За пределами функций хрупкости цунами: экспериментальная оценка ущерба зданиям

Научные отчеты, том 13, Номер статьи: 14337 (2023) Цитировать эту статью

Подробности о метриках

Функции уязвимости цунами (TFF) — это статистические модели, которые связывают показатель интенсивности цунами с заданным состоянием повреждения здания, выраженным как кумулятивная вероятность. Достижения в скорости вычислений и получения данных в сочетании с новыми приложениями глубокого обучения в науке о катастрофах сместили фокус исследований со статистических оценок. TFF предлагают «сигнатуры катастрофы» сравнительной ценности, хотя эти модели редко применяются для оценки ущерба. Имея в виду применимость, мы оспариваем это понятие и исследуем часть литературы по TFF, выбрав три TFF и две методологии применения для создания базовой оценки ущерба здания. Кроме того, мы предлагаем простой метод машинного обучения, обученный на физических параметрах, вдохновленный, но выходящий за рамки показателей интенсивности TFF. Мы тестируем эти три метода на наборе данных Исиномаки 2011 года после Великого восточно-японского землетрясения и цунами как в бинарных, так и в многоклассовых случаях. Мы исследуем: (1) качество оценки ущерба зданиям с использованием методов применения TFF; (2) может ли TFF обобщаться на наборы данных о повреждениях зданий, находящихся за пределами домена; (3) новый подход к машинному обучению для выполнения той же задачи. Наши результаты показывают, что: как методы TFF, так и наша модель имеют потенциал для достижения хороших бинарных результатов; Методы TFF плохо справляются с несколькими классами и задачами, выходящими за пределы предметной области, в то время как предлагаемый нами метод, по-видимому, лучше обобщает.

Статистические методы и машинное обучение, основанное на информации дистанционного зондирования, заняли центральное место в недавних работах, пытающихся понять ущерб, причиненный стихийными бедствиями, его обнаружение и оценку. Функции хрупкости цунами являются одним из таких методов, используемых в исследованиях стихийных бедствий1 для моделирования повреждений зданий после цунами. По сути, эти регрессионные модели сопоставляют меру интенсивности цунами (в форме параметра спроса, такого как глубина затопления) с вероятностью превышения дискретного состояния ущерба. Мера интенсивности часто параметризуется наблюдаемой мерой стихийного бедствия. Параметром выбора, по сути, была максимальная глубина затопления, поскольку ее можно измерить сразу после катастрофы. Производные величины, обычно полученные с помощью гидродинамического моделирования, могут альтернативно использоваться и подлежат изучению1,2,3.

Несмотря на визуальную значимость, остается неясным, как функции хрупкости можно применять прагматично: можно ли их применять к новым данным прогнозирующим образом? Следовательно, можно ли сделать выводы о будущем ущербе в масштабе здания, используя существующие функции хрупкости?

Совсем недавно усилия в области оценки ущерба зданиям отошли от моделирования ущерба как функции меры интенсивности стихийного бедствия. Недавние исследования отдают предпочтение инновациям в области компьютерного зрения, позволяющим обнаруживать изменения между изображениями до и после событий, например4,5. Однако важно то, что эти новые методы не позволяют оценить ущерб и вместо этого используют более быструю доступность спутниковых изображений после события для обнаружения ущерба. Такое отклонение от физического описания ущерба не позволяет модели когда-либо учиться на основе контекста.

В этой статье мы исследуем применение функций хрупкости цунами в качестве оценки ущерба. В рамках наших экспериментов мы проводим оценки отдельных зданий, как описано в литературе. Отмечая ограничения TFF и уроки, извлеченные из изучения литературы, мы предлагаем дополнительную структуру, использующую машинное обучение, для выполнения той же задачи. Мы обучаем нашу модель на основе показателей интенсивности, основанных на исследованиях TFF, но с расширенной размерностью. Мы стремимся внести свой вклад в следующем качестве: (1) изучить различия между методами применения TFF; (2) проверить, в каком качестве ранее непроверенные приложения TFF являются переносимыми оценщиками ущерба зданиям; наконец (3) мы предлагаем новую основу для оценки ущерба зданиям с использованием классификаторов машинного обучения.