GCPでBigQuery地理空間分析環境を構築する手順とベストプラクティス

2026年4月24日

Contents

1 1. 前提条件と環境設定
2 2. データインポートと GEOGRAPHY 型への変換
- 2.1 2‑1. 対応フォーマットとロード手順
  - 2.1.1 CSV のロード例
  - 2.1.2 GeoJSON の変換例（クエリ）
3 3. GoogleSQL 標準関数で行う基本 GIS 操作
- 3.1 3‑1. 主な GEOGRAPHY 関数とサンプルクエリ
- 3.2 3‑2. 実務的なクエリ例（米国 TIGER/Line データと POI の集計）
4 4. 公共ジオスペーシャルデータセットの活用例
5 5. パフォーマンス最適化・コスト管理
6 6. 可視化 – Looker Studio（旧 Data Studio）
- 6.1 6‑1. データソース接続手順
- 6.2 6‑2. GIS ウィジェットでのマッピング
7 7. まとめ

スポンサードリンク

1. 前提条件と環境設定

1‑1. GCP プロジェクトの作成・課金有効化

手順	内容
1	Google Cloud コンソール (https://console.cloud.google.com) にログインし、左上メニュー → 「プロジェクトを作成」をクリック。
2	プロジェクト名（例：`my-gis‑project`）と必要なら組織を入力して「作成」。
3	左側メニューの「請求」 → 「請求先アカウントをリンク」から課金アカウントを選択し、プロジェクトに紐付ける。

ポイント
- プロジェクト作成直後は無料枠が適用されますが、データスキャンやストレージ利用分は従量課金となります。

1‑2. BigQuery API の有効化

コンソール左上の 「ナビゲーションメニュー」 → 「APIs とサービス」 → 「ライブラリ」 を開く。
検索バーに BigQuery API と入力し、表示されたカードの 「有効化」 をクリック。
ステータスが 「有効」 になることを確認（数秒かかる場合があります）。

1‑3. IAM ロールの最小権限付与

推奨ロール	主な権限	用途例
`roles/bigquery.admin`	プロジェクト全体の管理（データセット作成・削除）	開発リーダー、インフラ担当
`roles/bigquery.dataEditor`	データセットへの書き込み	ETL パイプライン実装者
`roles/bigquery.user`	クエリ実行のみ	アナリスト・BI ユーザー

設定手順
1. コンソール左側 「IAM と管理」 → 「IAM」 を開く。
2. 対象ユーザー（またはサービスアカウント）を検索し、「ロールの追加」 から上記ロールを選択して保存。

ベストプラクティス：最小権限の原則に従い、必要なロールだけ付与してください。

2. データインポートと `GEOGRAPHY` 型への変換

2‑1. 対応フォーマットとロード手順

フォーマット	推奨ロード方法	主な注意点
CSV（WKT）	スキーマで `location:GEOGRAPHY` を明示し、`bq load --source_format=CSV …` を実行	WKT に余計な空白や改行が混入すると Invalid geography エラーになるため事前に正規化
GeoJSON	文字列としてロード後、クエリ内で `ST_GEOGFROMGEOJSON(geojson_column)` に変換	`type` キーと同名の属性がある場合は別名にリネームしてから変換
Parquet	Parquet の `binary` / `string` フィールドを自動検出で `GEOGRAPHY` とマッピング（スキーマ自動検出）	スキーマが正しく認識されないと `STRING` になるので、必要に応じて手動で `location:GEOGRAPHY` を上書き

CSV のロード例

bq load \
  --source_format=CSV \
  mydataset.points \
  gs://my-bucket/points.csv \
  location:GEOGRAPHY,category:STRING

bq load \

--source_format=CSV \

mydataset.points \

gs://my-bucket/points.csv \

location:GEOGRAPHY,category:STRING

GeoJSON の変換例（クエリ）

CREATE OR REPLACE TABLE mydataset.geojson_points AS
SELECT 
  id,
  ST_GEOGFROMGEOJSON(geojson) AS geom
FROM `mydataset.raw_geojson`;

