BigQuery の GEOGRAPHY 型と GIS 関数入門 – WGS84 とデータインポート

2026年4月25日

Contents

1 1. はじめに
2 2. GEOGRAPHY データ型と WGS‑84 測地系
- 2.1 2‑1. 代表的な構文例
3 3. 空間データのインポート方法
4 4. 主な GIS 関数と使用例
- 4.1 4‑1. 距離検索の実装例
5 5. ハンズオン – Citi Bike データセットで学ぶ
- 5.1 5‑1. データ概要（公式公開データセット）
- 5.2 5‑2. ポリゴン内判定（Manhattan 区域）
6 6. パフォーマンス最適化と可視化ベストプラクティス
7 7. 参考情報・リンク
8 8. まとめ

スポンサードリンク

1. はじめに

Google BigQuery が提供する GEOGRAPHY データ型は、空間分析を行う際の唯一の前提条件です。本稿では、以下のポイントを中心に解説します。

GEOGRAPHY 型とその測地系（WGS‑84）の基本概念
CSV・GeoJSON・Parquet などからのデータ取り込み手順
主な GIS 関数と実装例
公開データセット Citi Bike を使ったハンズオン
パフォーマンス最適化と可視化のベストプラクティス

本記事は公式ドキュメントを基に作成していますが、Qiita 記事（非公式）を参照した箇所は明示的に区別しています。

2. GEOGRAPHY データ型と WGS‑84 測地系

項目	内容
データ型	`GEOGRAPHY`（緯度・経度のペア）
内部表現	Well‑Known Text (WKT) または EWKB で保存し、BigQuery が自動的に最適化
サポートジオメトリ	POINT, LINESTRING, POLYGON, MULTIPOINT, MULTILINESTRING, MULTIPOLYGON, GEOMETRYCOLLECTION（3D は未対応）
測地系	常に WGS‑84 (World Geodetic System 1984) が使用され、座標変換は不要

WGS‑84 は GPS でも採用されている国際的な楕円体です。関数によっては「球面」(sphere) と「楕円体」(spheroid) のどちらで距離を計算するかをオプションで選択できますが、測地系自体は常に WGS‑84 です【公式ドキュメント】(https://cloud.google.com/bigquery/docs/geospatial-data?hl=ja)。

2‑1. 代表的な構文例

-- POINT を作成（経度, 緯度 の順）
SELECT ST_GEOGPOINT(-73.9857, 40.7484) AS empire_state;

-- WKT 文字列から GEOGRAPHY に変換
SELECT ST_GeogFromText('POINT(-73.9857 40.7484)') AS geom;

-- POINT を作成（経度, 緯度の順）

SELECT ST_GEOGPOINT(-73.9857, 40.7484) AS empire_state;

-- WKT 文字列から GEOGRAPHY に変換

SELECT ST_GeogFromText('POINT(-73.9857 40.7484)') AS geom;

3. 空間データのインポート方法

3‑1. スキーマ定義は必須

外部ストレージ（Cloud Storage 等）からロードする場合、GEOGRAPHY カラムを 明示的に スキーマで指定します。

# テーブル作成例（station_id, name は文字列、location が GEOGRAPHY）
bq mk --table my_dataset.citibike_stations \
  station_id:STRING,name:STRING,location:GEOGRAPHY

# テーブル作成例（station_id, name は文字列、location が GEOGRAPHY）

bq mk --table my_dataset.citibike_stations \

station_id:STRING,name:STRING,location:GEOGRAPHY

3‑2. CSV/GeoJSON の取り込み

CSV に lon,lat 形式の文字列があるケースを例にします。

# CSV を Cloud Storage にアップロード
gsutil cp stations.csv gs://my-bucket/

# ロード（location は文字列として取得）
bq load --source_format=CSV \
  my_dataset.citibike_stations gs://my-bucket/stations.csv \
  station_id,name,location

