Más allá de las funciones de fragilidad del tsunami: evaluación experimental para la estimación de daños en edificios

Scientific Reports volumen 13, número de artículo: 14337 (2023) Citar este artículo

Detalles de métricas

Las funciones de fragilidad de tsunamis (TFF) son modelos estadísticos que relacionan una medida de intensidad de un tsunami con un estado determinado de daño a un edificio, expresado como probabilidad acumulada. Los avances en las velocidades computacionales y de recuperación de datos, junto con novedosas aplicaciones de aprendizaje profundo para la ciencia de desastres, han desviado el enfoque de la investigación de los estimadores estadísticos. Los TFF ofrecen una “firma de desastre” con valor comparativo, aunque estos modelos rara vez se aplican para generar estimaciones de daños. Con la aplicabilidad en mente, desafiamos esta noción e investigamos una parte de la literatura sobre TFF, seleccionando tres TFF y dos metodologías de aplicación para generar una línea base de estimación de daños a la construcción. Además, proponemos un método simple de aprendizaje automático, entrenado en parámetros físicos inspirados en las medidas de intensidad de TFF, pero ampliados más allá de ellas. Probamos estos tres métodos en el conjunto de datos de Ishinomaki de 2011 después del gran terremoto y tsunami del este de Japón, tanto en casos binarios como multiclase. Exploramos: (1) la calidad de la estimación de daños a la construcción utilizando métodos de aplicación TFF; (2) si TFF puede generalizarse a conjuntos de datos sobre daños a edificios fuera del dominio; (3) un nuevo enfoque de aprendizaje automático para realizar la misma tarea. Nuestros hallazgos sugieren que: tanto los métodos TFF como nuestro modelo tienen el potencial de lograr buenos resultados binarios; Los métodos TFF tienen dificultades con múltiples clases y tareas fuera del dominio, mientras que nuestro método propuesto parece generalizarse mejor.

Los métodos estadísticos y el aprendizaje automático basado en información de sensores remotos han ocupado un lugar central en trabajos recientes que intentan comprender los daños causados por desastres, su detección y su estimación. Las funciones de fragilidad de los tsunamis son uno de esos métodos, utilizados en la investigación de desastres1, para modelar los daños a los edificios después de un tsunami. Esencialmente, estos modelos de regresión asignan una medida de la intensidad del tsunami (en forma de un parámetro de demanda, como la profundidad de la inundación) a la probabilidad de exceder un estado de daño discreto. La medida de intensidad suele estar parametrizada por una medida observable del desastre. El parámetro elegido ha sido esencialmente la profundidad máxima de la inundación, ya que se puede medir inmediatamente después del desastre. Las cantidades derivadas, generalmente obtenidas mediante modelización hidrodinámica, se pueden utilizar alternativamente y han sido objeto de estudio1,2,3.

Aunque visualmente significativas, aún no está claro cómo se pueden aplicar pragmáticamente las funciones de fragilidad: ¿se pueden aplicar a nuevos datos de manera predictiva? Por lo tanto, ¿se pueden hacer inferencias de daños futuros a escala de edificio utilizando funciones de fragilidad existentes?

Más recientemente, los esfuerzos en el campo de la estimación de daños a la construcción se han alejado de modelar los daños en función de una medida de intensidad del desastre. Investigaciones recientes favorecen las innovaciones en el campo de la visión por computadora para realizar la detección de cambios entre imágenes previas y posteriores al evento, como4,5. Sin embargo, lo más importante es que estos nuevos métodos renuncian a la estimación de daños y, en cambio, aprovechan una disponibilidad más rápida de imágenes satelitales posteriores al evento para realizar la detección de daños. Esta desviación de una descripción física del daño impide que el modelo aprenda alguna vez del contexto.

En este artículo, exploramos la aplicación de funciones de fragilidad de tsunamis como estimadores de daños. En el marco de nuestros experimentos, realizamos estimaciones para edificios individuales como se describe en la literatura. Teniendo en cuenta las limitaciones de TFF y las lecciones aprendidas al consultar la literatura, proponemos un marco adicional, utilizando el aprendizaje automático, para realizar la misma tarea. Entrenamos nuestro modelo en base a medidas de intensidad inspiradas en estudios TFF, pero con dimensionalidad ampliada. Nuestro objetivo es contribuir en la siguiente capacidad: (1) explorar las diferencias entre los métodos de aplicación del TFF; (2) verificar en qué capacidad, no probadas previamente, las aplicaciones TFF son estimadores de daños a la construcción transferibles; finalmente (3) proponemos un marco novedoso para realizar la estimación de daños en edificios utilizando clasificadores de aprendizaje automático.

Nuestros resultados sugieren que los métodos de aplicación de TFF para la estimación de daños en edificios tienen dificultades para generalizarse. Sin embargo, nuestros experimentos con modelos de aprendizaje automático muestran una resiliencia prometedora y superan a los métodos TFF en escenarios fuera de dominio de múltiples clases. La estructura de este artículo es la siguiente: en la sección “Motivo” exploramos la relevancia y los antecedentes de la estimación de daños en edificios posteriores a un desastre, identificando así lagunas en la investigación. La sección "Resultados" informa los resultados experimentales siguiendo nuestra metodología propuesta y los puntos de referencia de la literatura. Discutimos nuestros resultados que muestran que los métodos de aprendizaje automático parecen generalizarse mejor a diferentes dominios y múltiples clases.

Concluimos repasando, una vez más, nuestras principales conclusiones. Los detalles sobre el conjunto de datos, la extracción de características y la metodología se informan en la sección "Métodos".

Sin duda, los desastres presentan algunos de los mayores desafíos modernos para la humanidad. A medida que el mundo urbanizado crece, también crecen los efectos de los desastres en la sociedad, ya sea directamente (por la pérdida de vidas) o por efectos en cascada (como la pérdida de tierras). Más recientemente, los profundos impactos socioeconómicos de los desastres han impulsado la investigación sobre todos los aspectos de las medidas preventivas y de gestión. La producción de investigación centrada en la gestión del riesgo de desastres por tsunamis ha experimentado una innovación increíble en las últimas dos décadas. En este documento, exploramos los antecedentes de algunos de los métodos más populares para cuantificar y evaluar los daños posteriores al tsunami.

Las funciones de fragilidad son modelos de regresión que intentan representar la relación entre una medida de intensidad de desastre (IM) o un parámetro de demanda de ingeniería (EDP) (la variable independiente, modelada como una variable aleatoria continua) y la respuesta estructural de los edificios bajo la carga de intensidad. es decir, el estado del daño, DS (la variable dependiente, modelada como una probabilidad de excedencia). Si bien la mayoría de los científicos están de acuerdo con esta formulación inicial, la elección del IM/EDP, el modelo y el enfoque han sido objeto de debate académico3. En las siguientes secciones, exploramos algunos antecedentes centrándonos en los TFF en su conjunto, las diferencias en la formulación, las aplicaciones y las limitaciones.

Las funciones de fragilidad han estado muy extendidas en la ingeniería sísmica6,7, como un medio conveniente para caracterizar el impacto local de un terremoto, y se adaptaron a los daños del tsunami1,2. A diferencia de la actividad sísmica, medir directamente la intensidad de los tsunamis es problemático. La única cantidad prácticamente mensurable es el nivel máximo de inundación, z, que se mide a partir de las huellas de inundación dejadas en las estructuras afectadas. En particular, esto no representa necesariamente el nivel del agua en el momento de la falla8. Además, la búsqueda de una combinación óptima de parámetros de demanda ha sido objeto de varios estudios3,9,10.

