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

Contents

1 1. 基礎的な GIS 関数と実務での活用シーン
- 1.1 サンプルクエリ（点・バッファ・距離）
2 2. Places Insights と BigQuery による不動産市場分析
3 3. ハリケーン進路を BigQuery で可視化するチュートリアル
4 4. Earth Engine と BigQuery の連携で衛星ラスターデータを分析
5 5. 大規模ジオメトリテーブルのパフォーマンス最適化とセキュリティベストプラクティス
6 6. 可視化オプションと次のアクション
- 6.1 今すぐ始めるステップ

スポンサードリンク

1. 基礎的な GIS 関数と実務での活用シーン

カテゴリ	主な関数	用途例
点（Point）	`ST_GEOGPOINT(lon, lat)`	緯度・経度からジオメトリを生成
バッファ	`ST_BUFFER(geom, radius_meters)`	指定半径の円形領域を作成
距離測定	`ST_DISTANCE(geom1, geom2)`	2 点間の直線距離（メートル）
ライン	`ST_MAKELINE(array<GEOGRAPHY>)`	時系列データから軌跡を生成
ポリゴン結合	`ST_INTERSECTS`, `ST_WITHIN`	空間的包含・交差判定

参考: Google Cloud の公式スタートガイド – https://cloud.google.com/bigquery/docs/geospatial-getting-started?hl=ja

サンプルクエリ（点・バッファ・距離）

-- ① 点テーブル作成
WITH points AS (
  SELECT
    id,
    ST_GEOGPOINT(longitude, latitude) AS geom
  FROM `myproj.dataset.raw_locations`
)

-- ② 各点の 500 m バッファを取得
SELECT
  id,
  ST_BUFFER(geom, 500) AS buffer_geom
FROM points;

-- ③ 任意2点間の距離（メートル）を算出
SELECT
  a.id   AS a_id,
  b.id   AS b_id,
  ST_DISTANCE(a.geom, b.geom) AS meters
FROM points AS a
JOIN points AS b
ON a.id &lt; b.id;

-- ① 点テーブル作成

WITH points AS (

SELECT

id,

ST_GEOGPOINT(longitude, latitude) AS geom

FROM `myproj.dataset.raw_locations`

)

-- ② 各点の 500 m バッファを取得

SELECT

id,

ST_BUFFER(geom, 500) AS buffer_geom

FROM points;

-- ③ 任意2点間の距離（メートル）を算出

SELECT

a.id AS a_id,

b.id AS b_id,

ST_DISTANCE(a.geom, b.geom) AS meters

FROM points AS a

JOIN points AS b

ON a.id < b.id;

2. Places Insights と BigQuery による不動産市場分析

背景とメリット

Google Maps Platform の Places Insights は、店舗・交通施設などの POI（Point‑of‑Interest）データを属性別に提供します。これを BigQuery に取り込めば、地域単位で 商業施設密度 や 公共交通利便性 といった指標を数秒で算出でき、価格モデルや開発計画の根拠資料として即座に活用できます。

公式ブログ（2024 年更新）: https://cloud.google.com/blog/topics/developers-practitioners/introducing-places-insights

主な分析フロー

POI データをジオメトリ化
ST_GEOGPOINT により緯度・経度から GEOGRAPHY 列を作成。
行政区画テーブルと空間結合
市区町村境界（municipalities.geometry）に対し ST_WITHIN を使用して POI を集計。
指標算出
商業施設数 / 10 k 人口
鉄道駅数 / 面積など、目的に合わせた正規化指標を作成。

実装例

-- POI をジオメトリ化
WITH poi AS (
  SELECT
    place_id,
    category,
    ST_GEOGPOINT(longitude, latitude) AS geom
  FROM `myproj.dataset.places_insights`
)

-- 市区町村別にカテゴリ別カウントと正規化指標を算出
SELECT
  m.municipality_code,
  COUNTIF(p.category = 'shopping_mall')      AS mall_cnt,
  COUNTIF(p.category = 'transit_station')    AS station_cnt,
  SAFE_DIVIDE(COUNTIF(p.category = 'shopping_mall'), NULLIF(m.population,0)) * 10000
        AS mall_per_10k_pop
FROM poi AS p
JOIN `myproj.dataset.municipalities` AS m
ON ST_WITHIN(p.geom, m.geometry)
GROUP BY m.municipality_code;

-- POI をジオメトリ化

WITH poi AS (

SELECT

place_id,

category,

ST_GEOGPOINT(longitude, latitude) AS geom

FROM `myproj.dataset.places_insights`

)

-- 市区町村別にカテゴリ別カウントと正規化指標を算出

SELECT

m.municipality_code,

COUNTIF(p.category = 'shopping_mall') AS mall_cnt,

COUNTIF(p.category = 'transit_station') AS station_cnt,

SAFE_DIVIDE(COUNTIF(p.category = 'shopping_mall'), NULLIF(m.population,0)) * 10000

AS mall_per_10k_pop

FROM poi AS p

JOIN `myproj.dataset.municipalities` AS m

ON ST_WITHIN(p.geom, m.geometry)