CREATE OR REPLACE TABLE mydataset.geojson_points AS

SELECT

id,

ST_GEOGFROMGEOJSON(geojson) AS geom

FROM `mydataset.raw_geojson`;

3. GoogleSQL 標準関数で行う基本 GIS 操作

3‑1. 主な `GEOGRAPHY` 関数とサンプルクエリ

関数	説明	サンプル
`ST_GEOGFROMTEXT(text)`	WKT 文字列 → `GEOGRAPHY`	`SELECT ST_GEOGFROMTEXT('POINT(139.6917 35.6895)') AS pt;`
`ST_INTERSECTS(a, b)`	2 つのジオメトリが交差するか判定	`WHERE ST_INTERSECTS(city_geom, ST_GEOGFROMTEXT('POLYGON((…))'))`
`ST_UNION(g1, g2)`	複数ジオメトリを結合（多角形の統合）	`SELECT ST_UNION(g1, g2) FROM …;`
`ST_BUFFER(geog, radius_meters[, max_error])`	指定半径（メートル単位）のバッファ領域を生成。第 3 引数は許容誤差（メートル）で、精度調整に利用可能	`SELECT ST_BUFFER(ST_GEOGFROMTEXT('POINT(-122.084 37.422)'), 5000) AS buf;`
`ST_AREA(geog)`	ジオメトリの面積を平方メートルで取得（自動的に等距離投影へ変換）	`SELECT ST_AREA(polygon_geom) FROM …;`

重要：ST_BUFFER は「2026 年に単位指定が追加された」わけではなく、リリース時点から半径は常にメートルで扱われます。第 3 引数の max_error は精度を細かく制御したい場合のみ使用します。

3‑2. 実務的なクエリ例（米国 TIGER/Line データと POI の集計）

-- 1&#xfe0f;&#x20e3; POI テーブル (ポイント) を GEOGRAPHY に変換
WITH poi AS (
  SELECT 
    id,
    ST_GEOGFROMTEXT(location_wkt) AS geom
  FROM `mydataset.us_poi_points`
)

-- 2&#xfe0f;&#x20e3; 都道府県（州）テーブルと交差件数を集計
SELECT
  state.name      AS state_name,
  COUNT(p.id)     AS poi_count,
  SUM(ST_AREA(state.geometry)) / 1e6 AS area_sqkm   -- 面積を km² に変換
FROM `bigquery-public-data.census_bureau.tiger_lines` AS state
JOIN poi p
ON ST_INTERSECTS(state.geometry, p.geom)
GROUP BY state_name
ORDER BY poi_count DESC;

-- 1️⃣ POI テーブル (ポイント) を GEOGRAPHY に変換

WITH poi AS (

SELECT

id,

ST_GEOGFROMTEXT(location_wkt) AS geom

FROM `mydataset.us_poi_points`

)

-- 2️⃣ 都道府県（州）テーブルと交差件数を集計

SELECT

state.name AS state_name,

COUNT(p.id) AS poi_count,

SUM(ST_AREA(state.geometry)) / 1e6 AS area_sqkm -- 面積を km² に変換

FROM `bigquery-public-data.census_bureau.tiger_lines` AS state

JOIN poi p

ON ST_INTERSECTS(state.geometry, p.geom)

GROUP BY state_name

ORDER BY poi_count DESC;

上記クエリは、公共データセット bigquery-public-data.census_bureau.tiger_lines（州境界）と自前の POI テーブルを組み合わせて、州ごとのポイント数を算出しています。

4. 公共ジオスペーシャルデータセットの活用例

4‑1. データ取得・コピー手順

# US TIGER/Line（州境界）テーブルを自プロジェクトへコピー
bq cp \
  bigquery-public-data.census_bureau.tiger_lines \
  mydataset.us_state_boundaries

