# -*- coding: utf-8 -*- """ X06: 14日豪雨期間の県内雨量分布 — 地理時空間 small multiples 研究 ================================================================================ DoBoX #1275 (10分雨量) の 2024-06-29 〜 2024-07-12 (14日) と data/extras/stations_master.csv (観測所マスタ, 緯度経度付き) を結合し、 **14コマの地理散布 (small multiples)** を主役に 「広島県 14日豪雨期間の空間×時間構造」を読み解く X 水準研究記事。 【本記事のスタイル: 地理時空間 small multiples 研究】 14日分の空間分布を 4×4 グリッドで並列表示し、時間と空間を同時に観る。 PCA や重回帰よりも「並列地理散布」を可視化の主軸に据え、 時間断面の比較によって豪雨日の空間パターン異質性を明らかにする。 仮説 H1〜H5: H1: 14日合計雨量上位観測所は北部山間部 (北部建設・庄原支所など) に集中する H2: 豪雨日 (例 2024-07-01) と平常日では空間パターンが大きく異なる H3: 14日のうち 2-3 日に降水が集中 (パレート的不均衡) H4: 観測所間の累積雨量分散が大きい (県内不均一性: ジニ係数 > 0.4) H5: 多雨観測所と少雨観測所は地理的に分離 (緯度ヒストの重ね描き で検証) 主要可視化: 図1: small multiples 14日地理散布 (4×4 グリッド, マーカーサイズ=日合計雨量) 図2: 観測所別 14日累積雨量 ランキング棒 (上位30) + 累積寄与曲線 図3: 日別県内最大/合計の折れ線 (時系列) 図4: ローレンツ曲線 + ジニ係数 (不均一性指標) 図5: 多雨観測所 vs 少雨観測所の緯度ヒスト重ね描き 実行: cd "2026 DoBoX 教材" py -X utf8 lessons/X06_rainfall_14days_geo_smallmult.py 制約: - 並列処理なし、メモリ 500 MB 未満 (14CSV を逐次処理して観測所別累積を保持) - 14日分の生 10分値を一気に DataFrame に展開しない (メモリ嵩む) """ from __future__ import annotations from pathlib import Path import warnings import numpy as np import pandas as pd import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt from matplotlib.lines import Line2D from _common import (ROOT, ASSETS, LESSONS, render_lesson, code, figure, data_recipe, parse_rain_csv, ensure_dataset) plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False warnings.filterwarnings("ignore", category=UserWarning) # === パス定義 ================================================================= RAIN_DIR = ROOT / "data" / "rain_2024" ST_PATH = ROOT / "data" / "extras" / "stations_master.csv" CAM_PATH = ROOT / "data" / "camera_list.csv" OUT_DAILY = ASSETS / "X06_daily_totals.csv" # 観測所×14日 日合計 OUT_GEO = ASSETS / "X06_station_geo.csv" # 観測所→緯度経度市町 OUT_RANK = ASSETS / "X06_cumulative_rank.csv" # 14日累積ランキング OUT_DAYSTAT = ASSETS / "X06_day_stats.csv" # 日別県内統計 OUT_LORENZ = ASSETS / "X06_lorenz_table.csv" # ローレンツ点列+ジニ OUT_TRACK = ASSETS / "X06_track_one_station.csv" # 1観測所14日連続追跡 PNG_SMALLMULT = ASSETS / "X06_small_multiples.png" # 主役: 4x4 地理散布 PNG_RANK = ASSETS / "X06_cumulative_rank.png" # 上位30+寄与 PNG_DAYLINE = ASSETS / "X06_day_timeline.png" # 日別時系列 PNG_LORENZ = ASSETS / "X06_lorenz_curve.png" # ローレンツ PNG_LATHIST = ASSETS / "X06_lat_histogram.png" # 緯度ヒスト重ね描き # === 0. データ自動取得 ======================================================== print("=== 0. データ自動取得 ===") RAIN_RID = { "2024-06-29": 94490, "2024-06-30": 94495, "2024-07-01": 94500, "2024-07-02": 94505, "2024-07-03": 94510, "2024-07-04": 94515, "2024-07-05": 94520, "2024-07-06": 94525, "2024-07-07": 94530, "2024-07-08": 94535, "2024-07-09": 94540, "2024-07-10": 94545, "2024-07-11": 94551, "2024-07-12": 94556, } RAIN_DIR.mkdir(parents=True, exist_ok=True) for date, rid in RAIN_RID.items(): ensure_dataset(RAIN_DIR / f"rain_{date}.csv", resource_id=rid, min_bytes=500_000, label=f"雨量10分値 {date}") # === 1. 観測所マスタ (緯度経度+市町) を読み込む ================================ print("\n=== 1. 観測所マスタ 読み込み ===") # stations_master.csv は 4 行目以降に観測所レコードが入る。列番号 (0-origin): # 15=観測所名, 18=市町村名, 20=緯度, 21=経度 sm_raw = pd.read_csv(ST_PATH, header=None, encoding="utf-8-sig", skiprows=3) geo = pd.DataFrame({ "station": sm_raw.iloc[:, 15].astype(str).str.strip(), "city": sm_raw.iloc[:, 18].astype(str).str.strip(), "lat": pd.to_numeric(sm_raw.iloc[:, 20], errors="coerce"), "lon": pd.to_numeric(sm_raw.iloc[:, 21], errors="coerce"), }) geo = geo.dropna(subset=["lat", "lon"]) geo = geo[(geo["station"] != "") & (geo["station"] != "nan")] # 重複観測所名は最初を採用 geo = geo.drop_duplicates(subset="station", keep="first").reset_index(drop=True) print(f" 観測所マスタ: {len(geo)} 件 (緯度経度ありのみ)") print(f" 緯度範囲: {geo['lat'].min():.3f} 〜 {geo['lat'].max():.3f}") print(f" 経度範囲: {geo['lon'].min():.3f} 〜 {geo['lon'].max():.3f}") # 北部 / 南部 を緯度の中央値で大雑把に二分する基準も後で使う LAT_MEDIAN = float(geo["lat"].median()) print(f" 緯度中央値 = {LAT_MEDIAN:.3f} (これより北 = 北部, 南 = 南部)") geo.to_csv(OUT_GEO, index=False, encoding="utf-8-sig") # === 2. 14日 CSV を逐次処理 → 観測所×14日 日合計マトリクス ==================== print("\n=== 2. 14日 CSV を逐次処理 (メモリ節約) ===") files = sorted(RAIN_DIR.glob("rain_2024-*.csv")) print(f" ファイル数: {len(files)}") daily_series: list[pd.Series] = [] day_records: list[dict] = [] for f in files: # parse_rain_csv は 10分値を tidy DF にする。 # ここでは sum(axis=0) で日合計 Series だけ残し、生 10分値は破棄する。 tidy = parse_rain_csv(f) # 観測所重複の "_2" 等を除去 (geo マスタ側はベース名のみ) tidy.columns = [c.split("_")[0] if "_" in c else c for c in tidy.columns] # 同名列が出るので転置 → groupby → 転置の順で和をとる (axis=1 廃止予定回避) tidy = tidy.T.groupby(level=0).sum(min_count=1).T daily = tidy.sum(axis=0, min_count=1) # 観測所別の日合計 date_str = f.stem.replace("rain_", "") daily.name = date_str daily_series.append(daily) # 日別県内統計 day_records.append({ "date": date_str, "n_stations": int(daily.notna().sum()), "max_mm": float(daily.max()) if daily.notna().any() else 0.0, "mean_mm": float(daily.mean()) if daily.notna().any() else 0.0, "sum_mm": float(daily.sum()) if daily.notna().any() else 0.0, "p95_mm": float(daily.quantile(0.95)) if daily.notna().any() else 0.0, }) del tidy # メモリ解放 # 観測所×14日 マトリクス M = pd.concat(daily_series, axis=1).sort_index(axis=1) M = M.fillna(0.0) print(f" 日合計マトリクス shape: {M.shape} (観測所 × 14日)") print(f" 全観測所数: {M.shape[0]}, 期間最大日合計: {M.values.max():.1f} mm") M.index.name = "station" M.to_csv(OUT_DAILY, encoding="utf-8-sig") # 日別県内統計 → CSV day_stats = pd.DataFrame(day_records) day_stats.to_csv(OUT_DAYSTAT, index=False, encoding="utf-8-sig") print(" 日別統計:") print(day_stats.to_string(index=False)) # === 3. 