GROUP BY m.municipality_code;

ビジネスインパクト（参考例）

指標	影響
商業施設密度が上位 20 % のエリア	平均不動産価格が +8 % 上昇
駅数／km² が高い地域	開発プロジェクトの ROI が +12 % 改善

3. ハリケーン進路を BigQuery で可視化するチュートリアル

データ前提

hurricane_track テーブルに observation_time, latitude, longitude が格納されていると仮定。

手順

観測点のジオメトリ化 (ST_GEOGPOINT)
時系列順にラインジオメトリ生成 (ST_MAKELINE + ARRAY_AGG)
結果を Geo Viz で表示（ST_ASGEOJSON が便利）

実装例

-- (1) 観測点テーブルから GEOGRAPHY 列作成
WITH points AS (
  SELECT
    observation_time,
    ST_GEOGPOINT(longitude, latitude) AS geom
  FROM `myproj.dataset.hurricane_track`
)

-- (2) 時系列順にラインジオメトリを生成
SELECT
  ST_MAKELINE(ARRAY_AGG(geom ORDER BY observation_time)) AS track_line
FROM points;

-- (1) 観測点テーブルから GEOGRAPHY 列作成

WITH points AS (

SELECT

observation_time,

ST_GEOGPOINT(longitude, latitude) AS geom

FROM `myproj.dataset.hurricane_track`

)

-- (2) 時系列順にラインジオメトリを生成

SELECT

ST_MAKELINE(ARRAY_AGG(geom ORDER BY observation_time)) AS track_line

FROM points;

可視化フロー

手順	操作
A	上記クエリ結果を `track_line` 列としてテーブルに保存（例: `hurricane_tracks`）。
B	BigQuery Geo Viz に接続し、レイヤータイプ「LineString」を選択。
C	カラーマッピングやツールチップで風速・中心気圧などの属性を付与すれば、インタラクティブな進路マップが完成。

公式チュートリアル（2024 年版）: https://cloud.google.com/bigquery/docs/geospatial-tutorial-hurricane?hl=ja

4. Earth Engine と BigQuery の連携で衛星ラスターデータを分析

背景

Google Earth Engine（EE）は膨大なリモートセンシング画像に高速アクセスでき、BigQuery は大規模構造化データと組み合わせた空間結合が得意です。ここでは NDVI（植生指数）を例に、ラスターデータと農地ポリゴンの結合方法を示します。

主要ポイント

項目	内容
データ搬入手段	EE で生成した GeoTIFF を Cloud Storage にエクスポートし、BigQuery の外部テーブル経由で読み込む。
ジオメトリ化関数	`ST_GEOGFROMGEOJSON`（GeoJSON → GEOGRAPHY）や `ST_GeogFromText`（WKT）。Raster→Geography 用に `ST_RASTERTOGEOGRAPHY` がベータで提供されている。
結合方法	ポリゴンとラスタの交差判定は `ST_INTERSECTS`、ピクセル単位で平均値を取得するには `ST_AGGREGATE` 系関数（ベータ）を使用。

公式ブログ（2024 年更新）: https://cloud.google.com/blog/topics/developers-practitioners/earth-engine-raster-analytics-bigquery-geospatial

実装例

-- (1) Cloud Storage 上の GeoTIFF を外部テーブルとして定義
CREATE OR REPLACE EXTERNAL TABLE `myproj.dataset.ndvi_ext`
OPTIONS (
  format = 'GEOTIFF',
  uris   = ['gs://my-bucket/ndvi/*.tif']
);

-- (2) GeoTIFF のピクセルを GEOGRAPHY に変換（ベータ関数使用例）
CREATE OR REPLACE TABLE `myproj.dataset.ndvi_tiles` AS
SELECT
  tile_id,
  ST_RASTERTOGEOGRAPHY(raster)      AS raster_geom,   -- ラスタ → ポリゴン化
  ndvi_value
FROM `myproj.dataset.ndvi_ext`;

-- (3) 農地ポリゴンと NDVI の平均値を結合
SELECT
  f.farm_id,
  AVG(t.ndvi_value) AS avg_ndvi
FROM `myproj.dataset.farms`   AS f
JOIN `myproj.dataset.ndvi_tiles` AS t
ON ST_INTERSECTS(f.geometry, t.raster_geom)
GROUP BY f.farm_id;

-- (1) Cloud Storage 上の GeoTIFF を外部テーブルとして定義

CREATE OR REPLACE EXTERNAL TABLE `myproj.dataset.ndvi_ext`

OPTIONS (

format = 'GEOTIFF',

uris = ['gs://my-bucket/ndvi/*.tif']

);

-- (2) GeoTIFF のピクセルを GEOGRAPHY に変換（ベータ関数使用例）

CREATE OR REPLACE TABLE `myproj.dataset.ndvi_tiles` AS

SELECT

tile_id,

ST_RASTERTOGEOGRAPHY(raster) AS raster_geom, -- ラスタ → ポリゴン化

ndvi_value

FROM `myproj.dataset.ndvi_ext`;

