Jenseits der Tsunami-Fragilitätsfunktionen: experimentelle Bewertung zur Schätzung von Gebäudeschäden

Scientific Reports Band 13, Artikelnummer: 14337 (2023) Diesen Artikel zitieren

Details zu den Metriken

Tsunami-Fragilitätsfunktionen (TFF) sind statistische Modelle, die ein Tsunami-Intensitätsmaß mit einem bestimmten Gebäudeschadenszustand in Beziehung setzen, ausgedrückt als kumulative Wahrscheinlichkeit. Fortschritte bei der Rechen- und Datenabrufgeschwindigkeit, gepaart mit neuartigen Deep-Learning-Anwendungen in der Katastrophenwissenschaft, haben den Forschungsschwerpunkt weg von statistischen Schätzern verlagert. TFFs bieten eine „Katastrophensignatur“ mit Vergleichswert, obwohl diese Modelle selten zur Erstellung von Schadensschätzungen eingesetzt werden. Mit Blick auf die Anwendbarkeit hinterfragen wir diese Vorstellung und untersuchen einen Teil der TFF-Literatur. Dabei wählen wir drei TFFs und zwei Anwendungsmethoden aus, um eine Basislinie für die Schätzung von Gebäudeschäden zu erstellen. Darüber hinaus schlagen wir eine einfache Methode des maschinellen Lernens vor, die auf physikalischen Parametern trainiert wird, die von TFF-Intensitätsmessungen inspiriert, aber darüber hinaus erweitert werden. Wir testen diese drei Methoden am Ishinomaki-Datensatz von 2011 nach dem großen Erdbeben und Tsunami in Ostjapan sowohl in binären als auch in Fällen mit mehreren Klassen. Wir untersuchen: (1) die Qualität der Gebäudeschadensschätzung mithilfe von TFF-Anwendungsmethoden; (2) ob TFF auf Gebäudeschadensdatensätze außerhalb der Domäne verallgemeinern kann; (3) ein neuartiger maschineller Lernansatz zur Ausführung derselben Aufgabe. Unsere Ergebnisse legen nahe, dass: sowohl TFF-Methoden als auch unser Modell das Potenzial haben, gute binäre Ergebnisse zu erzielen; TFF-Methoden haben Probleme mit mehreren Klassen und Aufgaben außerhalb der Domäne, während unsere vorgeschlagene Methode besser zu verallgemeinern scheint.

Statistische Methoden und maschinelles Lernen auf der Grundlage von Fernerkundungsinformationen standen im Mittelpunkt neuerer Arbeiten, die versuchen, durch Katastrophen verursachte Schäden, ihre Erkennung und ihre Schätzung zu verstehen. Tsunami-Fragilitätsfunktionen sind eine solche Methode, die in der Katastrophenforschung1 verwendet wird, um Gebäudeschäden nach einem Tsunami zu modellieren. Im Wesentlichen bilden diese Regressionsmodelle ein Tsunami-Intensitätsmaß (in Form eines Bedarfsparameters, z. B. der Überschwemmungstiefe) auf die Wahrscheinlichkeit des Überschreitens eines diskreten Schadenszustands ab. Das Intensitätsmaß wird oft durch ein beobachtbares Maß der Katastrophe parametrisiert. Der Parameter der Wahl war im Wesentlichen die maximale Überschwemmungstiefe, da diese unmittelbar nach der Katastrophe messbar ist. Abgeleitete Größen, die normalerweise über hydrodynamische Modellierung ermittelt werden, können alternativ verwendet werden und wurden untersucht1,2,3.

Obwohl sie visuell bedeutsam sind, bleibt unklar, wie Fragilitätsfunktionen pragmatisch angewendet werden können: Können sie prädiktiv auf neue Daten angewendet werden? Können daher anhand bestehender Fragilitätsfunktionen zukünftige Schadensrückschlüsse auf Gebäudeebene gezogen werden?

In jüngerer Zeit haben sich die Bemühungen auf dem Gebiet der Schadensschätzung von Gebäuden von der Modellierung des Schadens als Funktion eines Katastrophenintensitätsmaßes entfernt. Neuere Forschungen begünstigen Innovationen im Bereich Computer Vision, um eine Änderungserkennung zwischen Bildern vor und nach einem Ereignis durchzuführen, wie z. B.4,5. Entscheidend ist jedoch, dass diese neuartigen Methoden auf eine Schadensschätzung verzichten und stattdessen die schnellere Verfügbarkeit von Satellitenbildern nach dem Ereignis zur Schadenserkennung nutzen. Diese Abweichung von einer physischen Beschreibung des Schadens verhindert, dass das Modell jemals aus dem Kontext lernt.

