# -*- coding: utf-8 -*- """L77 道路台帳付図 単独 3 研究例分析 — 広島県 道路台帳付図 (dataset 1445) を 3 角度で解読 カバー宣言: 本記事は DoBoX のデータセット「道路台帳付図」 (dataset_id = 1445) 1 件を 単独で取り上げ、 広島県の道路管理者 (道路河川管理課) が公開する道路台帳付図 14,463 図郭 / 319 路線を 3 つの独立した 研究角度 (RQ1 / RQ2 / RQ3) で並列に分析する。 「道路台帳付図」 とは: 道路法第 28 条が道路管理者に作成・保管を義務付ける「道路台帳」の 別冊資料の 1 つ。 各路線の道路区域・幅員・構造・横断構成・占用物件 位置等を縮尺 1:1,000 〜 1:500 程度の帯状図として記録した 法定図面である。 道路法施行規則第 4 条の 2 で記載項目が定められ、 道路区域決定 / 工事 / 占用許可 / 境界確定 等の行政事務の根拠 図面として用いられる。 県管理の国道・主要地方道・一般県道 すべてを対象に、 1 図郭あたり数百メートル区間を 1 枚に納めた PDF 版が今般オープンデータ化された。 本記事は L72 緊急輸送道路 / L73 通行規制区間 / L74 注意区間 / L75 道路カメラ / L76 非常用電話と厳密に区別: L72 = 緊急輸送道路 (LineString, 4 階層 / 2,790 km, 災害時生命線) L73 = 事前通行規制区間 (規制基準雨量, 約 70 区間) L74 = 注意区間 (異常気象時通行注意) L75 = 道路カメラ (CCTV 拠点) L76 = 非常用電話 (NTT 災害時公衆電話, 900 拠点) L77 = 道路台帳付図単独 (POINT 14,463 図郭 / 319 路線, 県道路河川管理課) 本記事は他シリーズと合体しない。 RQ2 で L72 緊急輸送道路 (cached JSON) を背景レイヤとして参照する形をとる。 「路線」 と「図郭」 の関係: 1 路線 (例: 国道 433 号 = D251-4 〜 N292) は、 路線延長を区切った 複数の図郭 (Map Sheet) で構成される。 1 図郭 = 1 PDF = 1 緯度経度点 (= 図郭中心点) として CSV に記録される。 路線あたり 平均 45 図郭、 最多は国道 375 号 (424 図郭)、 最少は 1 図郭の支線 (停車場線等)。 研究の問い (3 RQ): RQ1 (主研究): 広島県の道路台帳付図のデータ構造 — 公開単位 (路線/図郭) × 路線種 × 図番接頭辞 × 管理事務所はどう描けるか? 14,463 図郭を 4 軸で集計し、 「県の道路情報公開の物理形状」 を初めて系統的に記述 する。 H1 = 国道は路線数では 10% 未満だが図郭数では 20% 以上 のシェアを占める仮説 (= 国道は路線あたり図郭密度が高い、 = 詳細図化 優先仮説)、 H2 = 路線種別図郭密度 (図郭数 / 路線数) は国道 ≥ 主要 地方道 ≥ 一般県道の階層構造仮説。 RQ2 (副研究 1): 道路台帳付図とL72 緊急輸送道路 (4 階層 / 2,790 km) との 照合 — 重要路線優先公開はどう描けるか? 14,463 図郭が L72 緊急 輸送道路 1km 圏内かを sjoin、 「重要路線優先公開」 仮説を量的検証する。 H3 = 道路台帳付図 14,463 図郭のうち >= 60%が L72 緊急輸送道路 1km 圏内 (= 防災重要路線が優先的にデジタル公開) 仮説、 H4 = 路線種別 1km 圏内率は国道 > 主要地方道 > 一般県道仮説 (= 路線種が高位ほど L72 と重なる)。 RQ3 (副研究 2): 道路台帳付図のデータ公開設計 — 学習者の機械可読性と 再利用可能性はどう評価できるか? 1.1GB ZIP / 14,463 PDF / CSV 関係資料の 3 層構造を学習者目線で評価し、 「PDF は人間可読だが機械 可読性が低い」 「CSV 関係資料は機械可読だが PDF 中身は不可」 の 非対称公開構造を量的記述する。 H5 = ZIP の総サイズ (1.1GB) / 関係資料 CSV (3.4MB) の比は>= 300 倍、 「機械可読指標 (CSV) は本体 (PDF) の 0.3% 以下」 仮説。 仮説 (5): H1 (RQ1, 国道優先公開): 路線種別シェアで国道は路線数 10% 未満だが 図郭数 20% 以上。 国道は路線あたり図郭密度が高く、 詳細図化が 優先される仮説。 H2 (RQ1, 階層的図郭密度): 路線あたり図郭密度 (図郭数 / 路線数) が 国道 ≥ 主要地方道 ≥ 一般県道。 路線種が高位ほど 1 路線あたり 詳細図郭が多い階層構造仮説。 H3 (RQ2, L72 重なり): 道路台帳付図 14,463 図郭のうち L72 緊急輸送道路 1km 圏内が >= 60%。 県の道路情報公開は防災重要路線を優先 するという制度方針仮説。 H4 (RQ2, 路線種 → L72 重なり階層): 路線種別 1km 圏内率は国道 > 主要 地方道 > 一般県道。 路線種が高位ほど L72 と地理的に重なる 階層構造仮説。 H5 (RQ3, 機械可読性の非対称): ZIP 本体 (1.1GB PDF 集合) と関係資料 CSV (3.4MB) の比 = >= 300 倍。 メタデータ (機械可読) は本体 (人間可読 PDF) の0.3% 以下であり、 学習者にとって機械的な 中身解析は事実上不可能、 という非対称公開構造仮説。 要件 S 準拠 (1 分以内完走): - 関係資料 CSV (~3.4MB, 14,463 行) → ensure_dataset で取得 - ZIP (1.1GB) は取得しない (時間 / 容量制約 + 教材趣旨) - ファイル名から管理事務所階層を抽出 (正規表現) - 14,463 POINT を行政界 sjoin (中山間判定) - L72 緊急輸送道路 1km バッファ → sjoin (空間インデックス必須) - 全体で ~30-50 秒目標 (1km バッファ計算が重い) 要件 T 準拠 (位置情報あり = 地図必須): - RQ1: 路線種別 点マップ + 管理事務所別 choropleth + 図郭密度バブル - RQ2: 道路台帳付図 + L72 緊急輸送道路 重ね合わせマップ + 1km バッファ - RQ3: PDF / CSV 容量比較 + 機械可読性スコアリング 要件 Q 準拠: 図 8+ / 表 11+ (3 RQ × 多角度: 構造×L72照合×公開設計) データ仕様: - dataset 1445: 道路台帳付図 (2 リソース) - resource 93894: 道路台帳付図_2023-11-22 ZIP (~1.1GB, 14,463 PDF) 本記事ではダウンロードしない - resource 93895: 道路台帳付図_関係資料_2023-11-22 CSV (~3.4MB, 14,463 行 × 9 列) - CSV 列: 路線種, 路線名, 路線番号, 管理事務所名, 道路台帳図番, ファイル, 緯度, 経度, 利用規約 - ライセンス: クリエイティブ・コモンズ表示 (CC-BY) メモリ対策: Figure ごとに plt.close('all') で確実に解放。 """ from __future__ import annotations import sys, time, json, re from pathlib import Path sys.path.insert(0, str(Path(__file__).parent)) from _common import ROOT, ASSETS, LESSONS, render_lesson, code, figure, ensure_dataset import numpy as np import pandas as pd import geopandas as gpd from shapely.geometry import Point, LineString import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.lines import Line2D from matplotlib.patches import Patch plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t_all = time.time() print("=== L77 道路台帳付図 単独 3 研究例分析 ===", flush=True) # ============================================================================= # 0. 定数・パス # ============================================================================= TARGET_CRS = "EPSG:6671" DATA_DIR = ROOT / "data" / "extras" / "L77_road_register" DATA_DIR.mkdir(parents=True, exist_ok=True) DATASET_ID = 1445 RESOURCE_ID_CSV = 93895 # 関係資料 CSV (3.4MB) — 本記事の主データ RESOURCE_ID_ZIP = 93894 # ZIP 本体 (1.1GB) — 取得しない RELATIONS_CSV = DATA_DIR / "road_register_relations.csv" # 行政界キャッシュ (L44 から) ADMIN_GPKG = ROOT / "data" / "extras" / "L44_storm_surge" / "_cache" / "admin_diss.gpkg" # L72 緊急輸送道路 (RQ2 で参照, cached JSON) L72_DIR = (ROOT / "data" / "extras" / "L72_emergency_road" / "340006_emergency_transport_road_20220908T000000") # バッファ ROUTE_BUFFER_M = 1000.0 # 図郭 ↔ L72 緊急輸送道路 1km # CITY_CD → 市町名 (L72 と共通) 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", 368: "安芸太田町", 369: "安芸太田町", 412: "北広島町", 462: "世羅町", 545: "神石高原町", 543: "神石高原町", } CHUSANKAN_CITIES = { "庄原市", "三次市", "安芸太田町", "安芸高田市", "北広島町", "神石高原町", "世羅町", "府中市", } COASTAL_ISLAND = {"江田島市", "大崎上島町"} def geo_class(name): if name in CHUSANKAN_CITIES: return "中山間山地" if name in COASTAL_ISLAND: return "沿岸島嶼" if not name or "不明" in name: return "その他/不明" return "平野・沿岸都市" # 路線種の表示順 + 色 RANK_ORDER = ["国道", "主要地方道", "一般県道"] RANK_COLOR = { "国道": "#cf222e", # 赤 (高位) "主要地方道": "#0969da", # 青 "一般県道": "#1a7f37", # 緑 } # 管理事務所 → 上位区分 (西部/東部/北部/呉/廿日市/安芸太田/東広島/三原/庄原) def office_top(name): s = str(name) if s.startswith("西部建設事務所東広島"): return "西部 東広島支所" if s.startswith("西部建設事務所安芸太田"): return "西部 安芸太田支所" if s.startswith("西部建設事務所廿日市"): return "西部 廿日市支所" if s.startswith("西部建設事務所呉"): return "西部 呉支所" if s.startswith("西部建設事務所"): return "西部 本所" if s.startswith("東部建設事務所三原"): return "東部 三原支所" if s.startswith("東部建設事務所"): return "東部 本所" if s.startswith("北部建設事務所庄原"): return "北部 庄原支所" if s.startswith("北部建設事務所"): return "北部 本所" return "その他" OFFICE_ORDER = [ "西部 本所", "西部 呉支所", "西部 廿日市支所", "西部 安芸太田支所", "西部 東広島支所", "東部 本所", "東部 三原支所", "北部 本所", "北部 庄原支所", ] OFFICE_COLOR = { "西部 本所": "#0969da", "西部 呉支所": "#3d8bfd", "西部 廿日市支所": "#6cb2ff", "西部 安芸太田支所": "#aad4ff", "西部 東広島支所": "#0a4f9e", "東部 本所": "#cf222e", "東部 三原支所": "#e8869b", "北部 本所": "#1a7f37", "北部 庄原支所": "#a4d8b3", } # 図郭番号接頭辞 (D=詳細図, N=基本図, その他=特殊) def fig_prefix(s): s = str(s).strip() if s.startswith("D"): return "D系 (詳細図/分図)" if s.startswith("N"): return "N系 (基本図/標準)" return "その他 (A/B/C/E/G/H/I 系)" PREFIX_ORDER = ["N系 (基本図/標準)", "D系 (詳細図/分図)", "その他 (A/B/C/E/G/H/I 系)"] PREFIX_COLOR = { "N系 (基本図/標準)": "#0969da", "D系 (詳細図/分図)": "#cf6f00", "その他 (A/B/C/E/G/H/I 系)": "#888888", } # ============================================================================= # 1. データ取得 # ============================================================================= print("\n[1] データ取得", flush=True) t1 = time.time() ensure_dataset(RELATIONS_CSV, resource_id=RESOURCE_ID_CSV, min_bytes=1_000_000, label="L77 道路台帳付図 関係資料 CSV") csv_size = RELATIONS_CSV.stat().st_size print(f" 関係資料 CSV: {csv_size:,} bytes", flush=True) print(f" ({time.time()-t1:.1f}s)", flush=True) # ============================================================================= # 2. CSV → GeoDataFrame # ============================================================================= print("\n[2] CSV 読込 → POINT", flush=True) t2 = time.time() df = pd.read_csv(RELATIONS_CSV, encoding="utf-8-sig") df.columns = [c.strip() for c in df.columns] df["路線番号"] = pd.to_numeric(df["路線番号"], errors="coerce") df["seg_id"] = [f"L77_{i:05d}" for i in range(len(df))] df["事務所区分"] = df["管理事務所名"].apply(office_top) df["図番接頭辞"] = df["道路台帳図番"].apply(fig_prefix) # 緯度経度欠損行除外 df = df.dropna(subset=["緯度", "経度"]).reset_index(drop=True) geom = [Point(lon, lat) for lon, lat in zip(df["経度"], df["緯度"])] gdf = gpd.GeoDataFrame(df, geometry=geom, crs="EPSG:4326").to_crs(TARGET_CRS) n_pts = len(gdf) n_routes = gdf.groupby(["路線種", "路線名"]).ngroups n_offices = gdf["事務所区分"].nunique() print(f" 図郭 (PDF 1 枚): {n_pts:,}", flush=True) print(f" 路線数: {n_routes}", flush=True) print(f" 事務所区分: {n_offices}", flush=True) print(f" ({time.time()-t2:.1f}s)", flush=True) # ============================================================================= # 3. 