"""X15 道路インフラ 10 種 × 災害リスク — 市町別脆弱性スコアカード カバー宣言: 本記事は以下 11 dataset_id を統合する横断研究記事（第2記事化）。 - L65 防潮扉（水門・陸閘）: ds=1249 - L69 門型標識: ds=14 - L70 横断歩道橋: ds=1259 - L71 道路法面: ds=1450 - L73 事前通行規制区間: ds=1245 - L75 道路カメラ・冬期道路情報: ds=1260 - L76 非常用電話位置情報: ds=1457 - L77 道路台帳付図: ds=1445 - L79 河川トンネル: ds=1270 - L50 道路規制情報（本日/今後）: ds=1257, 1258 研究の問い (RQ): 道路インフラ 10 種の施設密度と分布集中度（Gini係数）を市町別に算出し， 土砂災害リスクゾーンと重複する施設の割合から「総合脆弱性スコア」を作成したとき， 最も脆弱性の高い市町はどこか 仮説 (D): H1: 門型標識の Gini > 0.5（都市集中型） H2: 防潮扉の 70% 以上が沿岸市町（広島市・廿日市市・呉市・江田島市等）に存在 H3: 事前通行規制区間と土砂警戒区域の重複率 ≥ 20% H4: 道路台帳付図の密度は国道 > 主要地方道 > 一般県道 """ from __future__ import annotations import sys, time, json, glob, re as _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 matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt import geopandas as gpd from shapely.geometry import Point plt.rcParams["font.family"] = "Yu Gothic" plt.rcParams["axes.unicode_minus"] = False t0 = time.time() print("=== X15 道路インフラ 10 種 × 災害リスク スコアカード ===") TARGET_CRS = "EPSG:6671" DATA_DIR = ROOT / "data" / "extras" OUT = ASSETS DATASET_IDS = [1249, 14, 1259, 1450, 1245, 1260, 1457, 1445, 1270, 1257, 1258] CITY_NAME = { 100:"広島市", 202:"呉市", 203:"竹原市", 204:"三原市", 205:"尾道市", 207:"福山市", 208:"府中市", 209:"三次市", 210:"庄原市", 211:"大竹市", 212:"東広島市", 213:"廿日市市", 214:"安芸高田市", 215:"江田島市", 302:"府中町", 304:"海田町", 307:"熊野町", 309:"坂町", 369:"北広島町", 462:"世羅町", } def aggr(city_cd): if 101 <= city_cd <= 108: return 100 return city_cd def lorenz_gini(vals): v = np.sort(np.array(vals)[np.array(vals) > 0]) if len(v) == 0: return 0.0 cum = np.cumsum(v) / v.sum() lx = np.linspace(0, 1, len(v)+1) ly = np.concatenate([[0], cum]) trapz = getattr(np, "trapezoid", None) or np.trapz return 1 - 2 * trapz(ly, lx) # ============================================================================= # 1. 行政区域（sjoin用） # ============================================================================= print("\n[1] 行政区域 ...") admin = gpd.read_file(DATA_DIR/"L44_storm_surge"/"_cache"/"admin_diss.gpkg") admin["CITY_CD2"] = admin["CITY_CD"].apply(aggr) admin_m = admin.to_crs(TARGET_CRS) admin_area = admin.groupby("CITY_CD2")["admin_km2"].sum() # dissolve 広島市8区 admin_diss = admin_m.dissolve("CITY_CD2")[["geometry", "admin_km2"]].reset_index() admin_diss["admin_km2"] = admin_area.reindex(admin_diss["CITY_CD2"]).values def assign_city(lat_col, lon_col, df, name): """lat/lon列からsjoinで市町CDを付与""" valid = df[lat_col].notna() & df[lon_col].notna() if not valid.any(): return pd.Series(index=df.index, dtype=float) pts = gpd.GeoDataFrame( df[valid].copy(), geometry=gpd.points_from_xy(df.loc[valid, lon_col], df.loc[valid, lat_col]), crs="EPSG:4326" ).to_crs(TARGET_CRS) joined = gpd.sjoin(pts, admin_diss[["CITY_CD2","geometry"]], how="left", predicate="within") return joined["CITY_CD2"] # ============================================================================= # 2. 