In diesem Artikel untersuchen wir die Anwendung von Tsunami-Fragilitätsfunktionen als Schadensschätzer. Im Rahmen unserer Experimente führen wir Schätzungen für einzelne Gebäude durch, wie in der Literatur beschrieben. Unter Berücksichtigung der TFF-Einschränkungen und der Erkenntnisse aus der Literaturrecherche schlagen wir ein zusätzliches Framework vor, das maschinelles Lernen nutzt, um dieselbe Aufgabe auszuführen. Wir trainieren unser Modell auf der Grundlage von Intensitätsmaßen, die von TFF-Studien inspiriert sind, jedoch mit erweiterter Dimensionalität. Unser Ziel ist es, in folgender Funktion einen Beitrag zu leisten: (1) die Unterschiede zwischen den TFF-Anwendungsmethoden zu untersuchen; (2) überprüfen, in welcher Funktion bisher ungetestete TFF-Anwendungen übertragbare Gebäudeschadensschätzer sind; Schließlich (3) schlagen wir ein neuartiges Framework zur Durchführung der Schätzung von Gebäudeschäden mithilfe von Klassifikatoren für maschinelles Lernen vor.

Unsere Ergebnisse deuten darauf hin, dass es schwierig ist, TFF-Anwendungsmethoden zur Schätzung von Gebäudeschäden zu verallgemeinern. Unsere Experimente mit Modellen für maschinelles Lernen zeigen jedoch eine vielversprechende Belastbarkeit und übertreffen TFF-Methoden in Szenarios mit mehreren Klassen außerhalb der Domäne. Die Struktur dieses Papiers ist wie folgt: Im Abschnitt „Motiv“ untersuchen wir die Relevanz und den Hintergrund der Schätzung von Gebäudeschäden nach einer Katastrophe und identifizieren so Forschungslücken. Der Abschnitt „Ergebnisse“ berichtet über experimentelle Ergebnisse gemäß unserer vorgeschlagenen Methodik und den Benchmarks aus der Literatur. Wir diskutieren unsere Ergebnisse, die zeigen, dass sich Methoden des maschinellen Lernens offenbar besser auf verschiedene Domänen und mehrere Klassen übertragen lassen.

Abschließend gehen wir noch einmal auf unsere wichtigsten Erkenntnisse ein. Einzelheiten zum Datensatz, zur Merkmalsextraktion und zur Methodik finden Sie im Abschnitt „Methoden“.

Katastrophen stellen zweifellos eine der größten modernen Herausforderungen für die Menschheit dar. Mit dem Wachstum der urbanisierten Welt nehmen auch die Auswirkungen von Katastrophen auf die Gesellschaft zu, sei es direkt (durch den Verlust von Menschenleben) oder durch Kaskadeneffekte (wie den Verlust von Land). In jüngerer Zeit haben tiefgreifende sozioökonomische Auswirkungen von Katastrophen die Forschung zu allen Aspekten von Präventions- und Managementmaßnahmen vorangetrieben. Die Forschungsergebnisse rund um das Tsunami-Katastrophenrisikomanagement haben in den letzten zwei Jahrzehnten unglaubliche Innovationen erfahren. Hier untersuchen wir den Hintergrund einiger der beliebtesten Methoden zur Quantifizierung und Bewertung von Schäden nach einem Tsunami.

Fragilitätsfunktionen sind Regressionsmodelle, die versuchen, die Beziehung zwischen einem Katastrophenintensitätsmaß (IM) oder einem technischen Bedarfsparameter (EDP) (der unabhängigen Variablen, modelliert als kontinuierliche Zufallsvariable) und der strukturellen Reaktion von Gebäuden unter der Intensitätsbelastung darzustellen. dh der Schadenszustand DS (die abhängige Variable, modelliert als Überschreitungswahrscheinlichkeit). Während die meisten Wissenschaftler dieser ursprünglichen Formulierung zustimmen, war die Wahl von IM/EDP, Modell und Ansatz Gegenstand akademischer Debatten3. In den folgenden Abschnitten untersuchen wir einige Hintergrundinformationen, die sich auf TFFs als Ganzes, Unterschiede in der Formulierung, Anwendungen und Einschränkungen konzentrieren.