行政界 sjoin → 市町判定 (CSV 住所無し → 空間判定のみ) # ============================================================================= print("\n[3] 行政界 sjoin (空間判定)", flush=True) t3 = time.time() admin = gpd.read_file(ADMIN_GPKG).to_crs(TARGET_CRS) admin["市町名"] = admin["CITY_CD"].map(CITY_NAME).fillna( admin["CITY_CD"].astype(str)) joined = gpd.sjoin(gdf[["seg_id", "geometry"]], admin[["CITY_CD", "市町名", "geometry"]], how="left", predicate="within") joined = joined.drop_duplicates("seg_id") city_map = joined.set_index("seg_id")["市町名"] gdf["市町_空間"] = gdf["seg_id"].map(city_map).fillna("不明") gdf["地理クラス"] = gdf["市町_空間"].apply(geo_class) gdf["is_chusankan"] = gdf["地理クラス"] == "中山間山地" n_chusankan = int(gdf["is_chusankan"].sum()) share_chusankan = round(100 * n_chusankan / n_pts, 1) n_unknown = int((gdf["市町_空間"] == "不明").sum()) print(f" 中山間: {n_chusankan:,}/{n_pts:,} ({share_chusankan}%)", flush=True) print(f" 市町判定不明 (県外/離島端): {n_unknown}", flush=True) print(f" ({time.time()-t3:.1f}s)", flush=True) # ============================================================================= # 4. RQ1: 路線種 × 管理事務所 × 図番接頭辞 × 路線あたり図郭密度 # ============================================================================= print("\n[4] RQ1 集計 — データ構造", flush=True) t4 = time.time() # (1) 路線種別 T_rank = (gdf.groupby("路線種") .agg(図郭数=("seg_id", "count"), 路線数=("路線名", "nunique")) .reset_index()) T_rank["図郭シェア_%"] = (T_rank["図郭数"] / n_pts * 100).round(2) T_rank["路線シェア_%"] = (T_rank["路線数"] / n_routes * 100).round(2) T_rank["路線あたり図郭密度"] = (T_rank["図郭数"] / T_rank["路線数"]).round(1) T_rank["順"] = T_rank["路線種"].apply( lambda x: RANK_ORDER.index(x) if x in RANK_ORDER else 999) T_rank = T_rank.sort_values("順").drop(columns="順").reset_index(drop=True) # H1 / H2 判定 n_kokudo = int(T_rank.loc[T_rank["路線種"] == "国道", "図郭数"].iloc[0]) share_kokudo_route = float(T_rank.loc[T_rank["路線種"] == "国道", "路線シェア_%"].iloc[0]) share_kokudo_fig = float(T_rank.loc[T_rank["路線種"] == "国道", "図郭シェア_%"].iloc[0]) density_kokudo = float(T_rank.loc[T_rank["路線種"] == "国道", "路線あたり図郭密度"].iloc[0]) density_shuyo = float(T_rank.loc[T_rank["路線種"] == "主要地方道", "路線あたり図郭密度"].iloc[0]) density_kendo = float(T_rank.loc[T_rank["路線種"] == "一般県道", "路線あたり図郭密度"].iloc[0]) h1_ok = (share_kokudo_route < 10.0) and (share_kokudo_fig >= 20.0) h2_ok = (density_kokudo >= density_shuyo >= density_kendo) # (2) 管理事務所別 T_office = (gdf.groupby("事務所区分") .agg(図郭数=("seg_id", "count"), 路線数=("路線名", "nunique"), 路線種数=("路線種", "nunique")) .reset_index()) T_office["シェア_%"] = (T_office["図郭数"] / n_pts * 100).round(2) T_office["順"] = T_office["事務所区分"].apply( lambda x: OFFICE_ORDER.index(x) if x in OFFICE_ORDER else 999) T_office = T_office.sort_values("順").drop(columns="順").reset_index(drop=True) # (3) 図番接頭辞別 (D/N/その他) T_prefix = (gdf.groupby("図番接頭辞") .agg(図郭数=("seg_id", "count")) .reset_index()) T_prefix["シェア_%"] = (T_prefix["図郭数"] / n_pts * 100).round(2) T_prefix["順"] = T_prefix["図番接頭辞"].apply( lambda x: PREFIX_ORDER.index(x) if x in PREFIX_ORDER else 999) T_prefix = T_prefix.sort_values("順").drop(columns="順").reset_index(drop=True) # (4) 路線あたり図郭数 Top 15 路線 T_route_top = (gdf.groupby(["路線種", "路線名"]) .size().reset_index(name="図郭数")) T_route_top = T_route_top.sort_values("図郭数", ascending=False).head(15).reset_index(drop=True) # (5) 路線あたり図郭数 Bottom 10 (= 1 図郭支線等) T_route_bot = (gdf.groupby(["路線種", "路線名"]) .size().reset_index(name="図郭数")) T_route_bot = T_route_bot.sort_values("図郭数").head(10).reset_index(drop=True) # (6) 地理クラス別 T_geo = (gdf.groupby("地理クラス") .agg(図郭数=("seg_id", "count"), 路線数=("路線名", "nunique")) .reset_index()) T_geo["シェア_%"] = (T_geo["図郭数"] / n_pts * 100).round(1) T_geo = T_geo.sort_values("図郭数", ascending=False).reset_index(drop=True) # (7) 路線種 × 図番接頭辞 クロス T_rank_prefix = (gdf.groupby(["路線種", "図番接頭辞"]) .size().unstack(fill_value=0)) # 列順を整える for c in PREFIX_ORDER: if c not in T_rank_prefix.columns: T_rank_prefix[c] = 0 T_rank_prefix = T_rank_prefix[PREFIX_ORDER] T_rank_prefix = T_rank_prefix.reindex(RANK_ORDER).reset_index() print(f" 路線種別: 国道 {n_kokudo:,} 図 ({share_kokudo_fig}%) " f"/ 路線シェア {share_kokudo_route}%", flush=True) print(f" 路線あたり図郭密度: 国道 {density_kokudo} / 主要 {density_shuyo} " f"/ 県道 {density_kendo}", flush=True) print(f" H1 (国道 路線<10% かつ 図郭>=20%): {h1_ok}", flush=True) print(f" H2 (密度: 国道 >= 主要 >= 県道): {h2_ok}", flush=True) print(f" ({time.time()-t4:.1f}s)", flush=True) # ============================================================================= # 5. RQ2: L72 緊急輸送道路との照合 # ============================================================================= print("\n[5] RQ2 集計 — L72 重要路線優先公開", flush=True) t5 = time.time() # L72 4 階層 を読込み (NDJSON 風) L72_RANK = { "01": "第1次 (高速・幹線国道)", "02": "第2次 (主要地方道・国道)", "03": "第3次 (一般県道・市町道)", "04": "補完線 (補強路線)", } L72_RANK_ORDER = ["01", "02", "03", "04"] L72_COLOR = { "01": "#cf222e", "02": "#0969da", "03": "#1a7f37", "04": "#cf6f00", } def load_l72_lines(idx): p = L72_DIR / f"05_kinkyu_route_{idx}.json" if not p.exists(): return [] with open(p, "r", encoding="utf-8") as f: text = f.read() arr = json.loads("[" + text + "]") lines = [] for seg in arr: if isinstance(seg, list) and len(seg) >= 2: coords = [(pt["e"], pt["d"]) for pt in seg] lines.append(LineString(coords)) return lines l72_records = [] for idx in L72_RANK_ORDER: lines = load_l72_lines(idx) for ln in lines: l72_records.append({"rank": idx, "rank_label": L72_RANK[idx], "geometry": ln}) gdf_route = gpd.GeoDataFrame(l72_records, crs="EPSG:4326").to_crs(TARGET_CRS) gdf_route["length_km"] = gdf_route.geometry.length / 1000 n_route = len(gdf_route) total_km_route = float(gdf_route["length_km"].sum()) print(f" L72: {n_route} セグ / {total_km_route:.0f} km", flush=True) # 第 1〜2 次のみ (主要骨格) gdf_route12 = gdf_route[gdf_route["rank"].isin(["01", "02"])].copy() n_route12 = len(gdf_route12) total_km_route12 = float(gdf_route12["length_km"].sum()) # 第 1〜2 次 1km バッファ (union_all で 1 つの multi-polygon) print(" L72 第1〜2次 1km バッファ計算...", flush=True) buf12 = gdf_route12.geometry.buffer(ROUTE_BUFFER_M).union_all() print(" L72 全階層 1km バッファ計算...", flush=True) buf_all = gdf_route.geometry.buffer(ROUTE_BUFFER_M).union_all() # 14,463 POINT × multi-polygon の intersects は ~2-5s で完了 def in_buf(p, b): return 1 if p.intersects(b) else 0 print(" POINT × バッファ判定...", flush=True) gdf["near_l72_12"] = gdf.geometry.apply(lambda p: in_buf(p, buf12)) gdf["near_l72_all"] = gdf.geometry.apply(lambda p: in_buf(p, buf_all)) n_near12 = int(gdf["near_l72_12"].sum()) share_near12 = round(100 * n_near12 / n_pts, 1) n_near_all = int(gdf["near_l72_all"].sum()) share_near_all = round(100 * n_near_all / n_pts, 1) h3_ok = share_near_all >= 60.0 # 路線種別 1km 圏内率 T_l72_rank = (gdf.groupby("路線種") .agg(図郭数=("seg_id", "count"), L72_全1km圏内=("near_l72_all", "sum"), L72_第12次1km圏内=("near_l72_12", "sum")) .reset_index()) T_l72_rank["全1km率_%"] = ( 100 * T_l72_rank["L72_全1km圏内"] / T_l72_rank["図郭数"]).round(1) T_l72_rank["第12次1km率_%"] = ( 100 * T_l72_rank["L72_第12次1km圏内"] / T_l72_rank["図郭数"]).round(1) T_l72_rank["順"] = T_l72_rank["路線種"].apply( lambda x: RANK_ORDER.index(x) if x in RANK_ORDER else 999) T_l72_rank = T_l72_rank.sort_values("順").drop(columns="順").reset_index(drop=True) rate_kokudo = float(T_l72_rank.loc[T_l72_rank["路線種"] == "国道", "全1km率_%"].iloc[0]) rate_shuyo = float(T_l72_rank.loc[T_l72_rank["路線種"] == "主要地方道", "全1km率_%"].iloc[0]) rate_kendo = float(T_l72_rank.loc[T_l72_rank["路線種"] == "一般県道", "全1km率_%"].iloc[0]) h4_ok = (rate_kokudo >= rate_shuyo >= rate_kendo) # 4 カテゴリ (第1〜2次圏内 / 第3〜4次圏内のみ / 圏外) gdf["l72_status"] = "圏外 (>1km)" mask12 = gdf["near_l72_12"] == 1 mask_all = gdf["near_l72_all"] == 1 gdf.loc[mask_all & ~mask12, "l72_status"] = "第3〜4次 1km 圏内のみ" gdf.loc[mask12, "l72_status"] = "第1〜2次 1km 圏内" T_l72_status = (gdf.groupby("l72_status") .agg(図郭数=("seg_id", "count")) .reset_index()) T_l72_status["シェア_%"] = (T_l72_status["図郭数"] / n_pts * 100).round(1) status_order = ["第1〜2次 1km 圏内", "第3〜4次 1km 圏内のみ", "圏外 (>1km)"] T_l72_status["順"] = T_l72_status["l72_status"].apply( lambda x: status_order.index(x) if x in status_order else 999) T_l72_status = T_l72_status.sort_values("順").drop(columns="順").reset_index(drop=True) # 各図郭の最近接 L72 距離 (km) — sindex で高速化 print(" 最近接距離計算 (sindex 活用)...", flush=True) sindex_all = gdf_route.sindex l72_geoms_all = list(gdf_route.geometry) def nearest_km_sindex(p): minx, miny, maxx, maxy = p.x - 5000, p.y - 5000, p.x + 5000, p.y + 5000 candidates = list(sindex_all.intersection((minx, miny, maxx, maxy))) if not candidates: # 5km 圏内に何もない: 全件で計算 candidates = list(range(len(l72_geoms_all))) return min(p.distance(l72_geoms_all[i]) for i in candidates) / 1000 # 14,463 件の sindex 計算 → 約 5-10 秒 gdf["dist_l72_km"] = [nearest_km_sindex(p) for p in gdf.geometry] # 距離分布の統計 dist_q = np.percentile(gdf["dist_l72_km"], [25, 50, 75, 90]) T_dist = pd.DataFrame([ {"統計": "最小 (km)", "値": round(gdf['dist_l72_km'].min(), 3)}, {"統計": "25%", "値": round(dist_q[0], 3)}, {"統計": "中央 (50%)", "値": round(dist_q[1], 3)}, {"統計": "75%", "値": round(dist_q[2], 3)}, {"統計": "90%", "値": round(dist_q[3], 3)}, {"統計": "最大 (km)", "値": round(gdf['dist_l72_km'].max(), 3)}, {"統計": "平均 (km)", "値": round(gdf['dist_l72_km'].mean(), 3)}, ]) print(f" L72 全階層 1km 圏内: {n_near_all:,}/{n_pts:,} ({share_near_all}%)", flush=True) print(f" L72 第1〜2次 1km 圏内: {n_near12:,}/{n_pts:,} ({share_near12}%)", flush=True) print(f" 路線種別 全1km率: 国道 {rate_kokudo}% / 主要 {rate_shuyo}% " f"/ 県道 {rate_kendo}%", flush=True) print(f" H3 (全L72 1km >=60%): {h3_ok}", flush=True) print(f" H4 (国道 >= 主要 >= 県道): {h4_ok}", flush=True) print(f" ({time.time()-t5:.1f}s)", flush=True) # ============================================================================= # 6. RQ3: データ公開設計 — 機械可読性評価 # ============================================================================= print("\n[6] RQ3 集計 — 公開設計評価", flush=True) t6 = time.time() # データセット 2 リソースの仕様比較 ZIP_BYTES = 1_147_323_651 CSV_BYTES = csv_size # 実測値 ratio = ZIP_BYTES / CSV_BYTES # 大小比 share_csv_pct = round(100 * CSV_BYTES / (ZIP_BYTES + CSV_BYTES), 3) h5_ok = ratio >= 300 # 機械可読性スコア (本記事独自指標) # 評価軸: 表構造性 / 検索性 / 大規模解析容易性 / プログラム解析容易性 / 学習者再現性 # 5 軸 × 5 段階 (1=不可, 5=容易) T_machine = pd.DataFrame([ {"評価軸": "表構造性 (rows × cols)", "ZIP (PDF集合)": "1 (PDF は構造化されない)", "CSV (関係資料)": "5 (14,463 行 × 9 列)", "備考": "PDF は OCR + 帯状図解析が必要"}, {"評価軸": "検索性 (= 路線・図番から1件特定)", "ZIP (PDF集合)": "2 (ファイル名検索のみ)", "CSV (関係資料)": "5 (DataFrame 1 行で特定)", "備考": "CSV からファイル名を引くと PDF にたどり着く設計"}, {"評価軸": "大規模解析容易性 (= 全件統計集計)", "ZIP (PDF集合)": "1 (1.1GB / 14,463 PDF を順次解析)", "CSV (関係資料)": "5 (3.4MB / pandas で即時)", "備考": "ZIP 内 PDF を一括テキスト化するには数時間"}, {"評価軸": "プログラム解析 (内容アクセス)", "ZIP (PDF集合)": "1 (図形・幅員等は PDF 中の図のみ)", "CSV (関係資料)": "3 (位置 + メタ情報のみ、 内容は無し)", "備考": "CSV は \"目次\"、 中身は別途必要"}, {"評価軸": "学習者再現性 (1コマ授業内)", "ZIP (PDF集合)": "1 (DL 1.1GB は教室回線で 30 分超)", "CSV (関係資料)": "5 (DL 数秒)", "備考": "本記事は CSV のみで完結する設計"}, ]) # 路線種別の図郭密度比較 (= 「どの路線がよく公開されているか」 = 公開設計の優先付け) T_density_compare = T_rank[["路線種", "路線数", "図郭数", "路線あたり図郭密度", "図郭シェア_%", "路線シェア_%"]].copy() T_density_compare = T_density_compare.rename( columns={"路線あたり図郭密度": "路線あたり平均図郭数"}) # 機械可読性総合評価 (本記事独自指標) T_overall = pd.DataFrame([ {"指標": "総ファイル数 (PDF)", "値": f"{n_pts:,} 図郭"}, {"指標": "総路線数", "値": f"{n_routes} 路線"}, {"指標": "ZIP 本体サイズ", "値": f"{ZIP_BYTES/1024**3:.2f} GB"}, {"指標": "関係資料 CSV サイズ", "値": f"{CSV_BYTES/1024**2:.2f} MB"}, {"指標": "ZIP/CSV サイズ比", "値": f"{ratio:.0f} 倍"}, {"指標": "CSV / 全データ容量比", "値": f"{share_csv_pct}%"}, {"指標": "PDF 1 枚あたり平均サイズ", "値": f"{ZIP_BYTES/n_pts/1024:.1f} KB"}, {"指標": "L72 重要路線 1km 圏内", "値": f"{share_near_all}%"}, {"指標": "中山間山地分布率", "値": f"{share_chusankan}%"}, {"指標": "市町判定不明", "値": f"{n_unknown} 件"}, ]) print(f" ZIP/CSV 比: {ratio:.0f} 倍", flush=True) print(f" CSV シェア: {share_csv_pct}% (= 機械可読層)", flush=True) print(f" H5 (ZIP/CSV >= 300倍): {h5_ok}", flush=True) print(f" ({time.time()-t6:.1f}s)", flush=True) # ============================================================================= # 7. CSV 出力 # ============================================================================= print("\n[7] CSV 出力", flush=True) t7 = time.time() df_out = gdf.drop(columns=["geometry"]).copy() df_out.to_csv(ASSETS / "L77_all_figures.csv", index=False, encoding="utf-8-sig") T_rank.to_csv(ASSETS / "L77_rank_summary.csv", index=False, encoding="utf-8-sig") T_office.to_csv(ASSETS / "L77_office_summary.csv", index=False, encoding="utf-8-sig") T_prefix.to_csv(ASSETS / "L77_prefix_summary.csv", index=False, encoding="utf-8-sig") T_route_top.to_csv(ASSETS / "L77_route_top15.csv", index=False, encoding="utf-8-sig") T_route_bot.to_csv(ASSETS / "L77_route_bottom10.csv", index=False, encoding="utf-8-sig") T_geo.to_csv(ASSETS / "L77_geo_class.csv", index=False, encoding="utf-8-sig") T_rank_prefix.to_csv(ASSETS / "L77_rank_x_prefix.csv", index=False, encoding="utf-8-sig") T_l72_rank.to_csv(ASSETS / "L77_l72_by_rank.csv", index=False, encoding="utf-8-sig") T_l72_status.to_csv(ASSETS / "L77_l72_status.csv", index=False, encoding="utf-8-sig") T_dist.to_csv(ASSETS / "L77_l72_distance_stats.csv", index=False, encoding="utf-8-sig") T_machine.to_csv(ASSETS / "L77_machine_readability.csv", index=False, encoding="utf-8-sig") T_density_compare.to_csv(ASSETS / "L77_density_compare.csv", index=False, encoding="utf-8-sig") T_overall.to_csv(ASSETS / "L77_overall.csv", index=False, encoding="utf-8-sig") print(f" ({time.time()-t7:.1f}s)", flush=True) # ============================================================================= # 8. 図の生成 # ============================================================================= print("\n[8] 図の生成", flush=True) t8 = time.time() # 県全域 表示 bbox XMIN, YMIN = -15000, -220000 XMAX, YMAX = 125000, -90000 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): 路線種別 点マップ ---- print(" fig1: 路線種別 点マップ", flush=True) fig, ax = plt.subplots(figsize=(13, 8)) admin.plot(ax=ax, color="#fff8e8", edgecolor="#888", linewidth=0.4, alpha=0.55) for rank in RANK_ORDER: sub = gdf[gdf["路線種"] == rank] if len(sub) == 0: continue sub.plot(ax=ax, color=RANK_COLOR[rank], markersize=2.5, alpha=0.55, edgecolor="none", label=f"{rank} ({len(sub):,})", zorder=4) ax.set_xlim(XMIN, XMAX) ax.set_ylim(YMIN, YMAX) ax.set_aspect("equal") ax.set_title(f"図 1 (RQ1): 路線種別 道路台帳付図 図郭分布 — " f"全 {n_pts:,} 図郭 / {n_routes} 路線 / 3 路線種", fontsize=11) ax.set_xlabel("X (m, EPSG:6671)") ax.set_ylabel("Y (m, EPSG:6671)") ax.legend(loc="lower left", fontsize=10, title="路線種", markerscale=4) plt.tight_layout() save_fig("L77_fig1_rank_map.png") # ---- 図 2 (RQ1): 管理事務所別 choropleth ---- print(" fig2: 管理事務所別 choropleth", flush=True) office_count_map = T_office.set_index("事務所区分")["図郭数"].to_dict() # 事務所ごとに図郭の bbox 中心 → 注釈 fig, ax = plt.subplots(figsize=(13, 8)) admin.plot(ax=ax, color="#fff8e8", edgecolor="#888", linewidth=0.4, alpha=0.55) for office in OFFICE_ORDER: sub = gdf[gdf["事務所区分"] == office] if len(sub) == 0: continue sub.plot(ax=ax, color=OFFICE_COLOR.get(office, "#888"), markersize=2.0, alpha=0.55, edgecolor="none", label=f"{office} ({len(sub):,})", zorder=4) ax.set_xlim(XMIN, XMAX) ax.set_ylim(YMIN, YMAX) ax.set_aspect("equal") ax.set_title(f"図 2 (RQ1): 管理事務所区分別 道路台帳付図 図郭分布 — " f"9 事務所区分 / " f"最多 {T_office.iloc[T_office['図郭数'].idxmax()]['事務所区分']} " f"({int(T_office['図郭数'].max()):,} 図郭)", fontsize=10.5) ax.set_xlabel("X (m, EPSG:6671)") ax.set_ylabel("Y (m, EPSG:6671)") ax.legend(loc="lower left", fontsize=9, ncol=1, title="管理事務所区分", markerscale=4) plt.tight_layout() save_fig("L77_fig2_office_map.png") # ---- 図 3 (RQ1): 路線種 × 4 軸統計 (3 panels) ---- print(" fig3: 路線種 × 4 軸統計", flush=True) fig, axes = plt.subplots(1, 3, figsize=(17, 5.5)) # 左: 路線種別 図郭シェア vs 路線シェア ax = axes[0] xs = np.arange(len(RANK_ORDER)) fig_share = [float(T_rank.loc[T_rank["路線種"] == r, "図郭シェア_%"].iloc[0]) for r in RANK_ORDER] route_share = [float(T_rank.loc[T_rank["路線種"] == r, "路線シェア_%"].iloc[0]) for r in RANK_ORDER] w = 0.35 ax.bar(xs - w/2, fig_share, w, color="#0969da", edgecolor="#333", linewidth=0.5, label="図郭シェア (%)") ax.bar(xs + w/2, route_share, w, color="#cf6f00", edgecolor="#333", linewidth=0.5, label="路線シェア (%)") for x, fv, rv in zip(xs, fig_share, route_share): ax.text(x - w/2, fv + 1, f"{fv}%", ha="center", fontsize=9, fontweight="bold", color="#0969da") ax.text(x + w/2, rv + 1, f"{rv}%", ha="center", fontsize=9, fontweight="bold", color="#cf6f00") ax.set_xticks(xs) ax.set_xticklabels(RANK_ORDER, fontsize=10) ax.set_ylabel("シェア (%)") ax.set_ylim(0, max(max(fig_share), max(route_share)) * 1.18) ax.set_title(f"路線種別 図郭シェア vs 路線シェア\n" f"国道は路線 {share_kokudo_route}% で図郭 {share_kokudo_fig}%", fontsize=10.5) ax.legend(fontsize=9) ax.grid(True, axis="y", alpha=0.3) # 中: 路線あたり図郭密度 ax = axes[1] densities = [float(T_rank.loc[T_rank["路線種"] == r, "路線あたり図郭密度"].iloc[0]) for r in RANK_ORDER] cols = [RANK_COLOR[r] for r in RANK_ORDER] ax.bar(xs, densities, color=cols, edgecolor="#333", linewidth=0.5) for x, v in zip(xs, densities): ax.text(x, v + max(densities) * 0.02, f"{v}", ha="center", fontsize=11, fontweight="bold") ax.set_xticks(xs) ax.set_xticklabels(RANK_ORDER, fontsize=10) ax.set_ylabel("路線あたり平均図郭数") ax.set_ylim(0, max(densities) * 1.18) ax.set_title(f"路線種別 路線あたり図郭密度\n" f"国道 {density_kokudo} >= 主要 {density_shuyo} " f">= 県道 {density_kendo}", fontsize=10.5) ax.grid(True, axis="y", alpha=0.3) # 右: 図番接頭辞分布 ax = axes[2] prefix_xs = np.arange(len(PREFIX_ORDER)) prefix_counts = [int(T_prefix.loc[T_prefix["図番接頭辞"] == p, "図郭数"].iloc[0]) if p in T_prefix["図番接頭辞"].values else 0 for p in PREFIX_ORDER] prefix_cols = [PREFIX_COLOR[p] for p in PREFIX_ORDER] ax.bar(prefix_xs, prefix_counts, color=prefix_cols, edgecolor="#333", linewidth=0.5) for x, v in zip(prefix_xs, prefix_counts): if v > 0: ax.text(x, v + max(prefix_counts) * 0.02, f"{v:,}\n({100*v/n_pts:.1f}%)", ha="center", fontsize=10, fontweight="bold") ax.set_xticks(prefix_xs) ax.set_xticklabels([p.split(" ")[0] for p in PREFIX_ORDER], fontsize=10) ax.set_ylabel("図郭数") ax.set_title("図番接頭辞別 図郭数分布", fontsize=10.5) ax.grid(True, axis="y", alpha=0.3) fig.suptitle("図 3 (RQ1): 路線種別 × シェア × 密度 × 図番 — 4 角度構造", fontsize=12.5, y=1.02) plt.tight_layout() save_fig("L77_fig3_rq1_structure.png") # ---- 図 4 (RQ1): 路線あたり図郭数 Top 15 + 分布 ---- print(" fig4: 路線あたり図郭数 Top 15 + 分布", flush=True) fig, axes = plt.subplots(1, 2, figsize=(15, 6.5)) # 左: Top 15 路線 ax = axes[0] labels = [f"{r['路線名']}\n({r['路線種']})" for _, r in T_route_top.iterrows()] counts = T_route_top["図郭数"].astype(int).tolist() cols = [RANK_COLOR[r] for r in T_route_top["路線種"].tolist()] ax.barh(np.arange(len(labels)), counts, color=cols, edgecolor="#333", linewidth=0.4) for i, v in enumerate(counts): ax.text(v + max(counts) * 0.01, i, f"{v}", va="center", fontsize=9, fontweight="bold") ax.set_yticks(np.arange(len(labels))) ax.set_yticklabels(labels, fontsize=8.5) ax.invert_yaxis() ax.set_xlabel("図郭数") ax.set_title(f"路線あたり図郭数 Top 15\n" f"最大: {labels[0].split(chr(10))[0]} ({counts[0]} 図郭)", fontsize=10.5) ax.grid(True, axis="x", alpha=0.3) # 右: 路線あたり図郭数 ヒストグラム + 統計 ax = axes[1] route_counts_all = (gdf.groupby(["路線種", "路線名"]) .size().reset_index(name="図郭数")) for rank in RANK_ORDER: sub = route_counts_all[route_counts_all["路線種"] == rank] ax.hist(sub["図郭数"], bins=np.arange(0, 450, 15), color=RANK_COLOR[rank], alpha=0.6, edgecolor="#333", linewidth=0.4, label=f"{rank} (n={len(sub)})") ax.set_xlabel("路線あたり図郭数") ax.set_ylabel("路線数 (頻度)") ax.set_title(f"路線あたり図郭数 ヒストグラム\n" f"中央値 {int(route_counts_all['図郭数'].median())} / " f"平均 {route_counts_all['図郭数'].mean():.1f} / " f"最大 {route_counts_all['図郭数'].max()}", fontsize=10.5) ax.legend(fontsize=9) ax.grid(True, axis="y", alpha=0.3) plt.tight_layout() save_fig("L77_fig4_route_density.png") # ---- 図 5 (RQ2): 道路台帳付図 + L72 重ね合わせ ---- print(" fig5: 図郭 + L72 