En ocasiones, incluso z, el EDP más destacado, puede no ser medible con una resolución suficiente (es decir, cuando no hay expertos disponibles o los datos RS no pueden validarse) y debe interpolarse8,10 o estimarse de otro modo1,11,12. La profundidad de inundación medida se utiliza a menudo para validar modelos numéricos que tienen resolución ajustable; estos vienen con el beneficio adicional de generar cantidades hidrodinámicas secundarias que pueden usarse como EDP (es decir, fuerza hidrodinámica, velocidad, momento, factores sin unidades, etc.). )1,3,11,12,13,14,15,16,17,18,19,20 de forma independiente o en parejas, con el fin de generar “superficies de fragilidad”16,17. Basándose en estos hallazgos, Macabaug et al.20 investigan la calidad de varios PDE clasificándolos en función de su error predictivo, utilizando modelos aditivos generalizados (GAM). Para abordar datos discretos y escasos (como el material de construcción y la antigüedad de la construcción, etc.), los autores han propuesto varias adaptaciones: por ejemplo, al dividir los datos de daños y agregarlos en términos de características estructurales, los autores han intentado reducir la variabilidad latente9,10 ,17,18,20,21,22,23,24,25. Las características topográficas18,19,23,26 y los efectos físicos10,17,19,20 (es decir, geomorfología, escombros, disposición de los edificios y protección, etc.) se han parametrizado de manera similar, especialmente en publicaciones más recientes que presentan modelos lineales generalizados (GLM). . De hecho, la elección del modelo estadístico, el método de ajuste y la corrección estadística han sido objeto de debate: mínimos cuadrados ordinarios (MCO) es la formulación más popular1,2,8,11,12,13,14,15,18, 19,21,22,25,26,27,28,29,30; requiere que los datos se agreguen de alguna forma. Luego se hace una regresión de una función lineal a la media agregada de la muestra. En la mayoría de los casos, esta es la proporción de edificios que exceden un estado de daño discreto en términos de un PDE continuo. Los GLM (y GAM) se han adoptado en varios casos3,9,10,16,17,20,23,24,31 y permiten el ajuste directo de un modelo lineal a datos discretos y desagregados. De gran preocupación para el presente estudio, varios dominios posteriores al desastre han sido estudiados y modelados utilizando funciones de fragilidad. Son estos estudios los que inicialmente advierten contra la aplicación general de modelos TFF que sugieren dependencia del dominio8,21,27. La literatura cubre eventos tanto históricos como contemporáneos, desde el inicio de los TFF entre 20052 y 20091, algunos ejemplos destacados son: el terremoto de Okushiri de 199311, el terremoto y tsunami del Océano Índico de 20041,2,12,31, el terremoto y tsunami de Samoa de 200910, 13, el terremoto de Chile de 20108, el Gran Terremoto del Este de Japón de 2011 (GEJE)3,9,14,15,16,17,18,19,20,21,22,23,24,26,27,29,32, 33, que presenta encuestas extremadamente detalladas y datos de respaldo34,35,36, y el terremoto y tsunami de Sulawesi de 201830,31,37. Debido a la falta de datos clasificables sobre daños, los estudios analíticos generalmente definen los daños a los edificios como una función de propiedades estructurales generalizadas (es decir, tensión y deformación)25,38, estándares de diseño y precedentes (como el impacto de un desastre anterior). Los TFF no se han limitado a los edificios: de hecho, los daños a la vegetación15, a las carreteras33, a los buques16 y a los postes de servicio37 se han enmarcado de la misma manera. El corpus de investigación del TFF ha sido revisado varias veces: señalamos a Tarbotton et al.39 y Charvet et al.40 para las revisiones exhaustivas más recientes (hasta la fecha de publicación). Behrens et al.41 proporcionan una revisión reciente y un desglose de las lagunas de investigación en los estudios probabilísticos de peligro y riesgo de tsunamis, incluidas las funciones de fragilidad de los tsunamis.

Ejemplos de aplicaciones de aprendizaje automático para la detección de daños por desastres, en particular tsunamis, algoritmos de clasificación aprovechados y técnicas de detección de cambios mediante teledetección. Generalmente asocian (supervisadas) o descubren (no supervisadas) etiquetas a umbrales de cambio específicos, generalmente dada una entrada de parches de imágenes que contienen un solo edificio cada uno. Antes de la llegada del aprendizaje profundo, se propusieron una variedad de algoritmos con diferente eficacia; las máquinas de vectores de soporte42 y los métodos de conjuntos43 se encuentran entre los más populares. Recientemente, los avances en el hardware informático permitieron entrenar redes neuronales artificiales (RNA) profundas en un tiempo útil, lo que permitió la extracción automática de características a partir de imágenes de detección remota42. La detección de cambios por teledetección constituye actualmente el estado del arte en lo que respecta a aplicaciones de visión por computadora para la ciencia de desastres naturales. Sin embargo, hasta donde sabemos, ninguno de estos métodos emplea medidas de intensidad asociadas con la dinámica de los tsunamis, como las utilizadas en los estudios de la función de fragilidad. Postulamos que depender únicamente de la fotogrametría no permite que un modelo aprenda nada de los procesos físicos que causan el daño. Estos modelos son ingenuos en el sentido de que aprenden cómo se ve el daño, en lugar de por qué se ve como se ve. Como tales, quedan fuera del alcance del presente estudio.

Al revisar las lagunas en los modelos de vulnerabilidad física de tsunamis (incluidas las funciones de fragilidad), Behrens et al.41 indican “[...] una falta de consenso sobre muchos aspectos de los modelos de fragilidad física y vulnerabilidad”. Arriba exploramos brevemente el corpus de investigación relacionado con las funciones de fragilidad. En este documento, informamos sistemáticamente las lagunas en la investigación sobre la aplicación de las funciones de fragilidad de los tsunamis como estimadores de daños a los edificios. Hay relativamente pocos estudios que intentan aplicar funciones de fragilidad de tsunamis: Musa et al.44 construyen una rutina de cálculo de tsunamis en tiempo real que incorpora los daños causados por los tsunamis a nivel zonal utilizando TFF preexistentes; Rehman y Cho28 exploran un estudio de caso utilizando un método similar, aunque no en tiempo real, en el que aplican TFF generados a partir de datos GEJE de 2011 al puerto de Imwon, Corea del Sur, simulando varios escenarios de tsunami. Adriano et al.45 y Moya et al.46 aplican funciones de fragilidad a datos de desastres reales para estimar los daños. El primer estudio propone escenarios hipotéticos, por lo que los resultados no se evalúan con respecto a una realidad concreta, mientras que el segundo estudio solo informa la proporción de daños a los edificios para cada clase en comparación con la proporción real. En última instancia, la evidencia sugiere que; Las funciones de fragilidad de los tsunamis no se generalizan: la inundación de tsunamis de alta resolución generalmente se obtiene validando simulaciones hidrodinámicas con valores medidos1,20; el modelado requiere una entrada de alta resolución (incluyendo elevación, distribución espacial, rugosidad, disposición de los edificios, etc.) que finalmente se sintetiza y agrega en medidas de intensidad. La inversión de una función de fragilidad no se resuelve en los datos originales utilizados en datos de alta resolución ni preserva la distribución espacial de los datos desagregados. Si bien los estudios1 han asumido que se puede obtener una estimación de las cifras de daños a los edificios a partir de una función de fragilidad, también advierten contra la generalidad de estas funciones1,8. Teniendo en cuenta los puntos planteados anteriormente, es poco probable que las funciones de fragilidad de los tsunamis puedan generalizarse a diferentes dominios a los efectos de estimar los daños a los edificios. Los datos de las encuestas son relativamente escasos: si bien hay una gran cantidad de funciones de fragilidad, a menudo modelan los mismos eventos. Los estudios empíricos se limitan a los acontecimientos posteriores al tsunami del Océano Índico de 200441; las encuestas posteriores al evento son riesgosas, costosas y requieren personal especializado; Es posible que muchos países que sufren desastres causados por tsunamis no tengan los recursos o el personal para realizar estudios de daños de alta calidad. Un modelo que estima los daños a los edificios debe poder aprender representaciones de los daños a partir de una cantidad relativamente pequeña de datos. Los métodos actuales de aprendizaje automático no son estimadores de daños: las funciones de fragilidad establecen una relación causa-efecto entre una medida de intensidad (de un desastre) y el estado de daño de un edificio; Esta implicación es necesaria para realizar estimaciones sobre escenarios futuros; Los métodos actuales de aprendizaje profundo basados en imágenes de teledetección no incorporan ninguna medida del desastre, por lo que no pueden hacer estimaciones de eventos futuros.

Muchos de los trabajos8,21,27 que incluyen un análisis comparativo, señalan las diferencias entre la función recién construida y las funciones anteriores a la hora de caracterizar los daños singulares del tsunami. Es decir, el daño en función del conjunto de parámetros de demanda es específico y se explica intrínsecamente por los parámetros de demanda. Entonces, de manera intuitiva, las estimaciones de daños producidas por los métodos de aplicación de TFF producirán resultados diferentes dependiendo del TFF aplicado. Esto genera lo siguiente: ¿qué tan diferentes son estos resultados? Por lo tanto, ¿cómo se elige un TFF apropiado para aplicar? A la luz de la proliferación de estudios TFF, particularmente bajo la lente del riesgo agravado por el cambio climático, creemos que explorar la aplicación de estos modelos será beneficioso para la comunidad de gestión de desastres en general; más allá de la capacidad de describir un desastre en el contexto de otros desastres. Teniendo en cuenta las lagunas de investigación descritas en la sección anterior, nosotros:

probar los métodos de aplicación de TFF propuestos en la literatura y evaluar su desempeño utilizando métricas de clasificación comunes frente a un conjunto de datos conocido;

investigar diferentes escenarios experimentales aplicando métodos TFF para producir estimaciones de daños a edificios;

probar un modelo de aprendizaje automático como estimador de daños a edificios, entrenarlo para reconocer patrones de daños y aprender de los parámetros de demanda inspirados en las funciones de fragilidad de los tsunamis. Todas nuestras pruebas se realizan en un subconjunto del bien estudiado conjunto de datos sobre daños del tsunami del Gran Terremoto del Este de Japón de 2011 (Fig. 1)34,35 para promover la claridad en nuestros resultados experimentales.