# CSV を Cloud Storage にアップロード

gsutil cp stations.csv gs://my-bucket/

# ロード（location は文字列として取得）

bq load --source_format=CSV \

my_dataset.citibike_stations gs://my-bucket/stations.csv \

station_id,name,location

3‑2‑1. 文字列 → GEOGRAPHY への変換

UPDATE my_dataset.citibike_stations
SET location = ST_GEOGPOINT(
        CAST(SPLIT(location, ',')[OFFSET(0)] AS FLOAT64),
        CAST(SPLIT(location, ',')[OFFSET(1)] AS FLOAT64))
WHERE TRUE;

UPDATE my_dataset.citibike_stations

SET location = ST_GEOGPOINT(

CAST(SPLIT(location, ',')[OFFSET(0)] AS FLOAT64),

CAST(SPLIT(location, ',')[OFFSET(1)] AS FLOAT64))

WHERE TRUE;

3‑3. Parquet の取り込み

Parquet ファイルに WKT 文字列で GEOGRAPHY カラムを保存しておけば、スキーマだけ指定すればそのままロードできます。

bq load --source_format=PARQUET \
  my_dataset.parquet_table gs://my-bucket/data.parquet \
  --schema location:GEOGRAPHY,station_id:STRING,name:STRING

bq load --source_format=PARQUET \

my_dataset.parquet_table gs://my-bucket/data.parquet \

--schema location:GEOGRAPHY,station_id:STRING,name:STRING

注意：Qiita 記事（例：https://qiita.com/shin_ishiguro/items/2429038b2c4c99c10837）は実装サンプルとして有用ですが、公式情報ではありません。最新の仕様は必ず Google Cloud のドキュメントをご確認ください。

4. 主な GIS 関数と使用例

関数	説明	サンプル
`ST_GEOGPOINT(lon, lat)`	点オブジェクト作成	`SELECT ST_GEOGPOINT(-73.9857, 40.7484) AS pt;`
`ST_GeogFromText(wkt)`	WKT → GEOGRAPHY 変換	`SELECT ST_GeogFromText('POINT(-73.9857 40.7484)');`
`ST_DISTANCE(g1, g2[, spheroid])`	2点間距離（メートル） ※`spheroid=TRUE`で楕円体計算	`SELECT ST_DISTANCE(ptA, ptB) AS d;`
`ST_WITHIN(point, polygon)`	点がポリゴン内か判定	`SELECT ST_WITHIN(p, poly) FROM …;`
`ST_INTERSECTS(g1, g2)`	ジオメトリ同士の交差判定	`SELECT ST_INTERSECTS(line, poly);`
`ST_BUFFER(geog, radius_meters)`	指定半径でバッファー（円）作成	`SELECT ST_BUFFER(pt, 500) AS buf;`

4‑1. 距離検索の実装例

WITH stations AS (
  SELECT station_id,
         name,
         ST_GEOGPOINT(longitude, latitude) AS geom
  FROM `bigquery-public-data.new_york.citibike_stations`
)
SELECT station_id,
       name,
       ROUND(ST_DISTANCE(geom,
               ST_GEOGPOINT(-73.9857, 40.7484)), 0) AS distance_m
FROM stations
WHERE ST_DISTANCE(geom, ST_GEOGPOINT(-73.9857, 40.7484)) &lt;= 500
ORDER BY distance_m;

WITH stations AS (

SELECT station_id,

name,

ST_GEOGPOINT(longitude, latitude) AS geom

FROM `bigquery-public-data.new_york.citibike_stations`

)

SELECT station_id,

name,

ROUND(ST_DISTANCE(geom,

ST_GEOGPOINT(-73.9857, 40.7484)), 0) AS distance_m

FROM stations

WHERE ST_DISTANCE(geom, ST_GEOGPOINT(-73.9857, 40.7484)) <= 500

ORDER BY distance_m;

5. ハンズオン – Citi Bike データセットで学ぶ

5‑1. データ概要（公式公開データセット）

フィールド	型	説明
`station_id`	STRING	ステーション ID
`name`	STRING	駅名
`latitude`	FLOAT64	緯度
`longitude`	FLOAT64	経度