Fragilitätsfunktionen sind in der Erdbebentechnik6,7 als praktisches Mittel zur Charakterisierung lokaler Erdbebenauswirkungen weit verbreitet und wurden an Tsunamischäden angepasst1,2. Im Gegensatz zur seismischen Aktivität ist die direkte Messung der Tsunami-Intensität problematisch. Die einzige praktisch messbare Größe ist der maximale Überschwemmungspegel z, der anhand von Überschwemmungsspuren an betroffenen Bauwerken gemessen wird. Bemerkenswert ist, dass dies nicht unbedingt den Wasserstand zum Zeitpunkt des Ausfalls darstellt8. Darüber hinaus war die Suche nach einer optimalen Kombination von Nachfrageparametern Gegenstand mehrerer Studien3,9,10.

Manchmal ist selbst z, das am häufigsten verwendete EDP, möglicherweise nicht mit ausreichender Auflösung messbar (z. B. wenn keine Experten verfügbar sind oder RS-Daten nicht validiert werden können) und muss interpoliert8,10 oder auf andere Weise geschätzt werden1, 11,12. Die gemessene Überschwemmungstiefe wird häufig zur Validierung numerischer Modelle mit einstellbarer Auflösung verwendet. Diese bieten den zusätzlichen Vorteil, sekundäre hydrodynamische Größen zu generieren, die als EDP verwendet werden können (z. B. hydrodynamische Kraft, Geschwindigkeit, Impuls, einheitenlose Faktoren usw.). )1,3,11,12,13,14,15,16,17,18,19,20 einzeln oder paarweise, um „Fragilitätsflächen“16,17 zu erzeugen. Aufbauend auf diesen Erkenntnissen untersuchen Macabaug et al.20 die Qualität mehrerer EDP, indem sie sie anhand ihres Vorhersagefehlers einordnen und dabei generalisierte additive Modelle (GAMs) verwenden. Um diskrete und spärliche Daten (wie Baumaterial und Gebäudealter usw.) zu berücksichtigen, haben die Autoren mehrere Anpassungen vorgeschlagen: Beispielsweise haben die Autoren durch die Aufteilung der Schadensdaten und deren Aggregation hinsichtlich struktureller Merkmale versucht, die latente Variabilität zu verringern9,10 ,17,18,20,21,22,23,24,25. Topografische Merkmale18,19,23,26 und physikalische Effekte10,17,19,20 (z. B. Geomorphologie, Schutt, Gebäudeanordnung und Abschirmung usw.) wurden auf ähnliche Weise parametrisiert, insbesondere in neueren Veröffentlichungen mit verallgemeinerten linearen Modellen (GLMs). . Tatsächlich waren die Wahl des statistischen Modells, der Anpassungsmethode und der statistischen Korrektheit Gegenstand von Debatten: Gewöhnliche kleinste Quadrate (OLS) ist die beliebteste Formulierung1,2,8,11,12,13,14,15,18, 19,21,22,25,26,27,28,29,30; es erfordert, dass die Daten in irgendeiner Form aggregiert werden. Anschließend wird eine lineare Funktion auf den Gesamtmittelwert der Stichprobe zurückgeführt. In den meisten Fällen handelt es sich hierbei um den Anteil der Gebäude, die im Sinne einer kontinuierlichen EDV einen diskreten Schadenszustand überschreiten. GLMs (und GAMs) wurden in mehreren Fällen übernommen3,9,10,16,17,20,23,24,31 und ermöglichen die direkte Anpassung eines linearen Modells an diskrete, disaggregierte Daten. Von großer Bedeutung für die vorliegende Studie ist, dass mehrere Postkatastrophenbereiche untersucht und mithilfe von Fragilitätsfunktionen modelliert wurden. Es sind diese Studien, die zunächst vor der allgemeinen Anwendung von TFF-Modellen warnen, die eine Domänenabhängigkeit nahelegen8,21,27. Die Literatur deckt sowohl historische als auch zeitgenössische Ereignisse ab, beginnend mit der Einführung der TFFs zwischen 20052 und 20091. Einige prominente Beispiele sind: das Okushiri-Erdbeben 199311, das Erdbeben und der Tsunami im Indischen Ozean 20041,2,12,31, das Erdbeben und der Tsunami in Samoa 200910, 13, das Erdbeben in Chile 20108, das Erdbeben in Ostjapan 2011 (GEJE)3,9,14,15,16,17,18,19,20,21,22,23,24,26,27,29,32, 33, das äußerst detaillierte Vermessungs- und unterstützende Daten34,35,36 sowie das Erdbeben und den Tsunami in Sulawesi 2018 enthält30,31,37. Aufgrund des Mangels an klassifizierbaren Schadensdaten definieren analytische Studien Gebäudeschäden normalerweise als Funktion allgemeiner struktureller Eigenschaften (z. B. Spannung und Dehnung)25,38, Entwurfsstandards und Präzedenzfällen (z. B. der Auswirkungen einer früheren Katastrophe). TFFs waren nicht auf Gebäude beschränkt: Tatsächlich wurden Schäden an Vegetation15, Straßen33, Schiffen16 und Versorgungsmasten37 auf die gleiche Weise dargestellt. Der TFF-Forschungskorpus wurde mehrfach überprüft: Wir verweisen auf Tarbotton et al.39 und Charvet et al.40 für die neuesten umfassenden Übersichten (bis zum Veröffentlichungsdatum). Behrens et al.41 bieten eine aktuelle Übersicht und Aufschlüsselung von Forschungslücken in probabilistischen Tsunami-Gefahren- und Risikostudien, einschließlich Tsunami-Fragilitätsfunktionen.