Realizamos experimentos en un subconjunto del conjunto de datos MLIT del terremoto y tsunami de Tohoku de 201134, específicamente el conjunto de datos de Ishinomaki (conjunto de datos 305 en la convención adoptada por MLIT), pero preparamos el conjunto de datos de las llanuras de Sendai (320) y el conjunto de datos de Rikuzentakata (212) de la misma manera. forma; los dos últimos conjuntos de datos se utilizan para entrenar el modelo de aprendizaje automático (Fig. 1). Se prueban tres TFF de la literatura: Koshimura et al.1, Suppasri et al.21 y Belliazzi et al.25. Debido a que Koshimura et al.1 solo mapean dos estados de daño, están excluidos de los experimentos de clases múltiples. Volvemos a muestrear los estados de daño de las clases MLIT 7 originales en conjuntos de datos binarios y de 3 clases utilizando las siguientes asignaciones:

: \(DS_{MLIT} = \{6,5,4,3,2,1,0\} \mapsto DS_{*} = \{1,1,0,0,0,0,0\}\ ) y

: \(DS_{MLIT} = \{6,5,4,3,2,1,0\} \mapsto DS_{*} = \{1,1,2,2,2,3,3\}\ ).

Nuestro fundamento se proporciona en la subsección "Datos y configuración experimental".

Izquierda: inventario de daños a edificios tras el gran terremoto del este de Japón de 2011 y el posterior tsunami34,35. Derecha: subconjuntos del conjunto de datos utilizados en los presentes experimentos; en azul: datos de entrenamiento para el enfoque ML propuesto; en rojo: datos de prueba utilizados para todos los experimentos. Mapas originales generados con QGIS 3.28.2-Firenze (https://qgis.org/en/site); Fondo generado en QGIS a partir del modelo de elevación digital SRTM de dominio público (10.5066/F7PR7TFT).

Los resultados se comparan informando la puntuación \(\hbox {F}_1\), la precisión y las matrices de confusión normalizadas por filas (Fig. 2). Probamos dos métodos de estimación de TFF de la literatura y nuestro método de aprendizaje automático propuesto:

: descrito por Adriano et al.45,

: descrito por Moya et al.46, y

: algoritmo de aprendizaje automático que implementa un clasificador de bosque aleatorio simple.

Los detalles de cada método se informan en las secciones: Métodos 1, Métodos 2 y Métodos 3 y se resumen en la Fig. 5.

Arriba, de izquierda a derecha: matrices de confusión para experimentos binarios Método 145 para funciones de fragilidad desarrollado por Koshimura et al.1, Suppasri et al.21 y Belliazzi et al.25; Método 246 para funciones de fragilidad desarrollado por Koshimura et al.1, Suppasri et al.21 y Belliazzi et al.25; Método 3, estimación binaria de daños utilizando nuestro método propuesto. Abajo, de izquierda a derecha: matrices de confusión para experimentos multiclase Método 145 para funciones de fragilidad desarrollado por Suppasri et al.21 y Belliazzi et al.25; Método 246 para funciones de fragilidad desarrollado por Suppasri et al.21 y Belliazzi et al.25; Método 3, estimación de daños multiclase utilizando nuestro método propuesto. Todos los gráficos se generaron utilizando Matplotlib 3.7.2 (https://github.com/matplotlib/matplotlib).

Aquí se informan los resultados de experimentos binarios; para lograr uniformidad, se hace referencia a cada experimento en términos del método (Método 1, Método 2 o Método 3) y la función de fragilidad (cuando sea relevante) de acuerdo con la siguiente convención de nomenclatura: Koshimura-2 (Banda Aceh)1, Suppasri-2 (Tohoku)21 y Belliazzi-2 (Analítico)25. El Método 1 (Tabla 1; Fig. 2) supera al Método 2 (Tabla 2; Fig. 2) en todos los casos. En términos de TFF, Suppasri-2 muestra el mejor rendimiento (puntaje \(\hbox {F}_1\) promedio de 0,809 adoptando el Método 1, Tabla 7), esto no es sorprendente considerando que el TFF diseñado por Suppasri et al.21 modela el conjunto de datos MLIT, por lo que contiene los datos de prueba. Nos referimos a esta configuración como prueba “en el dominio” (ID), ya que la distribución de entrenamiento contiene la distribución de la prueba47; nos referimos a los TFF propuestos por Koshimura et al.1 y Belliazzi et al.25 como modelos “fuera de dominio” (OOD); inherentemente, suponemos que las distribuciones de los tres modelos son similares47. Vale la pena señalar que, aunque Suppasri se desempeña mejor en general, las puntuaciones promedio \(\hbox {F}_1\) para todos los casos binarios están dentro de \(\pm 0.05\) (Tabla 7) entre sí. En promedio, Koshimura-2 se desempeña mejor que Belliazzi-2 en el conjunto de prueba; Curiosamente, en términos de puntuaciones de clase individuales, Koshimura-2 igualó a Suppasri-2 al predecir DS0, mientras que ambos son peores que Belliazzi-2 cuando se trata de DS1, Belliazzi-2 tiene la menor variación entre clases de todos los modelos (Tabla 7). El método 3 funciona ligeramente peor en promedio, debido a que se subestima DS0 en general, pero supera a otros métodos en DS1. Además, el Método 3 tiene la desviación entre clases más pequeña (Tabla 7) y muestra una aleatoriedad mínima entre ejecuciones (promedio de \(0,5\%\), Tabla 3).

Resultados trazados espacialmente. Resultados binarios encima de la línea: (A) Método 145, Koshimura-21; (B) Método 1, Suppasri-221; (C) Método 1, Belliazzi-225; (D) Método 246, Koshimura-2; (E) Método 2, Suppasri-2; (F) Método 2, Belliazzi-2; (G) Clasificador de bosque aleatorio; (H) Verdad fundamental (binaria). Resultados de clases múltiples debajo de la línea: (I) Método 145, Suppasri-321; (J) Método 1, Belliazzi-325; (K) Clasificador de bosque aleatorio; (L) Método 246, Suppasri-3; (M) Método 2, Belliazzi-3; (N) Verdad sobre el terreno (multiclase) Mapas originales generados con QGIS 3.28.2-Firenze (https://qgis.org/en/site).

Espacialmente (Fig. 3), se hacen evidentes algunas diferencias clave entre los métodos: el Método 1 (Fig. 3; cuadros A-C) aparece muy agrupado, aparentemente debido al orden que se le impone, que también elimina cualquier aleatoriedad; Comparando el de mejor desempeño, Suppasri-2 (Fig. 3, Cuadro B) con la verdad sobre el terreno (Fig. 3, Cuadro H), el umbral interior entre los estados de daño está subestimado hacia el oeste y exagerado hacia el este del estuario, además, gran parte de los matices Los daños a lo largo de la playa no están representados en el modelo. La característica más evidente del Método 2 (Fig. 3; cuadros D – F) es la dispersión espacial debido al componente aleatorio de este método que no es inmediatamente evidente a partir de las métricas únicamente. A diferencia del método anterior, el límite entre los estados de daño está mucho menos definido, aunque se aproxima más al límite trazado por la verdad fundamental que el método anterior. Como resultado de la aleatoriedad inherente, el daño a lo largo de la playa tiene muchos más matices y se acerca más a la realidad del terreno en el lado este. Además, debido a la dispersión aleatoria y contrariamente a la realidad, los daños son mucho más escasos y menos agrupados. El Método 3 (Fig. 3; cuadro G), al igual que el Método 1, traza un límite mucho más claro entre los estados de daño. Curiosamente, identifica erróneamente varios grupos de edificios dañados significativamente tierra adentro de la costa. Sin embargo, es mucho más fiel a la realidad del terreno a lo largo del estuario y el puerto, preservando algunos de los daños matizados en esta área. El rendimiento es peor a lo largo de la costa este y tierra adentro, donde se pierden muchos de los matices a lo largo de la playa, similar al Método 1.

Aquí se informan los resultados de los experimentos de clases múltiples; Como se indicó anteriormente, se hace referencia a cada experimento en términos del método (Método 1, Método 2 o Método 3) y la función de fragilidad (cuando sea relevante) de acuerdo con la siguiente convención de nomenclatura: Suppasri-3 (Tohoku)21 y Belliazzi-3. (Analítico)25. Como se mencionó, Koshimura et al.1 no es aplicable a estados de daños múltiples y, por lo tanto, está excluido.

