# -*- coding: utf-8 -*- """L78 ダム基本情報・維持管理情報 単独 3 研究例分析 — 広島県管理 12 ダム / 7 水系 / 6 完成年代を 3 角度で深掘り カバー宣言: 本記事は DoBoX のシリーズ「ダム基本情報・維持管理情報」 1 件 (dataset_id = 21) を 単独で取り上げ、 広島県が管理する 治水ダム 12 基を 3 つの独立した研究角度 (RQ1 / RQ2 / RQ3) で並列に分析する。 「県の最大水管理装置」 を構造・流域支配・老朽化の 3 軸から立体的に描く。 「ダム」 とは: 河川の流れを堰き止めて貯水する大規模構造物。河川管理者 (国・県・市町・ 電力会社) が建設する公共土木施設で、 治水 (洪水調節) ・利水 (飲料水・農業 用水・工業用水) ・発電の 3 大目的を持つ。 河川法第 26 条の河川区域内 工作物として位置付けられ、 堤体の型式 (= 構造分類: 重力式コンクリート / アーチ式 / フィル / ロックフィル等) が安全性・コスト・地盤適合性を規定する。 本データは広島県が管理する治水ダム 12 基のみを収録 (= 県管理。 国管理の 弥栄ダム等や中国電力管理の発電ダムは含まれない)。 本記事は L07 (河川浸水 × 4 種インフラ) / L31 (観測情報 5 種類) / S39 (ダム基本情報 12 基台帳俯瞰) と厳密に区別: L07 = 浸水ハザードと4 種インフラ (橋梁/トンネル/ダム/ため池) の 交差判定。 ダムは「14 件中 0 件浸水」 という単純判定で扱われる。 L31 = 観測情報 5 種類 (雨量/水位/ダム水位/潮位/風) の観測網 分析。 「ダム水位」 観測点は扱うが、 ダム本体の構造は扱わない。 S39 = ダム基本情報の3 図 + 4 集計の台帳俯瞰。 完成年代・水系・診断 結果の単純集計に留まる。 本記事の前段に位置付けられる入門編。 L78 = ダム単独の研究水準深掘り。 7 図 + 11 表 + 5 仮説検証で 「構造」 「流域支配」 「老朽化」 の 3 RQ を並列に解く。 L78 は S39 を超える深さを 3 RQ × 5 仮説 × 11 表 × 7 図で実現する。 研究の問い (3 RQ): RQ1 (主研究): 広島県のダムの構造 — 型式・規模・地理分布はどう描けるか? 12 基を 型式 / 堤高 / 堤頂長 / 堤体積 / 総貯水容量 / 集水面積 / 水系 / 完成年代 / 診断結果の 9 軸で集計し、 「県の最大水管理装置の物理形状」 を初めて系統的に記述する。 特に「型式は重力式コンクリート 1 種類しか採用されていない」 という 構造選択の偏りを量的に示す。 H1 = 県管理ダムは型式 100% が 重力式コンクリート仮説、 H2 = 堤高は30-80m 帯に集中仮説。 RQ2 (副研究 1): ダムの流域支配 — 上流集水と下流被災ポテンシャルはどう描けるか? 集水面積 (km²) ・総貯水容量 (千 m³) ・有効貯水容量比から、 各ダムが 「どれだけの上流流域を支配し、 どれだけの水を貯められるか」 を量化、 本記事独自の指標「貯水深 (容量 / 集水面積)」 「容量充填率 (有効/総)」 「単位集水面積あたり貯水容量」を導入し、 12 基をランキングする。 下流被災ポテンシャルは「下流人口・建物数」 が公開データに含まれないため、 市町別の存在と周辺の人口集中地区 (DID) 距離で代用する。 H3 = 容量/集水面積比 (= 貯水深) で魚切ダムが県内 Top 3仮説、 H4 = 「集水面積 vs 総貯水容量」 は両対数でr >= 0.7の強相関仮説。 RQ3 (副研究 2): ダムの老朽化と更新ピーク — 1960-70s ダムの再評価は どう描けるか? 完成年月 (S39.6 〜 H28.8 = 1964 〜 2016) から経過年を計算し、 築 50 年以上 (= 1974 年以前)の老朽ダムを抽出。 国のインフラ長寿命化 基本計画 (2014)が想定する更新ピーク到来の実態を、 12 基という小さな母集団 でも個体名で語れる粒度で描く。 H5 = 築 50 年以上が3 基以上かつ それらは S30-40 年代 (1955-74) の高度成長期初期に集中する仮説。 仮説 (5): H1 (RQ1, 型式単一): 県管理ダム 12 基は型式 100% が重力式コンクリート。 他の型式 (アーチ・フィル・ロックフィル) は0 件。 これは広島県の地盤・ 地形・コスト条件下では重力式が最適選択であり続けた制度的選択仮説。 H2 (RQ1, 堤高集中): 堤高は30-80m 帯に 10 基以上が集中。 100m 超の超高ダムは無く、 30m 未満の小規模ダムも無い。 これは「県管理ダム は治水中規模帯」 という規模クラスタの単一性仮説。 H3 (RQ2, 貯水深 Top 3): 貯水深 (= 総貯水容量 ÷ 集水面積) で魚切ダムが 県内 Top 3。 集水面積 38.4 km² から 8,460 千 m³ を貯める設計は、 他ダムより単位集水面積あたり貯水量が多い = 大都市直下流の治水・ 利水ダムとしての過剰設計の物理的証拠仮説。 H4 (RQ2, 集水 ↔ 容量 強相関): 集水面積 (km²) と総貯水容量 (千 m³) の 両対数 Pearson r >= 0.7。 大流域ほど大容量という直観の量的検証。 強相関なら「流域 = 容量決定要因」、 弱相関なら「設計目的 (治水/利水) が容量を決める」 という対立構造の仮説。 H5 (RQ3, 老朽集中): 築 50 年以上 (= 1974 年以前架設) のダムが3 基以上。 それらは S30-40 年代 (1955-74) の高度成長期初期に集中する。 国のインフラ長寿命化基本計画 (2014)が想定する更新ピーク (= 2030 年代) が県管理ダムにも到達することを実データで示す仮説。 要件 S 準拠 (1 分以内完走): - 全データ 12 件 / 21 列 → 超軽量 - POINT geometry のみ (緯度経度から直接生成) → sjoin 高速 - 重い前処理は無し。本スクリプト 1 本で完結 (~10 秒目標) - L44 既キャッシュ admin_diss.gpkg (市町 polygon) を再利用 要件 T 準拠 (位置情報あり = 地図必須): - RQ1: 県全域 型式 + 規模バブルマップ、 水系別色分けマップ - RQ2: 集水面積 vs 総貯水容量 散布図 + 流域支配バブルマップ - RQ3: 完成年代 timeline + 老朽ダム強調マップ 要件 Q 準拠: 図 7 / 表 11 (3 RQ × 多角度: 構造 / 流域 / 老朽化) データ仕様: - dataset 21: ダム基本情報・維持管理情報 (CSV) - 形式: CSV (UTF-8 BOM), 12 行 × 21 列 - 列: ダムコード, 建設(支)局コード, 分類, 水系名, 河川名, 施設区分, ダム名, 管理者, 都道府県, 位置, 緯度, 経度, 完成年月, 集水面積_km2, 堤体積_千m3, 総貯水容量_千m3, 有効貯水容量_千m3, 型式, 堤高_m, 堤頂長_m, 診断結果 - 全件 河川法上の河川ダム / 治水ダム区分 - 全件 管理者 = 広島県 (国/電力会社管理ダムは含まれない) - 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, re 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 from shapely.geometry import Point import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t_all = time.time() print("=== L78 ダム基本情報・維持管理情報 単独 3 研究例分析 ===", flush=True) # ============================================================================= # 0. 定数・パス # ============================================================================= TARGET_CRS = "EPSG:6671" # 平面直角第 III 系 (m 単位、 距離計算で正確) DATASET_ID = 21 SRC_CSV = ROOT / "data" / "extras" / "dam_basic.csv" # 行政界キャッシュ (L44 から共有) ADMIN_GPKG = ROOT / "data" / "extras" / "L44_storm_surge" / "_cache" / "admin_diss.gpkg" # 老朽閾値 (本記事独自) OLD_THRESHOLD_YEARS = 50 # 築 50 年以上 = 老朽 NOW_YEAR = 2024 # 解析基準年 (執筆時点 + 1 年) # 水系の表示色 (S39 と統一) WS_COLORS = { "小瀬川": "#0969da", "沼田川": "#1f883d", "野呂川": "#bf8700", "八幡川": "#cf222e", "芦田川": "#8250df", "賀茂川": "#d4a72c", "江の川": "#1b6c8c", } # 完成年代のバンド色 (古いほど赤系) ERA_COLORS = { "1960年代": "#cf222e", # 高度成長期初期 = 赤 "1970年代": "#cf6f00", # 同期後期 = 橙 "1980年代": "#bf8700", # = 黄 "1990年代": "#1a7f37", # 平成初期 = 緑 "2000年代": "#0969da", # 平成中期 = 青 "2010年代": "#8250df", # 平成末〜令和 = 紫 } ERA_ORDER = ["1960年代", "1970年代", "1980年代", "1990年代", "2000年代", "2010年代"] # 規模クラス境界 (本記事独自) def size_class(v_kk_m3): """総貯水容量 (千 m³) → 規模クラス""" if pd.isna(v_kk_m3): return "(不明)" if v_kk_m3 >= 8000: return "大 (>=8000 千 m³)" if v_kk_m3 >= 1500: return "中 (1500-8000 千 m³)" return "小 (<1500 千 m³)" # 元号 → 西暦変換 (S39.6 → (1964, 6), H21.10 → (2009, 10)) ERA_RE = re.compile(r"^([SH])(\d+)\.(\d+)$") SHOWA_BASE = 1925 # S 元年 = 1926, S39 = 1964 HEISEI_BASE = 1988 # H 元年 = 1989, H21 = 2009 def parse_era(s): m = ERA_RE.match(str(s).strip()) if not m: return None, None g, yy, mm = m.groups() yy, mm = int(yy), int(mm) if g == "S": year = SHOWA_BASE + yy elif g == "H": year = HEISEI_BASE + yy else: return None, None decade = f"{(year // 10) * 10}年代" return year, decade # ============================================================================= # 1. データ読込み # ============================================================================= print("\n[1] CSV 読込み", flush=True) t1 = time.time() df = pd.read_csv(SRC_CSV, encoding="utf-8-sig") df = df.dropna(subset=["ダム名"]).reset_index(drop=True) df = df[df["ダム名"].astype(str).str.strip() != ""].reset_index(drop=True) print(f" ダム件数: {len(df)}", flush=True) assert len(df) == 12, f"想定 12 件、 実際 {len(df)} 件" # 数値列の型変換 for c in ["緯度", "経度", "集水面積_km2", "堤体積_千m3", "総貯水容量_千m3", "有効貯水容量_千m3", "堤高_m", "堤頂長_m"]: df[c] = pd.to_numeric(df[c], errors="coerce") # 派生列 _eras = df["完成年月"].map(parse_era).tolist() df["完成西暦"] = pd.Series([t[0] for t in _eras], dtype="Int64") df["完成年代"] = [t[1] for t in _eras] df["経過年"] = NOW_YEAR - df["完成西暦"].astype(float) df["規模クラス"] = df["総貯水容量_千m3"].map(size_class) df["is_old"] = df["経過年"] >= OLD_THRESHOLD_YEARS # 流域支配指標 (本記事独自) df["貯水深_mm"] = (df["総貯水容量_千m3"] * 1000.0 / (df["集水面積_km2"] * 1_000_000.0)) * 1000.0 # = 総貯水容量 (m³) / 集水面積 (m²) を mm に変換 # = 「集水面積全体に均等に水深 X mm 分の貯水ができる」 という直感量 df["容量充填率"] = (df["有効貯水容量_千m3"] / df["総貯水容量_千m3"] * 100).round(1) df["延べ堤体積指標"] = (df["堤体積_千m3"] * 1.0 / (df["堤高_m"] * df["堤頂長_m"]) * 1000) # = 堤体積 (m³) / (堤高 × 堤頂長) → 堤体厚みの代理指標 (m) # 単位集水面積あたり貯水容量 (1km² あたり何千 m³ を貯められるか) df["容量集水比"] = (df["総貯水容量_千m3"] / df["集水面積_km2"]).round(1) n_dams = len(df) print(f" ({time.time()-t1:.2f}s)", flush=True) # ============================================================================= # 2. GeoDataFrame 化 # ============================================================================= print("\n[2] GeoDataFrame 化", flush=True) t2 = time.time() 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) print(f" ({time.time()-t2:.2f}s)", flush=True) # ============================================================================= # 3. 