緊急輸送道路", flush=True) fig, ax = plt.subplots(figsize=(13, 8)) admin.plot(ax=ax, color="#fff8e8", edgecolor="#888", linewidth=0.4, alpha=0.55) # L72 を細い線で背景に (補完線→3次→2次→1次の順で重ねる) for idx in ["04", "03", "02", "01"]: sub = gdf_route[gdf_route["rank"] == idx] if len(sub) == 0: continue lw = {"01": 1.5, "02": 1.0, "03": 0.6, "04": 0.4}[idx] sub.plot(ax=ax, color=L72_COLOR[idx], linewidth=lw, alpha=0.85, zorder=3, label=f"L72 {L72_RANK[idx]}") # 道路台帳付図 図郭を圏内/圏外で色分け sub_in = gdf[gdf["near_l72_all"] == 1] sub_out = gdf[gdf["near_l72_all"] == 0] sub_out.plot(ax=ax, color="#cf222e", markersize=2.5, alpha=0.6, edgecolor="none", label=f"L72 圏外 ({len(sub_out):,})", zorder=4) sub_in.plot(ax=ax, color="#1a7f37", markersize=1.5, alpha=0.4, edgecolor="none", label=f"L72 1km 圏内 ({len(sub_in):,})", zorder=5) ax.set_xlim(XMIN, XMAX) ax.set_ylim(YMIN, YMAX) ax.set_aspect("equal") ax.set_title(f"図 5 (RQ2): 道路台帳付図 図郭 vs L72 緊急輸送道路 — " f"全 {n_pts:,} 図郭 / L72 1km 圏内 {share_near_all}%", fontsize=10.5) ax.set_xlabel("X (m, EPSG:6671)") ax.set_ylabel("Y (m, EPSG:6671)") ax.legend(loc="lower left", fontsize=8.5, ncol=1, markerscale=3) plt.tight_layout() save_fig("L77_fig5_l72_overlay.png") # ---- 図 6 (RQ2): 路線種別 L72 1km 圏内率 + 距離分布 ---- print(" fig6: 路線種別 L72 重なり + 距離ヒスト", flush=True) fig, axes = plt.subplots(1, 2, figsize=(15, 6)) # 左: 路線種別 L72 1km 圏内率 (全階層 vs 第1〜2次) ax = axes[0] xs = np.arange(len(RANK_ORDER)) all_rates = [float(T_l72_rank.loc[T_l72_rank["路線種"] == r, "全1km率_%"].iloc[0]) for r in RANK_ORDER] top12_rates = [float(T_l72_rank.loc[T_l72_rank["路線種"] == r, "第12次1km率_%"].iloc[0]) for r in RANK_ORDER] w = 0.35 ax.bar(xs - w/2, all_rates, w, color="#1a7f37", edgecolor="#333", linewidth=0.5, label="L72 全階層 1km") ax.bar(xs + w/2, top12_rates, w, color="#cf222e", edgecolor="#333", linewidth=0.5, label="L72 第1〜2次 1km") for x, av, tv in zip(xs, all_rates, top12_rates): ax.text(x - w/2, av + 1, f"{av}%", ha="center", fontsize=9, fontweight="bold") ax.text(x + w/2, tv + 1, f"{tv}%", ha="center", fontsize=9, fontweight="bold") ax.set_xticks(xs) ax.set_xticklabels(RANK_ORDER, fontsize=10) ax.set_ylabel("L72 1km 圏内率 (%)") ax.set_ylim(0, 105) ax.set_title(f"路線種別 L72 1km 圏内率 (全 vs 第1〜2次)\n" f"国道 {rate_kokudo}% / 主要 {rate_shuyo}% / 県道 {rate_kendo}%", fontsize=10.5) ax.legend(fontsize=9, loc="upper right") ax.grid(True, axis="y", alpha=0.3) # 右: 距離分布ヒストグラム ax = axes[1] for rank in RANK_ORDER: sub = gdf[gdf["路線種"] == rank] ax.hist(np.clip(sub["dist_l72_km"], 0, 5), bins=np.arange(0, 5.1, 0.25), color=RANK_COLOR[rank], alpha=0.55, edgecolor="#333", linewidth=0.3, label=f"{rank} (n={len(sub):,})") ax.axvline(1.0, color="#cf222e", linestyle="--", linewidth=1.5, label="1km 閾値") ax.set_xlabel("最近接 L72 までの距離 (km, 5km で clip)") ax.set_ylabel("図郭数 (頻度)") ax.set_title(f"路線種別 L72 最近接距離分布\n" f"中央値 {gdf['dist_l72_km'].median():.2f} km / " f"平均 {gdf['dist_l72_km'].mean():.2f} km", fontsize=10.5) ax.legend(fontsize=9) ax.grid(True, axis="y", alpha=0.3) plt.tight_layout() save_fig("L77_fig6_l72_rate_distance.png") # ---- 図 7 (RQ3): データ容量比較 + 機械可読性レーダー ---- print(" fig7: 容量比較 + 機械可読性", flush=True) fig, axes = plt.subplots(1, 2, figsize=(15, 6.5)) # 左: 容量比較 (対数スケール) ax = axes[0] labels = ["ZIP 本体\n(PDF 14,463 枚)", "関係資料 CSV\n(14,463 行)"] sizes_mb = [ZIP_BYTES / 1024**2, CSV_BYTES / 1024**2] cols = ["#cf222e", "#1a7f37"] bars = ax.bar(labels, sizes_mb, color=cols, edgecolor="#333", linewidth=0.5, log=True) for b, s in zip(bars, sizes_mb): if s >= 100: text = f"{s:.0f} MB\n({s/1024:.2f} GB)" else: text = f"{s:.2f} MB" ax.text(b.get_x() + b.get_width()/2, s * 1.15, text, ha="center", fontsize=11, fontweight="bold") ax.set_ylabel("ファイルサイズ (MB, 対数軸)") ax.set_title(f"データセット 1445 リソース容量比較\n" f"ZIP/CSV 比 = {ratio:.0f} 倍 / " f"CSV シェア {share_csv_pct}%", fontsize=10.5) ax.grid(True, axis="y", alpha=0.3, which="both") # 右: 機械可読性スコア (ヒートマップ風) ax = axes[1] # Score を 1-5 に変換 (T_machine の文字列から先頭数字を取得) score_zip = [] score_csv = [] axis_labels = [] for _, row in T_machine.iterrows(): axis_labels.append(row["評価軸"].split(" (")[0]) z = int(re.match(r"(\d)", row["ZIP (PDF集合)"]).group(1)) c = int(re.match(r"(\d)", row["CSV (関係資料)"]).group(1)) score_zip.append(z) score_csv.append(c) ys = np.arange(len(axis_labels)) w = 0.35 ax.barh(ys - w/2, score_zip, w, color="#cf222e", edgecolor="#333", linewidth=0.4, label="ZIP (PDF集合)") ax.barh(ys + w/2, score_csv, w, color="#1a7f37", edgecolor="#333", linewidth=0.4, label="CSV (関係資料)") for y, sz, sc in zip(ys, score_zip, score_csv): ax.text(sz + 0.05, y - w/2, f"{sz}", va="center", fontsize=10, fontweight="bold") ax.text(sc + 0.05, y + w/2, f"{sc}", va="center", fontsize=10, fontweight="bold") ax.set_yticks(ys) ax.set_yticklabels(axis_labels, fontsize=9) ax.invert_yaxis() ax.set_xlim(0, 5.5) ax.set_xlabel("機械可読性スコア (1=不可 〜 5=容易)") ax.set_title("機械可読性 5 軸評価\nCSV 平均 " f"{np.mean(score_csv):.1f} vs ZIP 平均 {np.mean(score_zip):.1f}", fontsize=10.5) ax.legend(fontsize=9, loc="lower right") ax.grid(True, axis="x", alpha=0.3) plt.tight_layout() save_fig("L77_fig7_machine_readability.png") # ---- 図 8 (RQ3): 中山間 vs 平野・沿岸 vs 沿岸島嶼 vs 不明 + 路線種クロス ---- print(" fig8: 地理クラス × 路線種", flush=True) fig, axes = plt.subplots(1, 2, figsize=(15, 6)) # 左: 地理クラス別 図郭数 ax = axes[0] gc_order = ["平野・沿岸都市", "中山間山地", "沿岸島嶼", "その他/不明"] gc_present = [g for g in gc_order if g in T_geo["地理クラス"].values] xs = np.arange(len(gc_present)) counts_geo = [int(T_geo[T_geo["地理クラス"] == g]["図郭数"].iloc[0]) for g in gc_present] gc_colors = ["#0969da", "#cf6f00", "#1a7f37", "#888"] ax.bar(xs, counts_geo, color=gc_colors[:len(gc_present)], edgecolor="#333", linewidth=0.5) for x, v in zip(xs, counts_geo): ax.text(x, v + max(counts_geo) * 0.02, f"{int(v):,}\n({100*v/n_pts:.1f}%)", ha="center", fontsize=10, fontweight="bold") ax.set_xticks(xs) ax.set_xticklabels(gc_present, rotation=15, fontsize=9.5) ax.set_ylabel("図郭数") ax.set_title(f"地理クラス別 図郭分布\n" f"中山間 {share_chusankan}% — 県道路網は中山間に厚く分布", fontsize=10.5) ax.grid(True, axis="y", alpha=0.3) # 右: 路線種 × 地理クラス クロス (積み上げ) ax = axes[1] cross = (gdf.groupby(["路線種", "地理クラス"]) .size().unstack(fill_value=0)) for c in gc_order: if c not in cross.columns: cross[c] = 0 cross = cross[gc_order].reindex(RANK_ORDER) xs = np.arange(len(RANK_ORDER)) bottom = np.zeros(len(RANK_ORDER)) for j, gc in enumerate(gc_order): vals = cross[gc].values ax.bar(xs, vals, bottom=bottom, color=gc_colors[j], edgecolor="#333", linewidth=0.4, label=gc) for x, v, b_acc in zip(xs, vals, bottom): if v > 100: ax.text(x, b_acc + v/2, f"{int(v):,}", ha="center", va="center", fontsize=9, color="white" if j < 2 else "#222", fontweight="bold") bottom += vals ax.set_xticks(xs) ax.set_xticklabels(RANK_ORDER, fontsize=10) ax.set_ylabel("図郭数") ax.set_title("路線種 × 地理クラス クロス積み上げ", fontsize=10.5) ax.legend(fontsize=9, loc="upper right") ax.grid(True, axis="y", alpha=0.3) plt.tight_layout() save_fig("L77_fig8_geo_class.png") print(f" 図 8 枚生成 ({time.time()-t8:.1f}s)", flush=True) # ============================================================================= # 9. 仮説検証 # ============================================================================= print("\n[9] 仮説検証", flush=True) T_hyp = pd.DataFrame([ {"仮説": "H1 (RQ1, 国道優先公開)", "閾値": "国道 路線<10% かつ 図郭>=20%", "実測": f"路線 {share_kokudo_route}% / 図郭 {share_kokudo_fig}%", "判定": "支持" if h1_ok else "不支持"}, {"仮説": "H2 (RQ1, 階層的図郭密度)", "閾値": "国道 >= 主要 >= 県道", "実測": f"国道 {density_kokudo} / 主要 {density_shuyo} / 県道 {density_kendo}", "判定": "支持" if h2_ok else "不支持"}, {"仮説": "H3 (RQ2, L72 重なり)", "閾値": "L72 1km 圏内 >= 60%", "実測": f"{share_near_all}%", "判定": "支持" if h3_ok else "不支持"}, {"仮説": "H4 (RQ2, 路線種 → L72 階層)", "閾値": "国道 > 主要地方道 > 一般県道", "実測": f"{rate_kokudo}% > {rate_shuyo}% > {rate_kendo}%" if h4_ok else f"{rate_kokudo}% / {rate_shuyo}% / {rate_kendo}%", "判定": "支持" if h4_ok else "不支持"}, {"仮説": "H5 (RQ3, 機械可読の非対称)", "閾値": "ZIP/CSV >= 300倍", "実測": f"{ratio:.0f} 倍 (CSV シェア {share_csv_pct}%)", "判定": "支持" if h5_ok else "不支持"}, ]) T_hyp.to_csv(ASSETS / "L77_hypothesis_check.csv", index=False, encoding="utf-8-sig") print(T_hyp.to_string(index=False)) # ============================================================================= # 10. HTML 生成 # ============================================================================= print("\n[10] HTML 生成", flush=True) t10 = time.time() def df_to_html(df, max_rows=None): if max_rows is not None: df = df.head(max_rows) return df.to_html(index=False, classes="datatable", border=0, escape=False, na_rep="—") # データセット仕様表 T_dataset = pd.DataFrame([ {"項目": "データセット ID", "値": f"DoBoX #{DATASET_ID}"}, {"項目": "データセット名", "値": "道路台帳付図"}, {"項目": "公開組織", "値": "広島県 道路河川管理課"}, {"項目": "リソース数", "値": "2 (ZIP 本体 + 関係資料 CSV)"}, {"項目": "ライセンス", "値": "クリエイティブ・コモンズ表示 (CC-BY)"}, {"項目": "更新日 (本記事時点)", "値": "2023-11-22"}, {"項目": "対象路線種", "値": "国道 / 主要地方道 / 一般県道 (= 県管理 3 路線種)"}, {"項目": "対象路線数", "値": f"{n_routes} 路線"}, {"項目": "対象図郭数 (PDF)", "値": f"{n_pts:,} 図郭"}, {"項目": "総延長 (推定)", "値": "県管理道路約 4,000 km (路線種別公開なし)"}, {"項目": "ファイル形式", "値": "PDF (帯状図, 1:500〜1:1,000)"}, ]) # ----- セクション 1: 学習目標と問い ----- sec1 = f"""
本記事は単独データセット系 Format B: 1 つのデータセット 「道路台帳付図」 を 3 つの独立した研究角度 (RQ1 / RQ2 / RQ3) で並列に 分析する。 RQ1 でデータ構造、 RQ2 で L72 緊急輸送道路との照合、 RQ3 で公開設計を評価する 3 段階アプローチ。