En el experimento de clases múltiples, el desempeño general de las curvas de fragilidad es notablemente menor en todas las métricas (Tabla 7). Esta vez, el Método 3 supera notablemente a los otros dos métodos, principalmente debido al pobre rendimiento significativamente peor de los métodos TFF en DS2 y DS3. En cuanto a las clases, el Método 1 y el Método 2 todavía funcionan ligeramente mejor que el Método 3; Esto no es sorprendente ya que DS 1 permanece sin cambios entre los experimentos binarios y multiclase. Tanto en el Método 1 (Tabla 4) como en el Método 2 (Tabla 5), Suppasri-3 tiene un rendimiento significativamente menor que Belliazzi-3 en DS3; por el contrario, Suppasri-3 supera a Belliazzi-3 en DS2, casi duplicando el \(\hbox {F}_1\) -score en la mayoría de los casos. DS1 es ligeramente más incierto y el de mejor desempeño es Belliazzi-3 modelado por el Método 1. El Método 3 continúa teniendo la menor desviación entre clases (Tabla 7) y al mismo tiempo ofrece un estimador relativamente estable como se muestra en la Tabla 6. Al observar las matrices de confusión (Fig. 2) y observar que el recuerdo (es decir, la fracción de verdaderos positivos y valores positivos) está dado por la diagonal principal, parece que, a pesar de la métrica, DS2 es el más problemático en todos los métodos TFF para el caso de clases múltiples, aunque el modo de error difiere entre Suppasri-3 (Tohoku) y Belliazzi-3 (Analytic). Más específicamente, en Suppasri-3 (Tohoku) la mayor tasa de error es para tipo- Errores I, es decir, un error de falso positivo DS2, mientras que en aplicaciones de Belliazzi-3 (Analítico) la mayor tasa de error es para errores de tipo II, es decir, un error de falso negativo DS2. En el Método 3 no está tan claro, aunque la tasa de recuerdo (tasa de verdaderos positivos) en todas las clases se mantiene por encima de la tasa de falsos positivos y la tasa de falsos negativos. Parece evidente que para los métodos TFF (Método 1 y Método 2) la clase media (DS2) sigue siendo particularmente ambigua, en términos de la profundidad de la inundación y la distancia desde la costa únicamente. Es posible que aumentar la dimensionalidad del problema permita que un clasificador lineal separe las clases. Espacialmente, muchas de las tendencias mostradas por los experimentos binarios son evidentes: el Método 1 (Fig. 3, fotogramas I, J) continúa perdiendo muchos matices hacia la costa mientras estima erróneamente los límites del daño, particularmente DC3, que parece ser limitado al noroeste en la verdad del terreno (Fig. 3, cuadro N), cualquiera de los TFF lo estima mal. El Método 2 (Fig. 3, cuadros J, M) mantiene mucha aleatoriedad, lo cual es especialmente marcado en Belliazzi-3 donde DS2 es virtualmente inseparable de los otros estados, Suppasri-3 todavía muestra mucha incertidumbre en DS2, pero permite para la distinción de límites probables, aunque vagos. El método 3 (Fig. 3, cuadro K) aún pierde muchos matices a lo largo de la playa, estimando prácticamente todas las muestras como DS1, pero se aproxima al límite DS1-DS2 más estrechamente que otros experimentos en el lado este, aunque no lo logró en el extremo oeste; Muchos de los grupos aislados característicos están presentes y dispersos en el cuerpo principal de DS2 tanto de DS1 como de DS3, lo que se refleja en la tasa de falsos negativos en las matrices de confusión (Fig. 2). El método 3 sobreestima DS3 por un amplio margen; sin embargo, representa mejor la extensión norte-sur de la clase, al tiempo que invade significativamente DS2.

Nos propusimos probar la aplicación de funciones de fragilidad de tsunamis para la estimación de daños por tsunamis, su transferibilidad y probar sus limitaciones. Además, proponemos una alternativa de clasificador supervisado que utiliza parámetros de demanda canónicos de TFF en la matriz de características (complementada por varios otros) generada a partir del panorama previo al desastre. Aquí, discutimos las implicaciones de nuestros hallazgos. Los experimentos binarios fuera de dominio generalmente se realizaron dentro de un margen del 6,75 % (Tabla 7) entre sí (centrados alrededor del 78,02 %) en la métrica. Esto sugiere que con estos métodos se logra cierto nivel de generalización. Es poco probable que los resultados actuales sean representativos de todas las estimaciones del FFT y se recomienda realizar más pruebas. Remitimos al lector a Mas et al.8, donde se analizan 6 funciones binarias de fragilidad; el estudio compara las diversas probabilidades en ciertos valores umbral. Nuestros resultados ejemplifican la variabilidad entre un TFF extranjero en comparación con un marco de referencia "Verdadero", en este caso la diferencia entre las curvas de Belliazzi25 o Koshimura1 (OOD) en relación con el TFF "más apropiado" de Suppasri et al. 21 (identificación). Espacialmente, esta variabilidad se presenta como un “cambio” entre interfaces de clase; Postulamos que probar más TFF generará mapas de daño donde la interfaz de daño se desplaza nuevamente. Inherentemente, para cualquier dominio afectado por un tsunami, el “mejor” TFF será el que más se aproxime a la interfaz de daño real. Por el contrario, la capacidad de realizar tal comparación presupone la disponibilidad de un FFT local. En ausencia de esto, la pertinencia de un TFF dependerá de la similitud entre el dominio de entrenamiento y el dominio objetivo47, por lo que las aplicaciones significativas de estos métodos a dominios futuros o potenciales dependerán de una evaluación adecuada de la idoneidad del TFF. Por lo tanto, es interesante que Koshimura et al.1 se desempeñen sorprendentemente bien en términos de la puntuación \(\hbox {F}_1\). Koshimura et al.1 informan que la topografía del centro de la ciudad es baja con elevaciones inferiores a 3 m sobre el nivel medio del mar (MSL). Además, la mayoría de los edificios en el área afectada por el tsunami eran casas de madera de poca altura, construcciones de madera y hormigón armado (RC) no diseñado. Se descubrió que el tsunami había penetrado entre 3 y 4 km tierra adentro en toda la ciudad, con inundaciones de hasta 7 a 9 m a lo largo de la costa occidental. Comparativamente, Suppasri et al.48 informan que las alturas de los tsunamis a lo largo de las costas de Ishinomaki fueron de más de 10 m, mientras que las profundidades de las inundaciones en áreas pobladas fueron de más de 5 m. En Japón, se prefieren las casas de madera para reducir el impacto de los terremotos debido a su estructura más ligera. Los autores identifican que la profundidad de inundación por encima de 2 m MSL está altamente correlacionada con daños graves a este tipo de estructuras. En la Fig. 4 podemos observar que el 50% de los edificios destruidos ocurren aproximadamente en \(z > 2\) m en el TFF propuesto por Suppasri et al.21 y aproximadamente en \(z > 3\) m en el TFF propuesto por Koshimura et al.1. Los modelos de elevación digitales para cada dominio revelan que la mayor parte de ambos asentamientos se encuentran por debajo de los 4 m (por encima del datum vertical local). A partir de las imágenes de satélite podemos observar además que una gran parte de las estructuras se encuentran a entre 3 y 4 km de la costa y casi en su totalidad dentro de la extensión de la inundación. Las funciones de fragilidad sugieren que los edificios en Banda Aceh pueden ser ligeramente menos susceptibles a las inundaciones, como lo ilustra el gradiente inicial más pequeño en el TFF de Koshimura et al.1. Esto se corrobora en la Fig. 3 (Cuadros A, B), en la que las estimaciones utilizando Koshimura-21 producen una interfaz más cercana a la costa que la producida por Suppasri-221. No obstante, similitudes significativas en geomorfología, distribución de materiales de construcción y disposición de los edificios pueden explicar el desempeño de Koshimura-21 en la métrica (Tablas 1, 2).

De izquierda a derecha: comparación entre TFF binarios empleados en los presentes experimentos que expresan la probabilidad de que los edificios sean destruidos \(P(DS1 \mid z)\) cuando \(z \in [0, 10]\) generado usando Matplotlib 3.7. 2 (https://github.com/matplotlib/matplotlib); imágenes aéreas después del gran tsunami del este de Japón de 2011 y DEM de Ishinomaki (creadas mediante el procesamiento de mosaicos de la Autoridad de Información Geoespacial de Japón: mosaicos de elevación49); imágenes aéreas después del tsunami del Océano Índico de 2004 y DEM de Banda Aceh50 (modelos de elevación recortados a 1, 2 y 3 m sobre el nivel del mar). Mapas originales generados con QGIS 3.28.2-Firenze (https://qgis.org/en/site).