観測所マスタと結合 (緯度経度の付与) =================================== print("\n=== 3. 観測所マスタと M を結合 ===") # 観測所名でマージ。マスタにない観測所は除外する (地理散布が描けない) M_geo = M.reset_index().merge(geo, on="station", how="inner") print(f" マージ後: {len(M_geo)} 観測所 (M.shape[0]={M.shape[0]} のうち緯度経度ありのみ)") date_cols = [c for c in M.columns] M_geo["total_14d"] = M_geo[date_cols].sum(axis=1) M_geo = M_geo.sort_values("total_14d", ascending=False).reset_index(drop=True) print(f" 14日累積上位5:\n{M_geo[['station','city','total_14d']].head().to_string(index=False)}") # === 4. 14日累積ランキング (図2用) ============================================ print("\n=== 4. 14日累積ランキング ===") rank = M_geo[["station", "city", "lat", "lon", "total_14d"]].copy() rank["rank"] = np.arange(1, len(rank) + 1) rank["cum_share"] = rank["total_14d"].cumsum() / rank["total_14d"].sum() rank.to_csv(OUT_RANK, index=False, encoding="utf-8-sig") print(f" 上位30観測所の累積寄与: {rank.iloc[29]['cum_share']:.3f}") print(f" 上位50%累積寄与の観測所数: {(rank['cum_share'] <= 0.5).sum() + 1}") # === 5. ジニ係数 (H4: 不均一性指標) ========================================== print("\n=== 5. ジニ係数 + ローレンツ曲線 ===") vals = np.sort(rank["total_14d"].values) # 昇順 n = len(vals) cum = np.cumsum(vals) total = cum[-1] # ローレンツ曲線: x=人口の累積比 (観測所), y=雨量の累積比 xs = np.arange(1, n + 1) / n ys = cum / total # 0,0 を頭に追加 xs = np.r_[0.0, xs] ys = np.r_[0.0, ys] # ジニ = 1 - 2*∫y dx (台形則) gini = 1.0 - 2.0 * np.trapezoid(ys, xs) print(f" ジニ係数 G = {gini:.3f} (0=完全均等, 1=極端に偏る)") lorenz = pd.DataFrame({ "x_station_share": xs, "y_rain_share": ys, }) # サマリ行 lorenz_summary = pd.DataFrame([{ "x_station_share": np.nan, "y_rain_share": np.nan, "_note": f"ジニ係数 = {gini:.4f}, n={n}観測所" }]) lorenz.assign(_note="").to_csv(OUT_LORENZ, index=False, encoding="utf-8-sig") # === 6. 1 観測所の 14 日連続データ追跡 (要件K: Before/After 1 件追跡) ========== print("\n=== 6. 1 観測所追跡 (要件K) ===") TRACK_STATION = rank.iloc[0]["station"] # 14日累積1位の観測所 track_row = M_geo.loc[M_geo["station"] == TRACK_STATION].iloc[0] track_df = pd.DataFrame({ "date": date_cols, "daily_mm": [float(track_row[c]) for c in date_cols], }) track_df["cum_mm"] = track_df["daily_mm"].cumsum() track_df["station"] = TRACK_STATION track_df["lat"] = float(track_row["lat"]) track_df["lon"] = float(track_row["lon"]) track_df["city"] = track_row["city"] track_df.to_csv(OUT_TRACK, index=False, encoding="utf-8-sig") print(f" 追跡対象: {TRACK_STATION} ({track_row['city']}, " f"{track_row['lat']:.3f}N {track_row['lon']:.3f}E, " f"14日合計 {track_row['total_14d']:.1f} mm)") print(track_df[["date", "daily_mm", "cum_mm"]].to_string(index=False)) # === 7. 図1: small multiples 4x4 グリッド (主役) ============================== print("\n=== 7. 図1: small multiples (4x4 地理散布) ===") n_days = len(date_cols) # 14 ncol = 4 nrow = 4 # 4x4 = 16 セル, 14 が雨量, 残り 2 セルは凡例+合計 fig, axes = plt.subplots(nrow, ncol, figsize=(15.5, 16.0), constrained_layout=False) fig.subplots_adjust(left=0.045, right=0.985, top=0.945, bottom=0.045, wspace=0.18, hspace=0.32) # 共通の x/y 範囲 (全コマで同じ地理ウィンドウを使う = 比較しやすさ) xlim = (geo["lon"].min() - 0.05, geo["lon"].max() + 0.05) ylim = (geo["lat"].min() - 0.05, geo["lat"].max() + 0.05) # 全 14 日の最大値で半径正規化 (= コマ間で同じ縮尺になる) SIZE_MAX = float(M_geo[date_cols].values.max()) def size_of(v): """日合計 (mm) → マーカー面積 (pt^2)""" if v <= 0: return 4.0 return 8.0 + 480.0 * (v / SIZE_MAX) # 色も雨量の関数 (同じ vmin/vmax を全コマで共有) VMAX = SIZE_MAX cmap = plt.get_cmap("YlOrRd") for idx, ax in enumerate(axes.flat): if idx < n_days: d = date_cols[idx] v = M_geo[d].values # マーカー大きさ・色は同じ vals を反映 sizes = np.array([size_of(x) for x in v]) colors = cmap(np.clip(v / max(VMAX, 1e-6), 0, 1)) # 県境を色面で描かない代わりに緯度中央線を薄く ax.axhline(LAT_MEDIAN, color="#bbb", lw=0.5, ls="--", zorder=0) ax.scatter(M_geo["lon"], M_geo["lat"], s=sizes, c=colors, edgecolor="#333", linewidths=0.25, alpha=0.85, zorder=2) # 当日トップ3観測所をピン d_rank = M_geo.assign(v=v).nlargest(3, "v") for _, rr in d_rank.iterrows(): if rr["v"] > 30: ax.annotate(rr["station"], (rr["lon"], rr["lat"]), xytext=(3, 3), textcoords="offset points", fontsize=7, color="#222") # 当日県内最大値・平均 ax.set_title(f"{d}\n max={v.max():.0f}mm mean={v.mean():.1f}mm", fontsize=10, pad=2) elif idx == 14: # 14: 14日累積散布 (まとめコマ) v = M_geo["total_14d"].values sizes = np.array([size_of(x / 14.0 * 2.5) for x in v]) # 累積はやや圧縮 colors = cmap(np.clip(v / v.max(), 0, 1)) ax.scatter(M_geo["lon"], M_geo["lat"], s=sizes, c=colors, edgecolor="#333", linewidths=0.25, alpha=0.85) top3 = M_geo.nlargest(3, "total_14d") for _, rr in top3.iterrows(): ax.annotate(rr["station"], (rr["lon"], rr["lat"]), xytext=(3, 3), textcoords="offset points", fontsize=7, color="#222", weight="bold") ax.set_title(f"14日累積 (まとめ)\n max={v.max():.0f}mm", fontsize=10, pad=2, color="#a40e26") else: # 15: 凡例コマ ax.axis("off") legend_vals = [0, 30, 100, 200, 400] for k, lv in enumerate(legend_vals): ax.scatter([0.15], [0.85 - k * 0.18], s=size_of(lv), c=[cmap(np.clip(lv / VMAX, 0, 1))], edgecolor="#333", linewidths=0.3, transform=ax.transAxes, alpha=0.85) ax.text(0.32, 0.85 - k * 0.18, f"{lv} mm/日", transform=ax.transAxes, va="center", fontsize=9.5) ax.text(0.05, 0.97, "凡例 (マーカー = 日合計mm)", transform=ax.transAxes, fontsize=10, weight="bold") ax.text(0.05, 0.02, f"全 {len(M_geo)} 観測所を 14コマで\n" f"並列表示。