独自用語の定義 (本記事限定)

研究の問い (3 RQ)

  1. RQ1 (主研究): 広島県の道路台帳付図のデータ構造 — 公開単位 (路線/図郭) × 路線種 × 図番接頭辞 × 管理事務所はどう描けるか? {n_pts:,} 図郭を 4 軸で集計し、 「県の道路情報公開の物理形状」 を初めて 系統的に記述する。 H1 (国道 路線<10% かつ 図郭>=20%) / H2 (国道 >= 主要 >= 県道 の図郭密度) を検証。
  2. RQ2 (副研究 1): 道路台帳付図とL72 緊急輸送道路 ({n_route} セグ / {total_km_route:.0f} km) との照合 — 重要路線優先公開はどう描けるか? 14,463 図郭が L72 1km 圏内かを sjoin、 「防災重要路線優先公開」 仮説を 量的検証する。 H3 (全L72 1km >=60%) / H4 (国道 > 主要 > 県道 の L72 重なり率) を検証。
  3. RQ3 (副研究 2): データ公開設計 — 学習者の機械可読性と再利用 可能性はどう評価できるか? 1.1GB ZIP / 14,463 PDF / CSV 関係資料の 3 層構造を学習者目線で評価し、 「PDF は人間可読だが機械可読性が低い」 「CSV 関係資料は機械可読だが PDF 中身は不可」 の非対称公開構造を 量的記述する。 H5 (ZIP/CSV >=300倍) を検証。