El método 3, por otro lado, permite agregar dimensionalidad adicional al problema; Si bien no supera a los TFF específicos probados en este estudio, puede permitir mejores estimaciones si el conjunto de entrenamiento se extiende a dominios diferentes y bien documentados. Además, es importante considerar posibles casos de uso: por ejemplo, en casos de socorro en casos de desastre, la aleatoriedad generada por el Método 2 sería perjudicial ya que no restringe la extensión estimada del daño. En el contexto de un problema de enrutamiento, por ejemplo, en el que un agente debe verificar todos los edificios DS1 para proporcionar suministros51, el agente tendría que cubrir significativamente más terreno al aplicar estimaciones utilizando el Método 2 en comparación con los otros 2 métodos. La pérdida significativa de rendimiento en los experimentos multiclase sugiere que los TFF son generalmente estimaciones de daños multiclase poco confiables; Es posible que investigaciones adicionales, como la evaluación del TFF derivado de modelos lineales generalizados o el desarrollo de métodos completamente nuevos para aplicar estos modelos, puedan arrojar estimaciones más confiables. Especialmente aquellos que permiten considerar más parámetros. Del mismo modo, realizar pruebas adicionales de métodos de aprendizaje automático con un conjunto más amplio de parámetros que se pueden aprender puede permitir estimadores que generalicen de manera confiable.

En este estudio realizamos una estimación de los daños a los edificios del tsunami en la ciudad de Ishinomaki, Japón, después del Gran Terremoto del Este de Japón de 2011 utilizando parámetros físicos; nuestras pruebas se evalúan con respecto a la verdad del terreno del estudio posterior al desastre34. Comparamos tres metodologías: dos métodos de aplicación de TFF de la literatura45,46 y un modelo de aprendizaje automático entrenado en parámetros físicos fuera del dominio; Por tanto, realizamos experimentos binarios y multiclase. En el caso de las aplicaciones TFF, seleccionamos tres funciones de fragilidad de tsunami (dos en las pruebas de clases múltiples) para verificar la variabilidad entre la aplicación de TFF dentro del dominio versus TFF fuera del dominio. Verificamos que los métodos de aplicación de TFF son capaces de producir estimaciones de daños en edificios con éxito variable. El rendimiento de las estimaciones de TFF depende tanto del método como de la idoneidad del TFF para el dominio (debido a variables latentes ofuscadas por los parámetros de demanda, ver la sección anterior): de nuestros métodos intentados, el Método 1 es consistentemente superior al Método 2 en tanto métrica como espacialmente para todos los casos. El TFF con mejor rendimiento, como era de esperar, es el caso dentro del dominio21, aunque los TFF fuera del dominio en el intervalo \(78.02\pm 6.65\%\) para el caso binario. Además de probar los métodos de aplicación de TFF, proponemos una nueva reinterpretación de la estimación de daños basada en parámetros físicos. Nos inspiramos en los parámetros de demanda de TFF y proponemos un marco de aprendizaje automático: el método 3 produce resultados comparables a los métodos de TFF en las pruebas binarias, pero tiene un rendimiento mejorado en el caso de clases múltiples, lo que sugiere una mayor flexibilidad. Con este estudio, contribuimos con métodos novedosos para generar estimaciones de daños por tsunamis a escala de construcción para informar a los gestores de riesgo de desastres sobre las áreas de riesgo potencial durante y después de los tsunamis. Nuestro método es aplicable a escenarios de inundación simulados, como los previstos por las evaluaciones probabilísticas de peligro de tsunami, por lo que podría proporcionar mayor detalle en las tareas de planificación y preparación ante desastres. En el futuro planeamos investigar métodos alternativos para aplicar TFF a problemas de estimación de daños a escala de construcción. Además, esperamos que la metodología propuesta inspire más estudios para investigar métodos de aprendizaje automático que aprendan y se generalicen mejor a diferentes dominios.

Realizamos experimentos en un subconjunto del conjunto de datos MLIT del terremoto y tsunami de Tohoku de 201134, específicamente el conjunto de datos de Ishinomaki (codificado como conjunto de datos 305), pero preparamos el conjunto de datos de las llanuras de Sendai (320) y el conjunto de datos de Rikuzentakata (212) de la misma manera; los dos últimos conjuntos de datos se utilizan para entrenar el modelo de aprendizaje automático.

Fuera de la caja, el conjunto de datos incluye varias de las características necesarias: material de construcción \(C_{bld}\), inundación sobre el nivel del suelo \(z_{ground}\), elevación topográfica respecto del datum \(h_{datum}\ ) y el estado de daño (etiqueta/variable dependiente) DS. Las características restantes se calcularon espacialmente: la densidad del edificio \(\rho _{bld}\) se toma como la estimación de la densidad del núcleo bidimensional entre los centroides del edificio; para los propósitos de este experimento utilizamos un radio constante (500 m) calculado por KDE utilizando QGIS. La distancia desde la costa \(d_{coast}\) y la distancia desde aguas protegidas \(d_{water}\) se toman como la distancia euclidiana entre el centroide del edificio y la línea costera respectiva. \(d_{coast}\) incluye medidas de protección costera como diques, espigones, rompeolas y no rastrea tierra adentro a través de ríos o puertos. \(d_{water}\) en cambio rastrea la interfaz absoluta tierra-agua, incluidas aguas protegidas, ríos y puertos. La distinción se hizo para investigar el impacto relativo de las estructuras de protección costera. En la Tabla 8 se proporciona un resumen de los parámetros físicos. Es importante señalar que el daño sufrido por cualquier edificio, como resultado de un tsunami generado por un megaterremoto, generalmente está sujeto a cargas generadas por el propio terremoto, además a los impuestos por el tsunami. Las cargas derivadas sísmicamente pueden incluir, entre otras, fuertes movimientos del suelo, licuefacción del suelo, colapso o entorno circundante (construido y natural), etc. la actividad sísmica que es principalmente la causa de las cargas sísmicas (y la generación del propio tsunami) depende de procesos geológicos en la litosfera, como la estabilidad de las pendientes, la subducción tectónica, la aspereza a lo largo de la falla, etc. Se reconoce que los daños a las construcciones son influenciados directamente por estos factores y procesos y las medidas de intensidad del tsunami (parámetros de demanda de ingeniería y varios parámetros físicos que se utilizan en el presente estudio) son generalmente consecuencia de estos factores. Las características geológicas y sísmicas se utilizan para establecer la condición inicial del modelado hidrodinámico que genera las medidas de intensidad; por lo tanto, son intrínsecas a la profundidad de la inundación y a otros parámetros de demanda. En última instancia, los efectos directos de las características sísmicas y geológicas no se incluyen en la capacitación en aprendizaje automático; Hay algunas razones para esta decisión: (1) las pruebas iniciales utilizando características sísmicas arrojaron resultados inferiores a los informados anteriormente; Esto quizás se deba a la tosquedad espacial que, en última instancia, da como resultado datos escasos. (2) No están incluidos directamente en el modelado original de las funciones de fragilidad empíricas probadas en este estudio.

El estado de daño DS se clasifica en 7 rangos, de menor a mayor daño: “sin daño”: DS0, “daño parcial”: DS1, “50% de daño”: DS2, “50–70% de daño”: DS3, “1er. nivel destruido e inundación arriba”: DS4, “completamente destruido”: DS5, “arrastrado”: DS6. Si bien estas clasificaciones son significativas en un contexto de ingeniería estructural, es posible que no se reflejen completamente en los PDE. Además, sólo los TFF basados en el daño GEJE se basan en 7 estados de daño; de ahí que sea necesario simplificar la clasificación para que sea comparable. Las siguientes asignaciones se utilizan para traducir la clasificación MLIT original a las clases objetivo para cada configuración experimental (consulte la siguiente sección):

: \(DS_{MLIT} = \{6,5,4,3,2,1,0\} \mapsto DS_{*} = \{1,1,0,0,0,0,0\}\ ) y

: \(DS_{MLIT} = \{6,5,4,3,2,1,0\} \mapsto DS_{*} = \{1,1,2,2,2,3,3\}\ ).

De manera sucinta, DS6 y DS5 se combinan en el Mapeo 1, ya que Koshimura et al.1 y Belliazzi et al.25 no distinguen entre completamente destruidos y arrastrados. Extendemos esta convención al Mapeo 2 para mantener la coherencia. Las otras agrupaciones en el Mapeo 2 se decidieron probando todas las demás agrupaciones posibles de 3 clases que cumplían con la condición anterior y seleccionando el mapeo que en general funcionó mejor en la métrica.

Arriba: visualización del marco propuesto por Adriano et al.45. Medio: visualización del marco propuesto por Moya et al.46. Abajo: visualización del marco propuesto en el presente estudio. Figura original generada con Adobe Illustrator 27.7, Excalidraw 0.15.0 (https://github.com/excalidraw/excalidraw) y Matplotlib 3.7.2 (https://github.com/matplotlib/matplotlib.