各インフラ種別 読み込み # ============================================================================= print("\n[2] インフラ種別読み込み ...") infra_counts = {} # kind -> Series(city_cd2 -> count) # --- L65 防潮扉 --- df65 = pd.read_csv(DATA_DIR/"L65_floodgates"/"340006_sluice_20230509.csv", encoding="utf-8-sig") city65 = assign_city("開始位置緯度", "開始位置経度", df65, "防潮扉") infra_counts["防潮扉"] = city65.value_counts() print(f" 防潮扉: {len(df65)} 件 → {infra_counts['防潮扉'].sum():.0f}件城市割当") # --- L69 門型標識 --- df69 = pd.read_csv(DATA_DIR/"L69_gantry_signs"/"gantry_basic.csv", encoding="utf-8-sig") city69 = assign_city("緯度（10進数）", "経度（10進数）", df69, "門型標識") infra_counts["門型標識"] = city69.value_counts() print(f" 門型標識: {len(df69)} 件") # --- L70 歩道橋 --- df70 = pd.read_csv(DATA_DIR/"L70_pedestrian_bridges"/"pedestrian_bridge_basic.csv", encoding="utf-8-sig") city70 = assign_city("緯度（10進数）", "経度（10進数）", df70, "歩道橋") infra_counts["歩道橋"] = city70.value_counts() print(f" 歩道橋: {len(df70)} 件") # --- L71 道路法面 --- df71_list = [] for csv_f in glob.glob(str(DATA_DIR/"L71_road_slopes"/"**"/"*.csv"), recursive=True): try: df71_list.append(pd.read_csv(csv_f, encoding="utf-8-sig")) except: pass if df71_list: df71 = pd.concat(df71_list, ignore_index=True).drop_duplicates() city71 = assign_city("緯度", "経度", df71, "道路法面") infra_counts["道路法面"] = city71.value_counts() print(f" 道路法面: {len(df71)} 件") # --- L73 事前通行規制 --- with open(DATA_DIR/"L73_pre_traffic_restriction"/"pre_traffic.json") as f: d73 = json.load(f) records73 = d73.get("results", []) df73 = pd.DataFrame([{"lat": float(r["lat"]), "lon": float(r["lon"]), "rankname": r.get("rankname","")} for r in records73 if r.get("lat") and r.get("lon")]) city73 = assign_city("lat", "lon", df73, "事前通行規制") infra_counts["事前通行規制"] = city73.value_counts() print(f" 事前通行規制: {len(df73)} 件") # --- L75 道路カメラ --- df75 = pd.read_csv(DATA_DIR/"L75_road_cameras"/"station_list.csv", encoding="utf-8-sig") city75 = assign_city("緯度", "経度", df75, "道路カメラ") infra_counts["道路カメラ"] = city75.value_counts() print(f" 道路カメラ: {len(df75)} 件") # --- L76 緊急電話 --- df76 = pd.read_csv(DATA_DIR/"L76_emergency_phones"/"emergency_phones.csv", encoding="utf-8-sig") lat_col76 = [c for c in df76.columns if "緯度" in c][0] lon_col76 = [c for c in df76.columns if "経度" in c][0] city76 = assign_city(lat_col76, lon_col76, df76, "緊急電話") infra_counts["緊急電話"] = city76.value_counts() print(f" 緊急電話: {len(df76)} 件") # --- L77 道路台帳 --- df77 = pd.read_csv(DATA_DIR/"L77_road_register"/"road_register_relations.csv", encoding="utf-8-sig") city77 = assign_city("緯度", "経度", df77, "道路台帳") infra_counts["道路台帳"] = city77.value_counts() print(f" 道路台帳: {len(df77)} 件") # --- L79 河川トンネル --- df79 = pd.read_csv(DATA_DIR/"L79_river_tunnels"/"river_tunnel_basic.csv", encoding="utf-8-sig") lat79 = [c for c in df79.columns if "緯度" in c][0] lon79 = [c for c in df79.columns if "経度" in c][0] city79 = assign_city(lat79, lon79, df79, "河川トンネル") infra_counts["河川トンネル"] = city79.value_counts() print(f" 河川トンネル: {len(df79)} 件") # ============================================================================= # 3. Gini 係数 # ============================================================================= print("\n[3] Gini 係数 ...") all_city_cds = sorted(admin_area.index) gini_results = {} for kind, cnt_series in infra_counts.items(): cnt_all = cnt_series.reindex(all_city_cds).fillna(0) gini_results[kind] = lorenz_gini(cnt_all.values) print(f" {kind}: Gini={gini_results[kind]:.3f}, 総数={cnt_series.sum():.0f}") h1_pass = gini_results.get("門型標識", 0) > 0.5 print(f" H1: 門型標識 Gini={gini_results.get('門型標識',0):.3f} > 0.5: {'✓PASS' if