仮説 (5)

到達点

本記事を読み終えると、 (1) 県管理道路 {n_routes} 路線 / {n_pts:,} 図郭の データ構造を路線種・管理事務所・図番接頭辞の 3 軸で完全に俯瞰、 (2) L72 緊急輸送道路との1km 重なり率 {share_near_all}%を路線種別に分解し 「重要路線優先公開」 の量的証拠を獲得、 (3) ZIP {ZIP_BYTES/1024**3:.2f} GB / CSV {CSV_BYTES/1024**2:.2f} MB の非対称 2 層公開構造を機械可読性 5 軸スコアで定量化、 という 3 段階の知識が獲得できる。 これにより県の道路情報 オープンデータ戦略の物理形状・防災連携・公開設計思想が研究者視点で見えるよう になる。

""" # ----- セクション 2: 使用データ ----- sec2 = f"""

本研究で使う 1 つの dataset (2 リソース) を以下の表に示す。 本データセットは「PDF 本体 (1.1GB) + 関係資料 CSV (3.4MB)」 という非対称 2 層構造で公開されている。 本記事では関係資料 CSV のみを主データ として用い、 PDF 本体 (ZIP) は取得しない (1.1GB を学習者環境で扱うのは 非現実的、 また RQ1〜RQ3 の問いは CSV のメタ情報で完結するため)。

データセット仕様

{df_to_html(T_dataset)}

2 リソースの内訳

リソース形式サイズ役割本記事での扱い
resource {RESOURCE_ID_ZIP} (道路台帳付図_2023-11-22) ZIP (PDF 集合) {ZIP_BYTES/1024**3:.2f} GB ({n_pts:,} PDF) 帯状図本体 (人間可読) 取得しない (1.1GB は教材外)
resource {RESOURCE_ID_CSV} (道路台帳付図_関係資料_2023-11-22) CSV (UTF-8 BOM) {CSV_BYTES/1024**2:.2f} MB ({n_pts:,} 行 × 9 列) 路線・図番・位置のメタ表 (機械可読) 本記事の主データ

関係資料 CSV の列定義

列名例意味
路線種国道 / 主要地方道 / 一般県道 道路法上の路線分類 (3 種)
路線名４３３号 / 三原東城線 路線の正式名称 (国道は番号、 県道は地名+地名形式)
路線番号433 / 4032 路線番号 (国道は同名の数字、 県道は 4000 番台)
管理事務所名西部建設事務所 / 東部建設事務所三原支所 路線を管理する県の出先機関 (9 区分)
道路台帳図番D251-4 / N175 / N182-1 図郭の識別番号 (D=詳細図, N=基本図, 後ろは連番)
ファイル/01西部建設事務所/01r3433一般国道４３３号/...pdf ZIP 内 PDF への相対パス
緯度34.80880 図郭中心点の WGS84 緯度
経度132.70933 図郭中心点の WGS84 経度
利用規約https://data.hiroshima-dobox.jp/.../利用規約.pdf 本データの利用規約 PDF (全行で同一)

形式特性の注意点

""" # ----- セクション 3: ダウンロード ----- sec3 = f"""

本記事の再現に必要なすべてを直リンクで提供する。 HTML だけ読めば学習者が完全再現できることが目標 (要件 A)。

注意: ZIP 本体 ({ZIP_BYTES/1024**3:.2f} GB) は本記事ではダウンロードしない。 本記事は関係資料 CSV ({CSV_BYTES/1024**2:.2f} MB) のみで完結する設計。 PDF 本体は学習者が個別の路線について実際の帯状図を見たい場合に手動で 入手すること (DoBoX のページから DL ボタン)。

生データ (DoBoX 1 dataset, 2 リソース)

このスクリプト本体

中間 CSV (本記事生成、 再利用可)

図 (PNG, 直 DL 可)

""" # ----- セクション 4: RQ1 ----- sec4_code = ''' import pandas as pd import geopandas as gpd from shapely.geometry import Point # (1) 関係資料 CSV を読込み (UTF-8 BOM, 14,463 行 × 9 列) df = pd.read_csv("data/extras/L77_road_register/road_register_relations.csv", encoding="utf-8-sig") df.columns = [c.strip() for c in df.columns] # (2) 管理事務所名 → 上位 9 区分への正規化 (本記事独自分類) def office_top(name): s = str(name) if s.startswith("西部建設事務所東広島"): return "西部 東広島支所" if s.startswith("西部建設事務所安芸太田"): return "西部 安芸太田支所" if s.startswith("西部建設事務所廿日市"): return "西部 廿日市支所" if s.startswith("西部建設事務所呉"): return "西部 呉支所" if s.startswith("西部建設事務所"): return "西部 本所" if s.startswith("東部建設事務所三原"): return "東部 三原支所" if s.startswith("東部建設事務所"): return "東部 本所" if s.startswith("北部建設事務所庄原"): return "北部 庄原支所" if s.startswith("北部建設事務所"): return "北部 本所" return "その他" df["事務所区分"] = df["管理事務所名"].apply(office_top) # (3) 図番接頭辞 (D/N/その他) を判定 (本記事独自分類) def fig_prefix(s): s = str(s).strip() if s.startswith("D"): return "D系 (詳細図/分図)" if s.startswith("N"): return "N系 (基本図/標準)" return "その他 (A/B/C/E/G/H/I 系)" df["図番接頭辞"] = df["道路台帳図番"].apply(fig_prefix) # (4) GeoDataFrame 化 + EPSG:6671 投影変換 (距離計算で正確になる) geom = [Point(lon, lat) for lon, lat in zip(df["経度"], df["緯度"])] gdf = gpd.GeoDataFrame(df, geometry=geom, crs="EPSG:4326").to_crs("EPSG:6671") # (5) 路線種別 4 軸集計 T_rank = (gdf.groupby("路線種") .agg(図郭数=("道路台帳図番", "count"), 路線数=("路線名", "nunique")) .reset_index()) T_rank["路線あたり図郭密度"] = (T_rank["図郭数"] / T_rank["路線数"]).round(1) T_rank["図郭シェア_%"] = (T_rank["図郭数"] / len(gdf) * 100).round(2) T_rank["路線シェア_%"] = (T_rank["路線数"] / gdf.groupby(["路線種","路線名"]).ngroups * 100).round(2) print(T_rank) # (6) 管理事務所別 + 図番接頭辞別 print(gdf.groupby("事務所区分").size()) print(gdf.groupby("図番接頭辞").size()) ''' sec4 = f"""

狙い (RQ1)

RQ1 では「県の道路情報公開の物理形状」を初めて系統的に記述する。 具体的には {n_pts:,} 図郭 / {n_routes} 路線を路線種 × 管理事務所 × 図番 接頭辞 × 路線あたり図郭密度の 4 軸で集計し、 「どの路線種にどれだけの 図郭があり、 どの事務所が管理し、 どの図番が多いか」 を 1 枚で俯瞰できる ようにする。 H1 (国道 路線<10% かつ 図郭>=20%) は「国道は路線数では 少数派だが図郭としては優先公開される」 仮説、 H2 (国道 >= 主要 >= 県道 の図郭密度) は「路線種 = 整備優先度」 という階層構造を量的検証する。

手法 — 4 ステップ

  1. STEP 1: CSV パース + 列名正規化
    関係資料 CSV (UTF-8 BOM, {n_pts:,} 行 × 9 列) を read_csv() で 読込み、 列名前後の空白を除去。 「路線番号」 を pd.to_numeric() で 整数化。 緯度経度欠損行 (今回は 0 件) を除外。
  2. STEP 2: 管理事務所名を 9 区分に正規化 (本記事独自分類)
    CSV の「管理事務所名」 列は9 種類のラベルを含む (西部本所 / 西部呉支所 / 西部廿日市支所 / 西部安芸太田支所 / 西部東広島支所 / 東部本所 / 東部三原 支所 / 北部本所 / 北部庄原支所)。 文字列先頭マッチで頑健に分類する独自関数 office_top() を実装。
  3. STEP 3: 図番接頭辞 (D/N/その他) を判定 (本記事独自分類)
    道路台帳図番の先頭 1 文字 (D / N / A / B / C / E / G / H / I) から D 系 (詳細図/分図) / N 系 (基本図/標準) / その他の 3 分類に集計。 D 系 = 詳細図、 N 系 = 基本図 という解釈は本記事独自で、 公式定義は データセット内に含まれない。
  4. STEP 4: GeoDataFrame 化 + EPSG:6671 投影 + 4 軸集計
    緯度経度 → shapely.geometry.Point → GeoDataFrame に変換、 to_crs("EPSG:6671") で平面直角第 III 系に投影 (距離計算で 正確になる)。 その後、 路線種・管理事務所・図番接頭辞・路線種×図番接頭辞 の 4 集計を groupby() で生成。

実装

狙いと方法を踏まえた実装コードは以下の通り。 列名 (路線種・路線名・路線番号・ 管理事務所名・道路台帳図番・ファイル・緯度・経度) は CSV からそのまま使い、 独自分類列のみ追加する設計とした。

{code(sec4_code)}

結果と読み取り

(a) 路線種別 4 軸集計

なぜこの表か: 路線種 (国道 / 主要地方道 / 一般県道) ごとの図郭シェア vs 路線シェア vs 路線あたり図郭密度を一覧することで、 「公開の偏り」 を 路線数と図郭数の不一致として量的に把握する。

{df_to_html(T_rank.drop(columns=[c for c in ["順"] if c in T_rank.columns]))}

表から読み取れること:

(b) 管理事務所別 (図 1, 図 2)

なぜこの図か: 14,463 図郭の地理分布を路線種別 / 管理事務所別 の 2 視点で示すことで、 「どの地域・どの組織が管理しているか」 という 行政区分の物理形状を可視化する。 棒グラフではなく地図にする理由は、 県管理道路網が沿岸都市部に集中・中山間山地に薄く広がるという分布特性を 1 枚で示すため (要件 T)。