La configuración experimental consta de un conjunto de experimentos binarios y un conjunto de experimentos de clases múltiples donde se prueban dos métodos de aplicación de TFF para cada conjunto. Debido a que Koshimura et al.1 solo mapean dos estados de daño, están excluidos de los experimentos de clases múltiples. Se prueban tres TFF de la literatura: Koshimura et al.1, Suppasri et al.21 y Belliazzi et al.25. Además, proponemos y probamos una alternativa a las aplicaciones TFF utilizando un clasificador de aprendizaje automático simple (bosque aleatorio) y realizamos las mismas tareas de estimación (una binaria, una clase múltiple) expandiendo la matriz de parámetros de demanda para incluir dimensionalidad adicional. Comparamos nuestros resultados informando la puntuación \(\hbox {F}_1\), la precisión y las matrices de confusión normalizadas por filas (Fig. 2). Probamos dos métodos de estimación de TFF de la literatura y nuestro método de aprendizaje automático propuesto:

: descrito por Adriano et al.45,

: descrito por Moya et al.46, y

: algoritmo de aprendizaje automático que implementa un clasificador de bosque aleatorio simple.

Las funciones de fragilidad expresan la probabilidad de que un edificio bajo una carga específica, parametrizada como una medida de intensidad o parámetro de demanda, alcance un estado de daño específico. Las funciones de fragilidad de tsunamis de MCO generalmente se ajustan a la función de distribución acumulativa (CDF) de un modelo estadístico que pertenece a la familia exponencial: con mayor frecuencia las distribuciones normal (ecuación 1) o lognormal (ecuación 2). Estos se pueden expresar simbólicamente como:

Por ello definimos:

Donde \(F_X(x)_{i,DS}\) es la función de distribución acumulada para \(\text {ln}(X) \sim N(\mu _{i,DS}, \sigma ^2_{i ,DS})\), \(\Phi\) es la CDF de la distribución normal estándar \(N(0, 1)\) y \({{\,\textrm{erfc}\,}}\) es la función de error de Gauss complementaria \({{\,\textrm{erfc}\,}}{z} = 1 - {{\,\textrm{erf}\,}}{z} = 1 - \frac{2} {\sqrt{\pi }}\int _0^ze^{-t^2}\,dt\). Mientras que \(\mu _{i,DS}\) y \(\sigma ^2_{i,DS}\) son la media y la varianza de la distribución para la clase de construcción i y el estado de daño DS. La variable aleatoria X representa el parámetro de demanda, en este caso adoptamos la profundidad de inundación z.

El método propuesto por Adriano et al.45 (Fig. 5, Arriba) requiere ordenar los datos en orden ascendente por un parámetro diferente al parámetro principal de demanda z, en este caso elegimos la distancia a la costa \(d_{ costa}\). Se elige un intervalo de profundidades de inundación para subdividir los datos (en nuestro caso 0,5 m). Los datos se dividen en subgrupos de modo que cada subgrupo contenga todos los datos que están dentro del intervalo, es decir, todos los puntos de datos que tienen profundidades de inundación \(0 \, m \le z < 1 \, m\) están en un subgrupo, puntos que tienen profundidades de inundación \(1 \, m \le z < 2 \, m\) están en otro, etcétera. Para cada subgrupo, se calcula la profundidad media \(\mu _z\). Dado el conjunto de estados de daño objetivo, como \(DS: \{0,1\}\) y un conjunto de TFF, \(F_{X,DS}(x)\), que mapea \(z \mapsto P(DS = ds)\) generamos \(P(DS = ds \mid x = \mu _z)\) para \(ds \in DS\) para obtener la proporción de edificios en el intervalo que pertenecen a cada daño estado1. El estado del daño se asigna en función del orden del parámetro secundario (como antes, esto se define como la distancia desde la costa \(d_{coast}\)) haciendo una suposición sobre la naturaleza del orden en relación con el estado del daño. : explícitamente, se supone que los edificios más cercanos a la costa \(d_{coast}\) tienen más probabilidades de resultar dañados por un tsunami.

El método propuesto por Moya et al.46 (Fig. 5, medio) establece que la probabilidad de que un edificio sujeto a un parámetro de demanda alcance el estado de daño \(P(DS\ge ds \mid X=x)\) está dada por la ecuación. (4):

En consecuencia, para cada edificio sujeto a z calculamos el vector de probabilidades \({\varvec{P}} = [P_{0}, P_{1}, \ldots , P_{i}]\), observando que \( |{\varvec{P}}|= 1\). Generamos un número aleatorio distribuido uniformemente \(Y \sim {\mathscr {U}}_{[0,1]}\) y verificamos \(Y \le {\varvec{P}}\) por elementos. A cada punto se le asigna el menor estado de daño posible de todos los estados de daño que satisfacen la desigualdad.

Proponemos un clasificador de aprendizaje automático simple extraído de características (Fig. 5, abajo) alternativo a los métodos de estimación de TFF para: (1) crear una línea de base, (2) verificar si la estimación de daños se puede abordar utilizando cantidades de ingeniería y (3) comparar el desempeño de los métodos de estimación del FFT. Como se explica brevemente en “Resultados”, la matriz de características para el modelo de máquina se completa con cantidades de estudios de pozos en la literatura del TFF y cantidades adicionales sintetizadas a partir de datos de encuestas y sensores remotos. La motivación para desarrollar dos distancias horizontales diferentes surge del deseo de caracterizar la oleada de un tsunami que se desplaza tierra adentro a través de canales de agua, como se destaca en la literatura sobre ingeniería de tsunamis52. La densidad de construcción \(\rho _{bld}\) se calcula utilizando la estimación de la densidad del núcleo con un radio arbitrario de 500 m para cada edificio. Las características se centran individualmente y se escalan según el rango intercuartil para evitar sesgos de valores atípicos. Las etiquetas se reclasifican en clases 2 (binario, Mapeo 1) y 3 (multiclase, Mapping 2) para obtener estimaciones comparables a las producidas por los métodos TFF. En este caso utilizamos la entropía para medir la pureza de nuestros nodos, mientras que otros hiperparámetros se informan en la Tabla 9. El modelo se entrena en los subconjuntos de datos MLIT de la ciudad de Sendai y Rikuzentakata y se prueba en el conjunto de datos invisible de Ishinomaki, por lo que solo Pruebe el caso fuera del dominio para escenarios binarios y de múltiples clases.

Los datos que informan los presentes hallazgos están disponibles previa solicitud razonable. Además, los datos sobre daños a edificios durante el Gran Terremoto del Este de Japón de 2011 también están disponibles públicamente en http://fukkou.csis.u-tokyo.ac.jp/dataset/list_all y https://www.mlit.go.jp/toshi. /toshi-hukkou-arkaibu.html.

Koshimura, S., Oie, T., Yanagisawa, H. & Imamura, F. Desarrollo de funciones de fragilidad para la estimación de daños por tsunami utilizando modelos numéricos y datos posteriores al tsunami de Banda Aceh, Indonesia. Costa. Ing. J. 51, 243–273. https://doi.org/10.1142/S0578563409002004 (2009).

Artículo de Google Scholar

Peiris, N. & Pomonis, A. 26 de diciembre de 2004 Tsunami en el Océano Índico: Funciones de vulnerabilidad para la estimación de pérdidas en Sri Lanka. Ingeniería geotécnica para la mitigación y rehabilitación de desastres, primera conferencia internacional 411–416. https://doi.org/10.1142/9812701605_0048 (2005).

Macabuag, J., Rossetto, T., Ioannou, I. y Eames, I. Investigación del efecto del daño inducido por escombros en la construcción de curvas de fragilidad de tsunamis para edificios. Geociencias (Suiza)https://doi.org/10.3390/geosciences8040117 (2018).

Artículo de Google Scholar

Bai, Y. y col. Un marco de reconocimiento rápido de los daños del tsunami regional a partir de imágenes de Terrasar-x posteriores al evento utilizando redes neuronales profundas. IEEE Geociencias. Sensores remotos. Lett. 15, 43–47. https://doi.org/10.1109/LGRS.2017.2772349 (2018).

ADS del artículo Google Scholar

Moya, L. et al. Detección de cambios urbanos mediante correlación de fases y modelo disperso basado en \(\ell\)1 para una respuesta temprana a desastres: un estudio de caso del terremoto-tsunami de Sulawesi Indonesia de 2018. Sensores remotos. Medio ambiente. 242, 111743. https://doi.org/10.1016/j.rse.2020.111743 (2020).

ADS del artículo Google Scholar

Porter, K., Kennedy, R. y Bachman, R. Creación de funciones de fragilidad para ingeniería sísmica basada en el desempeño. Tierraq. Espectros 23, 471–489. https://doi.org/10.1193/1.2720892 (2007).