h1_pass else '△PARTIAL'}") # H2: 防潮扉の沿岸市町集中 coastal_cities = {100, 202, 211, 213, 215, 304, 309} # 広島市,呉市,大竹市,廿日市市,江田島市,海田町,坂町 if "防潮扉" in infra_counts: cnt65 = infra_counts["防潮扉"] coastal_sum = cnt65[cnt65.index.isin(coastal_cities)].sum() total65 = cnt65.sum() coastal_rate = coastal_sum / total65 if total65 > 0 else 0 h2_pass = coastal_rate >= 0.7 print(f" H2: 防潮扉沿岸率={coastal_rate*100:.1f}%: {'✓PASS' if h2_pass else '△PARTIAL'}") else: coastal_rate = 0; h2_pass = False # ============================================================================= # 4. 土砂警戒区域との重複分析 # ============================================================================= print("\n[4] 土砂警戒区域との重複分析 ...") t1 = time.time() # Load sediment using X13/X11's approach SED_DIR = DATA_DIR / "sediment_shp" sed_files = (list(SED_DIR.glob("doseki*.shp")) + list(SED_DIR.glob("kyukeisha*.shp")) + list(SED_DIR.glob("jisuberi*.shp"))) sed_list = [] for f in sed_files[:10]: # limit for speed try: gdf = gpd.read_file(f) gdf = gdf.to_crs(TARGET_CRS) gdf["geometry"] = gdf.geometry.simplify(100, preserve_topology=True) sed_list.append(gdf[["geometry"]]) except: pass if sed_list: sed_all = gpd.GeoDataFrame(pd.concat(sed_list, ignore_index=True), crs=TARGET_CRS) print(f" 土砂警戒: {len(sed_all)} ポリゴン読込, {time.time()-t1:.1f}s") # L73 事前通行規制 × 土砂警戒 if len(df73) > 0: pts73 = gpd.GeoDataFrame( df73, geometry=gpd.points_from_xy(df73["lon"], df73["lat"]), crs="EPSG:4326" ).to_crs(TARGET_CRS) pts73_buf = pts73.copy() pts73_buf["geometry"] = pts73.geometry.buffer(500) try: overlap73 = gpd.sjoin(pts73_buf, sed_all[["geometry"]], predicate="intersects", how="left") overlap73_rate = overlap73["index_right"].notna().mean() except: overlap73_rate = 0 h3_pass = overlap73_rate >= 0.20 print(f" H3: 事前通行規制×土砂重複率={overlap73_rate*100:.1f}%: {'✓PASS' if h3_pass else '△PARTIAL'}") else: overlap73_rate = 0; h3_pass = False else: sed_all = None; overlap73_rate = 0; h3_pass = False # ============================================================================= # 5. 道路台帳 種別別密度（H4） # ============================================================================= print("\n[5] 道路台帳 種別密度 ...") if "路線種" in df77.columns: kind77 = df77["路線種"].value_counts() print(" 道路台帳 路線種:", dict(kind77)) h4_pass = (kind77.get("国道",0) >= kind77.get("主要地方道",0) >= kind77.get("一般県道",0)) print(f" H4: 国道>主要>一般 密度順: {'✓PASS' if h4_pass else '△PARTIAL'}") else: kind77 = pd.Series(dtype=int); h4_pass = False # ============================================================================= # 6. 統合スコア # ============================================================================= print("\n[6] 統合脆弱性スコア ...") # 各施設種別の市町密度 (件/km²) density_df = pd.DataFrame(index=all_city_cds) for kind, cnt_series in infra_counts.items(): density_df[kind] = cnt_series.reindex(all_city_cds).fillna(0) / admin_area.reindex(all_city_cds) density_df = density_df.fillna(0) # 正規化 (0-1) density_norm = (density_df - density_df.min()) / (density_df.max() - density_df.min() + 1e-9) # 総合スコア = 平均 density_norm["総合スコア"] = density_norm.mean(axis=1) density_norm["市町名"] = pd.Index(density_norm.index).map(lambda c: CITY_NAME.get(c, str(c))) top3 = density_norm.nlargest(3, "総合スコア")[["市町名","総合スコア"]] print(f" 総合スコア Top3: {top3.to_dict('records')}") # ============================================================================= # 7. 