マーカー位置は固定、\n" f"サイズと色のみ日次で変化。", transform=ax.transAxes, fontsize=9, color="#444") if idx < 15: ax.set_xlim(*xlim); ax.set_ylim(*ylim) ax.set_xticks([]); ax.set_yticks([]) ax.set_aspect("equal", adjustable="box") for s in ax.spines.values(): s.set_color("#999") s.set_linewidth(0.6) fig.suptitle( f"図1: small multiples — 14 日 × 県内 {len(M_geo)} 観測所 の地理散布並列表示\n" f"(マーカー位置=観測所緯度経度, サイズ・色=日合計雨量, " f"全コマ同縮尺・同色軸 vmax={VMAX:.0f}mm)", fontsize=12.5, y=0.992 ) plt.savefig(PNG_SMALLMULT, dpi=130, bbox_inches="tight") plt.close() print(f" → {PNG_SMALLMULT.name}") # === 8. 図2: 観測所別 14日累積ランキング棒 (上位30) + 累積寄与 ================ print("\n=== 8. 図2: 累積ランキング ===") top30 = rank.head(30) fig, axes = plt.subplots(1, 2, figsize=(14, 8.0), gridspec_kw={"width_ratios": [1.4, 1.0]}) ax = axes[0] ypos = np.arange(len(top30))[::-1] # 色: 緯度で色分け (北部=青、南部=赤) norm_lat = (top30["lat"] - geo["lat"].min()) / (geo["lat"].max() - geo["lat"].min() + 1e-6) bar_colors = plt.get_cmap("coolwarm")(1.0 - norm_lat.values) ax.barh(ypos, top30["total_14d"], color=bar_colors, edgecolor="#333", linewidth=0.4) ax.set_yticks(ypos) ax.set_yticklabels([f"{r['rank']:2d}. {r['station']} ({r['city']})" for _, r in top30.iterrows()], fontsize=8.5) ax.set_xlabel("14日累積雨量 (mm)") ax.set_title(f"上位30観測所 (色=緯度: 赤=南, 青=北)\n" f"全{len(M_geo)}観測所中, 上位30で全体の{top30.iloc[-1]['cum_share']*100:.1f}% を占める") ax.grid(axis="x", alpha=0.3) ax.invert_yaxis() ax2 = axes[1] ax2.plot(rank["rank"], rank["cum_share"] * 100, color="#0969da", lw=1.6) ax2.fill_between(rank["rank"], rank["cum_share"] * 100, alpha=0.18, color="#0969da") ax2.axhline(50, color="#cf222e", ls="--", lw=1.0, label="50%ライン") ax2.axhline(80, color="#888", ls="--", lw=0.8, label="80%ライン") n_50 = int((rank["cum_share"] <= 0.5).sum() + 1) n_80 = int((rank["cum_share"] <= 0.8).sum() + 1) ax2.axvline(n_50, color="#cf222e", ls=":", lw=0.8) ax2.axvline(n_80, color="#888", ls=":", lw=0.8) ax2.text(n_50 + 5, 52, f"上位{n_50}観測所で\n50%", fontsize=9, color="#cf222e") ax2.text(n_80 + 5, 82, f"上位{n_80}観測所で 80%", fontsize=9, color="#444") ax2.set_xlabel("観測所ランク (累積14日雨量降順)") ax2.set_ylabel("累積寄与 (%)") ax2.set_title("観測所ランクと累積寄与曲線\n(右下に張り付くほど雨量が少数局所に偏る)") ax2.legend(loc="lower right") ax2.grid(alpha=0.3) ax2.set_ylim(0, 102) plt.tight_layout() plt.savefig(PNG_RANK, dpi=140, bbox_inches="tight") plt.close() print(f" → {PNG_RANK.name}") # === 9. 図3: 日別県内最大雨量+合計 折れ線 (時系列) =========================== print("\n=== 9. 図3: 日別時系列 ===") fig, ax = plt.subplots(figsize=(12, 5.4)) ax2 = ax.twinx() ax.plot(day_stats["date"], day_stats["max_mm"], "-o", color="#cf222e", label="県内最大日合計", lw=1.8, ms=6) ax.plot(day_stats["date"], day_stats["p95_mm"], "--s", color="#fb8500", label="県内 P95 日合計", lw=1.4, ms=5, alpha=0.85) ax.plot(day_stats["date"], day_stats["mean_mm"], "-^", color="#0969da", label="県内平均日合計", lw=1.4, ms=5) ax.set_ylabel("日合計雨量 (mm)") ax2.bar(day_stats["date"], day_stats["sum_mm"], color="#888", alpha=0.22, label="県内総雨量 (右軸)") ax2.set_ylabel("県内総雨量 (mm) — 灰棒") # 上位3日にハイライト top_days = day_stats.nlargest(3, "max_mm")["date"].tolist() for td in top_days: ax.axvspan(td, td, color="#fff8c5", alpha=0.4) ax.set_xticklabels(day_stats["date"], rotation=45, ha="right", fontsize=9) ax.set_title("日別県内雨量の推移 (14日) 豪雨日が時間軸上で局在することを確認") ax.grid(alpha=0.3) # 凡例 (両軸) h1, l1 = ax.get_legend_handles_labels() h2, l2 = ax2.get_legend_handles_labels() ax.legend(h1 + h2, l1 + l2, loc="upper right", fontsize=9) plt.tight_layout() plt.savefig(PNG_DAYLINE, dpi=140, bbox_inches="tight") plt.close() print(f" → {PNG_DAYLINE.name}") # === 10. 図4: ローレンツ曲線 + ジニ係数 ======================================= print("\n=== 10. 図4: ローレンツ曲線 ===") fig, axes = plt.subplots(1, 2, figsize=(13, 5.6)) # 左: 14日累積のヒスト ax = axes[0] ax.hist(rank["total_14d"], bins=40, color="#0969da", alpha=0.75, edgecolor="black", linewidth=0.4) ax.axvline(rank["total_14d"].mean(), color="#cf222e", ls="--", lw=1.2, label=f"平均 = {rank['total_14d'].mean():.0f} mm") ax.axvline(rank["total_14d"].median(), color="#1f883d", ls="--", lw=1.2, label=f"中央値 = {rank['total_14d'].median():.0f} mm") ax.set_xlabel("14日累積雨量 (mm)") ax.set_ylabel("観測所数 (頻度)") ax.set_title(f"14日累積雨量の分布 (n={len(rank)} 観測所)\n" f"右の長尾 = 少数の北部山間部観測所が突出している") ax.legend() ax.grid(alpha=0.3) # 右: ローレンツ曲線 ax = axes[1] ax.plot([0, 1], [0, 1], color="#888", ls="--", lw=1.0, label="完全均等 (G=0)") ax.plot(xs, ys, color="#cf222e", lw=2.0, label=f"実データ (G={gini:.3f})") ax.fill_between(xs, ys, xs, color="#cf222e", alpha=0.15) ax.set_xlabel("観測所累積比率 (少雨側から)") ax.set_ylabel("雨量累積比率") ax.set_title(f"ローレンツ曲線とジニ係数 G = {gini:.3f}\n" f"(0=均等, 1=極端な偏り。所得の不平等度を借りた可視化)") ax.legend(loc="upper left") ax.grid(alpha=0.3) ax.set_xlim(0, 1); ax.set_ylim(0, 1.02) plt.tight_layout() plt.savefig(PNG_LORENZ, dpi=140, bbox_inches="tight") plt.close() print(f" → {PNG_LORENZ.name}") # === 11. 図5: 多雨観測所 vs 少雨観測所 緯度ヒスト重ね描き ===================== print("\n=== 11. 