Artículo de Google Scholar

Yamazaki, F. & Murao, O. Funciones de vulnerabilidad para edificios japoneses basadas en datos de daños del terremoto de Kobe de 1995. En Implicaciones de los terremotos recientes sobre el riesgo sísmico, vol. 2 de la Serie sobre Innovación en Estructuras y Construcción, 91–102. https://doi.org/10.1142/9781848160194_0007 (Ime, 2000).

Mas, E. et al. Desarrollar curvas de fragilidad de tsunamis utilizando sensores remotos y datos de encuestas del tsunami chileno de 2010 en Dichato. Nat. Peligros Sistema Tierra Ciencia. 12, 2689–2697. https://doi.org/10.5194/nhess-12-2689-2012 (2012).

ADS del artículo Google Scholar

Charvet, I., Ioannou, I., Rossetto, T., Suppasri, A. e Imamura, F. Evaluación empírica de la fragilidad de los edificios afectados por el gran tsunami del este de Japón de 2011 utilizando modelos estadísticos mejorados. Nat. Peligros 73, 951–973. https://doi.org/10.1007/s11069-014-1118-3 (2014).

Artículo de Google Scholar

Reese, S. y col. Fragilidades empíricas de la construcción a partir de los daños observados en el tsunami del Pacífico Sur de 2009. Ciencia de la Tierra. Apocalipsis 107, 156–173. https://doi.org/10.1016/j.earscirev.2011.01.009 (2011).

ADS del artículo Google Scholar

Koshimura, S. & Kayaba, S. La fragilidad del tsunami se infiere del desastre del tsunami del terremoto de Hokkaido Nansei-Oki de 1993. J. Jpn. Assoc. Earthq. Eng. 10, 87–101. https://doi.org/10.5610/jaee .10.3_87 (2010).

Artículo de Google Scholar

Suppasri, A., Koshimura, S. & Imamura, F. Desarrollo de curvas de fragilidad de tsunamis basadas en la teledetección satelital y el modelado numérico del tsunami del océano Índico de 2004 en Tailandia. Nat. Peligros Sistema Tierra Ciencia. 11, 173–189. https://doi.org/10.5194/nhess-11-173-2011 (2011).

ADS del artículo Google Scholar

Gokon, H., Koshimura, S., Matsuoka, M. y Namegaya, Y. Desarrollo de curvas de fragilidad del tsunami debido al desastre del tsunami de 2009 en Samoa Americana. J. Jpn. Soc. Ing. Civil. Ser. B2 (Costa. Ing.) 67, I1321 – I1325. https://doi.org/10.2208/kaigan.67.I_1321 (2011).

Artículo de Google Scholar

Yanagisawa, H. & Yanagisawa, H. Función de fragilidad de los daños a las viviendas causados por el terremoto y tsunami de 2011 frente a la costa del Pacífico de Tohoku. J. Jpn. Soc. Ing. Civil. Ser. B2 (Costa. Ing.) 68, 1401-1405. https://doi.org/10.2208/kaigan.68.I_1401 (2012).

Artículo de Google Scholar

Suppasri, A., Muhari, A., Futami, T., Imamura, F. y Shuto, N. Funciones de pérdida para pequeñas embarcaciones marinas basadas en datos de estudios y simulación numérica del gran tsunami del este de Japón de 2011. J. Waterw. Costa del Puerto. Ing. Océano. 140, 04014018. https://doi.org/10.1061/(asce)ww.1943-5460.0000244 (2014).

Artículo de Google Scholar

Muhari, A., Charvet, I., Tsuyoshi, F., Suppasri, A. & Imamura, F. Evaluación de los peligros de tsunami en los puertos y su impacto en los buques marítimos derivados de modelos de tsunami y los datos de daños observados. Nat. Peligros 78, 1309-1328. https://doi.org/10.1007/s11069-015-1772-0 (2015).

Artículo de Google Scholar

Charvet, I., Suppasri, A., Kimura, H., Sugawara, D. & Imamura, F. Un modelo multivariado de fragilidad de tsunami lineal generalizado para la ciudad de Kesennuma basado en profundidades máximas de flujo, velocidades e impacto de escombros, con evaluación de la precisión predictiva . Nat. Peligros 79, 2073–2099. https://doi.org/10.1007/s11069-015-1947-8 (2015).

Artículo de Google Scholar

Suppasri, A., Charvet, I., Imai, K. & Imamura, F. Curvas de fragilidad basadas en datos del tsunami Tohoku-Oki de 2011 en la ciudad de Ishinomaki, con discusión de los parámetros que influyen en los daños a los edificios. Tierraq. Espectros 31, 841–868. https://doi.org/10.1193/053013EQS138M (2015).

Artículo de Google Scholar

Onai, A. & Tanaka, N. Análisis numérico considerando el efecto de atrapar la flotación por los bosques costeros y la curva de fragilidad de las casas. J. Jpn. Soc. Ing. Civil. Ser. B1 (Hydraul. Ing.) 71, 727–732. https://doi.org/10.2208/jscejhe.71.i_727 (2015).

Artículo de Google Scholar

Macabuag, J. y col. Una metodología propuesta para derivar funciones de fragilidad de tsunamis para edificios utilizando medidas de intensidad óptima. Nat. Peligros 84, 1257–1285. https://doi.org/10.1007/s11069-016-2485-8 (2016).

Artículo de Google Scholar

Suppasri, A. y col. Características de los daños a los edificios basadas en datos relevados y curvas de fragilidad del gran tsunami del este de Japón de 2011. Nat. Peligros 66, 319–341. https://doi.org/10.1007/s11069-012-0487-8 (2013).

Artículo de Google Scholar

Hayashi, S., Narita, Y. y Koshimura, S. Desarrollo de curvas de fragilidad del tsunami a partir de datos relevados y modelos numéricos del terremoto y tsunami de Tohoku de 2011. J. Jpn. Soc. Ing. Civil. Ser. B2 (Costa. Ing.) 69, I386 – I390. https://doi.org/10.2208/kaigan.69.I_386 (2013).

Artículo de Google Scholar

Charvet, I., Suppasri, A. & Imamura, F. Análisis empírico de fragilidad de los daños a los edificios causados por el gran tsunami del este de Japón de 2011 en la ciudad de Ishinomaki mediante regresión ordinal y la influencia de características geográficas clave. Estoco. Reinar. Res. Evaluación de riesgos. 28, 1853–1867. https://doi.org/10.1007/s00477-014-0850-2 (2014).

Artículo de Google Scholar

Risi, RD, Goda, K., Mori, N. y Yasuda, T. Modelado bayesiano de fragilidad de tsunamis considerando la incertidumbre de los datos de entrada. Estoco. Reinar. Res. Evaluación de riesgos. 31, 1253-1269. https://doi.org/10.1007/s00477-016-1230-x (2017).

Artículo PubMed Google Scholar

Belliazzi, S., Lignola, GP, Di Ludovico, M. & Prota, A. Propuesta preliminar de funciones analíticas de fragilidad de tsunamis para edificios residenciales costeros italianos de mampostería. Estructuras 31, 68–79. https://doi.org/10.1016/j.istruc.2021.01.059 (2021).

Artículo de Google Scholar

Nihei, Y., Maekawa, T., Ohshima, R. y Yanagisawa, M. Evaluación de las funciones de fragilidad para los daños del tsunami en la ciudad de Natori, prefectura de Miyagi, y efectos de mitigación de las dunas costeras. J. Jpn. Soc. Ing. Civil. Ser. B2 (Costa. Ing.) 68, 276–280. https://doi.org/10.2208/ related.68.i_276 (2012).

Artículo de Google Scholar

Koshimura, S. y Gokon, H. Curvas de vulnerabilidad estructural y fragilidad del tsunami a partir del desastre del terremoto y tsunami de Tohoku de 2011. J. Jpn. Soc. Civilización. Ing. Ser. B2 (Costa. Ing.) 68, 336–340. https://doi.org/10.2208/ related.68.I_336 (2012).

Artículo de Google Scholar

Rehman, K. & Cho, YS Evaluación de daños a edificios mediante análisis numérico de tsunamis y curvas de fragilidad basados en escenarios. Agua (Suiza) https://doi.org/10.3390/w8030109 (2016).

Artículo de Google Scholar

Suppasri, A. y col. Desarrollar funciones de fragilidad para balsas de acuicultura y pastos marinos en el caso del gran tsunami del este de Japón de 2011. Nat. Peligro. 18, 145-155. https://doi.org/10.5194/nhess-18-145-2018 (2018).

Artículo de Google Scholar

Mas, E. et al. Características de las funciones de fragilidad de los tsunamis desarrolladas utilizando diferentes fuentes de datos de daños del terremoto y tsunami de Sulawesi de 2018. Pura aplicación. Geofís. 177, 2437–2455. https://doi.org/10.1007/s00024-020-02501-4 (2020).

