Oltre le funzioni di fragilità dello tsunami: valutazione sperimentale per la stima dei danni agli edifici

Scientific Reports volume 13, numero articolo: 14337 (2023) Citare questo articolo

Dettagli sulle metriche

Le funzioni di fragilità dello tsunami (TFF) sono modelli statistici che mettono in relazione una misura dell'intensità dello tsunami con un dato stato di danno all'edificio, espresso come probabilità cumulativa. I progressi nelle velocità di calcolo e di recupero dei dati, insieme a nuove applicazioni di deep learning nella scienza dei disastri, hanno spostato l’attenzione della ricerca lontano dagli stimatori statistici. I TFF offrono una “firma del disastro” con valore comparativo, sebbene questi modelli siano raramente applicati per generare stime dei danni. Tenendo presente l'applicabilità, sfidiamo questa nozione e investighiamo una parte della letteratura TFF, selezionando tre TFF e due metodologie applicative per generare una base di stima del danno edilizio. Inoltre, proponiamo un semplice metodo di apprendimento automatico, addestrato su parametri fisici ispirati, ma ampliati oltre, alle misure di intensità del TFF. Testiamo questi tre metodi sul set di dati Ishinomaki del 2011 dopo il grande terremoto e tsunami del Giappone orientale sia in casi binari che multiclasse. Esploriamo: (1) la qualità della stima del danno edilizio utilizzando i metodi di applicazione del TFF; (2) se TFF può generalizzare a set di dati sui danni agli edifici fuori dominio; (3) un nuovo approccio di apprendimento automatico per eseguire lo stesso compito. I nostri risultati suggeriscono che: sia i metodi TFF che il nostro modello hanno il potenziale per ottenere buoni risultati binari; I metodi TFF hanno difficoltà con più classi e attività esterne al dominio, mentre il metodo proposto sembra generalizzarsi meglio.

I metodi statistici e l’apprendimento automatico basato su informazioni telerilevate hanno assunto un ruolo centrale nei lavori recenti che tentano di comprendere i danni causati dai disastri, la loro individuazione e la loro stima. Le funzioni di fragilità dello tsunami sono uno di questi metodi, utilizzato nella ricerca sui disastri1, per modellare i danni agli edifici dopo uno tsunami. Essenzialmente, questi modelli di regressione associano una misura dell’intensità dello tsunami (sotto forma di un parametro di domanda, come la profondità dell’inondazione) alla probabilità di superare uno stato di danno discreto. La misura dell'intensità è spesso parametrizzata da una misura osservabile del disastro. Il parametro prescelto è stato essenzialmente la profondità massima dell’inondazione, poiché è immediatamente misurabile dopo il disastro. Le quantità derivate, solitamente ottenute tramite modellistica idrodinamica, possono essere utilizzate in alternativa e sono state oggetto di studio1,2,3.

Sebbene visivamente significative, non è chiaro come le funzioni di fragilità possano essere applicate pragmaticamente: possono essere applicate a nuovi dati in modo predittivo? Quindi, è possibile fare inferenze sui danni futuri a scala edilizia utilizzando le funzioni di fragilità esistenti?

Più recentemente, gli sforzi nel campo della stima dei danni agli edifici si sono allontanati dalla modellizzazione del danno in funzione della misura dell’intensità del disastro. La ricerca recente favorisce le innovazioni nel campo della visione artificiale per eseguire il rilevamento dei cambiamenti tra immagini pre e post evento come4,5. Fondamentalmente, tuttavia, questi nuovi metodi rinunciano alla stima dei danni e sfruttano invece una disponibilità più rapida delle immagini satellitari post-evento per eseguire il rilevamento dei danni. Questo allontanamento da una descrizione fisica del danno impedisce al modello di imparare dal contesto.

In questo articolo esploriamo l’applicazione delle funzioni di fragilità dello tsunami come stima dei danni. Nell'ambito dei nostri esperimenti, eseguiamo stime per singoli edifici come descritto in letteratura. Prendendo atto dei limiti del TFF e delle lezioni apprese dalla consultazione della letteratura, proponiamo un framework aggiuntivo, utilizzando l'apprendimento automatico, per eseguire lo stesso compito. Addestriamo il nostro modello sulla base di misure di intensità ispirate agli studi TFF, ma con dimensionalità ampliata. Il nostro obiettivo è contribuire con le seguenti capacità: (1) esplorare le differenze tra i metodi di applicazione del TFF; (2) verificare in quale veste, precedentemente non testata, le domande TFF sono trasferibili per la stima dei danni agli edifici; infine (3) proponiamo un nuovo framework per eseguire la stima dei danni agli edifici utilizzando classificatori di machine learning.