行政界 sjoin (市町判定) # ============================================================================= print("\n[3] 行政界 sjoin", flush=True) t3 = time.time() admin = gpd.read_file(ADMIN_GPKG).to_crs(TARGET_CRS) # CITY_CD → 市町名 (L77 から借用) CITY_NAME = { 101: "広島市中区", 102: "広島市東区", 103: "広島市南区", 104: "広島市西区", 105: "広島市安佐南区", 106: "広島市安佐北区", 107: "広島市安芸区", 108: "広島市佐伯区", 202: "呉市", 203: "竹原市", 204: "三原市", 205: "尾道市", 207: "福山市", 208: "府中市", 209: "三次市", 210: "庄原市", 211: "大竹市", 212: "東広島市", 213: "廿日市市", 214: "安芸高田市", 215: "江田島市", 302: "府中町", 304: "海田町", 307: "熊野町", 309: "坂町", 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", } admin["市町名"] = admin["CITY_CD"].map(CITY_NAME).fillna( admin["CITY_CD"].astype(str)) # CSV の「位置」 列をそのまま使うが、 空間判定で補強 gdf["seg_id"] = [f"L78_{i:02d}" for i in range(len(gdf))] joined = gpd.sjoin(gdf[["seg_id", "geometry"]], admin[["市町名", "geometry"]], how="left", predicate="within") joined = joined.drop_duplicates("seg_id") gdf["市町_空間"] = gdf["seg_id"].map( joined.set_index("seg_id")["市町名"]).fillna("不明") print(f" 市町 sjoin: 全 {n_dams} 件", f"不明 {(gdf['市町_空間']=='不明').sum()} 件", flush=True) print(f" ({time.time()-t3:.2f}s)", flush=True) # ============================================================================= # 4. RQ1 集計: 構造 (型式・規模・地理分布) # ============================================================================= print("\n[4] RQ1 集計 — 構造", flush=True) t4 = time.time() # (1) 型式別 T_form = (df.groupby("型式") .agg(基数=("ダム名", "count"), 堤高平均=("堤高_m", "mean"), 総貯水容量合計_千m3=("総貯水容量_千m3", "sum")) .round(1).reset_index()) T_form["シェア_%"] = (T_form["基数"] / n_dams * 100).round(1) T_form = T_form.sort_values("基数", ascending=False).reset_index(drop=True) n_gravity = int(T_form.loc[T_form["型式"] == "重力式コンクリート", "基数"].iloc[0]) \ if (T_form["型式"] == "重力式コンクリート").any() else 0 share_gravity = round(100 * n_gravity / n_dams, 1) h1_ok = share_gravity == 100.0 # (2) 規模クラス別 T_size = (df.groupby("規模クラス") .agg(基数=("ダム名", "count"), 堤高平均=("堤高_m", "mean"), 堤頂長平均=("堤頂長_m", "mean"), 総貯水容量合計_千m3=("総貯水容量_千m3", "sum")) .round(1).reset_index()) T_size["シェア_%"] = (T_size["基数"] / n_dams * 100).round(1) size_order = ["大 (>=8000 千 m³)", "中 (1500-8000 千 m³)", "小 (<1500 千 m³)"] T_size["順"] = T_size["規模クラス"].apply( lambda x: size_order.index(x) if x in size_order else 99) T_size = T_size.sort_values("順").drop(columns="順").reset_index(drop=True) # (3) 堤高ビン別 height_bins = [0, 30, 50, 80, 100] height_labels = ["~30m", "30-50m", "50-80m", "80m+"] df["堤高帯"] = pd.cut(df["堤高_m"], bins=height_bins, labels=height_labels, include_lowest=True) T_height = (df.groupby("堤高帯", observed=False) .agg(基数=("ダム名", "count")).reset_index()) T_height["シェア_%"] = (T_height["基数"] / n_dams * 100).round(1) n_30_80 = int(T_height.loc[T_height["堤高帯"].isin(["30-50m", "50-80m"]), "基数"].sum()) h2_ok = n_30_80 >= 10 # (4) 水系別 T_water = (df.groupby("水系名") .agg(基数=("ダム名", "count"), 総貯水容量合計_千m3=("総貯水容量_千m3", "sum"), 集水面積合計_km2=("集水面積_km2", "sum")) .round(1).reset_index()) T_water["シェア_%"] = (T_water["基数"] / n_dams * 100).round(1) T_water = T_water.sort_values("基数", ascending=False).reset_index(drop=True) # (5) 市町別 (空間 sjoin 結果) T_city = (gdf.groupby("市町_空間") .agg(基数=("ダム名", "count"), 総貯水容量合計_千m3=("総貯水容量_千m3", "sum"), 代表ダム=("ダム名", lambda s: "・".join(s.tolist()))) .reset_index()) T_city = T_city.sort_values("基数", ascending=False).reset_index(drop=True) print(f" 型式: {n_gravity}/12 が重力式コンクリート ({share_gravity}%)", flush=True) print(f" 堤高 30-80m: {n_30_80}/12 ({round(100*n_30_80/n_dams,1)}%)", flush=True) print(f" H1 (型式 100% 重力式): {h1_ok}", flush=True) print(f" H2 (堤高 30-80m に 10+ 基): {h2_ok}", flush=True) print(f" ({time.time()-t4:.2f}s)", flush=True) # ============================================================================= # 5. RQ2 集計: 流域支配 (集水面積・容量・貯水深) # ============================================================================= print("\n[5] RQ2 集計 — 流域支配", flush=True) t5 = time.time() # (1) 集水面積 vs 総貯水容量 の Pearson 相関 (両対数) mask_pos = (df["集水面積_km2"] > 0) & (df["総貯水容量_千m3"] > 0) log_a = np.log10(df.loc[mask_pos, "集水面積_km2"].astype(float)) log_v = np.log10(df.loc[mask_pos, "総貯水容量_千m3"].astype(float)) r_log = float(np.corrcoef(log_a, log_v)[0, 1]) # 線形回帰 (log-log の傾き) — べき乗則の指数 slope, intercept = np.polyfit(log_a, log_v, 1) r2 = r_log ** 2 h4_ok = r_log >= 0.7 # (2) 流域支配ランキング (貯水深 = 容量/集水面積) T_dom = df[["ダム名", "水系名", "集水面積_km2", "総貯水容量_千m3", "有効貯水容量_千m3", "容量集水比", "貯水深_mm", "容量充填率", "完成年代"]].copy() # 市町は gdf から merge T_dom = T_dom.merge( gdf[["ダム名", "市町_空間"]].drop_duplicates("ダム名"), on="ダム名", how="left") T_dom = T_dom.sort_values("貯水深_mm", ascending=False).reset_index(drop=True) T_dom = T_dom.round({"貯水深_mm": 0, "容量集水比": 1, "容量充填率": 1, "集水面積_km2": 2, "総貯水容量_千m3": 0, "有効貯水容量_千m3": 0}) # 魚切ダムの貯水深ランク fish_rank = int(T_dom.index[T_dom["ダム名"] == "魚切ダム"].tolist()[0]) + 1 fish_depth = float(T_dom.loc[T_dom["ダム名"] == "魚切ダム", "貯水深_mm"].iloc[0]) h3_ok = fish_rank <= 3 # (3) 容量充填率の分布 T_filling = df[["ダム名", "総貯水容量_千m3", "有効貯水容量_千m3", "容量充填率"]].copy() T_filling = T_filling.sort_values("容量充填率", ascending=False).reset_index(drop=True) # (4) 集水面積 × 容量 ジョイント分布要約 T_watershed = pd.DataFrame([ {"統計": "集水面積 平均 (km²)", "値": round(df["集水面積_km2"].mean(), 2)}, {"統計": "集水面積 中央 (km²)", "値": round(df["集水面積_km2"].median(), 2)}, {"統計": "集水面積 最大 (km²)", "値": round(df["集水面積_km2"].max(), 2)}, {"統計": "集水面積 最小 (km²)", "値": round(df["集水面積_km2"].min(), 2)}, {"統計": "総貯水容量 合計 (千 m³)", "値": int(df["総貯水容量_千m3"].sum())}, {"統計": "総貯水容量 平均 (千 m³)", "値": int(df["総貯水容量_千m3"].mean())}, {"統計": "総貯水容量 中央 (千 m³)", "値": int(df["総貯水容量_千m3"].median())}, {"統計": "総貯水容量 最大 (千 m³)", "値": int(df["総貯水容量_千m3"].max())}, {"統計": "総貯水容量 最小 (千 m³)", "値": int(df["総貯水容量_千m3"].min())}, {"統計": "log-log Pearson r (集水 vs 容量)", "値": round(r_log, 3)}, {"統計": "log-log 傾き (べき乗則指数)", "値": round(slope, 3)}, {"統計": "決定係数 R²", "値": round(r2, 3)}, ]) print(f" log-log Pearson r = {r_log:.3f}", flush=True) print(f" log-log slope = {slope:.3f}", flush=True) print(f" 魚切ダム 貯水深ランク: {fish_rank}/{n_dams} " f"({fish_depth:.0f} mm)", flush=True) print(f" H3 (魚切ダム 貯水深 Top3): {h3_ok}", flush=True) print(f" H4 (log-log r >= 0.7): {h4_ok}", flush=True) print(f" ({time.time()-t5:.2f}s)", flush=True) # ============================================================================= # 6. RQ3 集計: 老朽化と更新ピーク # ============================================================================= print("\n[6] RQ3 集計 — 老朽化", flush=True) t6 = time.time() # (1) 完成年代別 T_era = (df.groupby("完成年代") .agg(基数=("ダム名", "count"), 総貯水容量合計_千m3=("総貯水容量_千m3", "sum"), 平均堤高=("堤高_m", "mean"), 代表ダム=("ダム名", lambda s: "・".join(s.tolist()))) .round(1).reset_index()) T_era["シェア_%"] = (T_era["基数"] / n_dams * 100).round(1) T_era["順"] = T_era["完成年代"].apply( lambda x: ERA_ORDER.index(x) if x in ERA_ORDER else 99) T_era = T_era.sort_values("順").drop(columns="順").reset_index(drop=True) # (2) 老朽ダム抽出 (築 50 年以上) T_old = df[df["is_old"]][[ "ダム名", "水系名", "完成年月", "完成西暦", "経過年", "堤高_m", "総貯水容量_千m3", "診断結果" ]].copy() T_old = T_old.sort_values("完成西暦").reset_index(drop=True) T_old["経過年"] = T_old["経過年"].astype(int) T_old["完成西暦"] = T_old["完成西暦"].astype(int) n_old = len(T_old) h5_ok = n_old >= 3 and all(1955 <= y <= 1974 for y in T_old["完成西暦"]) # (3) 更新ピーク予測 (本記事独自指標) # 国の長寿命化計画は「築 60 年で大規模更新」 を標準想定 # → 各ダムの「次回更新年」 = 完成西暦 + 60 RENEWAL_LIFE = 60 df["次回更新年"] = df["完成西暦"].astype(float) + RENEWAL_LIFE T_renewal = (df.groupby(pd.cut(df["次回更新年"], bins=[2010, 2030, 2050, 2070, 2090], labels=["2010s-2020s", "2030s-2040s", "2050s-2060s", "2070s-2080s"]), observed=True) .agg(基数=("ダム名", "count"), 総貯水容量合計_千m3=("総貯水容量_千m3", "sum"), 代表ダム=("ダム名", lambda s: "・".join(s.tolist()))) .reset_index()) T_renewal = T_renewal.rename(columns={"次回更新年": "更新ピーク帯"}) # (4) 診断結果別 T_diag = (df.groupby("診断結果") .agg(基数=("ダム名", "count"), 平均経過年=("経過年", "mean"), 該当ダム=("ダム名", lambda s: "・".join(s.tolist()))) .round(1).reset_index()) T_diag["シェア_%"] = (T_diag["基数"] / n_dams * 100).round(1) T_diag = T_diag.sort_values("基数", ascending=False).reset_index(drop=True) print(f" 築 50 年以上: {n_old}/{n_dams} 基", flush=True) print(f" H5 (老朽 3+ 基 かつ S30-40 年代): {h5_ok}", flush=True) print(f" ({time.time()-t6:.2f}s)", flush=True) # ============================================================================= # 7. CSV 出力 # ============================================================================= print("\n[7] CSV 出力", flush=True) t7 = time.time() OUT_OVERVIEW = ASSETS / "L78_dam_overview.csv" gdf.drop(columns=["geometry"]).to_csv(OUT_OVERVIEW, index=False, encoding="utf-8-sig") T_form.to_csv(ASSETS / "L78_form_summary.csv", index=False, encoding="utf-8-sig") T_size.to_csv(ASSETS / "L78_size_summary.csv", index=False, encoding="utf-8-sig") T_height.to_csv(ASSETS / "L78_height_summary.csv", index=False, encoding="utf-8-sig") T_water.to_csv(ASSETS / "L78_watershed_summary.csv", index=False, encoding="utf-8-sig") T_city.to_csv(ASSETS / "L78_city_summary.csv", index=False, encoding="utf-8-sig") T_dom.to_csv(ASSETS / "L78_dominance_ranking.csv", index=False, encoding="utf-8-sig") T_filling.to_csv(ASSETS / "L78_filling_ratio.csv", index=False, encoding="utf-8-sig") T_watershed.to_csv(ASSETS / "L78_watershed_stats.csv", index=False, encoding="utf-8-sig") T_era.to_csv(ASSETS / "L78_era_summary.csv", index=False, encoding="utf-8-sig") T_old.to_csv(ASSETS / "L78_old_dams.csv", index=False, encoding="utf-8-sig") T_renewal.to_csv(ASSETS / "L78_renewal_peak.csv", index=False, encoding="utf-8-sig") T_diag.to_csv(ASSETS / "L78_diagnosis_summary.csv", index=False, encoding="utf-8-sig") print(f" ({time.time()-t7:.2f}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): 12 ダム 配置マップ — 水系×規模バブル ---- print(" fig1: 配置マップ", flush=True) fig, ax = plt.subplots(figsize=(13, 8)) admin.plot(ax=ax, color="#fff8e8", edgecolor="#888", linewidth=0.4, alpha=0.55) for ws, sub in gdf.groupby("水系名"): sub.plot(ax=ax, color=WS_COLORS.get(ws, "#888"), markersize=sub["総貯水容量_千m3"].fillna(500) * 0.025 + 60, edgecolor="#222", linewidth=1.0, alpha=0.85, label=f"{ws} 水系 ({len(sub)} 基)", zorder=4) # ダム名 ラベル for _, r in gdf.iterrows(): ax.annotate(f"{r['ダム名']}\n[{r['診断結果']}]", (r.geometry.x, r.geometry.y), xytext=(8, 5), textcoords="offset points", fontsize=8.5, color="#333", fontweight=("bold" if r["診断結果"] == "B2" else "normal")) # B2 ダムを赤丸で強調 b2 = gdf[gdf["診断結果"] == "B2"] if len(b2) > 0: b2.plot(ax=ax, facecolor="none", edgecolor="#cf222e", linewidth=2.5, markersize=400, zorder=6, label="B2 判定 (要対策)") ax.set_xlim(XMIN, XMAX) ax.set_ylim(YMIN, YMAX) ax.set_aspect("equal") ax.set_title(f"図 1 (RQ1): 県管理ダム {n_dams} 基の地理配置 — " f"円サイズ = 総貯水容量、 色 = 水系", fontsize=11) ax.set_xlabel("X (m, EPSG:6671)") ax.set_ylabel("Y (m, EPSG:6671)") ax.legend(loc="lower left", fontsize=9, title="水系", framealpha=0.95) ax.grid(True, linestyle="--", alpha=0.3) plt.tight_layout() save_fig("L78_fig1_dam_map.png") # ---- 図 2 (RQ1): 型式 + 堤高 + 規模 3 panels ---- print(" fig2: 型式 + 堤高 + 規模", flush=True) fig, axes = plt.subplots(1, 3, figsize=(17, 5.5)) # 左: 型式別 円グラフ ax = axes[0] form_counts = T_form.set_index("型式")["基数"] ax.pie(form_counts.values, labels=[f"{f}\n({c} 基)" for f, c in form_counts.items()], colors=["#0969da"], autopct="%d%%", startangle=90, textprops={"fontsize": 11}, wedgeprops={"edgecolor": "#222", "linewidth": 1.5}) ax.set_title(f"型式別 基数比率 — 100% 重力式コンクリート", fontsize=11) # 中: 堤高ビン別 ax = axes[1] xs = np.arange(len(height_labels)) counts_h = [int(T_height.loc[T_height["堤高帯"] == h, "基数"].iloc[0]) if (T_height["堤高帯"] == h).any() else 0 for h in height_labels] bars = ax.bar(xs, counts_h, color="#0969da", edgecolor="#222", linewidth=0.6) for x, v in zip(xs, counts_h): ax.text(x, v + 0.15, str(v), ha="center", fontsize=12, fontweight="bold") ax.set_xticks(xs) ax.set_xticklabels(height_labels, fontsize=10) ax.set_ylabel("基数") ax.set_ylim(0, max(counts_h) * 1.25) ax.set_title(f"堤高帯別 基数 — 30-80m 帯に {n_30_80}/{n_dams} 基集中", fontsize=11) ax.grid(True, axis="y", alpha=0.3) # 右: 規模クラス ax = axes[2] size_xs = np.arange(len(size_order)) counts_s = [int(T_size.loc[T_size["規模クラス"] == s, "基数"].iloc[0]) if (T_size["規模クラス"] == s).any() else 0 for s in size_order] size_cols = ["#cf222e", "#cf6f00", "#1a7f37"] ax.bar(size_xs, counts_s, color=size_cols, edgecolor="#222", linewidth=0.6) for x, v in zip(size_xs, counts_s): if v > 0: ax.text(x, v + 0.15, f"{v}\n({100*v/n_dams:.1f}%)", ha="center", fontsize=10, fontweight="bold") ax.set_xticks(size_xs) ax.set_xticklabels([s.split(" ")[0] for s in size_order], fontsize=10) ax.set_ylabel("基数") ax.set_ylim(0, max(counts_s) * 1.35 if max(counts_s) > 0 else 1) ax.set_title("規模クラス別 基数 (総貯水容量で 3 区分)", fontsize=11) ax.grid(True, axis="y", alpha=0.3) fig.suptitle("図 2 (RQ1): 型式 × 堤高 × 規模 — 県管理ダムの構造プロファイル", fontsize=12.5, y=1.02) plt.tight_layout() save_fig("L78_fig2_structure.png") # ---- 図 3 (RQ2): 集水面積 vs 総貯水容量 (両対数 散布) ---- print(" fig3: 集水 vs 容量 散布", flush=True) fig, ax = plt.subplots(figsize=(11, 7.5)) for ws, sub in df.groupby("水系名"): ax.scatter(sub["集水面積_km2"], sub["総貯水容量_千m3"], s=sub["堤高_m"] * 4 + 60, c=WS_COLORS.get(ws, "#888"), edgecolor="#222", linewidth=0.8, alpha=0.85, label=f"{ws} 水系") for _, r in df.iterrows(): ax.annotate(r["ダム名"], (r["集水面積_km2"], r["総貯水容量_千m3"]), xytext=(7, 5), textcoords="offset points", fontsize=9, color="#333") # 回帰線 (両対数) log_a_arr = np.linspace(log_a.min() - 0.1, log_a.max() + 0.1, 50) log_v_pred = slope * log_a_arr + intercept ax.plot(10 ** log_a_arr, 10 ** log_v_pred, color="#cf222e", linestyle="--", linewidth=1.5, label=f"回帰: log V = {slope:.2f}·log A + {intercept:.2f}\n" f"(r = {r_log:.3f}, R² = {r2:.3f})") ax.set_xscale("log") ax.set_yscale("log") ax.set_xlabel("集水面積 (km²)", fontsize=11) ax.set_ylabel("総貯水容量 (千 m³)", fontsize=11) ax.set_title(f"図 3 (RQ2): 集水面積 × 総貯水容量 (両対数) — " f"r = {r_log:.3f}, べき乗指数 = {slope:.2f}", fontsize=11) ax.legend(loc="lower right", fontsize=9, framealpha=0.95) ax.grid(True, which="both", linestyle="--", alpha=0.3) plt.tight_layout() save_fig("L78_fig3_watershed_capacity.png") # ---- 図 4 (RQ2): 流域支配ランキング (貯水深 + 容量集水比) ---- print(" fig4: 流域支配ランキング", flush=True) fig, axes = plt.subplots(1, 2, figsize=(15, 6.5)) # 左: 貯水深 ランキング ax = axes[0] T_dom_sorted = T_dom.sort_values("貯水深_mm", ascending=True).reset_index(drop=True) ys = np.arange(len(T_dom_sorted)) labels_y = T_dom_sorted["ダム名"].tolist() vals = T_dom_sorted["貯水深_mm"].astype(float).tolist() cols = [WS_COLORS.get(w, "#888") for w in T_dom_sorted["水系名"].tolist()] ax.barh(ys, vals, color=cols, edgecolor="#222", linewidth=0.5) for y, v in zip(ys, vals): ax.text(v + max(vals) * 0.02, y, f"{int(v):,} mm", va="center", fontsize=9, fontweight="bold") # 魚切ダム 強調 for y, name in zip(ys, labels_y): if name == "魚切ダム": ax.barh(y, vals[y], facecolor="none", edgecolor="#cf222e", linewidth=2.5) ax.set_yticks(ys) ax.set_yticklabels(labels_y, fontsize=9.5) ax.set_xlabel("貯水深 (mm)") ax.set_title(f"貯水深 ランキング (= 総貯水容量 ÷ 集水面積)\n" f"魚切ダム = {fish_rank} 位 ({fish_depth:.0f} mm)", fontsize=10.5) ax.grid(True, axis="x", alpha=0.3) # 右: 容量充填率 (有効/総) ランキング ax = axes[1] T_fill_sorted = T_filling.sort_values("容量充填率", ascending=True).reset_index(drop=True) ys = np.arange(len(T_fill_sorted)) labels_y = T_fill_sorted["ダム名"].tolist() vals_f = T_fill_sorted["容量充填率"].astype(float).tolist() ax.barh(ys, vals_f, color="#1a7f37", edgecolor="#222", linewidth=0.5) for y, v in