{figure("assets/L77_fig1_rank_map.png", f"図 1: 路線種別 道路台帳付図 図郭分布 (国道 赤 / 主要地方道 青 / 一般県道 緑)")}

図 1 から読み取れること:

{figure("assets/L77_fig2_office_map.png", f"図 2: 管理事務所区分別 道路台帳付図 図郭分布 (9 区分)")}

{df_to_html(T_office)}

図 2 / 表から読み取れること:

(c) シェア × 密度 × 図番 3 角度 (図 3)

なぜこの図か: 路線種別の図郭シェア vs 路線シェアの不一致を 左パネルで一目で示し、 中パネルで密度の階層、 右パネルで図番接頭辞の 分布 (D 系 vs N 系) を見せる 3 連結。 H1, H2 + 図番判定の補強根拠。

{figure("assets/L77_fig3_rq1_structure.png", f"図 3: 路線種 × 4 軸構造 (シェア×密度×図番)")} {df_to_html(T_prefix.drop(columns=[c for c in ['順'] if c in T_prefix.columns]))}

図 3 / 表から読み取れること:

(d) 路線あたり図郭数 分布 (図 4)

なぜこの図か: 路線あたり図郭数の分布形状を Top 15 ランキング + ヒストグラムの 2 視点で示すことで、 「ロングテール vs ヘビーテール」 の判別と、 路線種別の分布形状の違い (= 整備優先度の階層) を量的に把握する。

{figure("assets/L77_fig4_route_density.png", f"図 4: 路線あたり図郭数 Top 15 + ヒストグラム")}

{df_to_html(T_route_top)}

{df_to_html(T_route_bot)}

図 4 / 表から読み取れること:

(e) 地理クラス × 路線種 クロス (図 8)

なぜこの図か: 路線種別の図郭分布が地理 (平野 / 中山間 / 沿岸島嶼) ごとにどう違うかを積み上げ棒グラフで示し、 「中山間に多い路線種 vs 平野 都市部に多い路線種」 の偏在を量的に明らかにする。

{figure("assets/L77_fig8_geo_class.png", f"図 8: 地理クラス × 路線種 クロス積み上げ")}

{df_to_html(T_geo)}

図 8 / 表から読み取れること:

""" # ----- セクション 5: RQ2 ----- sec5_code = ''' import json import geopandas as gpd from shapely.geometry import LineString # (1) L72 緊急輸送道路 NDJSON 風 JSON を 4 階層分読込み def load_l72_lines(idx): p = f"data/extras/L72_emergency_road/.../05_kinkyu_route_{idx}.json" with open(p, "r", encoding="utf-8") as f: text = f.read() arr = json.loads("[" + text + "]") # NDJSON 風 → JSON 配列 lines = [] for seg in arr: if isinstance(seg, list) and len(seg) >= 2: coords = [(pt["e"], pt["d"]) for pt in seg] lines.append(LineString(coords)) return lines l72_records = [] for idx in ["01", "02", "03", "04"]: for ln in load_l72_lines(idx): l72_records.append({"rank": idx, "geometry": ln}) gdf_route = gpd.GeoDataFrame(l72_records, crs="EPSG:4326").to_crs("EPSG:6671") # (2) 第 1〜2 次 1km バッファ + 全階層 1km バッファ gdf_route12 = gdf_route[gdf_route["rank"].isin(["01", "02"])] buf12 = gdf_route12.geometry.buffer(1000).union_all() buf_all = gdf_route.geometry.buffer(1000).union_all() # (3) 14,463 図郭 POINT × multi-polygon の intersects 判定 gdf["near_l72_12"] = gdf.geometry.apply(lambda p: 1 if p.intersects(buf12) else 0) gdf["near_l72_all"] = gdf.geometry.apply(lambda p: 1 if p.intersects(buf_all) else 0) # (4) 路線種別 1km 圏内率 T_l72_rank = (gdf.groupby("路線種") .agg(図郭数=("seg_id", "count"), L72_全1km圏内=("near_l72_all", "sum"), L72_第12次1km圏内=("near_l72_12", "sum")) .reset_index()) T_l72_rank["全1km率_%"] = (100 * T_l72_rank["L72_全1km圏内"] / T_l72_rank["図郭数"]).round(1) print(T_l72_rank) # (5) 各図郭の最近接 L72 距離 (sindex で高速化) sindex = gdf_route.sindex geoms = list(gdf_route.geometry) def nearest_km(p): bbox = (p.x-5000, p.y-5000, p.x+5000, p.y+5000) cand = list(sindex.intersection(bbox)) or list(range(len(geoms))) return min(p.distance(geoms[i]) for i in cand) / 1000 gdf["dist_l72_km"] = [nearest_km(p) for p in gdf.geometry] ''' sec5 = f"""

狙い (RQ2)

RQ2 では「重要路線優先公開」仮説を量的検証する。 県地域防災計画で 指定されたL72 緊急輸送道路 ({n_route} セグ / {total_km_route:.0f} km)を 基準線として、 道路台帳付図 {n_pts:,} 図郭が L72 の 1km 圏内にどれだけ重なるか を空間結合で量化する。 H3 (全L72 1km >=60%) は中心仮説、 H4 (国道 > 主要 > 県道 の重なり率) は「路線種 = L72 重要度」 の階層構造仮説。

手法 — 5 ステップ

  1. STEP 1: L72 NDJSON 風 JSON のパース
    L72 の 4 階層 JSON は厳密な JSON ではなく、 dict / array が「,」 区切りで 並ぶ NDJSON 風形式 (= JSON.parse 不可)。 テキストを [ と ] でラップしてから json.loads でパースする工夫が必要。
  2. STEP 2: LineString GeoDataFrame の構築
    各セグメントの点列 ({{e: 経度, d: 緯度}}) を shapely.LineString に 変換、 階層 ID + GeoDataFrame に統合 → to_crs("EPSG:6671") で 平面直角第 III 系へ投影 (距離が m 単位で正確になる)。
  3. STEP 3: 1km バッファの生成
    第 1〜2 次のみ ({n_route12} セグ) と全階層 ({n_route} セグ) について buffer(1000) を適用 → union_all() で 1 つの multi-polygon に統合。 14,463 POINT × 1 ポリゴンの intersects は ~5 秒で完了する設計。
  4. STEP 4: 14,463 図郭 × バッファ判定
    各 POINT に対し p.intersects(buf) で True/False を判定、 0/1 列として gdf に追加。 これで「L72 1km 圏内」 フラグが完成。
  5. STEP 5: 最近接 L72 距離 (sindex 活用)
    各図郭の最近接 L72 セグメントまでの距離 (km)を計算。 全 14,463 × {n_route} セグメントの全件距離計算は ~3 分かかるため、 sindex で 5km bbox に絞ってから p.distance(line) を計算する高速化を 実装 (~10 秒以内)。

実装

狙いと方法を踏まえた実装コードは以下の通り。 NDJSON 風パース + バッファ intersects + sindex 高速距離計算の 3 段構成。

{code(sec5_code)}

結果と読み取り

(a) 図郭 + L72 重ね合わせマップ (図 5)

なぜこの図か: L72 の 4 階層 (赤 / 青 / 緑 / 橙) を背景線として描画し、 道路台帳付図 14,463 図郭をL72 1km 圏内 (緑) vs 圏外 (赤)で色分け点で 重ね合わせることで、 「重要路線優先公開」 仮説の空間的真偽を 1 枚で示す。 棒グラフではなく重ね合わせマップにする理由は、 「圏内・圏外の図郭がどこに 分布するか」 という地理的偏在を見るため (要件 T)。

{figure("assets/L77_fig5_l72_overlay.png", f"図 5: 道路台帳付図 図郭 vs L72 緊急輸送道路 重ね合わせ")}

{df_to_html(T_l72_status.drop(columns=[c for c in ['順'] if c in T_l72_status.columns]))}

図 5 / 表から読み取れること:

(b) 路線種別 L72 1km 圏内率 + 距離分布 (図 6)

なぜこの図か: 路線種ごとの L72 1km 圏内率の階層構造を左パネルで 示し、 右パネルで距離分布の路線種別差をヒストグラムで補強する 2 視点。 H4 を量的に証明する中心図。

{figure("assets/L77_fig6_l72_rate_distance.png", f"図 6: 路線種別 L72 1km 圏内率 + 最近接距離分布")}

{df_to_html(T_l72_rank.drop(columns=[c for c in ['順'] if c in T_l72_rank.columns]))}

{df_to_html(T_dist)}

図 6 / 表から読み取れること:

""" # ----- セクション 6: RQ3 ----- sec6_code = ''' # RQ3: 公開設計の機械可読性 5 軸評価 import pandas as pd ZIP_BYTES = 1_147_323_651 # ZIP 本体 (PDF 集合) CSV_BYTES = 3_560_806 # 関係資料 CSV ratio = ZIP_BYTES / CSV_BYTES # = 322 倍 share_csv_pct = 100 * CSV_BYTES / (ZIP_BYTES + CSV_BYTES) # = 0.31% # 5 軸 × 5 段階 (1=不可, 5=容易) でリソース 2 種を比較 T_machine = pd.DataFrame([ {"評価軸": "表構造性", "ZIP": 1, "CSV": 5}, {"評価軸": "検索性", "ZIP": 2, "CSV": 5}, {"評価軸": "大規模解析容易性", "ZIP": 1, "CSV": 5}, {"評価軸": "プログラム解析", "ZIP": 1, "CSV": 3}, {"評価軸": "学習者再現性", "ZIP": 1, "CSV": 5}, ]) T_machine["差"] = T_machine["CSV"] - T_machine["ZIP"] print(T_machine) print(f"CSV 平均 {T_machine['CSV'].mean():.1f} vs ZIP 平均 {T_machine['ZIP'].mean():.1f}") print(f"ZIP/CSV サイズ比 = {ratio:.0f} 倍 / CSV シェア = {share_csv_pct:.3f}%") ''' sec6 = f"""

狙い (RQ3)

RQ3 では「公開設計の機械可読性評価」を行う。 道路台帳付図データセットは 2 つのリソース (ZIP 本体 1.1GB / CSV 関係資料 3.4MB) から成る非対称構造で 公開されており、 それぞれが異なる利用者層に向けて設計されている。 ZIP は 人間が PDF で道路区域・幅員を確認するための人間可読層、 CSV は機械的に 索引・統計・空間結合するための機械可読層。 これを5 軸 × 5 段階で 評価し、 学習者にとっての再利用可能性を量化する。 H5 (ZIP/CSV >=300倍) は 「機械可読層は本体の 0.3% 以下」 という非対称性の中心仮説。

手法 — 3 ステップ

  1. STEP 1: リソース容量実測
    ZIP 本体 ({ZIP_BYTES:,} bytes = {ZIP_BYTES/1024**3:.2f} GB) と関係資料 CSV ({CSV_BYTES:,} bytes = {CSV_BYTES/1024**2:.2f} MB) のサイズを実測比較。 比 = {ratio:.0f} 倍、 CSV シェア = {share_csv_pct}%。
  2. STEP 2: 機械可読性 5 軸評価 (本記事独自指標)
    表構造性 / 検索性 / 大規模解析容易性 / プログラム解析 / 学習者再現性の 5 軸を 1 (不可) 〜 5 (容易) で評価。 PDF 集合は表構造性 1 (= 帯状図は OCR + 図形解析が必要)、 CSV は表構造性 5 (= pandas で即時)。 評価は本記事独自で、 公式評価尺度ではない。
  3. STEP 3: スコア比較 + 公開設計の解釈
    ZIP / CSV の平均スコアを比較し、 「PDF 集合は人間可読 / CSV は機械可読」 の 非対称性を量的に示す。 さらに「CSV があるからこそ全 14,463 PDF を機械的に 索引できる」 という非対称 2 層公開の利点も論じる。

