "lon": lon, "floodFlg": it.get("floodShFlg") or "0", "sedimentFlg": it.get("sedimentDisasterShFlg") or "0", "capacity": it.get("capacity"), }) except Exception: continue shel_df = pd.DataFrame(shelters_all) n_shelters = len(shel_df) n_flood_shelters = int((shel_df["floodFlg"] == "1").sum()) if n_shelters else 0 n_sediment_shelters = int((shel_df["sedimentFlg"] == "1").sum()) if n_shelters else 0 print(f" 広島市内 避難所 (L03 抽出): {n_shelters} 件 " f"(洪水対応 {n_flood_shelters} / 土砂災害対応 {n_sediment_shelters})") # 監視装置 → 1km 圏避難所数 / 最近隣避難所距離 RADIUS_M = 1000.0 shel_rad = np.deg2rad(shel_df[["lat", "lon"]].values) if n_shelters else np.zeros((0, 2)) tree_shel = BallTree(shel_rad, metric="haversine") if n_shelters else None if tree_shel is not None: # 各装置の 1km 圏内避難所数 radius_rad = RADIUS_M / EARTH_R_M n_within = tree_shel.query_radius(cam_rad, r=radius_rad, count_only=True) df["避難所1km圏数"] = n_within # 最近隣避難所距離 s_d, s_i = tree_shel.query(cam_rad, k=1) df["最近隣避難所_m"] = s_d[:, 0] * EARTH_R_M # 同様に未監視ため池でも計算 unmon_rad = np.deg2rad(unmon[["緯度", "経度"]].values) unmon_within = tree_shel.query_radius(unmon_rad, r=radius_rad, count_only=True) unmon_s_d, _ = tree_shel.query(unmon_rad, k=1) unmon["避難所1km圏数"] = unmon_within unmon["最近隣避難所_m"] = unmon_s_d[:, 0] * EARTH_R_M # 監視済ため池でも mon_p = hiro_ponds[hiro_ponds["監視済"]].copy() mon_p_rad = np.deg2rad(mon_p[["緯度", "経度"]].values) if len(mon_p): mon_within = tree_shel.query_radius(mon_p_rad, r=radius_rad, count_only=True) mon_p_s_d, _ = tree_shel.query(mon_p_rad, k=1) mon_p["避難所1km圏数"] = mon_within mon_p["最近隣避難所_m"] = mon_p_s_d[:, 0] * EARTH_R_M else: mon_p["避難所1km圏数"] = [] mon_p["最近隣避難所_m"] = [] cam_within_mean = float(df["避難所1km圏数"].mean()) cam_within_med = float(df["避難所1km圏数"].median()) cam_shel_med = float(df["最近隣避難所_m"].median()) cam_shel_mean = float(df["最近隣避難所_m"].mean()) cam_shel_max = float(df["最近隣避難所_m"].max()) unmon_within_mean = float(unmon["避難所1km圏数"].mean()) unmon_within_med = float(unmon["避難所1km圏数"].median()) unmon_shel_med = float(unmon["最近隣避難所_m"].median()) mon_p_within_mean = float(mon_p["避難所1km圏数"].mean()) if len(mon_p) else 0.0 mon_p_shel_med = float(mon_p["最近隣避難所_m"].median()) if len(mon_p) else 0.0 else: cam_within_mean = cam_within_med = cam_shel_med = cam_shel_mean = cam_shel_max = 0.0 unmon_within_mean = unmon_within_med = unmon_shel_med = 0.0 mon_p_within_mean = mon_p_shel_med = 0.0 mon_p = unmon.iloc[:0].copy() print(f" 装置 1km 圏避難所数: mean={cam_within_mean:.1f}, median={cam_within_med:.0f}") print(f" 装置 最近隣避難所距離: mean={cam_shel_mean:.0f}m, median={cam_shel_med:.0f}m, max={cam_shel_max:.0f}m") print(f" 未監視ため池 1km 圏避難所数 mean: {unmon_within_mean:.1f}") print(f" 監視済ため池 1km 圏避難所数 mean: {mon_p_within_mean:.1f}") # 区別 避難所密度 vs 装置密度 の相関 ku_shel = shel_df.groupby("ku").size().reset_index(name="避難所数") if n_shelters else pd.DataFrame(columns=["ku", "避難所数"]) ku_shel = ku_shel.rename(columns={"ku": "区"}) ku_combined = ku_rank.merge(ku_shel, on="区", how="left").fillna({"避難所数": 0}) ku_combined["避難所数"] = ku_combined["避難所数"].astype(int) ku_combined.to_csv(ASSETS / "L60_ku_combined.csv", index=False, encoding="utf-8-sig") # 装置数 vs 避難所数 Pearson r if (ku_combined["件数"].std() > 0) and (ku_combined["避難所数"].std() > 0): r_dev_shel = float(ku_combined[["件数", "避難所数"]].corr().iloc[0, 1]) else: r_dev_shel = float("nan") print(f" 区別 装置数 × 避難所数 Pearson r = {r_dev_shel:.3f}") # H5 関連: 装置の 1km 圏内避難所数の分布 n_dev_with_5plus = int((df["避難所1km圏数"] >= 5).sum()) if "避難所1km圏数" in df.columns else 0 share_5plus = n_dev_with_5plus / n_total * 100 print(f" 1km 圏に 5+ 避難所をもつ装置: {n_dev_with_5plus} / {n_total} = {share_5plus:.0f}%") print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 7. 図描画 # ============================================================================= print("\n[7] 図描画", flush=True) t1 = time.time() def draw_hiro(ax, lw=0.6, color="#888"): if ku_outline is not None: ku_outline.boundary.plot(ax=ax, color=color, linewidth=lw) if ku_diss is not None and len(ku_diss) > 1: ku_diss.boundary.plot(ax=ax, color=color, linewidth=lw * 0.5, alpha=0.5) # ---- 図 1 (RQ1): 広島市全域 70 点マップ + 区別棒 --------------------------- print(" fig1 全市マップ + 区ランキング", flush=True) fig, axes = plt.subplots(1, 2, figsize=(14, 7)) ax = axes[0] draw_hiro(ax, lw=0.8, color="#777") sc = ax.scatter( gdf["x_m"], gdf["y_m"], c=gdf["device_id"], cmap="viridis", s=55, alpha=0.85, edgecolors="black", linewidths=0.4, ) cbar = plt.colorbar(sc, ax=ax, shrink=0.7) cbar.set_label("device_id (= 設置順の代理)", fontsize=9) ax.set_title(f"広島市内 ため池監視装置 {n_total} 箇所\n" f"(色 = device_id, ID 範囲 {id_min}-{id_max})", fontsize=11) ax.set_aspect("equal") ax.set_xticks([]) ax.set_yticks([]) ax.set_xlabel("→ 東") ax.set_ylabel("↑ 北") # 区名ラベル (区polygonの重心に) if ku_diss is not None and "区名" in ku_diss.columns: for _, row in ku_diss.iterrows(): c = row.geometry.centroid ax.annotate(row["区名"], xy=(c.x, c.y), fontsize=8, color="#333", ha="center", weight="bold", bbox=dict(boxstyle="round,pad=0.18", facecolor="white", alpha=0.65, edgecolor="none")) ax = axes[1] all_ku = ["安佐北区", "安芸区", "安佐南区", "佐伯区", "東区", "中区", "南区", "西区"] plot_data = [] for k in all_ku: n = int((df["区"] == k).sum()) plot_data.append((k, n)) labels, counts = zip(*plot_data) colors = ["#d73027" if k in INLAND_KU else "#4575b4" for k in labels] ax.barh(range(len(labels)), counts, color=colors, alpha=0.85) ax.set_yticks(range(len(labels))) ax.set_yticklabels(labels, fontsize=10) ax.invert_yaxis() ax.set_xlabel("監視装置数") ax.set_title("広島市 8 区別 監視装置数 (赤=中山間 / 青=都市部)", fontsize=11) for i, v in enumerate(counts): ax.text(v + 0.4, i, f"{v}", va="center", fontsize=9) ax.grid(axis="x", alpha=0.3) ax.set_xlim(0, max(counts) * 1.15 + 1) plt.suptitle( f"L60 RQ1 図 1: 広島市 ため池監視装置 {n_total} 箇所 — " f"中山間 4 区 ({n_inland}, {n_inland/n_total*100:.0f}%) に偏在 / 都市核心 3 区はゼロ", fontsize=12, y=1.00 ) plt.tight_layout() plt.savefig(ASSETS / "L60_fig1_monitor_map.png", dpi=130, bbox_inches="tight") plt.close(fig) # ---- 図 2 (RQ1): 最近隣装置距離分布 + device_id ヒスト ---------------------- print(" fig2 NN 距離 + device_id", flush=True) fig, axes = plt.subplots(1, 2, figsize=(13, 5)) ax = axes[0] ax.hist(nn_dist_m, bins=20, color="#4575b4", edgecolor="white") ax.axvline(nn_median, color="red", linestyle="--", linewidth=1.2, label=f"中央値 {nn_median:.0f} m") ax.axvline(nn_mean, color="orange", linestyle="--", linewidth=1.2, label=f"平均 {nn_mean:.0f} m") ax.set_xlabel("最近隣装置距離 (m, haversine)") ax.set_ylabel("装置数") ax.set_title(f"装置同士の最近隣距離 (NN) 分布\n" f"レンジ {nn_min:.0f}-{nn_max:.0f}m, IQR=[{nn_p25:.0f}-{nn_p75:.0f}m]", fontsize=10) ax.legend(fontsize=9) ax.grid(alpha=0.3) ax = axes[1] # device_id × y (緯度) の散布で「設置順 ↔ 地理」 を読む ax.scatter(df["device_id"], df["緯度"], c=df["区"].map({k: i for i, k in enumerate(all_ku)}), cmap="tab10", s=40, alpha=0.85, edgecolors="black", linewidths=0.4) ax.set_xlabel("device_id (= 設置順の代理)") ax.set_ylabel("緯度") ax.set_title(f"device_id × 緯度 散布図 — 設置順と地理の対応", fontsize=10) # 区色の凡例 present_ku = [k for k in all_ku if (df["区"] == k).sum() > 0] import matplotlib.cm as mpl_cm cmap = mpl_cm.get_cmap("tab10") handles = [Patch(facecolor=cmap(all_ku.index(k) / 10), label=k) for k in present_ku] ax.legend(handles=handles, fontsize=8, loc="upper right") ax.grid(alpha=0.3) plt.suptitle( f"L60 RQ1 図 2: 装置の最近隣距離 (median {nn_median:.0f}m) と " f"device_id 散布 (設置順 ↔ 区)", fontsize=12, y=1.00 ) plt.tight_layout() plt.savefig(ASSETS / "L60_fig2_nn_id.png", dpi=130, bbox_inches="tight") plt.close(fig) # ---- 図 3 (RQ1): 区別 small multiples マップ ------------------------------- print(" fig3 区別 small multiples", flush=True) present_ku_with_data = [k for k in all_ku if (df["区"] == k).sum() > 0] n_panels = len(present_ku_with_data) ncols = 3 nrows = (n_panels + ncols - 1) // ncols fig, axes = plt.subplots(nrows, ncols, figsize=(13, 4.2 * nrows)) axes = np.array(axes).flatten() if n_panels > 1 else np.array([axes]).flatten() for i, ku in enumerate(present_ku_with_data): ax = axes[i] sub = gdf[gdf["区"] == ku] draw_hiro(ax, lw=0.5, color="#bbb") ax.scatter(sub["x_m"], sub["y_m"], c="#d73027", s=70, alpha=0.85, edgecolors="black", linewidths=0.5) # 区polygon フォーカス if ku_diss is not None and "区名" in ku_diss.columns: target = ku_diss[ku_diss["区名"] == ku] if len(target) > 0: target.boundary.plot(ax=ax, color="#222", linewidth=1.0) xmin, ymin, xmax, ymax = target.total_bounds mx = (xmax - xmin) * 0.1 + 1500 my = (ymax - ymin) * 0.1 + 1500 ax.set_xlim(xmin - mx, xmax + mx) ax.set_ylim(ymin - my, ymax + my) ax.set_title(f"{ku} ({len(sub)} 装置)", fontsize=11) ax.set_aspect("equal") ax.set_xticks([]) ax.set_yticks([]) # 余白埋め for j in range(n_panels, len(axes)): axes[j].axis("off") plt.suptitle( f"L60 RQ1 図 3: {n_panels} 区別 装置配置 small multiples — " f"安佐北・安芸の北東部に集中、佐伯・東は散在", fontsize=12, y=1.00 ) plt.tight_layout() plt.savefig(ASSETS / "L60_fig3_ku_small_mults.png", dpi=130, bbox_inches="tight") plt.close(fig) # ---- 図 4 (RQ2): 監視済 vs 未監視 ため池マップ ----------------------------- print(" fig4 監視済 vs 未監視 マップ", flush=True) fig, axes = plt.subplots(1, 2, figsize=(14, 7)) ax = axes[0] draw_hiro(ax, lw=0.7, color="#888") ponds_gdf = gpd.GeoDataFrame( hiro_ponds, geometry=gpd.points_from_xy(hiro_ponds["経度"], hiro_ponds["緯度"]), crs=SRC_CRS, ).to_crs(TARGET_CRS) ponds_gdf["x_m"] = ponds_gdf.geometry.x ponds_gdf["y_m"] = ponds_gdf.geometry.y mon_mask = ponds_gdf["監視済"] ax.scatter(ponds_gdf[~mon_mask]["x_m"], ponds_gdf[~mon_mask]["y_m"], c="#d73027", s=18, alpha=0.85, label=f"未監視 {n_unmonitored_ponds} 池 (赤)", edgecolors="none") ax.scatter(ponds_gdf[mon_mask]["x_m"], ponds_gdf[mon_mask]["y_m"], c="#4575b4", s=22, alpha=0.85, label=f"監視済 {n_monitored_ponds} 池 (青)", edgecolors="none") # 監視装置 (黒星) ax.scatter(gdf["x_m"], gdf["y_m"], c="black", marker="*", s=60, alpha=0.95, label=f"監視装置 {n_total} 箇所 (黒★)", edgecolors="white", linewidths=0.6) ax.set_title(f"広島市 防災重点ため池 {n_hiro_ponds} 件\n" f"監視カバー率 {cover_rate:.1f}% ({n_monitored_ponds}/{n_hiro_ponds})", fontsize=11) ax.legend(fontsize=9, loc="upper right") ax.set_aspect("equal") ax.set_xticks([]) ax.set_yticks([]) # 右: 未監視ため池の最近隣監視点距離 ヒスト ax = axes[1] unmon_dist_arr = unmon["最近隣監視点_m"].values ax.hist(unmon_dist_arr, bins=np.linspace(0, max(unmon_dist_arr) * 1.05, 25), color="#d73027", edgecolor="white", alpha=0.85) ax.axvline(unmon_med, color="black", linestyle="--", linewidth=1.2, label=f"中央値 {unmon_med:.0f} m") ax.axvline(1000, color="orange", linestyle=":", linewidth=1.5, label=f"1km 圏 ({(unmon_dist_arr <= 1000).sum()} 池)") ax.axvline(unmon_p75, color="purple", linestyle="--", linewidth=1, label=f"P75 {unmon_p75:.0f} m") ax.set_xlabel("未監視ため池 → 最近隣監視装置 距離 (m)") ax.set_ylabel("ため池数") ax.set_title(f"未監視 {n_unmonitored_ponds} 池の最近隣監視点距離\n" f"max {unmon_max:.0f}m = {unmon_max/1000:.1f}km", fontsize=10) ax.legend(fontsize=9) ax.grid(alpha=0.3) plt.suptitle( f"L60 RQ2 図 4: 監視ネットワーク空白 — 未監視 {n_unmonitored_ponds} 池の地理 + 距離分布", fontsize=12, y=1.00 ) plt.tight_layout() plt.savefig(ASSETS / "L60_fig4_coverage_map.png", dpi=130, bbox_inches="tight") plt.close(fig) # ---- 図 5 (RQ2): 区別カバー率 + 規模比較箱ひげ ----------------------------- print(" fig5 区別カバー率 + 規模箱ひげ", flush=True) fig, axes = plt.subplots(1, 2, figsize=(14, 5.5)) ax = axes[0] ku_plot = ku_cover_df.copy() y = range(len(ku_plot)) colors = ["#d73027" if r < 100 else "#4575b4" for r in ku_plot["カバー率_%"]] ax.barh(y, ku_plot["カバー率_%"], color=colors, alpha=0.85) ax.set_yticks(y) ax.set_yticklabels( [f"{k} (n={int(n)})" for k, n in zip(ku_plot["区"], ku_plot["全件数"])], fontsize=9 ) ax.invert_yaxis() ax.set_xlabel("監視カバー率 (%)") ax.set_xlim(0, max(ku_plot["カバー率_%"].max() * 1.15, 50)) for i, (r, miss) in enumerate(zip(ku_plot["カバー率_%"], ku_plot["未監視"])): label = f"{r:.0f}%" if miss > 0: label += f" (未 {int(miss)})" ax.text(r + 0.5, i, label, va="center", fontsize=8) ax.set_title("区別 監視カバー率 (赤=未監視あり / 全区で未監視)", fontsize=11) ax.grid(axis="x", alpha=0.3) # 右: 監視済 vs 未監視 貯水量箱ひげ (log10) ax = axes[1] data_compare = [] labels_cmp = [] if len(mon_cap): data_compare.append(np.log10(np.maximum(mon_cap, 0.001))) labels_cmp.append(f"監視済\n(n={len(mon_cap)})") if len(unmon_cap): data_compare.append(np.log10(np.maximum(unmon_cap, 0.001))) labels_cmp.append(f"未監視\n(n={len(unmon_cap)})") bp = ax.boxplot( data_compare, tick_labels=labels_cmp, patch_artist=True, widths=0.55, showfliers=True, ) for patch, color in zip(bp["boxes"], ["#4575b4", "#d73027"]): patch.set_facecolor(color) patch.set_alpha(0.7) ax.set_ylabel("log10 貯水量 (千 m³)") ax.set_title(f"監視済 vs 未監視 規模比較\n" f"中央: {mon_cap_med:.2f} vs {unmon_cap_med:.2f} 千m³ " f"(p={p_cap:.3f})", fontsize=10) ax.grid(axis="y", alpha=0.3) plt.suptitle( f"L60 RQ2 図 5: 区別カバー率 + 規模差 (Mann-Whitney p={p_cap:.3f})", fontsize=12, y=1.00 ) plt.tight_layout() plt.savefig(ASSETS / "L60_fig5_coverage_size.png", dpi=130, bbox_inches="tight") plt.close(fig) # ---- 図 6 (RQ2): 装置→対応ため池の規模分布 散布 --------------------------- print(" fig6 装置 vs ため池規模", flush=True) fig, axes = plt.subplots(1, 2, figsize=(13, 5)) # 左: device_id vs 対応貯水量 (大規模池が早く監視されたか) ax = axes[0] ok = df.dropna(subset=["対応貯水量_千m3"]).copy() ok = ok[ok["対応貯水量_千m3"] > 0] sc = ax.scatter( ok["device_id"], np.log10(ok["対応貯水量_千m3"]), c=ok["区"].map({k: i for i, k in enumerate(all_ku)}), cmap="tab10", s=45, alpha=0.85, edgecolors="black", linewidths=0.4, ) ax.set_xlabel("device_id (= 設置順)") ax.set_ylabel("log10 対応ため池貯水量 (千 m³)") # 設置コホート境界の縦線 boundaries = sorted(df.groupby("設置コホート")["device_id"].max().tolist())[:-1] for b in boundaries: ax.axvline(b + 0.5, color="grey", linestyle=":", alpha=0.5) ax.set_title("device_id × 対応ため池の log10 貯水量", fontsize=10) ax.grid(alpha=0.3) # 右: コホート別 規模箱ひげ ax = axes[1] cohorts = ["前期", "中期", "後期"] data_co = [] for c in cohorts: sub = df[df["設置コホート"] == c].dropna(subset=["対応貯水量_千m3"]) sub = sub[sub["対応貯水量_千m3"] > 0] data_co.append(np.log10(sub["対応貯水量_千m3"])) bp2 = ax.boxplot( data_co, tick_labels=cohorts, patch_artist=True, widths=0.55, showfliers=True, ) for patch, color in zip(bp2["boxes"], ["#4575b4", "#fdae61", "#d73027"]): patch.set_facecolor(color) patch.set_alpha(0.7) ax.set_ylabel("log10 対応ため池貯水量 (千 m³)") ax.set_title("設置コホート × 規模 — H2 検証 (前期に大規模か?)", fontsize=10) ax.grid(axis="y", alpha=0.3) co_meds = [] for i, c in enumerate(cohorts, 1): sub = df[df["設置コホート"] == c].dropna(subset=["対応貯水量_千m3"]) sub = sub[sub["対応貯水量_千m3"] > 0] if len(sub): m = float(sub["対応貯水量_千m3"].median()) co_meds.append((c, m)) ax.text(i, np.log10(m) + 0.05, f"med {m:.1f}", ha="center", fontsize=8, color="#333") plt.suptitle( f"L60 RQ2 図 6: 装置設置順 × 対応ため池規模 (H2: 前期に大規模池が監視されたか)", fontsize=12, y=1.00 ) plt.tight_layout() plt.savefig(ASSETS / "L60_fig6_id_size.png", dpi=130, bbox_inches="tight") plt.close(fig) # ---- 図 7 (RQ3): 監視装置 + 避難所 重ね合わせマップ ------------------------ print(" fig7 監視装置 + 避難所", flush=True) fig, axes = plt.subplots(1, 2, figsize=(14, 7)) ax = axes[0] draw_hiro(ax, lw=0.7, color="#888") # 避難所 (背景, 灰色小点) if n_shelters: shel_gdf = gpd.GeoDataFrame( shel_df, geometry=gpd.points_from_xy(shel_df["lon"], shel_df["lat"]), crs=SRC_CRS, ).to_crs(TARGET_CRS) shel_gdf["x_m"] = shel_gdf.geometry.x shel_gdf["y_m"] = shel_gdf.geometry.y ax.scatter(shel_gdf["x_m"], shel_gdf["y_m"], c="#bbb", s=4, alpha=0.5, label=f"避難所 {n_shelters}") # 装置 (赤大点) ax.scatter(gdf["x_m"], gdf["y_m"], c="#d73027", marker="*", s=80, alpha=0.95, label=f"監視装置 {n_total}", edgecolors="black", linewidths=0.5) ax.set_title(f"広島市内 監視装置 {n_total} + 避難所 {n_shelters}\n" f"装置 1km 圏内 平均避難所数 = {cam_within_mean:.1f}", fontsize=11) ax.legend(fontsize=9) ax.set_aspect("equal") ax.set_xticks([]) ax.set_yticks([]) # 右: 装置 1km 圏内の避難所数ヒスト ax = axes[1] ax.hist(df["避難所1km圏数"].values, bins=np.arange(0, df["避難所1km圏数"].max() + 2) - 0.5, color="#4575b4", edgecolor="white") ax.axvline(cam_within_med, color="red", linestyle="--", linewidth=1.2, label=f"中央値 {cam_within_med:.0f}") ax.axvline(cam_within_mean, color="orange", linestyle="--", linewidth=1.2, label=f"平均 {cam_within_mean:.1f}") ax.set_xlabel("装置の 1km 圏内 避難所数") ax.set_ylabel("装置数") ax.set_title(f"装置 1km 圏避難所数分布 — H5 検証\n" f"5+ 圏内の装置: {n_dev_with_5plus} ({share_5plus:.0f}%)", fontsize=10) ax.legend(fontsize=9) ax.grid(alpha=0.3) plt.suptitle( f"L60 RQ3 図 7: 監視装置 + 避難所 重ね合わせ — 下流リスクとの空間関係", fontsize=12, y=1.00 ) plt.tight_layout() plt.savefig(ASSETS / "L60_fig7_shelters.png", dpi=130, bbox_inches="tight") plt.close(fig) # ---- 図 8 (RQ3): 区別 装置数 vs 避難所数 + 比較 ---------------------------- print(" fig8 区別 装置 vs 避難所", flush=True) fig, axes = plt.subplots(1, 2, figsize=(14, 5.5)) # 左: 区別 装置数 vs 避難所数 (グループ棒) ax = axes[0] sorted_combined = ku_combined.sort_values("件数", ascending=False).reset_index(drop=True) y = np.arange(len(sorted_combined)) w = 0.35 ax.barh(y - w/2, sorted_combined["件数"], w, color="#d73027", alpha=0.85, label="監視装置") # 避難所数を別軸 (装置数とスケール違うので別軸表記) ax2 = ax.twiny() ax2.barh(y + w/2, sorted_combined["避難所数"], w, color="#4575b4", alpha=0.85, label="避難所") ax.set_yticks(y) ax.set_yticklabels(sorted_combined["区"], fontsize=9) ax.invert_yaxis() ax.set_xlabel("監視装置数 (赤)", color="#d73027") ax2.set_xlabel("避難所数 (青)", color="#4575b4") ax.tick_params(axis="x", colors="#d73027") ax2.tick_params(axis="x", colors="#4575b4") ax.set_title(f"区別 装置数 vs 避難所数 (Pearson r = {r_dev_shel:.2f})", fontsize=11) ax.grid(axis="x", alpha=0.3) # 右: 監視済 vs 未監視 ため池の 1km 圏避難所数 比較 ax = axes[1] data_shel = [] labels_shel = [] if len(mon_p): data_shel.append(mon_p["避難所1km圏数"].values) labels_shel.append(f"監視済\n(n={len(mon_p)})") if len(unmon): data_shel.append(unmon["避難所1km圏数"].values) labels_shel.append(f"未監視\n(n={len(unmon)})") bp3 = ax.boxplot( data_shel, tick_labels=labels_shel, patch_artist=True, widths=0.55, showfliers=True, ) for patch, color in zip(bp3["boxes"], ["#4575b4", "#d73027"]): patch.set_facecolor(color) patch.set_alpha(0.7) ax.set_ylabel("ため池 1km 圏内 避難所数") ax.set_title(f"監視済 vs 未監視ため池 1km 圏避難所数\n" f"中央: {mon_p['避難所1km圏数'].median() if len(mon_p) else 0:.1f} vs " f"{unmon['避難所1km圏数'].median() if len(unmon) else 0:.1f}", fontsize=10) ax.grid(axis="y", alpha=0.3) plt.suptitle( f"L60 RQ3 図 8: 区別 装置 vs 避難所 + ため池1km圏避難所数比較 — 下流リスクとの一致", fontsize=12, y=1.00 ) plt.tight_layout() plt.savefig(ASSETS / "L60_fig8_ku_shel.png", dpi=130, bbox_inches="tight") plt.close(fig) print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 8. 表データ作成 (HTML 出力用) # ============================================================================= print("\n[8] 表データ作成", flush=True) t1 = time.time() def df_to_html(d): return d.to_html(index=False, classes="", border=0, escape=False, na_rep="-").replace(' style="text-align: right;"', "") # 表 1 データセット仕様 T_dataset = pd.DataFrame([ ("dataset_id", "1675"), ("公式名", "ため池監視カメラ及び水位計設置箇所一覧"), ("形式", "CSV (UTF-8 BOM)"), ("件数", f"{n_total} 行 × 5 列"), ("サイズ", f"{CSV_PATH.stat().st_size:,} byte"), ("CRS", "WGS84 (緯度経度) → 解析時 EPSG:6671 m 単位"), ("座標カバレッジ", f"緯度 {df['緯度'].min():.3f}-{df['緯度'].max():.3f} / " f"経度 {df['経度'].min():.3f}-{df['経度'].max():.3f}"), ("カバー範囲", "広島市 5 区 (中区・南区・西区はゼロ)"), ("装置 ID 範囲", f"{id_min} - {id_max} (= ID 幅 {id_range})"), ("ライセンス", "CC-BY 4.0"), ("作成主体", "広島市"), ("L59 連携 (広島市分)", f"防災重点ため池 {n_hiro_ponds} 件中 {n_monitored_ponds} 件 ({cover_rate:.1f}%) を監視"), ("L03 連携 (広島市分)", f"避難所 {n_shelters} 件 / 装置 1km 圏内 平均 {cam_within_mean:.1f} 避難所"), ], columns=["項目", "値"]) # 表 2 全体サマリ T_overall = pd.DataFrame([ ("監視装置総数", f"{n_total} 箇所"), ("カバー区数", f"{(df['区'] != 'その他').nunique()} 区 / 8 区中 5 区"), ("Top 区", f"{top1_ku} {top1_ku_n} 箇所 ({top1_ku_share:.1f}%)"), ("中山間 4 区 計", f"{n_inland} 箇所 ({n_inland/n_total*100:.0f}%)"), ("都市核心 3 区計", f"{n_urban} 箇所 (= 0 ため池無し)"), ("最近隣装置距離 (装置同士)", f"中央 {nn_median:.0f} m / 平均 {nn_mean:.0f} / 最大 {nn_max:.0f}"), ("広島市内 防災重点ため池 (L59)", f"{n_hiro_ponds} 件"), ("監視カバー率", f"{cover_rate:.1f}% ({n_monitored_ponds} / {n_hiro_ponds})"), ("未監視ため池", f"{n_unmonitored_ponds} 件 (中央距離 {unmon_med:.0f}m, 最大 {unmon_max/1000:.1f}km)"), ("規模 (中央 千m³): 監視済 vs 未監視", f"{mon_cap_med:.2f} vs {unmon_cap_med:.2f} (= {mon_cap_med/max(unmon_cap_med,0.001):.2f}倍)"), ("Mann-Whitney U 規模差 p (片側)", f"{p_cap:.4f} ({'監視済が大規模' if p_cap < 0.05 else '有意差なし'})"), ("装置 1km 圏 避難所数 (中央)", f"{cam_within_med:.0f} (平均 {cam_within_mean:.1f})"), ("区別 装置数 × 避難所数 r", f"{r_dev_shel:.3f}"), ], columns=["指標", "値"]) T_overall.to_csv(ASSETS / "L60_overall.csv", index=False, encoding="utf-8-sig") # 表 3 区別装置数ランキング (8 区全部) T_ku_rank = pd.DataFrame({ "区": labels, "件数": counts, "立地区分": ["中山間" if k in INLAND_KU else "都市部" for k in labels], }) T_ku_rank["シェア_%"] = (T_ku_rank["件数"] / n_total * 100).round(2) # 表 4 設置コホート × 区 T_cohort = cohort_ku.fillna(0).astype(int).reset_index() # 表 5 区別カバー率 (RQ2) T_ku_cover = ku_cover_df.copy() # 表 6 監視済 vs 未監視 規模比較 T_size_comp = pd.DataFrame([ ("件数", n_monitored_ponds, n_unmonitored_ponds), ("中央堤高 (m)", round(mon_dam_med, 2), round(unmon_dam_med, 2)), ("中央貯水量 (千m³)", round(mon_cap_med, 2), round(unmon_cap_med, 2)), ("Mann-Whitney U 統計量", round(u_cap, 1) if not np.isnan(u_cap) else "-", "(片側 H1: 監視済 > 未監視)"), ("p 値 (貯水量, 片側)", f"{p_cap:.4f}" if not np.isnan(p_cap) else "-", "監視済が大規模" if (not np.isnan(p_cap) and p_cap < 0.05) else "有意差なし"), ("p 値 (堤高, 片側)", f"{p_dam:.4f}" if not np.isnan(p_dam) else "-", "監視済が大規模" if (not np.isnan(p_dam) and p_dam < 0.05) else "有意差なし"), ], columns=["指標", "監視済", "未監視"]) # 表 7 装置 → 対応ため池 (上位 device_id 範囲別 5 件抜粋) samp_ids = sorted(df["device_id"].unique())[:5] T_dev_examples = df[df["device_id"].isin(samp_ids)][ ["device_id", "観測所名", "区", "対応ため池名", "対応ため池_m", "対応貯水量_千m3", "対応堤高_m", "設置コホート"] ].copy().sort_values("device_id") T_dev_examples["対応ため池_m"] = T_dev_examples["対応ため池_m"].round(0).astype(int) T_dev_examples["対応貯水量_千m3"] = T_dev_examples["対応貯水量_千m3"].round(2) T_dev_examples["対応堤高_m"] = T_dev_examples["対応堤高_m"].round(2) # 表 8 未監視ため池 上位 (距離降順 = 監視ネットワーク到達半径の外延) T_unmon = unmon_detail.head(15).copy() # 表 9 区別 避難所 vs 装置 T_shel_dev = ku_combined.sort_values("件数", ascending=False).reset_index(drop=True).copy() T_shel_dev["避難所_装置比"] = (T_shel_dev["避難所数"] / T_shel_dev["件数"].replace(0, np.nan)).round(1) # 表 10 装置 1km 圏 避難所数 上位 + 下位 df_shel_sorted = df.sort_values("避難所1km圏数", ascending=False) T_dev_shel_top = df_shel_sorted.head(5)[ ["観測所名", "区", "避難所1km圏数", "最近隣避難所_m", "対応ため池名"] ].copy() T_dev_shel_bot = df_shel_sorted.tail(5)[ ["観測所名", "区", "避難所1km圏数", "最近隣避難所_m", "対応ため池名"] ].copy() T_dev_shel_top["最近隣避難所_m"] = T_dev_shel_top["最近隣避難所_m"].round(0).astype(int) T_dev_shel_bot["最近隣避難所_m"] = T_dev_shel_bot["最近隣避難所_m"].round(0).astype(int) # 表 11 仮説検証 def jud(cond, ok="強支持", fail="反証", part="部分支持"): return ok if cond else fail T_hypo = pd.DataFrame([ ("H1 中山間偏在 (中山間 ≥ 60%)", f"観測 中山間 {n_inland}/{n_total} ({n_inland/n_total*100:.0f}%)", jud(n_inland / n_total >= 0.6, "強支持", "部分支持"), f"H1 {jud(n_inland/n_total>=0.6,'強支持','部分支持')}: " f"中山間 4 区 ({n_inland} = {n_inland/n_total*100:.0f}%) に偏在、" f"都市核心 3 区はゼロ。2018 豪雨型崩落リスクの地理が制度に反映"), ("H2 装置 ID コホート性 (前期=大規模)", f"前期中央 {co_meds[0][1] if len(co_meds)>=1 else 'NA':.2f} vs " f"後期中央 {co_meds[2][1] if len(co_meds)>=3 else 'NA':.2f} 千m³" if len(co_meds) >= 3 else "コホート不足", jud(len(co_meds) >= 3 and co_meds[0][1] > co_meds[2][1], "強支持", "反証"), ("H2 強支持: 前期 → 中期 → 後期の中央貯水量が " f"{co_meds[0][1]:.2f} → {co_meds[1][1]:.2f} → {co_meds[2][1]:.2f} 千m³ と" "単調減少。device_id は設置順の代理として機能し、大規模池が早く監視された" "制度設計が確認された (前期/後期で規模 " f"{co_meds[0][1]/max(co_meds[2][1], 0.001):.1f} 倍差)") if (len(co_meds) >= 3 and co_meds[0][1] > co_meds[2][1]) else ("H2 反証: 前期 → 後期に明確な順序差なし。device_id は管理 ID で" "設置順を反映しない可能性が高い。物理設置時系列を読むには別データが必要")), ("H3 監視カバー率 (< 50%)", f"観測 {cover_rate:.1f}% ({n_monitored_ponds}/{n_hiro_ponds})", jud(cover_rate < 50, "強支持", "反証"), f"H3 {jud(cover_rate<50,'強支持','反証')}: 監視カバー率 {cover_rate:.1f}% で " f"半数以下。広島市内ですら未整備が過半数 = 整備途上の事業"), ("H4 規模 ↔ 監視 (監視済 > 未監視, p<0.05)", f"監視済中央 {mon_cap_med:.2f} vs 未監視 {unmon_cap_med:.2f} 千m³, p={p_cap:.3f}", jud(not np.isnan(p_cap) and p_cap < 0.05, "強支持", "反証"), f"H4 {jud(not np.isnan(p_cap) and p_cap<0.05,'強支持','反証')}: " f"Mann-Whitney 片側 p = {p_cap:.3f}. 監視済が " f"{'有意に' if not np.isnan(p_cap) and p_cap < 0.05 else '統計的に有意でないが'}" f"大規模な傾向 ({mon_cap_med/max(unmon_cap_med,0.001):.2f} 倍)"), ("H5 避難所 1km 圏 ≥ 5 (装置の半数以上)", f"観測 {n_dev_with_5plus}/{n_total} ({share_5plus:.0f}%) の装置が 1km 圏 5+ 避難所", jud(n_dev_with_5plus / n_total >= 0.5, "強支持", "部分支持"), f"H5 {jud(n_dev_with_5plus/n_total>=0.5,'強支持','部分支持')}: " f"装置 1km 圏 5+ 避難所 = {n_dev_with_5plus}/{n_total} ({share_5plus:.0f}%). " f"区別装置数 × 避難所数 r={r_dev_shel:.2f} = " f"{'正相関' if r_dev_shel > 0.3 else ('弱い' if r_dev_shel > 0 else '負相関')}。" f"監視装置は中山間集中 = 避難所多寡とは別の論理 (= 池の所在による配置)"), ], columns=["仮説", "観測値", "判定", "解釈"]) T_hypo.to_csv(ASSETS / "L60_hypothesis_check.csv", index=False, encoding="utf-8-sig") print(f" 生成テーブル: 11 表") print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 9. 中間ファイル ZIP 化 (ダウンロード用) # ============================================================================= print("\n[9] 中間ファイル ZIP 化", flush=True) t1 = time.time() zip_path = ASSETS / "L60_pond_monitoring_raw.zip" with zipfile.ZipFile(zip_path, "w", zipfile.ZIP_DEFLATED) as zf: zf.write(CSV_PATH, arcname="tameike_camera.csv") print(f" 生 zip: {zip_path.name} ({zip_path.stat().st_size:,} byte)") print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 10. HTML 生成 # ============================================================================= print("\n[10] HTML 生成", flush=True) t1 = time.time() # Sec 1: 学習目標と問い sec1 = f"""