-- (3) 農地ポリゴンと NDVI の平均値を結合

SELECT

f.farm_id,

AVG(t.ndvi_value) AS avg_ndvi

FROM `myproj.dataset.farms` AS f

JOIN `myproj.dataset.ndvi_tiles` AS t

ON ST_INTERSECTS(f.geometry, t.raster_geom)

GROUP BY f.farm_id;

可視化

Looker Studio でテーブルをデータソースに登録し、Map Chart に farm_id と avg_ndvi をマッピングすれば、農地ごとの植生状態が一目で把握できます。

5. 大規模ジオメトリテーブルのパフォーマンス最適化とセキュリティベストプラクティス

5‑1. パーティショニング & クラスタリング

条件	推奨設定例
データ規模: 数億行以上	`PARTITION BY DATE(event_timestamp)`（日付） `CLUSTER BY ST_GEOGPOINT(longitude, latitude)`（ジオメトリハッシュ）
クエリパターン: エリア別集計が頻出	追加で「行政区コード」や「市区町村コード」でサブパーティション化。

CREATE TABLE `myproj.dataset.geo_events`
PARTITION BY DATE(event_timestamp)
CLUSTER BY ST_GEOGPOINT(longitude, latitude) AS
SELECT * FROM `source_dataset.raw_geo`;

CREATE TABLE `myproj.dataset.geo_events`

PARTITION BY DATE(event_timestamp)

CLUSTER BY ST_GEOGPOINT(longitude, latitude) AS

SELECT * FROM `source_dataset.raw_geo`;

参考: Google Cloud ブログ「Partitioned tables for GIS workloads」https://cloud.google.com/blog/topics/developers-practitioners/partitioned-tables-geospatial-workloads

5‑2. マテリアライズドビューで集計コスト削減

CREATE MATERIALIZED VIEW `myproj.dataset.mv_poi_counts` AS
SELECT
  municipality_code,
  COUNTIF(category = 'shopping_mall')   AS mall_cnt,
  COUNTIF(category = 'transit_station') AS station_cnt
FROM `myproj.dataset.poi`
GROUP BY municipality_code;

CREATE MATERIALIZED VIEW `myproj.dataset.mv_poi_counts` AS

SELECT

municipality_code,

COUNTIF(category = 'shopping_mall') AS mall_cnt,

COUNTIF(category = 'transit_station') AS station_cnt

FROM `myproj.dataset.poi`

GROUP BY municipality_code;

効果: スキャン量が最大 30 % 減少し、クエリ実行時間も数倍短縮。

5‑3. IAM とデータ暗号化

項目	推奨設定
最小権限	`roles/bigquery.dataViewer`（閲覧）＋ `roles/bigquery.jobUser`（ジョブ実行）をプロジェクトまたはデータセット単位で付与。
暗号化	データセットレベルで Customer‑Managed Encryption Keys (CMEK) を指定し、Cloud KMS のキーで保存データを保護。設定手順は https://cloud.google.com/bigquery/docs/customer-managed-encryption に掲載。

6. 可視化オプションと次のアクション

ツール	主な特徴
BigQuery Geo Viz	クエリ結果を直接マップレイヤーとして表示。`ST_ASGEOJSON(geom)` → カスタムシンボルやヒートマップが簡単に作成可能。
Looker Studio（旧 Data Studio）	BigQuery データソースを接続し、Map Chart・Heatmap でリアルタイムダッシュボード化。ジオメトリ列は「地理情報」タイプとして登録するだけで利用可。

今すぐ始めるステップ

GCP 無料枠で BigQuery を有効化（最初の 10 GB ストレージ・1 TB クエリは無料）。
本稿に掲載したサンプルクエリを自社データに合わせて実行し、結果テーブルを作成。
Geo Viz または Looker Studio に接続してマップ表示を確認。関係者へのインサイト共有がすぐに可能です。

本稿の内容は 2024 年 11 月時点の公式情報とベストプラクティスに基づいています。機能追加や価格改定が行われた場合は、Google Cloud の最新ドキュメントをご参照ください。

スポンサードリンク

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

1. 基礎的な GIS 関数と実務での活用シーン

サンプルクエリ（点・バッファ・距離）

2. Places Insights と BigQuery による不動産市場分析

背景とメリット

主な分析フロー

実装例

ビジネスインパクト（参考例）

3. ハリケーン進路を BigQuery で可視化するチュートリアル

データ前提

手順

実装例

可視化フロー

4. Earth Engine と BigQuery の連携で衛星ラスターデータを分析

背景

主要ポイント

実装例

可視化

5. 大規模ジオメトリテーブルのパフォーマンス最適化とセキュリティベストプラクティス

5‑1. パーティショニング & クラスタリング

5‑2. マテリアライズドビューで集計コスト削減

5‑3. IAM とデータ暗号化

6. 可視化オプションと次のアクション

今すぐ始めるステップ

2. Places Insights と BigQuery による不動産市場分析