実装

狙いと方法を踏まえた実装コードは以下の通り。 容量比は実測値、 5 軸スコアは 本記事独自の評価。

{code(sec6_code)}

結果と読み取り

(a) リソース容量比較 + 機械可読性 5 軸 (図 7)

なぜこの図か: 容量比 (左パネル, 対数軸) と機械可読性スコア (右パネル, 水平棒) を並置することで、 「サイズの非対称」 と「機械可読性の非対称」 が 同時並行している事実を 1 枚で示す。 棒グラフのみではなく対数軸 + スコア ヒートマップという 2 種類の表現を併用する理由は、 サイズ {ratio:.0f} 倍差を 線形で見ると CSV が消えてしまうため。

{figure("assets/L77_fig7_machine_readability.png", f"図 7: ZIP/CSV 容量比較 + 機械可読性 5 軸スコア")}

{df_to_html(T_machine)}

{df_to_html(T_overall)}

図 7 / 表から読み取れること:

(b) 公開設計の解釈 (本記事の見立て)

なぜこの解釈か: 数字だけでは見えない「非対称公開の意義」を、 学習者 が今後似たデータを扱う際の判断基準として整理する。

視点ZIP (PDF 本体)CSV (関係資料)
主目的 道路法上の法定図面の電子保管 PDF へのインデックス (索引) + 位置情報
主想定利用者 道路管理者 / 工事業者 / 占用申請者 (個別路線の現場確認) 研究者 / 学習者 / 開発者 (機械的索引・統計・空間結合)
強み 原本の完全情報 (図形 + 凡例 + 寸法) 容量小さい + 機械可読 + 1 ファイル
弱み 機械的解析不可 (1.1GB の PDF 集合) 図形・幅員・横断構成等の中身は無し
本記事の活用 取得しない (教材外) RQ1〜RQ3 すべての主データ

解釈から読み取れること:

""" # ----- セクション 7: 仮説検証総合 ----- sec7 = f"""

仮説検証総合表

{df_to_html(T_hyp)}

結果の総合解釈

3 RQ × 5 仮説の検証結果から、 広島県の道路情報公開戦略について以下の 3 つの実証的知見が得られた:

  1. (RQ1 — データ構造) 国道優先公開の階層構造
    路線種別の図郭シェア vs 路線シェアの不一致 (国道 路線 {share_kokudo_route}% / 図郭 {share_kokudo_fig}%) と、 路線あたり図郭密度の明確な階層 ({density_kokudo} / {density_shuyo} / {density_kendo}) は、 県の道路情報 公開が「路線種 = 整備優先度 = 図郭密度」 という3 重の階層構造に 従っている物理的証拠。 H1, H2 ともに支持。
  2. (RQ2 — L72 照合) 防災重要路線優先公開の量的証明
    道路台帳付図の{share_near_all}%が L72 緊急輸送道路 1km 圏内に位置し、 路線種別の重なり率は国道 {rate_kokudo}% > 主要 {rate_shuyo}% > 県道 {rate_kendo}%と階層的。 県の道路情報オープンデータ戦略と防災計画 は事実上一体運用されている制度横断的整備の物理的証拠。 H3, H4 ともに支持される結果。
  3. (RQ3 — 公開設計) 非対称 2 層公開の構造
    ZIP 本体 ({ZIP_BYTES/1024**3:.2f} GB) と CSV 関係資料 ({CSV_BYTES/1024**2:.2f} MB) の容量比 {ratio:.0f} 倍、 機械可読層は本体の{share_csv_pct}% のみ。 これは「人間可読本体 + 機械可読インデックス」 の意図的非対称設計 で、 利用者層別に最適化された公開戦略。 H5 支持。

3 RQ を統合した「県道路情報公開」 の見立て

RQ1 〜 RQ3 を統合すると、 広島県の道路情報公開戦略は「3 重の選択的公開」 として描ける: (1) 路線種で選別 (国道優先で図郭密度を高く)、 (2) 防災で連携 (L72 重要路線と 連動)、 (3) 形式で分離 (人間可読 PDF + 機械可読 CSV の非対称 2 層)。 これは 単なる「道路情報のオープンデータ化」 ではなく、 「行政が利用者層を意識して 階層的に設計した公開戦略」であり、 オープンガバメント研究の対象として 価値がある。

""" # ----- セクション 8: 発展課題 ----- sec8 = f"""

結果から導かれる新たな問い

発展課題 1: PDF 中身の機械解析 — 横断構成の自動抽出

結果 X: RQ3 で示した通り、 関係資料 CSV は位置 + メタのみで、 道路の幅員・横断構成・占用物件等の中身は PDF にしか記録されていない (機械可読性スコア 1)。
新仮説 Y: 14,463 PDF に対しOCR + 帯状図の図形認識を適用すれば、 県管理道路の幅員分布・路肩比率・歩道整備率等の横断構成統計を自動抽出 できる。 仮説: 国道は歩道整備率が一般県道より有意に高い。
課題 Z: (1) 14,463 PDF を pdfplumber で 1 枚ずつテキスト化 + 帯状図領域の自動検出。 (2) 図形要素の塗り分けから車線幅・歩道幅を抽出する 画像認識モデルを訓練。 (3) 県内全路線の横断構成統計を生成し、 路線種別比較 分析 + 整備格差の可視化。 サンプリングで 100 PDF だけで予備分析するのが 現実的。

発展課題 2: 図郭中心点の代表性検証 — 1 図郭が表す距離の推定

結果 X: RQ1 / RQ2 では「図郭中心点」 1 点で 1 図郭を表したが、 実際は 数百メートルの帯状区間を 1 PDF で記録している (路線種により 200〜500m 程度)。 路線あたり図郭数 ({density_kokudo} / {density_shuyo} / {density_kendo}) と 路線延長の関係は明らかになっていない。
新仮説 Y: 国道の路線あたり図郭密度が高い ({density_kokudo} 図郭/路線) のは 路線が長いからか、 1 図郭あたり距離が短い (= 詳細図化) からか? 仮説: 国道は路線延長が長いことが主因で、 1 図郭あたり距離は路線種によらず ほぼ一定 (~500m)。
課題 Z: (1) 全路線の連続する図郭の緯度経度間距離を計算 (= 隣接 図郭間の中心距離)。 (2) 路線種別に「1 図郭あたり平均距離」 を集計。 (3) 国道 432 号 (237 図郭) など特定路線で図郭順序 + 累積距離を可視化し、 1 PDF が表す典型距離を推定。 (4) 路線あたり総距離 (= 図郭数 × 1 図郭距離) の路線種 別差を統計検定。

発展課題 3: 道路台帳付図の経年比較 — 整備事業の時系列追跡

結果 X: 本記事は 2023-11-22 時点の道路台帳付図データを扱った。 道路台帳 は道路法上 5 年ごとの更新義務があり、 整備事業 (拡幅 / 新設 / 廃止) があれ ば次の更新で図郭が変わる。
新仮説 Y: DoBoX が今後数年に渡って道路台帳付図を更新公開すれば、 図郭追加 / 削除 / 更新を時系列で追跡することで、 県の整備優先路線が 特定できる。 仮説: 整備事業はL72 緊急輸送道路 + 中山間山地に偏在する。
課題 Z: (1) DoBoX が次回データセットを更新したら、 関係資料 CSV を新旧 比較 (路線×図番のキーで結合)。 (2) 追加 / 削除 / 緯度経度変更を分類集計。 (3) 整備 事業の地理偏在を市町別マップで可視化、 L72 重なり率と相関分析。 1 年〜2 年の スパンで継続的に観測する縦断研究。

発展課題 4: 路線種境界の検証 — 国道と主要地方道の重複区間

結果 X: RQ1 で国道 432 号は4 つの管理事務所にまたがるという 組織横断的事実を発見した。 一方、 国道と主要地方道は重複指定 (= 同じ 道路区間が 2 つの路線種に属す) があるとされる。
新仮説 Y: 道路台帳付図 14,463 図郭の緯度経度に363 件の重複がある (検出済) のは、 D 系 (詳細図) が N 系 (基本図) と同じ場所を別解像度で記録する ためだけでなく、 路線種重複指定も部分的原因か?
課題 Z: (1) 緯度経度重複 363 行を抽出し、 路線種ペアで集計。 (2) 同一座標 で「国道+主要地方道」 の組合せが何件あるか確認。 (3) 路線重複の地理分布マップ + 路線種境界の制度的曖昧さの量的記述。

発展課題 5: CSV メタの充実度評価 — 他県オープンデータとの比較

結果 X: RQ3 で広島県の道路台帳付図は位置 + 路線メタ + 管理事務所 の 9 列で公開されている。 他県 (例: 静岡県・岡山県) の同種データはどんな列を 公開しているか?
新仮説 Y: 他都道府県の道路台帳オープンデータと比較すると、 広島県は 機械可読層の充実度が中程度で、 「幅員」 「種別 (一般/自専)」 「整備年度」 等を追加すれば機械可読性スコアが大幅に向上する余地がある。
課題 Z: (1) 静岡県・岡山県・福岡県・東京都等の道路台帳オープンデータ ページを調査、 公開列を比較表化。 (2) 機械可読性 5 軸を全県で再評価。 (3) 広島県に追加すべき列の具体提案を、 制度的可能性と技術的容易性の 2 軸で 整理。

""" # ----- セクション組み立て ----- sections = [ ("学習目標と問い", sec1), ("使用データ", sec2), ("ダウンロード", sec3), ("【RQ1】データ構造研究 — 路線×事務所×図番の 4 軸", sec4), ("【RQ2】L72 緊急輸送道路との照合研究 — 重要路線優先公開", sec5), ("【RQ3】データ公開設計研究 — 機械可読性の非対称評価", sec6), ("仮説検証総合", sec7), ("発展課題", sec8), ] html = render_lesson( num=77, title="L77 道路台帳付図 単独 3 研究例分析", tags=["道路", "GIS", "オープンデータ", "公開設計", "L72連携"], time="35〜50 分", level="リテラシ〜中級", data_label=(f'道路台帳付図 (1 dataset / 2 リソース) — ' f'{n_pts:,} 図郭 / {n_routes} 路線'), sections=sections, script_filename="L77_road_register.py", ) OUT_HTML = LESSONS / "L77_road_register.html" OUT_HTML.write_text(html, encoding="utf-8") print(f" HTML 出力: {OUT_HTML}", flush=True) print(f" ({time.time()-t10:.1f}s)", flush=True) # ============================================================================= # 11. 完了 # ============================================================================= print(f"\n=== L77 完了: {time.time()-t_all:.1f}s ===", flush=True) print(f" CSV (中間): {len(list(ASSETS.glob('L77_*.csv')))} ファイル", flush=True) print(f" PNG (図): {len(list(ASSETS.glob('L77_*.png')))} ファイル", flush=True) print(f" HTML: {OUT_HTML}", flush=True)