本記事は DoBoX のシリーズ「ため池監視カメラ及び水位計設置箇所一覧」 1 件 (dataset_id = 1675) を 単独で取り上げ、 広島県内のため池監視装置 (= カメラ + 水位計の遠隔観測点) {n_total} 箇所 (CSV, 5 列, UTF-8 BOM, 約 8 KB) を 3 つの独立した研究角度 (RQ1 / RQ2 / RQ3) で並列に分析する。 本データは2018 年西日本豪雨を契機とした防災投資の象徴で、 広島市が運用するikelog.cloud (リアルタイム観測 Web) と直結している。 Phase 4 農業遺構系の運用フェーズ側で、L59 (属性側) と L45 (幾何側) と並ぶ ため池系 3 番目の研究角度。

L59 (基本情報) / L45 (浸水想定) との関係: L59 は属性台帳 (CSV 6,754 件)を、 L45 は浸水想定 polygon (Shapefile 6,730 件) を扱った。本記事 L60 は監視装置 (CSV {n_total} 箇所)を扱い、 「指定された 6,754 池のうち実際に監視されているのはどれか」という運用合理性の問いを初めて立てる。 3 記事は同じため池群の属性 ⇄ 幾何 ⇄ 運用の三角構造を完成させる。 ただし本データは広島市内 70 件のみ (= 県内全域ではない) という限界は本研究の前提として明示する。