図5: 緯度ヒスト重ね描き ===") # 多雨群 = 上位 25%, 少雨群 = 下位 25% q75 = rank["total_14d"].quantile(0.75) q25 = rank["total_14d"].quantile(0.25) heavy = rank[rank["total_14d"] >= q75] light = rank[rank["total_14d"] <= q25] print(f" 多雨群 (≥P75 = {q75:.1f}mm): {len(heavy)} 観測所, " f"緯度平均 = {heavy['lat'].mean():.4f}") print(f" 少雨群 (≤P25 = {q25:.1f}mm): {len(light)} 観測所, " f"緯度平均 = {light['lat'].mean():.4f}") fig, axes = plt.subplots(1, 2, figsize=(13, 5.4)) # 左: 緯度ヒスト重ね描き ax = axes[0] bins = np.linspace(geo["lat"].min(), geo["lat"].max(), 22) ax.hist(heavy["lat"], bins=bins, color="#cf222e", alpha=0.55, edgecolor="black", linewidth=0.3, label=f"多雨群 (n={len(heavy)})") ax.hist(light["lat"], bins=bins, color="#0969da", alpha=0.55, edgecolor="black", linewidth=0.3, label=f"少雨群 (n={len(light)})") ax.axvline(heavy["lat"].mean(), color="#cf222e", ls="--", lw=1.2) ax.axvline(light["lat"].mean(), color="#0969da", ls="--", lw=1.2) ax.axvline(LAT_MEDIAN, color="#888", ls=":", lw=1.0, label=f"全観測所中央値 = {LAT_MEDIAN:.3f}") ax.set_xlabel("観測所緯度 (°N)") ax.set_ylabel("観測所数") ax.set_title("多雨群 vs 少雨群の緯度分布\n(右にずれているほど北寄り = 山間部寄り)") ax.legend() ax.grid(alpha=0.3) # 右: 散布 (lat × total_14d, カラー=group) ax = axes[1] ax.scatter(rank["lat"], rank["total_14d"], s=14, c="#bbb", alpha=0.6, label="その他") ax.scatter(heavy["lat"], heavy["total_14d"], s=22, c="#cf222e", edgecolor="black", linewidths=0.3, alpha=0.8, label=f"多雨群 (n={len(heavy)})") ax.scatter(light["lat"], light["total_14d"], s=22, c="#0969da", edgecolor="black", linewidths=0.3, alpha=0.8, label=f"少雨群 (n={len(light)})") # 単回帰直線 (補助的) m_slope = np.polyfit(rank["lat"], rank["total_14d"], 1) xx = np.linspace(rank["lat"].min(), rank["lat"].max(), 50) ax.plot(xx, np.polyval(m_slope, xx), color="#222", lw=1.0, ls="--", label=f"単回帰 傾き={m_slope[0]:.0f} mm/°N") ax.set_xlabel("観測所緯度 (°N)") ax.set_ylabel("14日累積雨量 (mm)") ax.set_title("緯度 × 14日累積雨量 散布図\n(北上ほど雨量が増える=北部山間部仮説の可視化)") ax.legend(fontsize=9) ax.grid(alpha=0.3) plt.tight_layout() plt.savefig(PNG_LATHIST, dpi=140, bbox_inches="tight") plt.close() print(f" → {PNG_LATHIST.name}") # === 12. HTML 組み立て ======================================================= print("\n=== 12. HTML 組み立て ===") # 共通の HTML 部品 day_stats_html = day_stats.assign( max_mm=day_stats["max_mm"].round(1), mean_mm=day_stats["mean_mm"].round(2), sum_mm=day_stats["sum_mm"].round(0), p95_mm=day_stats["p95_mm"].round(1), ).to_html(index=False, border=0) top10_rank = rank.head(10).assign( total_14d=lambda d: d["total_14d"].round(1), cum_share=lambda d: (d["cum_share"] * 100).round(2), lat=lambda d: d["lat"].round(3), lon=lambda d: d["lon"].round(3), )[["rank", "station", "city", "lat", "lon", "total_14d", "cum_share"]].to_html( index=False, border=0) track_html = track_df.assign( daily_mm=lambda d: d["daily_mm"].round(1), cum_mm=lambda d: d["cum_mm"].round(1), )[["date", "daily_mm", "cum_mm"]].to_html(index=False, border=0) # 群統計 group_stats_html = pd.DataFrame([ {"群": "多雨群 (≥P75)", "観測所数": len(heavy), "14日累積平均(mm)": round(float(heavy["total_14d"].mean()), 1), "緯度平均(°N)": round(float(heavy["lat"].mean()), 3), "経度平均(°E)": round(float(heavy["lon"].mean()), 3)}, {"群": "少雨群 (≤P25)", "観測所数": len(light), "14日累積平均(mm)": round(float(light["total_14d"].mean()), 1), "緯度平均(°N)": round(float(light["lat"].mean()), 3), "経度平均(°E)": round(float(light["lon"].mean()), 3)}, {"群": "全体", "観測所数": len(rank), "14日累積平均(mm)": round(float(rank["total_14d"].mean()), 1), "緯度平均(°N)": round(float(rank["lat"].mean()), 3), "経度平均(°E)": round(float(rank["lon"].mean()), 3)}, ]).to_html(index=False, border=0) # パレート的不均衡の数字 share_top3day = day_stats.nlargest(3, "sum_mm")["sum_mm"].sum() / day_stats["sum_mm"].sum() share_top10st = rank.head(10)["total_14d"].sum() / rank["total_14d"].sum() share_top1pct = rank.head(max(1, len(rank) // 100))["total_14d"].sum() / rank["total_14d"].sum() # 主要発見ベクトル (印刷用) # H1/H5: 多雨群緯度が少雨群より小さい (=南寄り) という結果なら、仮説は反証される h1_supported = (m_slope[0] > 0) and (top30["lat"].mean() > rank["lat"].mean() + 0.02) h5_supported = heavy["lat"].mean() > light["lat"].mean() + 0.02 # 0除算回避: 最大日合計の最小は 0 になり得るので非0の中で最小をとる nonzero_max_mm = day_stats.loc[day_stats["max_mm"] > 0, "max_mm"] day_max_min = float(nonzero_max_mm.min()) if len(nonzero_max_mm) else 1.0 n_zero_days = int((day_stats["max_mm"] == 0).sum()) findings_text = ( f"H1 {'支持' if h1_supported else '反証'}: 上位30の緯度平均 = {top30['lat'].mean():.3f}°N " f"(全体平均 {rank['lat'].mean():.3f}°N, 単回帰の傾き {m_slope[0]:+.0f} mm/°N)\n" f"H2 強支持: 県内最大日合計の最大 = {day_stats['max_mm'].max():.0f} mm/日, " f"無降雨日 = {n_zero_days} 日 (=完全に静かな日が存在)\n" f"H3 強支持: 14日中 上位3日が県内総雨量の {share_top3day*100:.1f}% を占める\n" f"H4 {'支持' if gini > 0.4 else '部分支持'}: ジニ係数 G = {gini:.3f}, " f"上位10観測所が累積の {share_top10st*100:.1f}% (期間長14日では均質化が進む)\n" f"H5 {'支持' if h5_supported else '反証'}: 多雨群緯度 {heavy['lat'].mean():.3f} " f"vs 少雨群緯度 {light['lat'].mean():.3f} " f"(差 {heavy['lat'].mean()-light['lat'].mean():+.3f}°)" ) print("\n [主要発見]") print(findings_text) # === sections 構築 =========================================================== sections = [] # --- 1. 学習目標と問い ------------------------------------------------------- sections.append(("学習目標と問い", f"""
【本記事のスタイル: 地理時空間 small multiples 研究】 14日分の空間分布を 4×4 グリッドで並列表示し、時間と空間を同時に観る。 PCA や重回帰よりも「並列地理散布」を可視化の主軸に据え、 時間断面の比較によって豪雨日の空間パターン異質性を明らかにする。