# OpenStreetMap の道路データ（ライン）をコピー
bq cp \
  bigquery-public-data.geo_openstreetmap.planet_line \
  mydataset.osm_roads

# US TIGER/Line（州境界）テーブルを自プロジェクトへコピー

bq cp \

bigquery-public-data.census_bureau.tiger_lines \

mydataset.us_state_boundaries

# OpenStreetMap の道路データ（ライン）をコピー

bq cp \

bigquery-public-data.geo_openstreetmap.planet_line \

mydataset.osm_roads

ポイント：bq cp はテーブル全体をコピーしますが、必要なカラムだけに絞り込む場合は CREATE TABLE … AS SELECT … を併用するとコスト削減につながります。

4‑2. 行政区画と道路の結合例

SELECT
  s.state_name,
  COUNT(r.id) AS road_count,
  SUM(ST_LENGTH(r.geometry)) / 1000 AS total_road_km   -- メートル → キロメートル
FROM `mydataset.us_state_boundaries` AS s
JOIN `mydataset.osm_roads` AS r
ON ST_INTERSECTS(s.geometry, r.geometry)
GROUP BY s.state_name
ORDER BY road_count DESC;

SELECT

s.state_name,

COUNT(r.id) AS road_count,

SUM(ST_LENGTH(r.geometry)) / 1000 AS total_road_km -- メートル → キロメートル

FROM `mydataset.us_state_boundaries` AS s

JOIN `mydataset.osm_roads` AS r

ON ST_INTERSECTS(s.geometry, r.geometry)

GROUP BY s.state_name

ORDER BY road_count DESC;

4‑3. クエリ実行前のプレビューとコスト確認

UI のクエリエディタ右上にある 「プレビュー」 ボタンをクリック → スキャン予定データサイズが表示されます。
「ジョブ」ページで実行履歴と課金情報をリアルタイムに監視できます。

5. パフォーマンス最適化・コスト管理

5‑1. パーティション／クラスタリングの設計指針

手法	設定例	効果
パーティション	`PARTITION BY DATE(event_timestamp)`（日時系データ）	スキャン対象を日単位で絞り込み、不要スキャンを回避
クラスタリング	`CLUSTER BY ST_GEOGPOINT(lon, lat)`（ポイントテーブル）	空間的に近いレコードが同一ブロックに格納され、`ST_INTERSECTS` のフィルタ効率が向上

ベストプラクティス：クラスタリングはジオメトリ列自体ではなく、緯度・経度を数値化したカラム（例：lon, lat）で行うと最適です。

5‑2. 料金シミュレーションと予算アラート

コンソール左側 「料金」 → 「料金見積もり」 から、テーブルサイズとクエリ頻度を入力し月額概算を取得。
「予算とアラート」 で新規予算を作成し、上限の 80 % 超過時にメール通知を設定すると、想定外の請求を防げます。

5‑3. クエリ最適化テクニック

必要な列だけ SELECT → プロジェクションプッシュダウン によりスキャン量が削減。
ST_INTERSECTS の前に サブセット抽出（例：州コードで絞り込み）を行う。
大規模結合は WITH 句で事前集計 してから結合するとジョブ実行時間が短縮。

6. 可視化 – Looker Studio（旧 Data Studio）

6‑1. データソース接続手順

Looker Studio (https://lookerstudio.google.com) にログインし、「データソース」 → 「Google BigQuery」 を選択。
プロジェクト・データセット・テーブル（例：mydataset.state_road_stats）を指定して接続。

6‑2. GIS ウィジェットでのマッピング

手順	操作
1	レポート編集画面で「チャートを追加」 → 「ジオマップ」を選択。
2	「ジオメトリ」フィールドに `geometry`（GEOGRAPHY）列をドラッグ。
3	色分けは数値指標（例：`road_count`、`total_road_km`）で設定し、グラデーションやシンボルサイズを調整。
4	「フィルタコントロール」に `state_name` を追加すれば、ユーザーが興味のある州だけを表示可能。