zip(ys, vals_f): ax.text(v + 0.5, y, f"{v}%", va="center", fontsize=9, fontweight="bold") ax.set_yticks(ys) ax.set_yticklabels(labels_y, fontsize=9.5) ax.set_xlabel("容量充填率 (= 有効貯水 / 総貯水, %)") ax.set_xlim(70, 100) ax.set_title(f"容量充填率 ランキング — " f"平均 {df['容量充填率'].mean():.1f}%", fontsize=10.5) ax.grid(True, axis="x", alpha=0.3) fig.suptitle("図 4 (RQ2): 流域支配指標ランキング (本記事独自指標)", fontsize=12.5, y=1.02) plt.tight_layout() save_fig("L78_fig4_dominance.png") # ---- 図 5 (RQ3): 完成年代分布 timeline ---- print(" fig5: 完成年代 timeline", flush=True) fig, axes = plt.subplots(1, 2, figsize=(15, 6)) # 左: 完成年代別 基数 ax = axes[0] era_xs = np.arange(len(ERA_ORDER)) counts_e = [int(T_era.loc[T_era["完成年代"] == e, "基数"].iloc[0]) if (T_era["完成年代"] == e).any() else 0 for e in ERA_ORDER] era_cols = [ERA_COLORS[e] for e in ERA_ORDER] ax.bar(era_xs, counts_e, color=era_cols, edgecolor="#222", linewidth=0.6) for x, v in zip(era_xs, counts_e): if v > 0: ax.text(x, v + 0.1, f"{v} 基", ha="center", fontsize=10, fontweight="bold") ax.set_xticks(era_xs) ax.set_xticklabels(ERA_ORDER, fontsize=9.5, rotation=20) ax.set_ylabel("基数") ax.set_ylim(0, max(counts_e) * 1.3 if max(counts_e) > 0 else 1) ax.set_title("完成年代別 基数分布", fontsize=11) ax.grid(True, axis="y", alpha=0.3) # 右: 完成西暦 timeline (個体散布) ax = axes[1] df_sorted = df.sort_values("完成西暦").reset_index(drop=True) xs = df_sorted["完成西暦"].astype(float).tolist() ys_v = df_sorted["総貯水容量_千m3"].astype(float).tolist() sizes = (df_sorted["堤高_m"].astype(float) * 4 + 50).tolist() cols_pt = [ERA_COLORS.get(e, "#888") for e in df_sorted["完成年代"].tolist()] ax.scatter(xs, ys_v, s=sizes, c=cols_pt, edgecolor="#222", linewidth=0.8, alpha=0.85) for x, y, name, age in zip(xs, ys_v, df_sorted["ダム名"].tolist(), df_sorted["経過年"].astype(int).tolist()): ax.annotate(f"{name}\n({int(x)}, 築 {age} 年)", (x, y), xytext=(6, 5), textcoords="offset points", fontsize=8.5, color="#333") # 老朽閾値線 (1974 = 築 50 年) ax.axvline(NOW_YEAR - OLD_THRESHOLD_YEARS, color="#cf222e", linestyle="--", linewidth=1.5, label=f"築 {OLD_THRESHOLD_YEARS} 年閾値 ({NOW_YEAR-OLD_THRESHOLD_YEARS})") ax.set_xlabel("完成西暦") ax.set_ylabel("総貯水容量 (千 m³)") ax.set_yscale("log") ax.set_title(f"完成 timeline + 老朽閾値 — 築 50 年以上 = {n_old} 基", fontsize=11) ax.legend(loc="upper right", fontsize=10) ax.grid(True, which="both", linestyle="--", alpha=0.3) fig.suptitle("図 5 (RQ3): 完成年代分布と老朽閾値", fontsize=12.5, y=1.02) plt.tight_layout() save_fig("L78_fig5_era_timeline.png") # ---- 図 6 (RQ3): 老朽ダム強調マップ ---- print(" fig6: 老朽ダム強調マップ", flush=True) fig, ax = plt.subplots(figsize=(13, 8)) admin.plot(ax=ax, color="#fff8e8", edgecolor="#888", linewidth=0.4, alpha=0.55) # 経過年で色付け for _, r in gdf.iterrows(): age = float(r["経過年"]) if pd.notna(r["経過年"]) else 0 color = "#cf222e" if r["is_old"] else "#0969da" size = 200 + age * 4 ax.scatter(r.geometry.x, r.geometry.y, s=size, c=color, edgecolor="#222", linewidth=1.0, alpha=0.85, zorder=4) ax.annotate(f"{r['ダム名']}\n築 {int(age)} 年 ({int(r['完成西暦'])})", (r.geometry.x, r.geometry.y), xytext=(8, 5), textcoords="offset points", fontsize=8.5, fontweight=("bold" if r["is_old"] else "normal"), color=("#cf222e" if r["is_old"] else "#333")) # 凡例 from matplotlib.lines import Line2D legend_handles = [ Line2D([0], [0], marker='o', color='w', markerfacecolor='#cf222e', markeredgecolor='#222', markersize=14, label=f'築 {OLD_THRESHOLD_YEARS} 年以上 ({n_old} 基)'), Line2D([0], [0], marker='o', color='w', markerfacecolor='#0969da', markeredgecolor='#222', markersize=14, label=f'築 {OLD_THRESHOLD_YEARS} 年未満 ({n_dams - n_old} 基)'), ] ax.legend(handles=legend_handles, loc="lower left", fontsize=10, framealpha=0.95) ax.set_xlim(XMIN, XMAX) ax.set_ylim(YMIN, YMAX) ax.set_aspect("equal") ax.set_title(f"図 6 (RQ3): 老朽化マップ — 円サイズ = 経過年、 " f"赤 = 築 50 年以上, 青 = 築 50 年未満", fontsize=11) ax.set_xlabel("X (m, EPSG:6671)") ax.set_ylabel("Y (m, EPSG:6671)") ax.grid(True, linestyle="--", alpha=0.3) plt.tight_layout() save_fig("L78_fig6_aging_map.png") # ---- 図 7 (RQ3): 更新ピーク予測 + 診断 ---- print(" fig7: 更新ピーク + 診断", flush=True) fig, axes = plt.subplots(1, 2, figsize=(15, 6)) # 左: 更新ピーク帯別 基数 + 容量 ax = axes[0] peak_labels = T_renewal["更新ピーク帯"].astype(str).tolist() peak_xs = np.arange(len(peak_labels)) peak_counts = T_renewal["基数"].astype(int).tolist() peak_caps = (T_renewal["総貯水容量合計_千m3"].astype(float) / 1000).tolist() # M m³ peak_colors = ["#cf222e", "#cf6f00", "#1a7f37", "#0969da"][:len(peak_labels)] ax.bar(peak_xs, peak_counts, color=peak_colors, edgecolor="#222", linewidth=0.6) for x, v, cap in zip(peak_xs, peak_counts, peak_caps): if v > 0: ax.text(x, v + 0.1, f"{v} 基\n({cap:.1f} M m³)", ha="center", fontsize=9.5, fontweight="bold") ax.set_xticks(peak_xs) ax.set_xticklabels(peak_labels, fontsize=9.5, rotation=15) ax.set_ylabel("基数") ax.set_ylim(0, max(peak_counts) * 1.4 if max(peak_counts) > 0 else 1) ax.set_title(f"更新ピーク帯別 基数 (= 完成西暦 + {RENEWAL_LIFE} 年)", fontsize=11) ax.grid(True, axis="y", alpha=0.3) # 右: 診断結果別 円 ax = axes[1] diag_counts = T_diag.set_index("診断結果")["基数"] diag_colors = ["#1a7f37" if d == "C" else "#cf222e" for d in diag_counts.index] ax.pie(diag_counts.values, labels=[f"{d}\n({c} 基)" for d, c in diag_counts.items()], colors=diag_colors, autopct="%d%%", startangle=90, textprops={"fontsize": 11}, wedgeprops={"edgecolor": "#222", "linewidth": 1.2}) ax.set_title("診断結果別 基数比率\n(C = 健全, B2 = 要対策)", fontsize=11) fig.suptitle("図 7 (RQ3): 更新ピーク予測 × 診断結果", fontsize=12.5, y=1.02) plt.tight_layout() save_fig("L78_fig7_renewal_diagnosis.png") print(f" 図 7 枚生成 ({time.time()-t8:.2f}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, 型式単一)", "閾値": "型式 100% が重力式コンクリート", "実測": f"{n_gravity}/{n_dams} 基 ({share_gravity}%)", "判定": "支持" if h1_ok else "不支持"}, {"仮説": "H2 (RQ1, 堤高集中)", "閾値": "30-80m 帯に 10 基以上", "実測": f"{n_30_80}/{n_dams} 基 ({100*n_30_80/n_dams:.1f}%)", "判定": "支持" if h2_ok else "不支持"}, {"仮説": "H3 (RQ2, 魚切ダム 貯水深 Top 3)", "閾値": "ランク <= 3", "実測": f"{fish_rank} 位 ({fish_depth:.0f} mm)", "判定": "支持" if h3_ok else "不支持"}, {"仮説": "H4 (RQ2, log-log 強相関)", "閾値": "Pearson r >= 0.7", "実測": f"r = {r_log:.3f} (R² = {r2:.3f}, 傾き {slope:.2f})", "判定": "支持" if h4_ok else "不支持"}, {"仮説": "H5 (RQ3, 老朽集中)", "閾値": "築 50 年以上 3 基以上 かつ 1955-74 集中", "実測": (f"{n_old} 基 (完成西暦: " f"{', '.join(map(str, T_old['完成西暦'].tolist()))})" if n_old > 0 else "0 基"), "判定": "支持" if h5_ok else "不支持"}, ]) T_hyp.to_csv(ASSETS / "L78_hypothesis_check.csv", index=False, encoding="utf-8-sig") print(T_hyp.to_string(index=False), flush=True) # ============================================================================= # 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": "ダム基本情報・維持管理情報"}, {"項目": "公開組織", "値": "広島県 河川課ダムグループ"}, {"項目": "リソース数", "値": "1 (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": "対象", "値": "広島県管理 治水ダム (河川ダム)"}, {"項目": "対象基数", "値": f"{n_dams} 基"}, {"項目": "対象水系", "値": f"{T_water['水系名'].nunique()} 水系"}, {"項目": "完成年範囲", "値": (f"{int(df['完成西暦'].min())} 〜 " f"{int(df['完成西暦'].max())} (" f"{int(df['完成西暦'].max() - df['完成西暦'].min())} 年スパン)")}, {"項目": "型式", "値": "重力式コンクリート (全件単一)"}, {"項目": "ファイル形式", "値": "CSV (UTF-8 BOM, 12 行 × 21 列)"}, ]) # ----- 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 「ダム基本情報・維持管理情報」 を 3 つの独立した研究角度 (RQ1 / RQ2 / RQ3) で並列に分析する。 RQ1 でダムの構造、 RQ2 で流域支配、 RQ3 で老朽化と更新ピークを評価する 3 段階アプローチ。
本記事は S39 の上位互換: S39 (3 図 + 4 集計の台帳俯瞰) の 深掘り版として、 7 図 + 11 表 + 5 仮説検証で 「構造 / 流域支配 / 老朽化」 の 3 RQ を並列に解く。 S39 では扱わなかった 貯水深 (容量 / 集水面積) ランキング、 log-log べき乗則、 更新ピーク予測 等を新規導入。