本レッスンは 2024 年 6 月 29 日 〜 7 月 12 日 の 14 日 にかけて広島県内で起きた 豪雨期間を対象に、県内 {len(M_geo)} 観測所 × 14 日 の日合計雨量を 1 枚の図に 14 コマ並列で並べ、「時間 × 空間」を同時に観る small multiples 研究記事である。X 水準 (= 既存 L レッスンの上位互換) として、 PCA や重回帰よりも「並列地理散布」を主軸の可視化に据える。

このレッスンで答えたい問い (1 文)

「14 日豪雨期間中、雨はどの場所にどの日にどれだけ降ったか — 空間と時間の偏りを 1 枚の図で示せるか？」

立てた仮説 (H1〜H5)

用語の独自定義 (このレッスン専用)

到達点

本記事を読み終えると、学習者は次の 5 つを身につけて帰る:

  1. small multiples の読み方: 同縮尺・同色軸の 14 コマを並べると、コマ間で「変わったこと / 変わっていないこと」が秒で分かる。
  2. 14 コマを 1 コマで描いてはいけない理由: 1 コマに重ねると線が混ざって読めない。並列表示こそが時間×空間を同時に観る正解。
  3. パレート不均衡の検証手順: ジニ + ローレンツ + 上位寄与率 + ヒスト の 4 点セット。
  4. 地理仮説の最低限の検証フロー: 緯度ヒスト重ね描き → 単回帰の傾き → 群間平均差。3 つを 1 枚にまとめる。
  5. 1 観測所の追跡: マトリクスから 1 行を抜き出し 14 日連続データを表で見ると、平均値や中央値では消える「瞬発の山」が見える。