5‑2. ポリゴン内判定（Manhattan 区域）

以下は別テーブルに保存した行政区画ポリゴンを利用する例です。

WITH stations AS (
  SELECT station_id,
         name,
         ST_GEOGPOINT(longitude, latitude) AS geom
  FROM `bigquery-public-data.new_york.citibike_stations`
),
manhattan AS (
  SELECT poly
  FROM `my_dataset.nyc_admin_zones`
  WHERE zone_name = 'Manhattan'
)
SELECT s.station_id,
       s.name
FROM stations s, manhattan m
WHERE ST_WITHIN(s.geom, m.poly);

WITH stations AS (

SELECT station_id,

name,

ST_GEOGPOINT(longitude, latitude) AS geom

FROM `bigquery-public-data.new_york.citibike_stations`

manhattan AS (

SELECT poly

FROM `my_dataset.nyc_admin_zones`

WHERE zone_name = 'Manhattan'

)

SELECT s.station_id,

s.name

FROM stations s, manhattan m

WHERE ST_WITHIN(s.geom, m.poly);

ポイント：ST_GEOGPOINT による変換と ST_DISTANCE / ST_WITHIN の組み合わせだけで、実務レベルの空間検索が完結します。自社データでも同様に適用可能です。

6. パフォーマンス最適化と可視化ベストプラクティス

6‑1. クラスタ化テーブルによるスキャン削減

GEOGRAPHY カラムを クラスタキー に指定すると、同一領域のレコードが物理的に近く格納され、空間フィルタ（例：ST_DISTANCE < 1000）のスキャンバイトが大幅に削減されます。

CREATE TABLE my_dataset.citibike_clustered
PARTITION BY DATE(_PARTITIONTIME)
CLUSTER BY location AS
SELECT station_id,
       name,
       ST_GEOGPOINT(longitude, latitude) AS location
FROM `bigquery-public-data.new_york.citibike_stations`;

CREATE TABLE my_dataset.citibike_clustered

PARTITION BY DATE(_PARTITIONTIME)

CLUSTER BY location AS

SELECT station_id,

name,

ST_GEOGPOINT(longitude, latitude) AS location

FROM `bigquery-public-data.new_york.citibike_stations`;

実測例は 2023 年 5 月に公開された Google Cloud Blog（BigQuery GIS のパフォーマンス最適化）で報告されており、同様のクラスタ化テーブルではスキャンバイトが約 30 % 削減されたと記載されています。

6‑2. サンプリングによる試行コスト削減

クエリ開発段階では TABLESAMPLE SYSTEM (10 PERCENT) を併用し、データ量を抑えて高速に結果を確認できます。

SELECT *
FROM my_dataset.citibike_clustered
TABLESAMPLE SYSTEM (10 PERCENT)
WHERE ST_DISTANCE(location, ST_GEOGPOINT(-73.9857, 40.7484)) &lt; 1000;

SELECT *

FROM my_dataset.citibike_clustered

TABLESAMPLE SYSTEM (10 PERCENT)

WHERE ST_DISTANCE(location, ST_GEOGPOINT(-73.9857, 40.7484)) < 1000;

6‑3. 可視化へのエクスポート

ツール	手順概要
Looker Studio	データソースにテーブルを接続し、`location` を「ジオメトリ」タイプとして設定。マップウィジェットで `ST_BUFFER(location, 500)` の結果を表示すれば検索半径が可視化できます。
Google Maps API	クエリ結果（WKT または GeoJSON）を Cloud Storage に書き出し、`gsutil cp` で取得後、JavaScript の `new google.maps.Data().addGeoJson()` でマップ上に描画可能です。

7. 参考情報・リンク

内容	URL
BigQuery GIS 公式ドキュメント（日本語）	https://cloud.google.com/bigquery/docs/geospatial-data?hl=ja
GIS 関数リファレンス	https://cloud.google.com/bigquery/docs/reference/standard-sql/functions-and-operators#geography_functions
パフォーマンスに関する公式ブログ（英語）	https://cloud.google.com/blog/products/data-analytics/bigquery-spatial-performance
Qiita 記事（非公式サンプル）※参考程度	https://qiita.com/shin_ishiguro/items/2429038b2c4c99c10837