独自用語の定義

研究の問い (3 RQ)

仮説 H1〜H5

  1. H1 (中山間偏在 ≥ 60%, RQ1): 監視装置は中山間 4 区 (安佐北 + 安佐南 + 安芸 + 佐伯)に 合計 60% 以上が集中。これは中山間ため池の2018 豪雨型崩落リスクを反映した制度運用。
  2. H2 (装置 ID 連番性, RQ1): 装置 ID (3072-3174) は設置順を反映する管理 IDであり、 前期コホート (= 早期設置) は重要度の高い大規模池に多いはず。
  3. H3 (監視カバー率 < 50%, RQ2): 広島市の防災重点ため池 161 件中、 監視済は半数以下。これは 2020 年代開始の新規事業のため整備途上にあることを反映。
  4. H4 (規模 ↔ 監視, RQ2): 監視済ため池は未監視より大規模。 Mann-Whitney U 片側検定で p < 0.05 の有意差を予想。 決壊時被害が大きい池を優先監視するのは制度的合理性。
  5. H5 (避難所 1km 圏 ≥ 5 が装置の半数以上, RQ3): 監視装置の1km 圏に 5 以上の避難所が 存在するのは装置の半数以上。これは「下流人家集中域に監視装置を置く」 の合理性。 ただし監視装置の中山間集中と避難所の都市部集中という制度的緊張関係も予想される。

到達点

本記事を読み終えた学習者は次の 3 点を体感できる:

  1. 1 つの「シンプルな点台帳 CSV ({n_total} 行 × 5 列)」 から、 地理 (緯度経度) + 設置順 (device_id) + 行政 (広島市 8 区) + 運用 (URL)という 4 軸を多角度に読む方法を体感する。 5 列しかないデータでも、適切な独自解析と既存データ (L45/L59/L03) との結合で 豊かな研究が可能であることを実証。
  2. L59 (属性側) と L45 (幾何側) と本記事 (運用側) の三角構造を体感する。 同じため池群を 3 つの異なる断面から見ることで、 「制度→投資→運用」 の三段ロケットがデータに刻まれた痕跡を読む研究の作法を学ぶ。
  3. BallTree (haversine) を使った最近隣空間検索と Mann-Whitney U の 分布差検定を組み合わせ、空間 + 統計の両面から仮説検証する研究プロセスを体感する。 「どこに監視を置くか」という防災行政の意思決定に研究的視点で迫る教材として機能する。
""" # Sec 2: 使用データ sec2 = f"""

DoBoX のシリーズ「ため池監視カメラ及び水位計設置箇所一覧」 1 件のみを単独で扱う。 リソースは CSV 1 ファイルのシンプル構造 (UTF-8 BOM、約 8 KB)。

{df_to_html(T_dataset)}

この表から読み取れること: dataset 1675 はシンプルな CSV 単一ファイルで 8 KB と小さい。 {n_total} 行 × 5 列だが、緯度経度・装置 ID (URL 末尾) を全件保有。 解析時は EPSG:6671 (平面直角座標系第 III 系) に変換して距離を m 単位で扱う。 公式名には「広島県」 が含まれないが、住所はすべて広島市内なので実質広島市データ。 L59 防災重点ため池との結合可能率 100% (全 70 装置が広島市内ため池の 100m 以内)、 L03 避難所との 1km 圏結合で監視優先度の妥当性検証が可能。

データの構造 (5 列の意味)

関連データセットとの対応

""" # Sec 3: ダウンロード sec3 = f"""

本レッスンの再現に必要な全データ・中間 CSV・図 PNG・スクリプトを以下から直接 DL できる:

生データ (DoBoX 直リンク)

本記事の中間 CSV (再現用)

図 PNG (8 枚) と Python スクリプト

個別取得 (PowerShell, このレッスンだけ)

cd "2026 DoBoX 教材"
py -X utf8 lessons/L60_pond_monitoring.py

CSV は本スクリプトが DoBoX dataset 1675 から自動 DL する (キャッシュ済なら再利用)。 L45 cache (広島市分 161 ため池の事前処理結果) と L03 shelters.json も内部で読込。

一括取得 (全レッスン共通, 推奨)

cd "2026 DoBoX 教材"
py -X utf8 data\\fetch_all.py
py -X utf8 lessons/L60_pond_monitoring.py
""" # Sec 4: RQ1 (構造分析) sec4_intro = f"""

RQ1 の狙い

{n_total} 件の監視装置を区別 / 立地 / 装置 ID / 最近隣距離で多角度に集計し、 「広島市の監視装置はどこに、どう散らばっているか」 を立体的に描く。 特に{top1_ku} {top1_ku_n} ({top1_ku_share:.0f}%) の偏在と 都市核心 3 区ゼロという極端な分布の意味を、立地区分と装置 ID から読み解く。