独自用語の定義 (本記事限定)

研究の問い (3 RQ)

  1. RQ1 (主研究): 広島県のダムの構造 — 型式・規模・地理分布は どう描けるか? {n_dams} 基を型式 / 堤高 / 堤頂長 / 堤体積 / 総貯水容量 / 集水面積 / 水系 / 完成年代 / 診断結果の 9 軸で集計し、 「県の最大水管理装置の物理形状」 を初めて系統的に記述する。 H1 (型式 100% 重力式) / H2 (堤高 30-80m に 10+ 基) を検証。
  2. RQ2 (副研究 1): ダムの流域支配 — 上流集水と下流被災ポテンシャルは どう描けるか? 集水面積 (km²) ・総貯水容量 (千 m³) ・有効貯水容量比から、 各ダムの「流域支配力」 を量化、 本記事独自指標「貯水深 (容量 ÷ 集水 面積)」 「容量充填率 (有効 ÷ 総)」 を導入し、 12 基をランキングする。 H3 (魚切ダム 貯水深 Top 3) / H4 (log-log r >= 0.7) を検証。
  3. RQ3 (副研究 2): ダムの老朽化と更新ピーク — 1960-70s ダムの 再評価はどう描けるか? 完成年月から経過年を計算し、 築 50 年以上の 老朽ダムを抽出。 国のインフラ長寿命化基本計画 (2014)が想定する 更新ピーク到来の実態を、 {n_dams} 基という小さな母集団でも個体名で 語れる粒度で描く。 H5 (老朽 3+ 基 かつ S30-40 年代集中) を検証。

