Além das funções de fragilidade do tsunami: avaliação experimental para estimativa de danos em edifícios

Scientific Reports volume 13, Artigo número: 14337 (2023) Citar este artigo

Detalhes das métricas

Funções de fragilidade de tsunami (TFF) são modelos estatísticos que relacionam uma medida de intensidade de tsunami a um determinado estado de dano a um edifício, expresso como probabilidade cumulativa. Os avanços nas velocidades computacionais e de recuperação de dados, juntamente com novas aplicações de aprendizagem profunda para a ciência de desastres, desviaram o foco da pesquisa dos estimadores estatísticos. Os TFF oferecem uma “assinatura de desastre” com valor comparativo, embora estes modelos raramente sejam aplicados para gerar estimativas de danos. Com a aplicabilidade em mente, desafiamos esta noção e investigamos uma parte da literatura sobre TFF, selecionando três TFFs e duas metodologias de aplicação para gerar uma linha de base para estimativa de danos em edifícios. Além disso, propomos um método simples de aprendizado de máquina, treinado em parâmetros físicos inspirados, mas expandidos além das medidas de intensidade do TFF. Testamos esses três métodos no conjunto de dados Ishinomaki de 2011 após o Grande Terremoto e Tsunami no Leste do Japão em casos binários e multiclasses. Exploramos: (1) a qualidade da estimativa de danos em edifícios utilizando métodos de aplicação TFF; (2) se a TFF pode generalizar para conjuntos de dados de danos em edifícios fora do domínio; (3) uma nova abordagem de aprendizado de máquina para realizar a mesma tarefa. Nossas descobertas sugerem que: tanto os métodos TFF quanto nosso modelo têm potencial para alcançar bons resultados binários; Os métodos TFF lutam com múltiplas classes e tarefas fora de domínio, enquanto nosso método proposto parece generalizar melhor.

Os métodos estatísticos e a aprendizagem automática informada por informações de detecção remota ocuparam o centro das atenções em trabalhos recentes que tentam compreender os danos causados ​​por desastres, a sua detecção e a sua estimativa. As funções de fragilidade do tsunami são um desses métodos, utilizados na investigação de catástrofes1, para modelar os danos causados ​​aos edifícios após um tsunami. Essencialmente, estes modelos de regressão mapeiam uma medida de intensidade do tsunami (na forma de um parâmetro de procura, como a profundidade da inundação) para a probabilidade de exceder um estado de dano discreto. A medida de intensidade é frequentemente parametrizada por uma medida observável do desastre. O parâmetro escolhido foi essencialmente a profundidade máxima de inundação, uma vez que é imediatamente mensurável após o desastre. Grandezas derivadas, geralmente obtidas via modelagem hidrodinâmica, podem ser utilizadas alternativamente e têm sido objeto de estudo1,2,3.

Embora visualmente significativos, ainda não está claro como as funções de fragilidade podem ser aplicadas pragmaticamente: podem ser aplicadas a novos dados de forma preditiva? Portanto, podem ser feitas inferências de danos futuros à escala do edifício utilizando funções de fragilidade existentes?

Mais recentemente, os esforços no domínio da estimativa de danos em edifícios afastaram-se da modelação dos danos em função de uma medida de intensidade de desastre. Pesquisas recentes favorecem inovações no campo da visão computacional para realizar detecção de alterações entre imagens pré e pós-evento, como4,5. Crucialmente, no entanto, estes novos métodos renunciam à estimativa de danos e, em vez disso, aproveitam a disponibilidade mais rápida de imagens de satélite pós-evento para realizar a detecção de danos. Este afastamento de uma descrição física do dano impede que o modelo aprenda com o contexto.

Neste artigo, exploramos a aplicação de funções de fragilidade de tsunami como estimadores de danos. No âmbito das nossas experiências, realizamos estimativas para edifícios individuais, conforme descrito na literatura. Observando as limitações do TFF e as lições aprendidas com a consulta à literatura, propomos uma estrutura adicional, utilizando aprendizado de máquina, para realizar a mesma tarefa. Treinamos nosso modelo com base em medidas de intensidade inspiradas em estudos de TFF, mas com dimensionalidade ampliada. Pretendemos contribuir nas seguintes capacidades: (1) explorar as diferenças entre os métodos de aplicação do TFF; (2) verificar em que capacidade, anteriormente não testadas, as aplicações TFF são estimadores de danos em edifícios transferíveis; finalmente (3) propomos uma nova estrutura para realizar estimativas de danos em edifícios usando classificadores de aprendizado de máquina.