Beispiele für Anwendungen des maschinellen Lernens zur Erkennung von Katastrophenschäden, insbesondere Tsunamis, genutzten Klassifizierungsalgorithmen und Fernerkundungstechniken zur Erkennung von Veränderungen. Im Allgemeinen verknüpfen sie (überwacht) oder entdecken (unüberwacht) Beschriftungen mit bestimmten Änderungsschwellenwerten, üblicherweise anhand einer Eingabe von Bildfeldern, die jeweils ein einzelnes Gebäude enthalten. Vor dem Aufkommen des Deep Learning wurde eine Vielzahl von Algorithmen mit unterschiedlicher Wirksamkeit vorgeschlagen, wobei Support-Vektor-Maschinen42 und Ensemble-Methoden43 zu den beliebtesten zählen. Kürzlich ermöglichten Fortschritte in der Computerhardware das Training tiefer künstlicher neuronaler Netze (ANN) in nützlicher Zeit, was die automatische Merkmalsextraktion aus Fernerkundungsbildern ermöglichte42. Die Erkennung von Veränderungen durch Fernerkundung ist derzeit der Stand der Technik, wenn es um Computer-Vision-Anwendungen für die Naturkatastrophenwissenschaft geht. Allerdings verwendet unseres Wissens keine dieser Methoden Intensitätsmessungen im Zusammenhang mit der Tsunami-Dynamik, wie sie beispielsweise in Studien zur Fragilitätsfunktion verwendet werden. Wir gehen davon aus, dass die alleinige Nutzung der Photogrammetrie es einem Modell nicht ermöglicht, etwas aus den physikalischen Prozessen zu lernen, die den Schaden verursachen. Diese Modelle sind in dem Sinne naiv, dass sie lernen, wie Schaden aussieht, und nicht, warum Schaden so aussieht, wie er aussieht. Als solche fallen sie nicht in den Rahmen der vorliegenden Studie.