仮説 (5)

到達点

本記事を読み終えると、 (1) 県管理ダム {n_dams} 基の構造プロファイルを 型式・規模・地理の 3 軸で完全把握、 (2) 集水面積×総貯水容量のべき乗則 (指数 {slope:.2f})を初めて量的記述、 (3) 各ダムを貯水深ランキングで 12 個体について比較可能、 (4) 築 50 年以上の{n_old} 基の老朽ダムを 個体名で同定、 (5) 更新ピーク帯を 20 年単位で予測、 という 5 段階の 知識が獲得できる。 これにより県の水資源管理戦略を構造・流域・時間軸 の 3 視点で研究者として論じられるようになる。

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

本研究で使う 1 つの dataset (1 リソース) を以下の表に示す。 本データセットは 12 行の軽量フラット CSV として公開されており、 学習者が手元で完全に扱える。

データセット仕様

{df_to_html(T_dataset)}

CSV 列定義 (21 列)

列名例意味
ダムコード1, 2, 91 等 県内ダム識別子 (連番に近いが穴あき: 8 → 91 にジャンプ)
分類河川 河川法上の分類 (全件 河川ダム)
水系名小瀬川 / 八幡川 / 芦田川 等 ダムが属する一級または二級水系の名称 ({T_water['水系名'].nunique()} 水系)
河川名小瀬川 / 椋梨川 等 水系内の本流または支流の名称
施設区分ダム 施設の区分 (全件 ダム)
ダム名小瀬川ダム / 魚切ダム 等 ダムの正式名称
管理者広島県 ダムの管理組織 (全件 広島県)
位置廿日市市浅原 / 東広島市河内町 等 所在地 (市町 + 大字レベル)
緯度 / 経度34.308 / 132.124 等 WGS84 10 進数
完成年月S39.6 / H21.10 等 元号 + 年.月 形式 (S = 昭和、 H = 平成)
集水面積_km23.5 〜 160 ダム上流の集水面の合計面積
堤体積_千m325,800 〜 317,000 堤体 (堰堤) のコンクリート体積
総貯水容量_千m3560 〜 11,400 設計上の最大貯水量
有効貯水容量_千m3494 〜 9,900 実運用上利用可能な貯水量 (堆砂容量を除く)
型式重力式コンクリート 堤体の構造分類 (全件 重力式コンクリート)
堤高_m{df['堤高_m'].min():.1f} 〜 {df['堤高_m'].max():.1f} 基礎地盤から堤頂までの高さ
堤頂長_m{df['堤頂長_m'].min():.1f} 〜 {df['堤頂長_m'].max():.1f} 堤頂部の水平長
診断結果C / B2 健全度判定 (C = 健全, B2 = 要対策)

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)。

生データ (DoBoX 1 dataset, 1 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 numpy as np import geopandas as gpd from shapely.geometry import Point import re # (1) CSV 読込み (UTF-8 BOM, 12 行 × 21 列) df = pd.read_csv("data/extras/dam_basic.csv", encoding="utf-8-sig") df = df.dropna(subset=["ダム名"]).reset_index(drop=True) # (2) 数値列の型変換 for c in ["緯度", "経度", "集水面積_km2", "堤体積_千m3", "総貯水容量_千m3", "有効貯水容量_千m3", "堤高_m", "堤頂長_m"]: df[c] = pd.to_numeric(df[c], errors="coerce") # (3) 元号 → 西暦変換 (S39.6 → 1964, H21.10 → 2009) ERA_RE = re.compile(r"^([SH])(\\d+)\\.(\\d+)$") def parse_era(s): m = ERA_RE.match(str(s).strip()) if not m: return None, None g, yy, mm = m.groups() yy = int(yy) year = (1925 + yy) if g == "S" else (1988 + yy) return year, f"{(year//10)*10}年代" df["完成西暦"] = [parse_era(s)[0] for s in df["完成年月"]] df["完成年代"] = [parse_era(s)[1] for s in df["完成年月"]] # (4) GeoDataFrame 化 → 平面直角第 III 系 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) 型式別 集計 T_form = (df.groupby("型式") .agg(基数=("ダム名", "count"), 堤高平均=("堤高_m", "mean")) .round(1).reset_index()) print(T_form) # (6) 堤高ビン別 df["堤高帯"] = pd.cut(df["堤高_m"], bins=[0,30,50,80,100], labels=["~30m","30-50m","50-80m","80m+"]) print(df.groupby("堤高帯", observed=False).size()) # (7) 規模クラス def size_class(v): if pd.isna(v): return "(不明)" if v >= 8000: return "大 (>=8000 千 m³)" if v >= 1500: return "中 (1500-8000 千 m³)" return "小 (<1500 千 m³)" df["規模クラス"] = df["総貯水容量_千m3"].map(size_class) print(df.groupby("規模クラス").size()) ''' sec4 = f"""

狙い (RQ1)

RQ1 では「県の最大水管理装置の物理形状」を初めて系統的に記述する。 具体的には {n_dams} 基を型式 × 堤高 × 堤頂長 × 堤体積 × 総貯水容量 × 集水面積 × 水系 × 完成年代 × 診断結果の 9 軸で集計し、 「型式は何種類採用されているか / 堤高はどの帯に集中するか / 規模はどう分布するか」 を 1 枚で俯瞰できるようにする。 H1 (型式 100% 重力式) は「広島県の地盤・地形・コスト 条件下では重力式が制度的に最適選択であり続けた」 仮説、 H2 (堤高 30-80m に 10+ 基) は「県管理ダム = 治水中規模帯」 という規模クラスタの単一性仮説。

手法 — 4 ステップ

  1. STEP 1: CSV パース + 型変換
    CSV (UTF-8 BOM, {n_dams} 行 × 21 列) を read_csv() で読込み、 数値列 (集水面積 / 堤体積 / 総貯水容量 / 有効貯水容量 / 堤高 / 堤頂長 / 緯度 / 経度) を pd.to_numeric(errors="coerce") で 数値化。 ダム名空欄行を除外。
  2. STEP 2: 元号 → 西暦変換 (本記事独自関数)
    完成年月列は 「S39.6」 「H21.10」 という和暦 + 月形式。 正規表現 ^([SH])(\\d+)\\.(\\d+)$ でパースし、 S = 1925 + 年、 H = 1988 + 年として西暦化。 さらに 10 年単位で「1960年代」 等の完成年代列を生成。
  3. STEP 3: GeoDataFrame 化 + 平面直角投影
    緯度経度 → shapely.geometry.Point → GeoDataFrame に変換、 to_crs("EPSG:6671") で平面直角第 III 系 (m 単位) に投影。 距離計算で正確な結果を得るため。
  4. STEP 4: 9 軸集計
    型式・堤高ビン・規模クラス・水系・市町・年代・診断結果の 7 グループ集計、 および型式 × 規模クラス、 完成年代 × 水系の 2 クロス集計を生成。

実装

狙いと方法を踏まえた実装コードは以下の通り。 元号パース正規表現 + GeoDataFrame 化 + 9 軸集計の 3 段構成。

{code(sec4_code)}

結果と読み取り

(a) 12 ダム 配置マップ (図 1)

なぜこの図か: {n_dams} 基という小さな母集団は個体名で全件を語れる 唯一の DoBoX シリーズ。 棒グラフだけで終わらせず、 全 12 基を水系色 + 容量 バブルサイズ + B2 強調で 1 枚に描くことで、 「県の水管理装置がどこに分布 しているか」 を地理的に直感する (要件 T)。

{figure("assets/L78_fig1_dam_map.png", f"図 1: 県管理ダム {n_dams} 基の地理配置 (バブル = 容量, 色 = 水系)")}

{df_to_html(T_water)}

図 1 / 表 (水系別) から読み取れること:

(b) 型式 × 堤高 × 規模 3 連 (図 2)

なぜこの図か: H1 (型式単一) と H2 (堤高集中) を 1 枚で示すための 3 panel 構成。 円グラフ (型式) + 棒グラフ (堤高ビン) + 棒グラフ (規模クラス) の 3 視点で「県管理ダムの構造プロファイルが極めて画一的」であることを 示す。

{figure("assets/L78_fig2_structure.png", f"図 2: 型式 × 堤高 × 規模 — 県管理ダムの構造プロファイル")}

{df_to_html(T_form)}

{df_to_html(T_height)}

{df_to_html(T_size)}

図 2 / 表から読み取れること:

(c) 市町分布 (空間 sjoin 結果)

なぜこの表か: CSV の「位置」 列は市町 + 大字形式の文字列で 集計しにくいため、 緯度経度から行政界 polygon を sjoin で空間判定し、 正規化された市町別集計を生成する。

{df_to_html(T_city)}

表から読み取れること:

""" # ----- セクション 5: RQ2 ----- sec5_code = ''' import numpy as np # (1) 集水面積 vs 総貯水容量 の Pearson 相関 (両対数) mask = (df["集水面積_km2"] > 0) & (df["総貯水容量_千m3"] > 0) log_a = np.log10(df.loc[mask, "集水面積_km2"].astype(float)) log_v = np.log10(df.loc[mask, "総貯水容量_千m3"].astype(float)) r_log = np.corrcoef(log_a, log_v)[0, 1] slope, intercept = np.polyfit(log_a, log_v, 1) # べき乗則: V = 10^intercept * A^slope print(f"log-log r = {r_log:.3f}, slope = {slope:.3f}") # (2) 流域支配指標 (本記事独自) # 貯水深 (mm) = 容量 (m³) ÷ 集水面積 (m²) * 1000 df["貯水深_mm"] = (df["総貯水容量_千m3"] * 1000.0 / (df["集水面積_km2"] * 1_000_000.0)) * 1000.0 # 容量集水比 = 容量 (千 m³) / 集水面積 (km²) = 流域 1km² あたりの貯水量 df["容量集水比"] = (df["総貯水容量_千m3"] / df["集水面積_km2"]).round(1) # 容量充填率 = 有効/総 (堆砂率の逆数) df["容量充填率"] = (df["有効貯水容量_千m3"] / df["総貯水容量_千m3"] * 100).round(1) # (3) 流域支配ランキング (貯水深 ↓) T_dom = (df[["ダム名", "水系名", "集水面積_km2", "総貯水容量_千m3", "貯水深_mm", "容量集水比", "容量充填率"]] .sort_values("貯水深_mm", ascending=False) .reset_index(drop=True)) print(T_dom) ''' sec5 = f"""