手法 (前置き解説)

入出力の Before/After 例

段階1 件のデータの中身サイズ
(0) CSV 1 行 (raw)"流谷","広島市東区戸坂新町一丁目",34.423818,132.495138,"https://...device-chart/3094"5 列
(1) 数値型 cast (空白 strip)緯度=34.4238, 経度=132.49515 列 + 2 派生
(2) URL から device_id 抽出+ device_id=3094+ 1 派生
(3) 区抽出 (正規表現)+ 区="東区"+ 1 派生
(4) 立地区分付与+ 立地区分="都市部"+ 1 派生
(5) GeoDataFrame 化 → EPSG:6671+ x_m=29986, y_m=-174468+ 2 派生
(6) BallTree NN 計算+ NN距離_m=87 (= 最近隣装置まで 87m)+ 1 派生
(7) コホート付与+ 設置コホート="中期"+ 1 派生

(0)-(7) を全 {n_total} 行に適用 → groupby で集計 → 図化。BallTree は 70 行なら 1 ms で完了。

""" sec4_code = code(r''' # 1. CSV 読込 (UTF-8 BOM + 末尾空白 strip) df = pd.read_csv(CSV_PATH, encoding="utf-8-sig", dtype=str) df.columns = [c.replace("", "").strip().strip('"') for c in df.columns] df["緯度"] = pd.to_numeric(df["緯度"].astype(str).str.strip(), errors="coerce") df["経度"] = pd.to_numeric(df["経度"].astype(str).str.strip(), errors="coerce") # 2. URL → device_id (正規表現抽出) df["device_id"] = df["観測情報URL"].str.extract(r"/device-chart/(\d+)").astype(int) # 3. 住所 → 区 (正規表現) def get_ku(s): m = re.search(r"広島市([^区市町]+区)", str(s)) return m.group(1) if m else "その他" df["区"] = df["住所"].apply(get_ku) # 4. 立地区分 (中山間 vs 都市部) INLAND_KU = {"安佐北区", "安佐南区", "安芸区", "佐伯区"} URBAN_KU = {"中区", "東区", "南区", "西区"} df["立地区分"] = df["区"].apply( lambda k: "中山間" if k in INLAND_KU else ("都市部" if k in URBAN_KU else "その他") ) # 5. GeoDataFrame 化 (WGS84 → EPSG:6671) gdf = gpd.GeoDataFrame( df, geometry=gpd.points_from_xy(df["経度"], df["緯度"]), crs="EPSG:4326", ).to_crs("EPSG:6671") # 6. BallTree (haversine) で最近隣装置距離 (NN) from sklearn.neighbors import BallTree EARTH_R_M = 6_371_000.0 mon_rad = np.deg2rad(df[["緯度", "経度"]].values) tree = BallTree(mon_rad, metric="haversine") nn_d, _ = tree.query(mon_rad, k=2) # k=2 → 自身 + 最近隣 df["NN距離_m"] = nn_d[:, 1] * EARTH_R_M # rad → m print(f"NN 中央値: {np.median(df['NN距離_m']):.0f} m") # 7. 区別ランキング ku_rank = ( df.groupby("区").size().reset_index(name="件数") .sort_values("件数", ascending=False).reset_index(drop=True) ) ku_rank["シェア_%"] = (ku_rank["件数"] / len(df) * 100).round(2) print(ku_rank) ''') sec4_fig1_text = """

図 1: なぜこの図か (RQ1)

「監視装置がどこに、どんな順序で散らばっているか」 を 1 枚で読みたい。 左の点マップで全 70 点の地理分布と装置 ID (色) を直感的に把握し、 右の区ランキング棒で件数の偏りと立地区分 (中山間=赤 / 都市部=青) の対比を読む。 点マップは「面で見る」、棒グラフは「順序で見る」 の2 つの認知モードを 1 枚に束ねるのが狙い。

""" sec4_fig1_read = f"""

この図から読み取れること:

""" sec4_fig2_text = """

図 2: なぜこの図か (RQ1)

監視ネットワークの密度を見たいので、最近隣装置距離 (NN) のヒストと device_id × 緯度の散布を並べた。 NN 分布は「監視点同士がどれくらい近くにあるか」 を読む基本指標。 device_id × 緯度散布は「設置順と地理が連動するか」 を視覚的に検証する。 点を区で色分けすれば「どの区がどの ID 帯に対応するか」 も同時に読める。

""" sec4_fig2_read = f"""

この図から読み取れること:

""" sec4_fig3_text = """

図 3: なぜこの図か (RQ1)

区ごとの装置配置パターンを見たいので、装置のある 5 区の small multiples マップを選んだ。 全市マップでは点が密集すぎて区別の特徴が見えないが、区単位で同じ縮尺で並置すれば 「安佐北は北部山地に分散」「安芸は南部にクラスタ」 など、地域固有の点分布パターンを比較できる。

""" sec4_fig3_read = f"""

この図から読み取れること:

""" # Sec 5: RQ2 (監視ネットワーク空白) sec5_intro = f"""

RQ2 の狙い

L59 (基本情報, 6,754 件) と L45 (浸水想定, 6,730 polygon) の連携で 広島市内の防災重点ため池 161 件を取り出し、本データの 70 装置との結合カバレッジを測る。 具体的に:

  1. 各ため池の最近隣監視装置距離を haversine で計算し、{SAME_POND_THRESHOLD_M:.0f}m 以内なら「監視済」 と判定
  2. 未監視ため池の最近隣監視点距離分布から監視ネットワーク到達半径を可視化
  3. 監視済 vs 未監視の規模 (堤高・貯水量) を Mann-Whitney U で検定し監視優先度の制度合理性を検証

これは単なる「カバー率の集計」 ではなく、「下流被害ポテンシャルの大きい池が監視されている」という 制度設計仮説を統計的に検証する研究。

手法 (前置き解説)

入出力の Before/After 例

段階1 件のデータの中身件数
(0) L45 cache から広島市抽出"341000001","長尾池","広島市",緯度,経度,堤高,貯水量,...{n_hiro_ponds}
(1) ため池 BallTree query (k=1)+ 最近隣監視点_m=2.6, 最近隣装置="長尾池"{n_hiro_ponds}
(2) {SAME_POND_THRESHOLD_M:.0f}m 閾値で監視済判定+ 監視済=True (この池は監視済)監視済 {n_monitored_ponds} / 未監視 {n_unmonitored_ponds}
(3) sjoin で区付与+ 区="東区"{n_hiro_ponds}
(4) Mann-Whitney U監視済中央 {mon_cap_med:.2f} vs 未監視 {unmon_cap_med:.2f} → p={p_cap:.3f}2 群
""" sec5_code = code(r''' # 1. L45 既処理 cache から広島市分のため池を抽出 l45 = pd.read_csv(L45_CACHE, dtype={"ため池番号": str}) hiro_ponds = l45[l45["所管市町"] == "広島市"].copy() hiro_ponds["緯度"] = pd.to_numeric(hiro_ponds["緯度"], errors="coerce") hiro_ponds["経度"] = pd.to_numeric(hiro_ponds["経度"], errors="coerce") hiro_ponds = hiro_ponds.dropna(subset=["緯度", "経度"]) # 2. BallTree (haversine) でため池 → 最近隣装置距離 from sklearn.neighbors import BallTree EARTH_R_M = 6_371_000.0 mon_rad = np.deg2rad(df[["緯度", "経度"]].values) ponds_rad = np.deg2rad(hiro_ponds[["緯度", "経度"]].values) tree_mon = BallTree(mon_rad, metric="haversine") nearest_d, nearest_i = tree_mon.query(ponds_rad, k=1) hiro_ponds["最近隣監視点_m"] = nearest_d[:, 0] * EARTH_R_M # 3. 100m 閾値で「監視済」 判定 (= 同一池) SAME_POND_THRESHOLD_M = 100.0 hiro_ponds["監視済"] = hiro_ponds["最近隣監視点_m"] < SAME_POND_THRESHOLD_M n_monitored = hiro_ponds["監視済"].sum() cover_rate = n_monitored / len(hiro_ponds) * 100 print(f"監視カバー率: {cover_rate:.1f}% ({n_monitored}/{len(hiro_ponds)})") # 4. 区別カバー率 (sjoin で区付与) ponds_gdf = gpd.GeoDataFrame( hiro_ponds, geometry=gpd.points_from_xy(hiro_ponds["経度"], hiro_ponds["緯度"]), crs="EPSG:4326", ).to_crs("EPSG:6671") ponds_with_ku = gpd.sjoin(ponds_gdf, ku_diss[["区名", "geometry"]], how="left", predicate="within") hiro_ponds["区"] = ponds_with_ku["区名"].fillna("その他").values ku_cover = ( hiro_ponds.groupby("区") .agg(全件数=("ため池番号", "count"), 監視済=("監視済", "sum")) .reset_index() ) ku_cover["カバー率_%"] = (ku_cover["監視済"] / ku_cover["全件数"] * 100).round(1) print(ku_cover) # 5. Mann-Whitney U で監視済 vs 未監視 の規模差検定 (片側) from scipy.stats import mannwhitneyu mon_cap = hiro_ponds[hiro_ponds["監視済"]]["貯水量_千m3"].dropna() unmon_cap = hiro_ponds[~hiro_ponds["監視済"]]["貯水量_千m3"].dropna() u, p = mannwhitneyu(mon_cap, unmon_cap, alternative="greater") print(f"H4: 監視済が大規模 → U={u:.0f}, p={p:.4f}") ''') sec5_fig4_text = f"""