なぜ small multiples が主軸なのか (要件 H: 図選択の理由)

14 日 × 290 観測所 ≒ 4000 セルの数値を 1 枚で見せたいとき、 代替案は (A) ヒートマップ ({len(M_geo)}行 × 14 列), (B) 折れ線 14 本重ね描き, (C) 14 日累積 1 枚地図, の 3 つがある。それぞれの限界:

これに対し small multiples は、地理を保ったまま (緯度経度散布)、時間を分離したまま (14コマ)、同じスケールで (vmax 共通) 描くので、3 つの限界をすべて回避する。本記事の 図1 がそれである。

""")) # --- 2. 使用データ ----------------------------------------------------------- sections.append(("使用データ", f"""

本レッスンは DoBoX 2 系統 + ローカル 1 系統 = 計 {n_days + 2} ファイルを使う。

原データ

ID名称形式件数 / 規模役割
#1275雨量10分値 2024年度 (14 日分)CSV × {n_days}各 5–8 MB10 分雨量 → 日合計の元
—stations_master.csvCSV{len(geo)} 観測所 (緯度経度あり)観測所名→緯度経度・市町
#1450camera_list.csv (補助参照のみ)CSV—本記事では使用しない (拡張用)

サイズの整理 (要件 L):

段行数列数説明
原データ rain_2024-XX-XX.csv (1日分)144 (=10分×24h)~290 観測所 + ヘッダ10 分値の 時刻×観測所
parse_rain_csv 後 (1日分)144~290tidy DataFrame, NaN は欠測
日合計 Series (1日分)—~290観測所ごとに 1 値 (sum)
本記事の中核行列 M{M.shape[0]} 観測所{n_days} 日観測所×日 の日合計雨量
M_geo (緯度経度マージ後){len(M_geo)}{n_days + 4}マスタにある観測所のみ
14日累積ランク表{len(rank)}6rank, station, lat, lon, total_14d, cum_share

※ 「観測所×日」と「観測所×時刻」は別物。日合計に集約することで 14×144=2016 列を 14 列に落とし、メモリを 1/100 にする。これが「逐次処理」の中身。

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

原データ (DoBoX)

{data_recipe([ {"label": "雨量10分値 2024-07-01 (代表)", "dataset_id": 1275, "file": "data/rain_2024/rain_2024-07-01.csv", "format": "CSV", "size": "10分値"}, {"label": "雨量10分値 14日分 (一括)", "dataset_id": 1275, "file": "data/rain_2024/rain_2024-*.csv", "format": "CSV × 14", "size": "計 70-100 MB"}, ])}

stations_master.csv (緯度経度) はリポジトリ同梱。本スクリプト初回実行時、雨量 14 ファイルが無ければ ensure_dataset() が DoBoX から自動取得する。

本レッスン生成の中間データ (HTML から直 DL)

図 PNG (HTML から直 DL)

再現スクリプト

X06_rainfall_14days_geo_smallmult.py を以下で実行:

cd "2026 DoBoX 教材"
py -X utf8 lessons/X06_rainfall_14days_geo_smallmult.py
""")) # --- 4. 分析1: データ構築 (要件K 1観測所追跡 + 逐次処理の中身) --------------- sections.append(("分析1: 14日 CSV を逐次処理して観測所×日マトリクスを作る (要件K)", f"""

狙い

14 日分の rain_2024 CSV はそれぞれ (時刻 × 観測所) の 2 次元データだが、 14 日分を一気にロードすると 14×144×290 ≒ 580k セルのテーブルになり、 メモリと処理時間を消費する。本記事では各日の 10 分値を読み込んだ その場で日合計に 集約し、生 10 分値を即破棄する 逐次処理でメモリを抑える。

手法 (3 段階)

  1. 逐次ロード: parse_rain_csv() で各日の (時刻 × 観測所) tidy DF を作る。重複観測所名は groupby で和。
  2. 日合計に集約: tidy.sum(axis=0, min_count=1) で 144 行 → 1 行、観測所別の 日合計 Series を取り出す。生 10 分値はここで破棄する (del tidy)。
  3. 14 Series を concat: 14 日分の Series を pd.concat(axis=1) で 観測所 × 14 日のマトリクス M に結合。観測所マスタ stations_master.csv の緯度経度を merge で付与。

実装

""" + code(r''' from pathlib import Path import pandas as pd from _common import parse_rain_csv RAIN_DIR = Path("data/rain_2024") files = sorted(RAIN_DIR.glob("rain_2024-*.csv")) # 14 ファイル daily_series = [] for f in files: tidy = parse_rain_csv(f) # (時刻 × 観測所) の10分値 # 同名観測所が複数列ある (parse_rain_csv が _2 等を付ける) ので groupby で和 tidy.columns = [c.split("_")[0] if "_" in c else c for c in tidy.columns] tidy = tidy.groupby(axis=1, level=0).sum(min_count=1) daily = tidy.sum(axis=0, min_count=1) # 観測所別の日合計 (Series) daily.name = f.stem.replace("rain_", "") daily_series.append(daily) del tidy # ここで生10分値を破棄 → メモリ解放 # 14 日分を観測所×日 マトリクスに結合 M = pd.concat(daily_series, axis=1).fillna(0.0).sort_index(axis=1) print(M.shape) # (観測所数, 14) # 観測所マスタ (緯度経度) と結合 sm_raw = pd.read_csv("data/extras/stations_master.csv", header=None, encoding="utf-8-sig", skiprows=3) geo = pd.DataFrame({ "station": sm_raw.iloc[:, 15].astype(str).str.strip(), "city": sm_raw.iloc[:, 18].astype(str).str.strip(), "lat": pd.to_numeric(sm_raw.iloc[:, 20], errors="coerce"), "lon": pd.to_numeric(sm_raw.iloc[:, 21], errors="coerce"), }).dropna(subset=["lat", "lon"]) geo = geo.drop_duplicates(subset="station", keep="first") M_geo = M.reset_index().merge(geo, on="station", how="inner") M_geo["total_14d"] = M_geo[M.columns.tolist()].sum(axis=1) ''') + f"""

結果 (表と読み取り) — 日別県内統計

逐次処理で得られた日別の県内統計を 1 表に並べると、豪雨日と平常日の落差が見える:

表1: 日別県内統計 ({n_days} 日)

{day_stats_html}

この表から読み取れること:

1 観測所の 14 日連続データ追跡 (要件K: Before/After 1 件追跡)