Bei der Überprüfung von Lücken in Tsunami-Modellen für physische Verwundbarkeit (einschließlich Fragilitätsfunktionen) weisen Behrens et al.41 darauf hin, dass „[...] ein Mangel an Konsens über viele Aspekte der Modellierung von physischer Fragilität und Vulnerabilität besteht“. Oben haben wir kurz den Forschungskorpus untersucht, der sich mit Fragilitätsfunktionen befasst. Hier berichten wir systematisch über Forschungslücken bei der Anwendung von Tsunami-Fragilitätsfunktionen als Schadensschätzer für Gebäude. Es gibt relativ wenige Studien, die versuchen, Tsunami-Fragilitätsfunktionen anzuwenden: Musa et al.44 entwickeln eine Echtzeit-Tsunami-Berechnungsroutine, die Tsunami-Gebäudeschäden auf Zonenebene unter Verwendung bereits vorhandener TFFs berücksichtigt; Rehman und Cho28 untersuchen eine Fallstudie mit einer ähnlichen Methode, wenn auch nicht in Echtzeit, wobei sie aus den GEJE-Daten von 2011 generierte TFFs auf den Hafen Imwon in Südkorea anwenden, indem sie verschiedene Tsunami-Szenarien simulieren. Adriano et al.45 und Moya et al.46 wenden Fragilitätsfunktionen auf reale Katastrophendaten an, um den Schaden abzuschätzen. Die erste Studie schlägt hypothetische Szenarien vor, daher werden die Ergebnisse nicht anhand einer Grundwahrheit bewertet, während die zweite Studie nur das Gebäudeschadensverhältnis für jede Klasse im Vergleich zum tatsächlichen Verhältnis angibt. Letztendlich deuten die Beweise darauf hin; Tsunami-Fragilitätsfunktionen lassen sich nicht verallgemeinern: Eine hochauflösende Tsunami-Überschwemmung wird normalerweise durch Validierung hydrodynamischer Simulationen anhand gemessener Werte ermittelt1,20; Die Modellierung erfordert eine hochauflösende Eingabe (einschließlich Höhe, räumliche Verteilung, Rauheit, Gebäudeanordnung usw.), die schließlich synthetisiert und zu Intensitätsmaßen aggregiert wird. Durch die Umkehrung einer Fragilitätsfunktion werden weder die Originaldaten mit hoher Auflösung aufgelöst, noch bleibt die räumliche Verteilung der disaggregierten Daten erhalten. Während Studien1 davon ausgehen, dass eine Schätzung der Gebäudeschadenszahlen aus einer Fragilitätsfunktion abgeleitet werden kann, warnen sie auch vor der Allgemeingültigkeit dieser Funktionen1,8. In Anbetracht der oben angesprochenen Punkte ist es unwahrscheinlich, dass Tsunami-Fragilitätsfunktionen zum Zweck der Gebäudeschadensschätzung auf verschiedene Bereiche verallgemeinert werden können. Umfragedaten sind relativ selten: Es gibt zwar eine Fülle von Fragilitätsfunktionen, diese modellieren jedoch häufig dieselben Ereignisse. Empirische Studien beschränken sich auf Ereignisse nach dem Tsunami im Indischen Ozean 200441; Umfragen nach der Veranstaltung sind riskant, teuer und erfordern spezialisiertes Personal. Viele Länder, in denen es zu Tsunami-Katastrophen kommt, verfügen möglicherweise nicht über die Ressourcen oder das Personal, um qualitativ hochwertige Schadensgutachten durchzuführen. Ein Modell, das Gebäudeschäden abschätzt, muss in der Lage sein, Schadensdarstellungen aus einer relativ kleinen Datenmenge zu lernen. Aktuelle Methoden des maschinellen Lernens sind keine Schadensschätzer: Fragilitätsfunktionen stellen eine Ursache-Wirkungs-Beziehung zwischen einem Intensitätsmaß (einer Katastrophe) und einem Gebäudeschadenszustand her; Diese Implikation ist notwendig, um Schätzungen über zukünftige Szenarien vorzunehmen; Aktuelle Deep-Learning-Methoden, die auf Fernerkundungsbildern basieren, berücksichtigen keine Maße für die Katastrophe und können daher keine Schätzungen zukünftiger Ereignisse vornehmen.

Viele der Arbeiten8,21,27, die eine vergleichende Analyse enthalten, weisen bei der Charakterisierung der einzigartigen Tsunami-Schäden auf die Unterschiede zwischen der neu errichteten Funktion und früheren Funktionen hin. Das heißt, der Schaden als Funktion des Satzes von Nachfrageparametern ist spezifisch und wird intrinsisch durch die Nachfrageparameter erklärt. Intuitiv führen Schadensschätzungen, die mit TFF-Anwendungsmethoden erstellt werden, je nach angewendetem TFF zu unterschiedlichen Ergebnissen. Daraus ergibt sich Folgendes: Wie unterschiedlich sind diese Ergebnisse? Wie wählt man also einen geeigneten TFF für die Bewerbung aus? Angesichts der Verbreitung von TFF-Studien, insbesondere unter dem Gesichtspunkt des durch den Klimawandel erhöhten Risikos, glauben wir, dass die Erforschung der Anwendung dieser Modelle für die Katastrophenmanagementgemeinschaft insgesamt von Vorteil sein wird; über die Fähigkeit hinaus, eine Katastrophe im Kontext anderer Katastrophen zu beschreiben. In Anbetracht der im vorherigen Abschnitt beschriebenen Forschungslücken gehen wir wie folgt vor:

Testen Sie in der Literatur vorgeschlagene TFF-Anwendungsmethoden und bewerten Sie ihre Leistung mithilfe allgemeiner Klassifizierungsmetriken anhand eines bekannten Datensatzes.