ヒント：ジオマップは自動的に投影変換を行うため、メートル単位で計算した面積・距離も正しく描画されます。

7. まとめ

環境構築：プロジェクト作成 → 課金リンク → API 有効化 → 最小権限ロール付与
データロード：CSV/WKT、GeoJSON、Parquet のいずれも GEOGRAPHY 型へ安全にインポート可能
GIS 関数：ST_BUFFER は半径をメートルで扱う点に注意し、必要なら第3引数で精度調整
公共データセット活用：bigquery-public-data.census_bureau.tiger_lines などをコピーしてローカルテーブル化すれば高速クエリが実現
コスト最適化：パーティション・クラスタリング、プレビュー機能、予算アラートで無駄なスキャンを防止
可視化：Looker Studio のジオマップウィジェットで、BigQuery の GEOGRAPHY 列をそのまま地図に描画

上記の手順とベストプラクティスに従えば、2026 年版 Google Cloud が提供する最新機能を最大限活用し、費用対効果の高い本格 GIS 分析基盤 を短期間で構築できます。

スポンサードリンク

-GCP

comment コメントをキャンセル

: GCP

2026年までのGCP料金改定とコスト最適化テクニック

SUDとCUDの組み合わせで同一リソース最大35%割引、AI駆動のRecommender自動化で月間コストを平均12%削減できます。

: GCP

BigQuery と Looker Studio の徹底比較と活用ベストプラクティス

データ量増大とリアルタイム分析需要に応え、BigQuery と Looker Studio の組み合わせが注目されています。本記事では両者の特徴・メリット・デメリットを比較し、実務シナリオ別に最適な活用方法を提示します。

: GCP

BigQueryの料金構造とコスト削減完全ガイド（2026年版）

BigQuery のコストは「ストレージ」「オンデマンドクエリ（スキャン量）」「コンピュート（予約スロット／Flex スロット）」の3要素で決まり、最適化すれば無駄な支出を抑えられます。

: GCP

2026年版 Google Cloud AI機能5本柱と実務活用事例

Google Cloudは2026年3月にGemini 3.1・Nano Banana 2・第8世代 TPU・AI Hypercomputer・Wiz統合セキュリティの5本柱を提供し、実務レベルでの生成AI活用とコスト・セキュリティ最適化を実現しています。

: GCP

GCPのVertex AI徹底比較と移行ガイド – AIサービス全体像・機能・料金・生成AI

Vertex AIはGCPのコアMLプラットフォームとして、従来サービスを統合し、開発・運用・管理を一元化。機能比較や料金削減効果、他社生成AIとの比較、移行ベストプラクティスを解説します。

おてがる光の引っ越し手続き方法と工事費無料条件まとめ

Dockerイメージサイズ最適化ベストプラクティス – 軽量化とCI/CD導入

GCPでBigQuery地理空間分析環境を構築する手順とベストプラクティス

1. 前提条件と環境設定

1‑1. GCP プロジェクトの作成・課金有効化

1‑2. BigQuery API の有効化

1‑3. IAM ロールの最小権限付与

2. データインポートと GEOGRAPHY 型への変換

2‑1. 対応フォーマットとロード手順

CSV のロード例

GeoJSON の変換例（クエリ）

3. GoogleSQL 標準関数で行う基本 GIS 操作

3‑1. 主な GEOGRAPHY 関数とサンプルクエリ

3‑2. 実務的なクエリ例（米国 TIGER/Line データと POI の集計）

4. 公共ジオスペーシャルデータセットの活用例

4‑1. データ取得・コピー手順

4‑2. 行政区画と道路の結合例

4‑3. クエリ実行前のプレビューとコスト確認

5. パフォーマンス最適化・コスト管理

5‑1. パーティション／クラスタリングの設計指針

5‑2. 料金シミュレーションと予算アラート

5‑3. クエリ最適化テクニック

6. 可視化 – Looker Studio（旧 Data Studio）

6‑1. データソース接続手順

6‑2. GIS ウィジェットでのマッピング

7. まとめ

2. データインポートと `GEOGRAPHY` 型への変換

3‑1. 主な `GEOGRAPHY` 関数とサンプルクエリ