マトリクス M から 1 観測所だけを抜き出して 14 日の連続データを並べると、 平均や中央値では消える「瞬発の山」が時系列で見える。 本記事では 14 日累積 1 位の {TRACK_STATION} ({track_row['city']}, {track_row['lat']:.3f}°N {track_row['lon']:.3f}°E) を追跡対象にする。

表2: {TRACK_STATION} の 14 日連続日合計と累積 (要件K)

{track_html}

この表から読み取れること:

""")) # --- 5. 分析2: small multiples 4×4 (要件H 図選択理由 + 主役図) ---------------- sections.append(("分析2: small multiples — 14 日地理散布を 4×4 グリッドで一括表示 (要件H)", f"""

狙い

14 日 × 県内 {len(M_geo)} 観測所の日合計雨量を 1 枚の図に詰め込み、 「どの日に、どこで、どれだけ」降ったかを 視覚で同時把握する。 本記事の主役図であり、他のすべての図 (ランキング棒・ローレンツ・緯度ヒスト) は この図から派生する仮説検証の役割を担う。

手法

なぜ small multiples が答えか (4 案比較, 要件H)

14 日 × 290 観測所のような 時間×空間データを 1 枚に圧縮する候補は 4 つあった。 本記事が small multiples を選んだ理由は以下の表のとおり:

方式時間情報空間情報マッピング負荷判定
(A) {len(M_geo)} 行 × 14 列ヒートマップ (L05 で採用)◎ 列で表現× 観測所が縦並びで地理がつぶれる低地理仮説 (H1, H5) が検証できない
(B) 折れ線 {len(M_geo)} 本重ね描き◎ x軸が時間× 線が混ざって誰がどこか分からない中不採用
(C) 14 日累積を 1 枚地図× 時間情報が消える◎低H2 (空間パターン日次変化) が見えない
(D) small multiples 14 コマ並列地理散布 ★◎ コマ番号が時間◎ 各コマで地理保持中採用 (H1〜H5 全てに対応)

実装

""" + code(r''' import matplotlib.pyplot as plt import numpy as np n_days = len(date_cols) # 14 fig, axes = plt.subplots(4, 4, figsize=(15.5, 16.0)) # 全コマ共通の地理ウィンドウと色軸 (= 比較しやすさの担保) xlim = (geo["lon"].min()-0.05, geo["lon"].max()+0.05) ylim = (geo["lat"].min()-0.05, geo["lat"].max()+0.05) SIZE_MAX = M_geo[date_cols].values.max() cmap = plt.get_cmap("YlOrRd") def size_of(v): return 8.0 + 480.0 * (v / SIZE_MAX) if v > 0 else 4.0 for idx, ax in enumerate(axes.flat): if idx < n_days: d = date_cols[idx] v = M_geo[d].values sizes = np.array([size_of(x) for x in v]) colors = cmap(np.clip(v / SIZE_MAX, 0, 1)) ax.scatter(M_geo["lon"], M_geo["lat"], s=sizes, c=colors, edgecolor="#333", linewidths=0.25, alpha=0.85) ax.set_title(f"{d}\n max={v.max():.0f}mm mean={v.mean():.1f}mm") elif idx == 14: # 14日累積まとめコマ v = M_geo["total_14d"].values ... else: # 凡例コマ ... ax.set_xlim(*xlim); ax.set_ylim(*ylim) ax.set_xticks([]); ax.set_yticks([]) ax.set_aspect("equal", adjustable="box") plt.savefig("assets/X06_small_multiples.png", dpi=130) ''') + f"""

結果 (図と読み取り) — 主役図

{figure("assets/X06_small_multiples.png", "図1 (主役): 14日 × " + str(len(M_geo)) + "観測所 の地理散布並列表示。マーカー位置は固定、サイズと色のみ日合計の関数。")}

この図から読み取れること:

結果 (表と読み取り) — 14 日累積上位10

表3: 14日累積雨量 上位10観測所

{top10_rank}

この表から読み取れること:

""")) # --- 6. 分析3: 観測所別 累積ランキング棒 + 寄与曲線 (H4 構造可視化) ------------ sections.append(("分析3: 14日累積ランキング — 上位30観測所の棒 + 累積寄与曲線", f"""

狙い

図1 で見えた「北部に偏った大粒マーカー」を、個別観測所ベースで順位付けして読む。 さらに 累積寄与曲線で「上位何観測所で全体雨量の何%を占めるか」を視覚化し、 H3 (パレート的不均衡) と H4 (県内不均一性) の準備を整える。

手法

実装

""" + code(r''' top30 = rank.head(30) norm_lat = (top30["lat"]-geo["lat"].min())/(geo["lat"].max()-geo["lat"].min()+1e-6) bar_colors = plt.get_cmap("coolwarm")(1.0 - norm_lat.values) # 反転で北=青 fig, axes = plt.subplots(1, 2, figsize=(14, 8.0), gridspec_kw={"width_ratios":[1.4, 1.0]}) axes[0].barh(np.arange(len(top30))[::-1], top30["total_14d"], color=bar_colors) axes[1].plot(rank["rank"], rank["cum_share"]*100, color="#0969da", lw=1.6) ''') + f"""

結果 (図と読み取り)

{figure("assets/X06_cumulative_rank.png", "図2: 上位30観測所棒 (色=緯度) + 累積寄与曲線")}

この図から読み取れること:

""")) # --- 7. 分析4: 日別時系列折れ線 (H3 検証) ------------------------------------- sections.append(("分析4: 日別県内統計の折れ線 — 14 日のうちどの日に降ったか (H3)", f"""

狙い

small multiples (図1) のコマを順番に並べて見ても 「どの日が突出していたか」の数字が読みにくい。 ここでは 3 つの代表値 (最大・P95・平均) を 同じ図に重ねた折れ線として描き、 さらに県内総雨量を 背景の灰色棒で添えて、1 図 4 系列で 14 日の時間パターンを示す。

手法

実装

""" + code(r''' fig, ax = plt.subplots(figsize=(12, 5.4)) ax2 = ax.twinx() ax.plot(day_stats["date"], day_stats["max_mm"], "-o", color="#cf222e", label="県内最大") ax.plot(day_stats["date"], day_stats["p95_mm"], "--s", color="#fb8500", label="県内 P95") ax.plot(day_stats["date"], day_stats["mean_mm"], "-^", color="#0969da", label="県内平均") ax2.bar(day_stats["date"], day_stats["sum_mm"], color="#888", alpha=0.22, label="総雨量") ''') + f"""

結果 (図と読み取り)

{figure("assets/X06_day_timeline.png", "図3: 日別県内統計 (最大・P95・平均・総雨量) の 14 日折れ線")}

この図から読み取れること:

""")) # --- 8. 分析5: ローレンツ曲線 + ジニ係数 (H4 定量化) -------------------------- sections.append(("分析5: ローレンツ曲線とジニ係数 — 県内不均一性を 1 数字で表す (H4)", f"""

狙い

図2 で見えた「上位10観測所が {share_top10st*100:.0f}% を占める」を 1 つのスカラー指標に圧縮し、 他県・他期間との比較に耐える形にする。所得分布の不平等度から借りた ジニ係数を使う。

手法

実装

""" + code(r''' import numpy as np vals = np.sort(rank["total_14d"].values) # 昇順 n = len(vals) cum = np.cumsum(vals) # ローレンツ点列 (0,0) を頭に追加 xs = np.r_[0.0, np.arange(1, n+1) / n] ys = np.r_[0.0, cum / cum[-1]] gini = 1.0 - 2.0 * np.trapezoid(ys, xs) print(f"ジニ係数 G = {gini:.3f}") ''') + f"""

結果 (図と読み取り)

{figure("assets/X06_lorenz_curve.png", "図4: 14日累積雨量のヒスト (左) + ローレンツ曲線 (右)。G=" + f"{gini:.3f}")}

この図から読み取れること:

""")) # --- 9. 分析6: 多雨観測所 vs 少雨観測所 緯度ヒスト (H5 検証) ------------------- sections.append(("分析6: 多雨群 vs 少雨群の緯度ヒスト重ね描き — H5 直接検証", f"""

狙い

H1 (多雨は北部に集中) と H5 (多雨と少雨は地理的に分離) は密接だが別物。 H1 は全観測所の累積雨量 vs 緯度の関係 (=単回帰の傾き)、 H5 は多雨群と少雨群の地理分布が重ならないかの検証 (=緯度ヒストの重なり度)。 本セクションで H5 を 緯度ヒストの重ね描き + 散布 の 2 パネルで仕上げる。

手法

実装

""" + code(r''' q75 = rank["total_14d"].quantile(0.75) q25 = rank["total_14d"].quantile(0.25) heavy = rank[rank["total_14d"] >= q75] light = rank[rank["total_14d"] <= q25] fig, axes = plt.subplots(1, 2, figsize=(13, 5.4)) bins = np.linspace(geo["lat"].min(), geo["lat"].max(), 22) axes[0].hist(heavy["lat"], bins=bins, color="#cf222e", alpha=0.55, label="多雨群") axes[0].hist(light["lat"], bins=bins, color="#0969da", alpha=0.55, label="少雨群") axes[1].scatter(rank["lat"], rank["total_14d"], s=14, c="#bbb", alpha=0.6) axes[1].scatter(heavy["lat"], heavy["total_14d"], c="#cf222e") axes[1].scatter(light["lat"], light["total_14d"], c="#0969da") m_slope = np.polyfit(rank["lat"], rank["total_14d"], 1) ''') + f"""

結果 (図と読み取り)

{figure("assets/X06_lat_histogram.png", "図5: 多雨群・少雨群の緯度ヒスト重ね描き (左) + 緯度×累積雨量散布 (右)")}

表4: 多雨群・少雨群・全体の地理統計

{group_stats_html}

この図と表から読み取れること (仮説と逆の発見):

""")) # --- 10. 考察と発展 ---------------------------------------------------------- sections.append(("考察・限界・発展課題", f"""

仮説 H1〜H5 の判定まとめ

仮説判定根拠
H1 上位観測所は 北部山間部に集中 {'強支持' if h1_supported else '反証 (むしろ南寄り)'} 上位30緯度平均 {rank.head(30)['lat'].mean():.3f} vs 全体 {rank['lat'].mean():.3f}, 単回帰傾き {m_slope[0]:+.0f} mm/°N (図2/図5)。仮説と逆向きの結果 = 2024-07 期間は南寄り (中国山地南斜面) で多雨
H2 豪雨日と平常日で空間パターンが異なる 強支持 県内最大日合計が {day_stats['max_mm'].max():.0f} mm/日 〜 完全無降雨 ({n_zero_days} 日が 0 mm)。small multiples で空間分布の違いが視覚的に明白 (図1/図3)
H3 14 日のうち 2-3 日に集中 強支持 上位3日寄与率 {share_top3day*100:.1f}% (図3)
H4 累積雨量分散大 (G > 0.4) {'支持' if gini>0.4 else '反証 (期間累積では均質化)'} ジニ係数 G = {gini:.3f}, 上位10観測所寄与わずか {share_top10st*100:.1f}%。14 日累積では観測所間の差が均される = 局地豪雨は時間方向で偏るが、期間累積では空間的に意外と均質
H5 多雨群と少雨群が地理的に分離 {'支持' if h5_supported else '反証 (多雨群が南寄り)'} 多雨群緯度 {heavy['lat'].mean():.3f} - 少雨群 {light['lat'].mean():.3f} = {heavy['lat'].mean()-light['lat'].mean():+.3f}° (図5)。多雨群が南寄りに偏る発見 = 「北部山間部仮説」を覆す

本記事の限界

発展課題 (本記事を踏み台にする 5 案)

課題1: 標高 (S31 標高図) を結合した 標高 × 雨量 散布

課題2: K-Means + 地理クラスタ で「雨パターン地域」を抽出

課題3: PCA で 14 日 → 2 主成分 に圧縮 (時間軸の主成分化)

課題4: 動画 (.gif アニメーション) として 14 コマを並べず連続再生

課題5: ロジスティック回帰 で「観測所の翌日豪雨」を予測

本記事のスタイル (small multiples) の汎用性

同じパターンは以下の DoBoX データにそのまま適用できる:

=> 「same axes, different time」を持つ任意の時空間データに対し、本記事の図1パイプラインがそのまま再利用可能。

""")) # === HTML 出力 =============================================================== HTML_PATH = LESSONS / "X06_rainfall_14days_geo_smallmult.html" html = render_lesson( num=306, # X tier (X06 → 306 表示) title="X06 14日豪雨期間の県内雨量分布 — 地理時空間 small multiples で時間×空間を同時に観る", tags=["雨量", "small multiples", "地理時空間", "ジニ係数", "ローレンツ曲線", "X-tier"], time="60〜80分", level="L01 水準 (中級)", data_label="DoBoX #1275 (14日分) + stations_master.csv", sections=sections, script_filename="X06_rainfall_14days_geo_smallmult.py", ) # X-tier ドラフト印を埋め込む html = html.replace("", '', 1) if "data-stier=\"X\"" not in html: html = html.replace("
", '
', 1) HTML_PATH.write_text(html, encoding="utf-8") print(f"\n=== HTML 出力 === {HTML_PATH.name} ({HTML_PATH.stat().st_size//1024} KB)") print("=== 完了 ===")