Untersuchen Sie verschiedene experimentelle Szenarien, indem Sie TFF-Methoden anwenden, um Gebäudeschadensschätzungen zu erstellen.

Testen Sie ein maschinelles Lernmodell als Gebäudeschadenschätzer, trainieren Sie es, um Schadensmuster zu erkennen, und lernen Sie aus Nachfrageparametern, die von Tsunami-Fragilitätsfunktionen inspiriert sind. Alle unsere Tests werden an einer Teilmenge des gut untersuchten Tsunami-Schadensdatensatzes des Erdbebens im Großen Ostjapan 2011 durchgeführt (Abb. 1)34,35, um Klarheit in unseren experimentellen Ergebnissen zu schaffen.

Wir führen Experimente mit einer Teilmenge des MLIT-Datensatzes zum Tohoku-Erdbeben und Tsunami 201134 durch, insbesondere mit dem Ishinomaki-Datensatz (Datensatz 305 in der von MLIT übernommenen Konvention), aber wir bereiten den Sendai-Ebenen-Datensatz (320) und den Rikuzentakata-Datensatz (212) gleichermaßen vor Weg; Die beiden letztgenannten Datensätze werden zum Trainieren des maschinellen Lernmodells verwendet (Abb. 1). Drei TFFs aus der Literatur werden getestet: Koshimura et al.1, Suppasri et al.21 und Belliazzi et al.25. Da Koshimura et al.1 nur zwei Schadenszustände abbildet, ist es von den Mehrklassenexperimenten ausgeschlossen. Wir resampeln die Schadenszustände aus den ursprünglichen MLIT 7-Klassen in binäre und 3-Klassen-Datensätze unter Verwendung der folgenden Zuordnungen:

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

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

Unsere Begründung finden Sie im Unterabschnitt „Daten und Versuchsaufbau“.

Links: Bestandsaufnahme der Gebäudeschäden nach dem großen Erdbeben in Ostjapan 2011 und dem anschließenden Tsunami34,35. Rechts: Teilmengen des in den vorliegenden Experimenten verwendeten Datensatzes; in Blau: Trainingsdaten für den vorgeschlagenen ML-Ansatz; in Rot: Testdaten, die für alle Experimente verwendet wurden. Originalkarten, erstellt mit QGIS 3.28.2-Firenze (https://qgis.org/en/site); Hintergrund, der in QGIS aus dem digitalen Höhenmodell Public Domain SRTM (10.5066/F7PR7TFT) generiert wurde.

Die Ergebnisse werden durch Angabe des \(\hbox {F}_1\)-Scores, der Präzision und der zeilennormalisierten Verwirrungsmatrizen verglichen (Abb. 2). Wir testen zwei TFF-Schätzmethoden aus der Literatur und unsere vorgeschlagene Methode des maschinellen Lernens:

: beschrieben von Adriano et al.45,

: beschrieben von Moya et al.46, und

: Algorithmus für maschinelles Lernen, der einen einfachen Zufallswaldklassifikator implementiert.

Die Details jeder Methode werden in den Abschnitten „Methoden 1“, „Methoden 2“ und „Methoden 3“ aufgeführt und in Abb. 5 zusammengefasst.

Oben, von links nach rechts: Verwirrungsmatrizen für binäre Experimente. Methode 145 für Fragilitätsfunktionen, entwickelt von Koshimura et al.1, Suppasri et al.21 und Belliazzi et al.25; Methode 246 für Fragilitätsfunktionen, entwickelt von Koshimura et al.1, Suppasri et al.21 und Belliazzi et al.25; Methode 3, binäre Schadensschätzung mit unserer vorgeschlagenen Methode. Unten, von links nach rechts: Verwirrungsmatrizen für Mehrklassenexperimente Methode 145 für Fragilitätsfunktionen, entwickelt von Suppasri et al.21 und Belliazzi et al.25; Methode 246 für Fragilitätsfunktionen, entwickelt von Suppasri et al.21 und Belliazzi et al.25; Methode 3: Schadensschätzung für mehrere Klassen unter Verwendung unserer vorgeschlagenen Methode. Alle Diagramme wurden mit Matplotlib 3.7.2 (https://github.com/matplotlib/matplotlib) erstellt.