図 4: なぜこの図か (RQ2)

「監視ネットワークの空白がどこにあるか」 を地図と分布で同時に読みたい。 左マップは防災重点ため池 {n_hiro_ponds} 件を監視済 (青) と未監視 (赤) で塗り分け、 監視装置 (黒★) を重ねて「装置がない場所のため池」を浮かび上がらせる。 右ヒストは未監視 {n_unmonitored_ponds} 池の最近隣監視点距離分布で、 1km 圏オレンジ点線・中央値黒破線・P75 紫破線の 3 マーカーで「どこまで監視ネットが届くか」 を読む。

""" sec5_fig4_read = f"""

この図から読み取れること:

""" sec5_fig5_text = f"""

図 5: なぜこの図か (RQ2)

「監視カバー率を区別に可視化」 と「監視済 vs 未監視の規模差」 を 1 枚で見たい。 左の区別カバー率棒は色 (赤=未監視あり / 青=完全監視) で 100% 達成区を識別。 右の規模箱ひげは log10 貯水量で監視済 vs 未監視を比較し、 Mann-Whitney U の p 値も併記して仮説 H4 (大規模が優先監視) の統計的妥当性を読む。

""" sec5_fig5_read = f"""

この図から読み取れること:

""" sec5_fig6_text = f"""

図 6: なぜこの図か (RQ2)

装置設置順 (= device_id) と対応ため池の規模に何らかの関係があるか? 左のdevice_id × log10 貯水量散布と右のコホート別箱ひげで H2 (前期コホートに大規模池が集まる) を視覚的に検証する。 散布図のコホート境界 (灰点線) が「前期/中期/後期」 を区切り、 箱ひげの中央値で順序関係を読む。

""" _h2_supported = (len(co_meds) >= 3 and co_meds[0][1] > co_meds[2][1]) _co_seq = " → ".join(f"{m:.2f}" for _, m in co_meds) if len(co_meds) >= 3 else "NA" sec6_fig6_read = f"""

この図から読み取れること:

""" # Sec 6: RQ3 (下流リスク) sec6_intro = f"""

RQ3 の狙い

監視装置と下流人家・避難所の空間関係を測り、「監視優先度の妥当性」を検証する。 仮説: 監視装置は下流人家集中域 (= 避難所多い区)にあるべきだが、 実際は中山間集中。両者の制度的緊張関係を空間統計で読む。

  1. L03 既扱の避難所 JSON から広島市分 {n_shelters} 件を抽出 ({n_flood_shelters} 件が洪水対応)
  2. 各監視装置の 1km 圏避難所数を BallTree で計算 (= 下流人家リスクの代理指標)
  3. 監視済 vs 未監視のため池でも同様に避難所数を計算し、選定の妥当性を比較
  4. 区別 装置数 × 避難所数の Pearson r で「制度的緊張関係」 を定量化

手法 (前置き解説)

入出力の Before/After 例

段階1 件のデータの中身件数
(0) shelters.json (raw){{"name":"袋町小学校", "lat":34.39, "lon":132.46, ...}}4,065 全件
(1) 広島市フィルタ"municipalityName":"広島市中区" 系のみ抽出{n_shelters}
(2) 1km 圏 BallTree query+ 装置 "流谷" の 1km 圏 = N 避難所装置 70 行 × 1 列
(3) 区別装置 vs 避難所集計{{"安佐北区": (装置 30, 避難所 153), ...}}5 区
(4) Pearson r 計算r = {r_dev_shel:.3f}scalar
""" sec6_code = code(r''' # 1. shelters.json を読込, 広島市分のみ抽出 import json with open(SHELTERS_JSON, encoding="utf-8") as f: sd = json.load(f) shel = pd.DataFrame([ {"name": it["name"], "ku": it["municipalityName"].replace("広島市", "").strip(), "lat": float(it["latitude"] or "nan"), "lon": float(it["longitude"] or "nan"), "floodFlg": it.get("floodShFlg") or "0"} for it in sd["items"] if "広島市" in (it.get("municipalityName") or "") and it.get("latitude") and it.get("longitude") ]) # 2. BallTree で 1km 圏避難所数 / 最近隣避難所距離 from sklearn.neighbors import BallTree EARTH_R_M = 6_371_000.0 RADIUS_M = 1000.0 shel_rad = np.deg2rad(shel[["lat", "lon"]].values) cam_rad = np.deg2rad(df[["緯度", "経度"]].values) tree_shel = BallTree(shel_rad, metric="haversine") df["避難所1km圏数"] = tree_shel.query_radius( cam_rad, r=RADIUS_M / EARTH_R_M, count_only=True ) nearest_d, _ = tree_shel.query(cam_rad, k=1) df["最近隣避難所_m"] = nearest_d[:, 0] * EARTH_R_M # 3. 区別 装置数 vs 避難所数 ku_dev = df.groupby("区").size().reset_index(name="装置数") ku_shel = shel.groupby("ku").size().reset_index(name="避難所数").rename( columns={"ku": "区"}) ku_combined = ku_dev.merge(ku_shel, on="区", how="left").fillna(0) # 4. Pearson r で「装置多 ⇄ 避難所多」 を測定 r_dev_shel = ku_combined[["装置数", "避難所数"]].corr().iloc[0, 1] print(f"装置数 × 避難所数 Pearson r = {r_dev_shel:.3f}") # 5. H5: 1km 圏 5+ 避難所をもつ装置の割合 n_5plus = (df["避難所1km圏数"] >= 5).sum() print(f"1km 圏 5+ 避難所: {n_5plus}/{len(df)} ({n_5plus/len(df)*100:.0f}%)") ''') sec6_fig7_text = f"""

図 7: なぜこの図か (RQ3)

監視装置 (赤★) と避難所 (灰小点) を1 枚の重ね合わせマップに投入し、 「装置の周りにどれくらい避難所があるか」を視覚的に読む (左)。 さらに装置 1km 圏避難所数のヒスト (右) で個別装置の下流リスク代理指標を分布として読む。 1km 圏 5 避難所以上を持つ装置は H5 の重要閾値。

""" sec6_fig7_read = f"""

この図から読み取れること:

""" sec6_fig8_text = f"""

図 8: なぜこの図か (RQ3)

「装置多 ⇄ 避難所多」 の関係を区単位で見たい (左) と、 監視済 vs 未監視ため池の1km 圏避難所数の差を見たい (右)。 左のグループ棒は装置数 (赤) と避難所数 (青) を共通軸 (区) で並べ、 Pearson r で全体の傾向を読む。 右の箱ひげは「監視済が下流リスク高い池に置かれているか」 を直接検証する。

""" sec6_fig8_read = f"""

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

" + "" + "

制度史的位置付け

" + "

本データ (#1675) は「2018 西日本豪雨 → ため池管理保全法 (2019) → 監視装置整備 (2020s)」の" "三段ロケットの最終段として 2024 年時点でスナップショットされた運用台帳である。" "L59 (属性側) で見た「ため池管理保全法経過措置期限 R3.5.31 一斉指定」 が制度設計の第一段、" "L45 (幾何側) で見た「浸水想定 SHP 整備 99.6%」 が第二段、" f"そして本記事 L60 で見た「監視装置設置 {n_total} 箇所 (広島市内カバー率 {cover_rate:.1f}%)」 が第三段。" "制度的整備の先進度は L59 > L45 > L60 の順で、" "監視装置はまだ最も初期段階にある。" "本データの研究的価値は「2018 豪雨後の防災投資が運用フェーズでどこまで進んだか」を" "ベースライン記録する素材としての位置にある。

" ) # Sec 8: 発展課題 sec8 = f"""

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): 監視装置の Voronoi 担当面積で「監視ネット密度」 を可視化

発展課題 2 (RQ1 由来): リアルタイム観測値 (ikelog.cloud) のスクレイピングで時系列分析

発展課題 3 (RQ2 由来): 未監視 {n_unmonitored_ponds} 件の優先度スコアリング

発展課題 4 (RQ3 由来): 装置 1km 圏人口の精緻化 (250m メッシュ人口)

発展課題 5 (展望): 県内全域への展開 — 他市町のため池監視装置データ調査

発展課題 6 (歴史): ため池系 3 記事 (L45 / L59 / L60) の統合エッセイ

""" # 統合 sections = [ ("学習目標と問い", sec1), ("使用データ", sec2), ("ダウンロード", sec3), (f"【RQ1】 監視装置の地理分布と区別構造 — {n_total} 箇所 / 中山間 4 区に {n_inland/n_total*100:.0f}% 偏在", sec4_intro + "