補足：Qiita の記事は個人の実装例であり、将来的に仕様が変わる可能性があります。必ず公式ドキュメントと併せて確認してください。

8. まとめ

GEOGRAPHY + WGS‑84 が BigQuery GIS の唯一の前提条件です。測地系は固定なので座標変換は不要です。
CSV・GeoJSON・Parquet からは bq load とスキーマ定義で簡単に取り込み、ST_GEOGPOINT / ST_GeogFromText により即時利用できます。
主な GIS 関数（ST_GEOGPOINT, ST_DISTANCE, ST_WITHIN, ST_INTERSECTS, ST_BUFFER）はシンプルかつ高速に動作し、spheroid=TRUE オプションで楕円体計算も可能です。
Citi Bike データセットを使ったハンズオンは、距離検索・領域判定の実装フローを具体的に示す良い教材となります。
パフォーマンスは クラスタ化テーブル + サンプリング で最適化し、結果は Looker Studio や Google Maps API にエクスポートしてステークホルダーへ可視化できます。

これらの知見を活用すれば、BigQuery GIS を自社プロジェクトに即座に組み込み、コスト効率よく高度な空間分析が実現できるでしょう。

スポンサードリンク

-GCP

comment コメントをキャンセル

: GCP

BigQuery と Looker Studio の安全な連携手順とベストプラクティス

本ガイドでは、IAM の最小権限設定とサービスアカウント活用で BigQuery と Looker Studio を安全に連携する手順を紹介します。

: GCP

GCPコスト最適化ツール比較 2025‑2026年版と導入ガイド

本稿ではGCPの標準コスト管理機能と2025‑2026年の最新機能に加え、主要サードパーティツールを比較し、選定から運用までの実践フローを提示します。

: GCP

BigQueryで実装する最新地理空間分析事例とベストプラクティス

本記事では、BigQueryのST_GEOGPOINT・ST_BUFFERなど主要関数を活用した不動産市場分析、ハリケーン進路可視化、Earth Engine連携事例と、大規模データ向け最適化・セキュリティ対策を具体的なSQLで解説します。

: GCP

2026年版クラウドデータ分析とAIサービス徹底比較 – BigQuery Omni 2.0・Vertex AI Gemini

2026年リリースのBigQuery Omni 2.0はマルチクラウド環境で最も実用的なデータ分析基盤として、ETLコストとレイテンシを大幅に削減します。

: GCP

Google CloudでDataplexとBigLakeを活用したデータレイク構築ガイド

データレイクは構造化・半構造化・非構造化データをそのまま保存し、GCP上でサーバーレスかつマルチリージョン対応のストレージと統合ガバナンスを提供します。

iOS アプリ開発 SwiftUI 入門ガイド：Todoアプリで学ぶ基本

Go 1.22でGinとBunを使ったクリーンアーキテクチャ API構築ガイド

BigQuery の GEOGRAPHY 型と GIS 関数入門 – WGS84 とデータインポート

1. はじめに

2. GEOGRAPHY データ型と WGS‑84 測地系

2‑1. 代表的な構文例

3. 空間データのインポート方法

3‑1. スキーマ定義は必須

3‑2. CSV/GeoJSON の取り込み

3‑2‑1. 文字列 → GEOGRAPHY への変換

3‑3. Parquet の取り込み

4. 主な GIS 関数と使用例

4‑1. 距離検索の実装例

5. ハンズオン – Citi Bike データセットで学ぶ

5‑1. データ概要（公式公開データセット）

5‑2. ポリゴン内判定（Manhattan 区域）

6. パフォーマンス最適化と可視化ベストプラクティス

6‑1. クラスタ化テーブルによるスキャン削減

6‑2. サンプリングによる試行コスト削減

6‑3. 可視化へのエクスポート

7. 参考情報・リンク

8. まとめ

5. ハンズオン – Citi Bike データセットで学ぶ