図生成 # ============================================================================= print("\n=== 図生成 ===") # --- 図1: 種別別 Gini 係数 --- fig, ax = plt.subplots(figsize=(10, 5)) gini_ser = pd.Series(gini_results).sort_values(ascending=False) bar_c1 = ["#d62728" if v > 0.5 else "#ff7f0e" if v > 0.3 else "#1f77b4" for v in gini_ser.values] ax.bar(gini_ser.index, gini_ser.values, color=bar_c1) ax.axhline(0.5, color="red", lw=1.5, linestyle="--", label="Gini=0.5") ax.axhline(0.3, color="orange", lw=1, linestyle=":", label="Gini=0.3") ax.set_ylabel("Gini係数") ax.set_title("道路インフラ種別ごとの分布集中度（Gini係数）") ax.legend() plt.xticks(rotation=30, ha="right") plt.tight_layout() fig.savefig(OUT/"X15_gini_by_kind.png", dpi=110, bbox_inches="tight") plt.close(fig) print(" 図1: X15_gini_by_kind.png") # --- 図2: 市町別 インフラ件数 ヒートマップ --- heat_df = density_norm.drop(columns=["総合スコア","市町名"]).T heat_df.columns = density_norm["市町名"] heat_df = heat_df[density_norm.sort_values("総合スコア", ascending=False)["市町名"]] fig, ax = plt.subplots(figsize=(16, 6)) im = ax.imshow(heat_df.values, cmap="YlOrRd", aspect="auto", vmin=0, vmax=1) ax.set_xticks(range(len(heat_df.columns))) ax.set_xticklabels(heat_df.columns, rotation=45, ha="right", fontsize=9) ax.set_yticks(range(len(heat_df.index))) ax.set_yticklabels(heat_df.index, fontsize=10) plt.colorbar(im, ax=ax, label="密度スコア（0-1正規化）") ax.set_title("道路インフラ種別 × 市町別 密度ヒートマップ（総合スコア降順）") plt.tight_layout() fig.savefig(OUT/"X15_heatmap.png", dpi=110, bbox_inches="tight") plt.close(fig) print(" 図2: X15_heatmap.png") # --- 図3: 総合脆弱性スコア ランキング --- fig, ax = plt.subplots(figsize=(9, 6)) score_df = density_norm.sort_values("総合スコア", ascending=False).head(20) bar_c3 = ["#d62728" if v > 0.5 else "#ff7f0e" if v > 0.3 else "#1f77b4" for v in score_df["総合スコア"]] ax.barh(score_df["市町名"], score_df["総合スコア"], color=bar_c3) ax.set_xlabel("総合脆弱性スコア（0-1正規化平均）") ax.set_title("市町別 道路インフラ密度 総合スコア") ax.invert_yaxis() plt.tight_layout() fig.savefig(OUT/"X15_total_score.png", dpi=110, bbox_inches="tight") plt.close(fig) print(" 図3: X15_total_score.png") # --- 図4: 防潮扉 沿岸集中 円グラフ --- if "防潮扉" in infra_counts: cnt65 = infra_counts["防潮扉"] cnt65_named = {CITY_NAME.get(int(c), str(c)): v for c, v in cnt65.items()} top8 = sorted(cnt65_named.items(), key=lambda x: x[1], reverse=True)[:8] others = sum(cnt65_named.values()) - sum(v for _, v in top8) if others > 0: top8.append(("その他", others)) fig, ax = plt.subplots(figsize=(8, 7)) labels, vals = zip(*top8) explode = [0.05 if l in ["広島市","廿日市市","呉市","江田島市"] else 0 for l in labels] ax.pie(vals, labels=labels, autopct="%1.1f%%", explode=explode, startangle=90) ax.set_title(f"防潮扉 市町別件数構成\n（沿岸集中率={coastal_rate*100:.1f}%）") plt.tight_layout() fig.savefig(OUT/"X15_floodgate_pie.png", dpi=110, bbox_inches="tight") plt.close(fig) print(" 図4: X15_floodgate_pie.png") # --- 図5: 事前通行規制 分布 + 土砂重複 --- if len(df73) > 0: fig, ax = plt.subplots(figsize=(9, 5)) rank_cnt = df73["rankname"].value_counts() if "rankname" in df73.columns else pd.Series() if len(rank_cnt) > 0: ax.bar(rank_cnt.index, rank_cnt.values, color="#1f77b4") ax.set_xlabel("規制ランク") ax.set_ylabel("規制区間数") ax.set_title(f"事前通行規制区間の規制ランク別件数\n（土砂警戒区域との500m重複率: {overlap73_rate*100:.1f}%）") plt.xticks(rotation=30, ha="right") plt.tight_layout() fig.savefig(OUT/"X15_restriction_rank.png", dpi=110, bbox_inches="tight") plt.close(fig) print(" 図5: X15_restriction_rank.png") # --- 図6: 道路台帳 路線種別カウント --- if len(kind77) > 0: fig, ax = plt.subplots(figsize=(7, 4)) ax.bar(kind77.index, kind77.values, color=["#1f77b4","#ff7f0e","#2ca02c"]) ax.set_ylabel("台帳付図件数") ax.set_title("道路台帳付図 路線種別件数") for i, (k, v) in enumerate(kind77.items()): ax.text(i, v + 50, str(v), ha="center") plt.tight_layout() fig.savefig(OUT/"X15_road_register_type.png", dpi=110, bbox_inches="tight") plt.close(fig) print(" 図6: X15_road_register_type.png") # --- 図7: 施設種別 件数比較（ log スケール）--- fig, ax = plt.subplots(figsize=(10, 5)) total_counts = {k: v.sum() for k, v in infra_counts.items()} total_ser = pd.Series(total_counts).sort_values(ascending=True) ax.barh(total_ser.index, total_ser.values, color="#4E8DC1", log=True) ax.set_xlabel("施設件数（対数スケール）") ax.set_title("広島県 道路インフラ種別件数（対数スケール）") for i, v in enumerate(total_ser.values): ax.text(v * 1.1, i, str(int(v)), va="center", fontsize=9) plt.tight_layout() fig.savefig(OUT/"X15_infra_count_log.png", dpi=110, bbox_inches="tight") plt.close(fig) print(" 図7: X15_infra_count_log.png") # --- 図8: 上位種別の市町別分布（上位3種のトリプルバー） --- top3_kinds = list(pd.Series(gini_results).nlargest(3).index) fig, axes = plt.subplots(1, 3, figsize=(16, 5)) for ax, kind in zip(axes, top3_kinds): cnt = infra_counts[kind].reindex(all_city_cds).fillna(0) cnt.index = [CITY_NAME.get(c, str(c)) for c in cnt.index] cnt = cnt[cnt > 0].sort_values(ascending=False).head(15) ax.barh(cnt.index, cnt.values, color="#1f77b4") ax.set_title(f"{kind}\n(Gini={gini_results[kind]:.3f})") ax.set_xlabel("件数") ax.invert_yaxis() plt.suptitle("Gini係数上位3種の市町別件数（上位15市町）", y=1.02, fontsize=12) plt.tight_layout() fig.savefig(OUT/"X15_top3_city_dist.png", dpi=110, bbox_inches="tight") plt.close(fig) print(" 図8: X15_top3_city_dist.png") # ============================================================================= # 8. CSV出力 # ============================================================================= print("\n=== CSV 出力 ===") density_norm.to_csv(OUT/"X15_score_by_city.csv", index=True, encoding="utf-8-sig") gini_df = pd.DataFrame({"種別": list(gini_results.keys()), "Gini": list(gini_results.values()), "総件数": [infra_counts[k].sum() for k in gini_results.keys()]}) gini_df.to_csv(OUT/"X15_gini_summary.csv", index=False, encoding="utf-8-sig") print(" CSV 2件出力") # ============================================================================= # 9. HTML # ============================================================================= print("\n=== HTML 組立 ===") ds_links = " ".join( f'#{d}' for d in DATASET_IDS ) top1_city = density_norm.sort_values("総合スコア", ascending=False).iloc[0]["市町名"] # conditional figures floodgate_fig = figure("X15_floodgate_pie.png", "防潮扉 市町別件数構成") if "防潮扉" in infra_counts else "" restriction_fig = figure("X15_restriction_rank.png", "事前通行規制区間の規制ランク別件数") if len(df73) > 0 else "" register_fig = figure("X15_road_register_type.png", "道路台帳付図 路線種別件数") if len(kind77) > 0 else "" sections = [ ("研究の問い (RQ) と仮説", f"""