Hierin werden die Ergebnisse binärer Experimente berichtet; Aus Gründen der Einheitlichkeit wird jedes Experiment hinsichtlich der Methode (Methode 1, Methode 2 oder Methode 3) und der Fragilitätsfunktion (sofern relevant) gemäß der folgenden Namenskonvention referenziert: Koshimura-2 (Banda Aceh)1, Suppasri-2 (Tohoku)21 und Belliazzi-2 (Analytic)25. Methode 1 (Tabelle 1; Abb. 2) übertrifft Methode 2 (Tabelle 2; Abb. 2) in allen Fällen. In Bezug auf TFF zeigt Suppasri-2 die beste Leistung (durchschnittlicher \(\hbox {F}_1\)-Score von 0,809 unter Verwendung von Methode 1, Tabelle 7). Dies ist nicht überraschend, wenn man bedenkt, dass der von Suppasri et al.21 entworfene TFF modelliert den MLIT-Datensatz und enthält daher die Testdaten. Wir bezeichnen eine solche Einstellung als „In-Domain“-Test (ID-Test), da die Trainingsverteilung die Testverteilung enthält47; wir bezeichnen die von Koshimura et al.1 und Belliazzi et al.25 vorgeschlagenen TFFs als „Out-of-Domain“ (OOD)-Modelle; Gehen Sie grundsätzlich davon aus, dass die Verteilungen aller drei Modelle ähnlich sind47. Es ist erwähnenswert, dass Suppasri zwar insgesamt besser abschneidet, die durchschnittlichen \(\hbox {F}_1\)-Werte für alle binären Fälle jedoch innerhalb von \(\pm 0,05\) (Tabelle 7) voneinander liegen. Im Durchschnitt schneidet Koshimura-2 im Testsatz besser ab als Belliazzi-2; Interessanterweise stimmte Koshimura-2 in Bezug auf die einzelnen Klassenwerte bei der Vorhersage von DS0 mit Suppasri-2 überein, während beide schlechter als Belliazzi-2 waren, wenn es um DS1 ging. Belliazzi-2 weist von allen Modellen die geringste Varianz zwischen den Klassen auf (Tabelle 7). Methode 3 schneidet im Durchschnitt etwas schlechter ab, da DS0 insgesamt unterschätzt wird, übertrifft aber andere Methoden in DS1. Darüber hinaus weist Methode 3 die kleinste Abweichung zwischen den Klassen auf (Tabelle 7) und weist über die Durchläufe hinweg eine minimale Zufälligkeit auf (Durchschnitt von \(0,5\%\), Tabelle 3).

Ergebnisse räumlich dargestellt. Binäre Ergebnisse über der Zeile: (A) Methode 145, Koshimura-21; (B) Methode 1, Suppasri-221; (C) Methode 1, Belliazzi-225; (D) Methode 246, Koshimura-2; (E) Methode 2, Suppasri-2; (F) Methode 2, Belliazzi-2; (G) Random-Forest-Klassifikator; (H) Grundwahrheit (binär). Ergebnisse mehrerer Klassen unter der Zeile: (I) Methode 145, Suppasri-321; (J) Methode 1, Belliazzi-325; (K) Random-Forest-Klassifikator; (L) Methode 246, Suppasri-3; (M) Methode 2, Belliazzi-3; (N) Ground Truth (mehrere Klassen) Originalkarten, erstellt mit QGIS 3.28.2-Firenze (https://qgis.org/en/site).