ADS del artículo Google Scholar

Lahcene, E. y col. Características de la construcción de curvas de fragilidad para tsunamis sísmicos y no sísmicos: estudios de caso de los tsunamis del estrecho de Sunda de 2018, Sulawesi-Palu de 2018 y del océano Índico de 2004. Nat. Peligro. 21, 2313–2344. https://doi.org/10.5194/nhess-21-2313-2021 (2021).

Artículo de Google Scholar

Narita, Y. & Koshimura, S. Clasificación de las curvas de fragilidad de los tsunamis según las características regionales del daño del tsunami. J. Jpn. Soc. Civilización. Ing. Ser. B2 (Ing. de la costa) 71, 331–336. https://doi.org/10.2208/kaigan.71.i_331 (2015).

Artículo de Google Scholar

Maruyama, Y. & Itagaki, O. Desarrollo de funciones de fragilidad ante tsunamis para carreteras a nivel del suelo. J. Res. de desastres. 12, 131-136. https://doi.org/10.20965/jdr.2017.p0131 (2017).

Artículo de Google Scholar

Sekimoto, Y. et al. Movilización de datos mediante el archivo digital del estudio del Gran Terremoto del Este de Japón. Aplicación de la teoría. SIG 21, 87–95. https://doi.org/10.5638/thagis.21.87 (2013).

Artículo de Google Scholar

Oficina Municipal, Ministerio de Infraestructura Territorial, Transporte y Turismo. El archivo de apoyo a la recuperación y reconstrucción del gran terremoto y tsunami del este de Japón de 2011 (2012). http://fukkou.csis.u-tokyo.ac.jp/dataset/list_all. Consultado el 4 de septiembre de 2023.

Ministerio de Infraestructuras Territoriales, Transportes y Turismo. Resumen de la investigación sobre métodos de reconstrucción de zonas dañadas por el tsunami tras el gran terremoto y tsunami del este de Japón (2021) (japonés). https://www.mlit.go.jp/toshi/toshi-hukkou-arkaibu.html. Consultado el 4 de septiembre de 2023.

Williams, JH y cols. Funciones de fragilidad del tsunami para activos de carreteras y postes de servicios públicos utilizando estudios de campo y datos de detección remota del tsunami de Sulawesi de 2018, Palu, Indonesia. Pura aplicación. Geofís. 177, 3545–3562. https://doi.org/10.1007/s00024-020-02545-6 (2020).

ADS del artículo Google Scholar

Dias, WP, Yapa, HD & Peiris, LM Funciones de vulnerabilidad a tsunamis a partir de estudios de campo y simulación de Monte Carlo. Civilización. Ing. Aprox. Sistema. 26, 181-194. https://doi.org/10.1080/10286600802435918 (2009).

Artículo de Google Scholar

Tarbotton, C., Dall'Osso, F., Dominey-Howes, D. & Goff, J. El uso de funciones de vulnerabilidad empíricas para evaluar la respuesta de los edificios al impacto del tsunami: revisión comparativa y resumen de las mejores prácticas. Ciencia de la Tierra. Apocalipsis 142, 120-134. https://doi.org/10.1016/j.earscirev.2015.01.002 (2015).

ADS del artículo Google Scholar

Charvet, I., Macabuag, J. & Rossetto, T. Estimación de los daños a los edificios inducidos por un tsunami a través de funciones de fragilidad: revisión crítica y necesidades de investigación. Frente. Entorno construido. https://doi.org/10.3389/fbuil.2017.00036 (2017).

Artículo de Google Scholar

Behrens, J. y col. Análisis probabilístico de peligros y riesgos de tsunamis: una revisión de las lagunas en la investigación. Frente. Ciencia de la Tierra. 9, 25 (2021).

ADS del artículo Google Scholar

Moya, L. et al. Matriz de coocurrencia de niveles de grises 3D y su aplicación para identificar edificios derrumbados. ISPRS J. Fotograma. Remoto. Sensaciones 149, 14-28. https://doi.org/10.1016/j.isprsjprs.2019.01.008 (2019).

ADS del artículo Google Scholar

Adriano, B., Xia, J., Baier, G., Yokoya, N. y Koshimura, S. Fusión de datos de múltiples fuentes basada en el aprendizaje conjunto para un mapeo rápido de daños a edificios durante el terremoto y tsunami de Sulawesi de 2018 en Palu, Indonesia. Sensores remotos. https://doi.org/10.3390/RS11070886 (2019).

Artículo de Google Scholar

Musa, A. et al. Sistema de pronóstico de inundaciones por tsunamis en tiempo real para la prevención y mitigación de desastres por tsunamis. J. Supercomputadora. 74, 3093–3113. https://doi.org/10.1007/s11227-018-2363-0 (2018).

Artículo de Google Scholar

Adriano, B., Mas, E., Koshimura, S., Estrada, M. & Jimenez, C. Escenarios de probabilidad de daños por terremotos y tsunamis en la región del Callao, Perú utilizando funciones de fragilidad de tsunamis. J. Res. de desastres. 9, 968–975. https://doi.org/10.20965/jdr.2014.p0968 (2014).

Artículo de Google Scholar

Moya, L., Mas, E., Koshimura, S. y Yamazaki, F. Escenarios sintéticos de daños a edificios utilizando funciones empíricas de fragilidad: un estudio de caso del terremoto de Kumamoto de 2016. En t. J. Reducción del riesgo de desastres. 31, 76–84. https://doi.org/10.1016/j.ijdrr.2018.04.016 (2018).

Artículo de Google Scholar

Sun, S., Shi, H. & Wu, Y. Un estudio sobre la adaptación de dominios de múltiples fuentes. inf. Fusión 24, 84–92. https://doi.org/10.1016/j.inffus.2014.12.003 (2015).

Artículo de Google Scholar

Suppasri, A. y col. Desarrollo de curvas de fragilidad de tsunamis a partir de los datos relevados del gran tsunami del este de Japón de 2011 en las llanuras de Sendai e Ishinomaki. Costa. Ing. J. https://doi.org/10.1142/S0578563412500088 (2012).

Artículo de Google Scholar

Autoridad de Información Geoespacial de Japón. Información cartográfica básica.

Agencia de Información Geoespacial de la República de Indonesia. Mapa topográfico digital de Indonesia, Bogor, Java Occidental (2019).

Hachiya, D., Mas, E. y Koshimura, S. Un modelo de aprendizaje por refuerzo de múltiples vehículos aéreos no tripulados para transportar suministros de ayuda de emergencia. Aplica. Ciencia. 12, 10427. https://doi.org/10.3390/app122010427 (2022).

Artículo CAS Google Scholar

Murata, S., Imamura, F. y Katoh, K. Tsunami to Survive from Tsunami (World Scientific Publishing Company, 2009).

Reservar Google Académico

Descargar referencias

Este estudio fue financiado en parte por los programas JSPS Kakenhi (No. 21H05001 y 22H01741), el programa de investigación colaborativa JST Japón-EE. UU., número de subvención JPMJSC2119 y MEXT como parte del “Programa de I+D de aplicaciones e infraestructuras informáticas de alto rendimiento de próxima generación” y el proyecto “I+D de una infraestructura HPC de próxima generación asistida por recocido cuántico y sus aplicaciones”. Los autores agradecen al Core Research Cluster of Disaster Science de la Universidad de Tohoku (una universidad nacional designada); y al Tough Cyberphysical AI Research Center de la Universidad de Tohoku por su apoyo.

Departamento de Ingeniería Civil y Ambiental, Universidad de Tohoku, Aoba 468-1, Aramaki, Aoba-ku, Sendai, 980-8572, Japón

Rubén Obispo

Instituto Internacional de Investigación de Ciencias de Desastres (IRIDeS), Universidad de Tohoku, Aoba 468-1, Aramaki, Aoba-ku, Sendai, 980-8572, Japón

Bruno Adriano, Erick Mas & Shunichi Koshimura

También puedes buscar este autor en PubMed Google Scholar.

RV: metodología, software, validación, redacción: borrador original, visualización. BA y EM: recursos, supervisión, redacción: revisión y edición. SK: conceptualización, investigación, redacción: revisión y edición, supervisión, adquisición de financiación.

Correspondencia a Shunichi Koshimura.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Vescovo, R., Adriano, B., Mas, E. et al. Más allá de las funciones de fragilidad del tsunami: evaluación experimental para la estimación de daños a edificios. Representante científico 13, 14337 (2023). https://doi.org/10.1038/s41598-023-41047-y

Descargar cita

Recibido: 11 de mayo de 2023

Aceptado: 18 de agosto de 2023

Publicado: 31 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-41047-y

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.