狙い (RQ2)

RQ2 では「ダムの流域支配 — 上流集水と下流被災ポテンシャル」を量化する。 「集水面積 (km²)」 と「総貯水容量 (千 m³)」 の組合せから、 各ダムの 「流域 1 km² あたりの貯水力」を独自指標貯水深 (mm)と 容量集水比 (千 m³ / km²)で算出し、 12 基をランキングする。 これにより「同じ容量でも狭い流域なら過剰設計、 広い流域なら不足設計」 という 流域 ↔ 容量のトレードオフが可視化される。 さらに集水 ↔ 容量の両対数 相関 (べき乗則の有無) を統計的に検証し、 「流域 = 容量決定要因」 仮説を 量的に検証する。

手法 — 3 ステップ

  1. STEP 1: 流域支配指標の導出 (本記事独自)
    貯水深 (mm) = 容量 (m³) ÷ 集水面積 (m²) × 1000 という直感量を 新規導入。 「集水面積全体に均等に何 mm 分の雨を貯められるか」 という 解釈で、 単位流域あたりの貯水力を 12 基で比較可能にする。 同様に容量充填率 = 有効/総と容量集水比 = 容量/集水面積 も計算。
  2. STEP 2: 両対数 Pearson 相関 + 線形回帰
    集水面積と総貯水容量を底 10 の対数に変換し、 numpy.corrcoef で Pearson r、 numpy.polyfit(deg=1) で回帰式を求める。 両対数空間で 線形ならべき乗則 V = c · A^b が成立し、 b (= 傾き) が「流域 ↔ 容量スケーリング指数」 となる。 b = 1 なら線形、 b < 1 なら亜線形 (大流域ほど過剰貯水)、 b > 1 なら超線形 (大流域ほど不足貯水)。
  3. STEP 3: 流域支配ランキング
    貯水深降順で 12 基をソート。 県内 Top 3 / Bottom 3 を強調表示し、 魚切ダム (= 広島市直下流の都市治水ダム) の位置を注目。 「都市直下流 → 過剰設計 (高貯水深) 」 仮説の検証根拠とする。

実装

狙いと方法を踏まえた実装コードは以下の通り。 独自 3 指標 + log-log 相関 + ランキングの 3 段構成。

{code(sec5_code)}

結果と読み取り

(a) 集水面積 × 総貯水容量 (両対数) (図 3)

なぜこの図か: 集水面積と総貯水容量のべき乗則を量的に確認する ための両対数散布図。 線形軸では小流域・小容量のダムが原点付近に潰れて 見えなくなるため、 両対数軸が必須。 さらに各点を水系色で塗り分けて 水系内のサブクラスタも見えるようにする。

{figure("assets/L78_fig3_watershed_capacity.png", f"図 3: 集水面積 × 総貯水容量 (両対数) — r = {r_log:.3f}")}

{df_to_html(T_watershed)}

図 3 / 表から読み取れること:

(b) 流域支配ランキング (図 4)

なぜこの図か: 「貯水深」 (左パネル) と「容量充填率」 (右パネル) の 2 ランキングを並置することで、 「単位流域あたりの貯水力」 と「実運用容量の 有効性」 の両軸で 12 基を評価する。 1 つのランキングだけだと 「過剰設計に見えても堆砂で実運用容量は少ない」 のような落とし穴を見逃す。

{figure("assets/L78_fig4_dominance.png", f"図 4: 流域支配ランキング (貯水深 + 容量充填率)")}

{df_to_html(T_dom.head(12))}

図 4 / 表から読み取れること:

""" # ----- セクション 6: RQ3 ----- sec6_code = ''' # RQ3: 老朽化と更新ピーク予測 import re import pandas as pd NOW_YEAR = 2024 OLD_THRESHOLD = 50 # 築 50 年以上 = 老朽 RENEWAL_LIFE = 60 # 国の長寿命化計画想定 (大規模更新周期) # (1) 経過年と老朽フラグ df["経過年"] = NOW_YEAR - df["完成西暦"].astype(float) df["is_old"] = df["経過年"] >= OLD_THRESHOLD # (2) 完成年代別 集計 T_era = (df.groupby("完成年代") .agg(基数=("ダム名", "count"), 総貯水容量合計=("総貯水容量_千m3", "sum"), 平均堤高=("堤高_m", "mean")) .round(1).reset_index()) print(T_era) # (3) 老朽ダム抽出 (築 50 年以上) T_old = (df[df["is_old"]][["ダム名", "水系名", "完成年月", "完成西暦", "経過年", "堤高_m", "総貯水容量_千m3", "診断結果"]] .sort_values("完成西暦").reset_index(drop=True)) print(T_old) # (4) 更新ピーク予測 (本記事独自) df["次回更新年"] = df["完成西暦"].astype(float) + RENEWAL_LIFE T_renewal = (df.groupby(pd.cut(df["次回更新年"], bins=[2010, 2030, 2050, 2070, 2090], labels=["2010s-2020s","2030s-2040s", "2050s-2060s","2070s-2080s"]), observed=True) .agg(基数=("ダム名", "count")).reset_index()) print(T_renewal) ''' sec6 = f"""

狙い (RQ3)

RQ3 では「ダムの老朽化と更新ピーク」を時間軸で量的に描く。 完成年月 (S39.6 〜 H28.8 = {int(df['完成西暦'].min())} 〜 {int(df['完成西暦'].max())} の {int(df['完成西暦'].max() - df['完成西暦'].min())} 年スパン) から各ダムの 経過年を計算し、 築 50 年以上の老朽ダムを抽出。 さらに国の インフラ長寿命化基本計画 (2014)が標準想定する大規模更新周期 60 年 を採用し、 各ダムの「次回更新予測年」 を計算 → 20 年帯ごとの更新ピーク予測表 を生成する。 これは県の維持管理予算ピーク予測の代理指標であり、 H5 (老朽 3+ 基 かつ S30-40 年代集中) を量的検証する。

手法 — 3 ステップ

  1. STEP 1: 経過年と老朽フラグの計算
    経過年 = 解析基準年 ({NOW_YEAR}) − 完成西暦。 閾値 {OLD_THRESHOLD_YEARS} 年以上を「老朽」 と定義し、 ブール列 is_old を追加。 50 年は国の長寿命化計画が「更新検討開始時期」 として想定する標準閾値 (大規模更新周期 60 年 − 検討期間 10 年)。
  2. STEP 2: 完成年代別 + 老朽ダム抽出
    10 年単位の年代列を groupby し、 各年代の基数・総貯水容量・ 平均堤高を集計。 さらに老朽ダム (is_old = True) を完成西暦昇順で 個体名一覧として抽出する。
  3. STEP 3: 更新ピーク予測 (本記事独自)
    次回更新年 = 完成西暦 + {RENEWAL_LIFE} として、 pd.cut で 20 年帯 (2010s-2020s / 2030s-2040s / 2050s-2060s / 2070s-2080s) に分類。 各帯ごとに基数と総貯水容量を集計し、 「県の維持管理予算がいつピークを迎えるか」 を可視化する。 これは本記事独自の予測指標で、 県の公式更新計画ではない。

実装

狙いと方法を踏まえた実装コードは以下の通り。 経過年計算 + 老朽抽出 + 更新ピーク予測の 3 段構成。

{code(sec6_code)}

結果と読み取り

(a) 完成年代 timeline + 老朽閾値 (図 5)

なぜこの図か: 完成年代別の基数 (左) と、 完成西暦 × 総貯水容量 散布図に老朽閾値線を重ねた個体散布 (右) の 2 視点。 棒グラフだけでは 12 基という小母集団を「個体名で語る」 ことができないため、 個体名ラベル 付き散布図を併用する (要件 K, T)。

{figure("assets/L78_fig5_era_timeline.png", f"図 5: 完成年代分布と老朽閾値")}

{df_to_html(T_era)}

{df_to_html(T_old)}

図 5 / 表から読み取れること:

(b) 老朽ダムマップ (図 6)

なぜこの図か: {n_old} 基の老朽ダムの地理分布を直感的に把握する ため、 経過年で円サイズ・赤青色分けしたマップを描く。 リスト表よりマップの方が 「どの地域が老朽集中か」 を直感できるため (要件 T)。

{figure("assets/L78_fig6_aging_map.png", f"図 6: 老朽化マップ — 円サイズ = 経過年, 赤 = 築 50 年以上")}

図 6 から読み取れること:

(c) 更新ピーク + 診断 (図 7)

なぜこの図か: 更新ピーク帯 (左) と診断結果 (右) を並置することで、 「将来の更新計画」 と「現状の健全度」を 1 枚で把握する。 棒+円の併用で 「いつ何基更新が必要か」 と「現時点で何基が要対策か」 を分離して見せる。

{figure("assets/L78_fig7_renewal_diagnosis.png", f"図 7: 更新ピーク予測 × 診断結果")}

{df_to_html(T_renewal)}

{df_to_html(T_diag)}

図 7 / 表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、 広島県管理ダム {n_dams} 基について以下の 3 つの実証的知見が得られた:

  1. (RQ1 — 構造) 画一的な「中規模重力式」 プロファイル
    {n_dams} 基すべてが重力式コンクリート (型式単一)、 堤高は 30-80m 帯に {n_30_80} 基集中、 規模クラスも中規模が中心。 これは広島県の地盤・地形・コスト・管理体制の総合判断で 重力式中規模帯が制度的最適解となり続けた物理証拠。 H1, H2 ともに {'支持' if h1_ok else '不支持'}/{('支持' if h2_ok else '不支持')}。
  2. (RQ2 — 流域支配) 集水 ↔ 容量のべき乗則 (指数 {slope:.2f})
    集水面積と総貯水容量は両対数でr = {r_log:.3f} の強相関。 べき乗則指数 {slope:.2f} は{('亜線形 (大流域ほど単位面積あたりの貯水量が小さい)' if slope < 1 else ('超線形 (大流域ほど単位面積あたりの貯水量が大きい)' if slope > 1 else 'スケール不変'))}。 流域支配ランキング (貯水深) で魚切ダム = {fish_rank} 位 ({fish_depth:.0f} mm) は{('Top 3 入りで都市直下流の過剰設計を物理証拠で確認' if h3_ok else '中位帯で都市直下流ダムでも特異ではないことを確認')}。 H3, H4 = {'支持' if h3_ok else '不支持'}/{('支持' if h4_ok else '不支持')}。
  3. (RQ3 — 老朽化) 築 50 年以上 {n_old} 基の更新ピーク到来
    経過年 50 年以上の老朽ダムが{n_old} 基 ({', '.join(T_old['ダム名'].tolist()) if n_old > 0 else 'なし'})。 更新ピーク (= 完成 + 60 年) は最多帯 {T_renewal.iloc[T_renewal['基数'].idxmax()]['更新ピーク帯']} に {int(T_renewal['基数'].max())} 基集中。 国のインフラ長寿命化基本計画 (2014) が想定する更新ピーク到来が県管理ダムにも実データで確認された。 H5 = {'支持' if h5_ok else '不支持'}。

3 RQ を統合した「県管理ダム」 の見立て

RQ1 〜 RQ3 を統合すると、 広島県の管理ダム {n_dams} 基は「画一構造 × 強相関流域支配 × 更新ピーク到来」 の 3 重特性として描ける: (1) 構造は重力式コンクリート中規模帯に画一化、 (2) 流域 ↔ 容量はべき乗則で 強相関 (= 流域が容量を支配)、 (3) {int(df['完成西暦'].max() - df['完成西暦'].min())} 年スパンの整備史で 最古世代が更新ピークに到達。 これは単なる「ダム台帳」 ではなく、 県の半世紀超の水管理戦略の物理形状であり、 今後 20 年の維持管理 予算配分・更新計画策定の定量的基礎として価値がある。

3 つの研究角度 (構造 / 流域支配 / 老朽化) は完全に独立で、 単一の RQ では 見えないものを 3 RQ 並列で初めて立体的に見せる。 12 基という小さな母集団でも、 個体名で全件を語れる粒度と独自指標 (貯水深 / 更新ピーク) 導入で 研究水準の深掘りが可能であることを実証した。

""" # ----- 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: 国管理ダム + 電力会社管理ダムの統合分析

結果 X: 本記事は県管理 12 基のみを扱った。 一方、 同じ広島県内に は国土交通省管理の弥栄ダム (一級水系小瀬川の本ダム)、 中国電力管理の 発電ダム群 (太田川水系の王泊ダム・樽床ダム等) が複数存在する。
新仮説 Y: 県管理ダム (治水中心) と国・電力管理ダム (利水・発電中心) を 統合した「広島県内全ダム母集団」 で同じ 3 RQ を再走したら、 H1 (型式単一) は不支持になる仮説 (国・電力ダムにはアーチ式・ロックフィル等が 含まれる可能性高)。
課題 Z: (1) 国土交通省データセット (河川局 ダム諸量データベース) と 中国電力ダム諸元を取得。 (2) 県管理 12 基と統合し、 管理者軸を加えた 4 軸クロス (型式 × 管理者 × 規模 × 完成年代) を生成。 (3) 「県管理 vs 他管理」 で構造プロファイルがどう違うかを量的比較し、 県の制度的選択の特異性を 他主体との比較で相対化する。

発展課題 2: 下流人口・建物影響推定 (緊急放流リスクの可視化)

結果 X: RQ2 で「下流被災ポテンシャル」 を扱う予定だったが、 公開データに下流人口・建物数列が無いため、 市町別存在と DID 距離で 代用した。
新仮説 Y: ダム下流 5km 圏内の人口集中地区 (DID)カバレッジ 率は、 魚切ダム (広島市直下流) が県内最高仮説。 これは「都市直下流の 治水ダムは緊急放流リスクが最も高い (= 下流に都市を抱えるため)」 という 物理的事実の量的検証。
課題 Z: (1) 国勢調査の DID polygon をダウンロード。 (2) 各ダム位置から下流方向 5 km / 10 km の河道追跡バッファを作成 (地形+河川流路を考慮)。 (3) DID 重なり面積・人口推定値を 12 基で ランキング。 (4) 緊急放流時の被害想定との対応関係を量的に評価。

発展課題 3: 堆砂量・実運用容量の経年変化追跡

結果 X: RQ2 で容量充填率 (= 有効/総) を計算したが、 これは 1 時点の値。 ダムは経年で堆砂が進み有効容量が減るため、 時系列追跡が本質的に重要。
新仮説 Y: 完成からの経過年と容量充填率の低下勾配は、 集水面積 (= 流入土砂量を規定) と相関する。 大流域ダムほど堆砂進行が 速く、 100 年で有効容量が当初の 70% 程度まで減少する仮説。
課題 Z: (1) 県のダム管理資料から各ダムの堆砂量年次データを 取得 (公開されている場合)。 (2) 経過年 × 容量充填率の時系列散布を 個別ダムで描画。 (3) 堆砂率の年勾配を集水面積と回帰分析。 (4) 将来 50 年の有効容量予測モデルを構築。

発展課題 4: 魚切ダム B2 判定の深掘り (要対策の物理的根拠)

結果 X: RQ3 で診断結果 B2 = 魚切ダム 1 基のみと特定した。 しかし「なぜ B2 か」 の物理的根拠は本データには含まれない (具体的な 劣化箇所・損傷種類・補修内容は別資料)。
新仮説 Y: 魚切ダムの B2 判定は、 (a) 県内最高の堤高 79.8m で水圧 負荷が大きい、 (b) 1982 年完成で築 {int(df.loc[df['ダム名']=='魚切ダム','経過年'].iloc[0])} 年 の運用年数 (= 中年期点検検出)、 (c) 都市直下流で常時利水運用による 水位変動疲労、 の 3 要因の総合判断による仮説。
課題 Z: (1) 県のダム維持管理計画書 (公開可) から魚切ダムの個別 点検報告を取得。 (2) 他の C 判定 11 基と「堤高 / 経過年 / 運用パターン」 の差を多変量比較。 (3) 類似条件のダム (例: 同時期完成 + 同程度堤高)を 他県から探し、 B2 判定の妥当性を相対化。 (4) 補修費用試算 (= 県の 維持管理予算 5 か年計画) との照合。

発展課題 5: 他県との型式分布比較 — なぜ広島県は重力式単一か

結果 X: H1 で県管理ダム{share_gravity}% が重力式コンクリートを 量的確認した。 一方、 静岡県・新潟県・北海道等はアーチ式・ロックフィルも 混在する。
新仮説 Y: 重力式単一は地盤特性 (花崗岩主体の固い基盤岩が広島県に 多い) と水系規模 (大規模水系が少ない = アーチ式の経済優位性が出ない) の 2 要因で説明可能仮説。
課題 Z: (1) 国交省ダム諸量データベースから全国 2,700+ ダムの 型式 × 都道府県 × 地盤分類を取得。 (2) 「重力式比率」 を都道府県ランキング + 全国マップで可視化。 (3) 地質図 (産総研)と重ね合わせて地盤分類との 関係を量的検証。 (4) 広島県と類似地盤の他県 (岡山・島根) を抽出し、 型式選択パターンを比較。 「県の制度的選択は地盤特性に強く規定される」 という 仮説を全国母集団で検証する。

""" # ----- 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】構造研究 — 型式 × 規模 × 地理分布", sec4), ("【RQ2】流域支配研究 — 集水 × 容量 × 貯水深", sec5), ("【RQ3】老朽化研究 — 完成年代 × 経過年 × 更新ピーク", sec6), ("仮説検証総合", sec7), ("発展課題", sec8), ] html = render_lesson( num=78, title="L78 ダム基本情報・維持管理情報 単独 3 研究例分析", tags=["ダム", "GIS", "オープンデータ", "流域支配", "老朽化"], time="30〜45 分", level="リテラシ〜中級", data_label=(f'ダム基本情報・維持管理情報 (1 dataset / 1 リソース) — ' f'{n_dams} 基 / {T_water["水系名"].nunique()} 水系'), sections=sections, script_filename="L78_dams.py", ) OUT_HTML = LESSONS / "L78_dams.html" OUT_HTML.write_text(html, encoding="utf-8") print(f" HTML 出力: {OUT_HTML}", flush=True) print(f" ({time.time()-t10:.2f}s)", flush=True) # ============================================================================= # 11. 完了 # ============================================================================= print(f"\n=== L78 完了: {time.time()-t_all:.2f}s ===", flush=True) print(f" CSV (中間): {len(list(ASSETS.glob('L78_*.csv')))} ファイル", flush=True) print(f" PNG (図): {len(list(ASSETS.glob('L78_*.png')))} ファイル", flush=True)