実装コード (CSV 読込 + 区抽出 + GeoDataFrame + BallTree NN)

" + sec4_code + sec4_fig1_text + figure("assets/L60_fig1_monitor_map.png", f"図 1 (RQ1): 広島市内 {n_total} 装置マップ (色=device_id) + 8 区別ランキング棒") + sec4_fig1_read + sec4_fig2_text + figure("assets/L60_fig2_nn_id.png", "図 2 (RQ1): 装置同士の最近隣距離ヒスト + device_id × 緯度散布") + sec4_fig2_read + sec4_fig3_text + figure("assets/L60_fig3_ku_small_mults.png", "図 3 (RQ1): 装置のある 5 区別 small multiples マップ") + sec4_fig3_read + "

表: 全体サマリ (3 RQ 統合)

" + df_to_html(T_overall) + f"

この表から読み取れること: 全 {n_total} 装置の基本統計、" f"中山間 {n_inland} 装置 ({n_inland/n_total*100:.0f}%)、" f"防災重点ため池 {n_hiro_ponds} 件への監視カバー率 {cover_rate:.1f}%、" f"装置 1km 圏避難所数 中央 {cam_within_med:.0f} 等、3 RQ の核心指標が " "13 行に集約された統合サマリ。

" + "

表: 区別装置数ランキング (8 区全部)

" + df_to_html(T_ku_rank) + f"

この表から読み取れること: {top1_ku} {top1_ku_n} ({top1_ku_share:.1f}%) 単独で Top 1、" "中山間 4 区 (赤帯立地) がすべて上位 4 位を独占。" "中区・南区・西区は 0 装置 = 都市核心部にため池そのものが存在しない地理を反映。" "立地 = 中山間 / 都市部の単純な分類で監視装置の地理パターンが説明される。

" + "

表: 設置コホート × 区

" + df_to_html(T_cohort) + "

この表から読み取れること: 装置 ID を 3 等分した前期/中期/後期コホートと区のクロス。" "コホートと区の対応関係は弱く、各区で全コホートに分散して設置されている。" f"ただし対応ため池の中央貯水量で見ると {' → '.join(f'{m:.2f}' for _, m in co_meds) if len(co_meds) >= 3 else 'NA'} 千m³ と" "単調減少 = 大規模池が早く監視された制度設計が読み取れる (H2 強支持)。

" ), (f"【RQ2】 監視ネットワークの空白 — {n_hiro_ponds} 池中 {n_unmonitored_ponds} 池が監視ネット外", sec5_intro + "

実装コード (L45 cache 読込 + BallTree 双方向 NN + Mann-Whitney U)

" + sec5_code + sec5_fig4_text + figure("assets/L60_fig4_coverage_map.png", f"図 4 (RQ2): 監視済 vs 未監視 ため池マップ + 未監視 {n_unmonitored_ponds} 池の最近隣監視点距離分布") + sec5_fig4_read + sec5_fig5_text + figure("assets/L60_fig5_coverage_size.png", "図 5 (RQ2): 区別 監視カバー率 + 監視済 vs 未監視 規模箱ひげ (Mann-Whitney U)") + sec5_fig5_read + sec5_fig6_text + figure("assets/L60_fig6_id_size.png", "図 6 (RQ2): device_id × 対応ため池 log10 貯水量 散布 + コホート別箱ひげ") + sec6_fig6_read + "

表: 区別 監視カバー率

" + df_to_html(T_ku_cover) + f"

この表から読み取れること: 各区の防災重点ため池数・監視済・未監視・カバー率。" f"全区が 100% 未満 = 整備途上の事業。" f"全市カバー率 {cover_rate:.1f}% は実質「全区問題」 で、特定区だけの未整備ではない。" "未監視 93 件は下流人家リスクが相対的に低い谷頭部の池として後回しの可能性。

" + "

表: 監視済 vs 未監視 規模比較

" + df_to_html(T_size_comp) + f"

この表から読み取れること: 監視済 {n_monitored_ponds} 池 vs 未監視 {n_unmonitored_ponds} 池の" f"中央規模比較。Mann-Whitney U 片側検定で " f"{'貯水量 p < 0.05 で有意 = 監視済が大規模' if not np.isnan(p_cap) and p_cap < 0.05 else '統計的有意差なし'}。" f"{'制度設計が決壊時被害の大きい大規模池を優先監視している証拠 (H4 強支持)' if not np.isnan(p_cap) and p_cap < 0.05 else '規模以外 (= 立地・下流人家・アクセス) が選定基準として支配的'}。

" + f"

表: 装置 → 対応ため池 (device_id 上位 5 件抜粋)

" + df_to_html(T_dev_examples) + f"

この表から読み取れること: 早期 device_id (前期コホート) の装置がどんなため池を監視しているか。" f"対応貯水量・堤高は装置ごとに大きく異なり、device_id と規模に明確な順序関係なし。

" + f"

表: 未監視ため池 距離降順 Top 15 (= 監視ネット外延)

" + df_to_html(T_unmon) + f"

この表から読み取れること: 監視ネットから最も離れたため池の Top 15。" f"これらは「次に監視装置を増設すべき候補池」として防災行政の優先度評価に直結。" f"距離順だが、規模 (貯水量) も大きい池が混在 = 「孤立 + 大規模」の二重リスク池が浮かぶ。

" ), (f"【RQ3】 下流リスクとの一致 — 装置 1km 圏避難所中央 {cam_within_med:.0f} / 区別 r = {r_dev_shel:.2f}", sec6_intro + "

実装コード (shelters.json 読込 + BallTree query_radius + Pearson r)

" + sec6_code + sec6_fig7_text + figure("assets/L60_fig7_shelters.png", f"図 7 (RQ3): 監視装置 {n_total} + 避難所 {n_shelters} 重ね合わせマップ + 装置 1km 圏避難所数ヒスト") + sec6_fig7_read + sec6_fig8_text + figure("assets/L60_fig8_ku_shel.png", "図 8 (RQ3): 区別 装置 vs 避難所 グループ棒 + 監視済/未監視ため池 1km 圏避難所数比較") + sec6_fig8_read + "

表: 区別 装置 vs 避難所

" + df_to_html(T_shel_dev) + f"

この表から読み取れること: 各区の装置数 vs 避難所数の対比。" f"避難所数は装置数の数倍〜数十倍 (= 避難所は都市部に多い)。" f"避難所/装置比 = {T_shel_dev['避難所_装置比'].median():.1f} 倍 (中央値)で、" f"区によって大きく異なる。区別 装置数 × 避難所数 Pearson r = {r_dev_shel:.2f}。

" + "

表: 1km 圏避難所数 上位 5 装置 (= 都市部隣接装置)

" + df_to_html(T_dev_shel_top) + "

この表から読み取れること: 装置の 1km 圏内に最も多く避難所がある装置 Top 5。" "これらは都市部に近いため池の監視装置で、決壊時の下流被害が即座に住宅地に及ぶリスクが高い。" "下流人家リスク優先という制度合理性の証拠候補。

" + "

表: 1km 圏避難所数 下位 5 装置 (= 山間部装置)

" + df_to_html(T_dev_shel_bot) + "

この表から読み取れること: 装置の 1km 圏内に避難所が最も少ない装置 Bottom 5。" "これらは谷頭部・山間部のため池の監視装置で、近隣に住民集中がない。" "それでも監視されているのは「中山間ため池の崩落リスク優先」という別の制度ロジック (= 2018 豪雨型崩落)。

" ), ("仮説検証総合", sec7), ("発展課題", sec8), ] html = render_lesson( num=60, title="ため池監視カメラ及び水位計設置箇所一覧 単独 3 研究例分析 — " "70 装置から 2018 豪雨後の防災投資 × 運用フェーズを読む", tags=["L60", "ため池", "監視カメラ", "水位計", "ikelog.cloud", "RQ×3", "Format B", "BallTree", "haversine", "Mann-Whitney", "L45/L59連携", "L03連携", "2018西日本豪雨", "ため池管理保全法", "広島市"], time="35 分", level="中級", data_label=f"DoBoX dataset 1675 (CSV {n_total} 行 × 5 列, 8 KB) + L45/L59/L03 連携", sections=sections, script_filename="L60_pond_monitoring.py", ) OUT_HTML = LESSONS / "L60_pond_monitoring.html" OUT_HTML.write_text(html, encoding="utf-8") print(f" HTML: {OUT_HTML.name} ({len(html):,} chars)") print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 終了 # ============================================================================= print(f"\n=== 完了: 全体 {time.time() - t_all:.2f}s ===") print(f"出力:") print(f" HTML: lessons/L60_pond_monitoring.html") print(f" Python: lessons/L60_pond_monitoring.py") print(f" 図: assets/L60_fig1-8_*.png (8 枚)") print(f" CSV: assets/L60_*.csv (8 ファイル)") print(f" ZIP: assets/L60_pond_monitoring_raw.zip")