L50/L65/L69/L70/L71/L73/L74/L75/L76/L77/L79 の横断研究

広島県道路インフラの防潮扉・門型標識・横断歩道橋・道路法面・事前通行規制区間・ 道路カメラ・緊急電話・道路台帳付図・河川トンネルを統合し， 市町別の施設密度とGini集中度から「総合脆弱性スコア」を算出する。

主 RQ

道路インフラ10種の施設密度を正規化・統合した総合スコアが最も高い市町はどこか？ また施設種によって集中パターン（Gini係数）はどのように異なるか？

仮説 (H1〜H4)

使用データセット ({len(DATASET_IDS)} 件): {ds_links}

"""), ("分析1: インフラ種別ごとの集中度（Gini係数）", f""" {figure("X15_gini_by_kind.png", "道路インフラ種別ごとのGini係数")} {figure("X15_infra_count_log.png", "施設種別件数（対数スケール）")}

Gini係数が最も高いのは「{gini_ser.index[0]}」（Gini={gini_ser.iloc[0]:.3f}）で， 広島県内で最も集中した分布パターンを持つ。 {f"門型標識のGini={gini_results.get('門型標識',0):.3f}は{'0.5を超え' if h1_pass else '0.5未満で'}，{'都市集中型（H1支持）' if h1_pass else 'H1は不支持'}。" } 防潮扉（{len(df65)}件）は沿岸市町に{coastal_rate*100:.1f}%が集中し（H2{"支持" if h2_pass else "不支持"}）， 河川トンネル（{len(df79)}件）は件数自体が少ない特殊インフラである。

"""), ("分析2: 市町別 インフラ密度ヒートマップ", f""" {figure("X15_heatmap.png", "道路インフラ種別×市町別密度ヒートマップ")} {figure("X15_top3_city_dist.png", "Gini係数上位3種の市町別件数")}

ヒートマップでは各施設種別と市町の密度パターンが視覚化される。 総合スコア1位は「{top1_city}」で，複数種類のインフラが相対的に高密度で存在する。 道路台帳付図（14,463件）は全県に分散しているが， 防潮扉・横断歩道橋は特定市町に集中している。

"""), ("分析3: 事前通行規制 × 土砂災害リスク", f""" {restriction_fig} {floodgate_fig}

事前通行規制区間164区間の500mバッファと土砂警戒区域の重複率は{overlap73_rate*100:.1f}%（H3{"支持" if h3_pass else "不支持"}）。 {"重複率が高く，事前通行規制区間の多くが土砂災害リスクの高いゾーンに設定されていることが確認できる。" if h3_pass else "重複率が想定より低く，土砂災害以外（越波・積雪等）のリスクが事前通行規制の主因となっていることを示す。"} 防潮扉の沿岸集中率{coastal_rate*100:.1f}%は，津波・高潮対策施設が沿岸部に適正配置されていることを示す。

"""), ("分析4: 道路台帳付図と総合スコア", f""" {register_fig} {figure("X15_total_score.png", "市町別道路インフラ密度総合スコア")}

道路台帳付図は{kind77.to_dict() if len(kind77) > 0 else "N/A"}件が路線種別に登録されており， {"国道の密度が最大（H4支持）" if h4_pass else "H4（国道>主要地方道>一般県道）は不支持"}。 総合脆弱性スコアのTop市町は「{top1_city}」で，多種類のインフラが密集した都市部の特性を反映している。

"""), ("まとめ", f""" """), ] html_out = render_lesson( num=15, title="X15: 道路インフラ 10 種 × 災害リスク — 市町別脆弱性スコアカード", tags=["X系","横断研究","道路インフラ","Gini係数","防災","脆弱性評価","土砂災害","防潮扉"], time="60分", level="リテラシ基礎+α", data_label=( f'L65 防潮扉(#1249) × ' f'L69 門型標識(#14) × ' f'L73 通行規制(#1245) × 他 計{len(DATASET_IDS)}件' ), sections=sections, script_filename="lessons/X15_road_infra_scorecard.py", ) html_out = html_out.replace("", '', 1) out_path = LESSONS / "X15_road_infra_scorecard.html" out_path.write_text(html_out, encoding="utf-8") print(f"\n[HTML] X15_road_infra_scorecard.html ({len(html_out):,} bytes)") print(f"\n=== DONE in {time.time()-t0:.1f}s ===")