Räumlich (Abb. 3) werden einige wesentliche Unterschiede zwischen den Methoden deutlich: Methode 1 (Abb. 3; Bilder A–C) erscheint sehr stark geclustert, angeblich aufgrund der ihr auferlegten Reihenfolge, die auch jegliche Zufälligkeit beseitigt; Vergleicht man Suppasri-2 mit der besten Leistung (Abb. 3, Bild B) mit der Grundwahrheit (Abb. 3, Bild H), so ist die Binnenschwelle zwischen den Schadenszuständen westlich der Mündung unterbewertet und östlich der Mündung überbewertet, zusätzlich ist die Differenzierung stark ausgeprägt Schäden entlang des Küstenvorlandes werden im Modell nicht dargestellt. Das offensichtlichste Merkmal von Methode 2 (Abb. 3; Bilder D–F) ist die räumliche Streuung aufgrund der Zufallskomponente dieser Methode, die anhand der Metriken allein nicht sofort erkennbar ist. Anders als bei der vorherigen Methode ist die Grenze zwischen Schadenszuständen viel weniger definiert, obwohl sie sich der durch die Grundwahrheit gezogenen Grenze stärker annähert als die vorherige Methode. Aufgrund der inhärenten Zufälligkeit sind die Schäden entlang des Küstenvorlandes viel nuancierter und liegen auf der Ostseite näher an der tatsächlichen Realität. Darüber hinaus sind die Schäden aufgrund der zufälligen Streuung und im Gegensatz zur Realität viel spärlicher und weniger gehäuft. Methode 3 (Abb. 3; Rahmen G) zeichnet wie Methode 1 eine viel klarere Grenze zwischen Schadenszuständen. Interessanterweise wurden fälschlicherweise mehrere Ansammlungen beschädigter Gebäude deutlich landeinwärts der Küste identifiziert. Entlang der Flussmündung und im Hafen ist es jedoch viel treuer zur Grundwahrheit, da einige der nuancierten Schäden in diesem Bereich erhalten bleiben. Die Leistung ist entlang und im Landesinneren der Ostküste schlechter, wo ein Großteil der Nuancen entlang des Küstenvorlandes verloren geht, ähnlich wie bei Methode 1.

Hierin werden die Ergebnisse für die Mehrklassenexperimente berichtet; Wie oben wird jedes Experiment hinsichtlich der Methode (Methode 1, Methode 2 oder Methode 3) und der Fragilitätsfunktion (falls relevant) gemäß der folgenden Namenskonvention referenziert: Suppasri-3 (Tohoku)21 und Belliazzi-3 (Analytisch)25. Wie bereits erwähnt, ist Koshimura et al.1 nicht auf mehrere Schadenszustände anwendbar und wird daher ausgeschlossen.

Im Mehrklassenexperiment ist die Gesamtleistung der Fragilitätskurven bei allen Metriken deutlich geringer (Tabelle 7). Dieses Mal übertrifft Methode 3 die anderen beiden Methoden deutlich, was hauptsächlich auf die schlechte, deutlich schlechtere Leistung der TFF-Methoden bei DS2 und DS3 zurückzuführen ist. In Bezug auf die Klasse schneiden Methode 1 und Methode 2 immer noch geringfügig besser ab als Methode 3; Dies ist nicht überraschend, da DS 1 zwischen dem Binär- und dem Mehrklassenexperiment unverändert bleibt. Sowohl bei Methode 1 (Tabelle 4) als auch bei Methode 2 (Tabelle 5) schneidet Suppasri-3 in DS3 deutlich schlechter ab als Belliazzi-3, umgekehrt übertrifft Suppasri-3 Belliazzi-3 in DS2 und verdoppelt fast die \(\hbox {F}_1\) -Score in den meisten Fällen. DS1 ist etwas unsicherer, wobei Belliazzi-3, modelliert nach Methode 1, die beste Leistung erbringt. Methode 3 weist weiterhin die geringste Abweichung zwischen den Klassen auf (Tabelle 7) und bietet dennoch einen relativ stabilen Schätzer, wie in Tabelle gezeigt 6. Betrachtet man die Verwirrungsmatrizen (Abb. 2) und stellt fest, dass der Rückruf (d. h. der Bruchteil der echten Positiven und positiven Werte) durch die Hauptdiagonale gegeben ist, scheint es, dass DS2 trotz der Metrik der ist problematischer bei allen TFF-Methoden für den Fall mehrerer Klassen, obwohl sich der Fehlermodus zwischen Suppasri-3 (Tohoku) und Belliazzi-3 (Analytic) unterscheidet. Genauer gesagt ist in Suppasri-3 (Tohoku) die größte Fehlerrate für Typ- I-Fehler, also ein DS2-falsch-positiver Fehler, während in Anwendungen von Belliazzi-3 (Analytic) die größte Fehlerrate bei Typ-II-Fehlern, also einem DS2-falsch-negativen Fehler, auftritt. Bei Methode 3 ist es nicht ganz so eindeutig, allerdings bleibt der Recall (Richtig-Positiv-Rate) über alle Klassen hinweg über der Falsch-Positiv-Rate und der Falsch-Negativ-Rate. Es scheint offensichtlich, dass bei den TFF-Methoden (Methode 1 und Methode 2) die Mittelschicht (DS2) allein im Hinblick auf die Überschwemmungstiefe und die Entfernung von der Küste besonders unklar bleibt. Es ist möglich, dass eine Erhöhung der Dimensionalität des Problems die Trennung der Klassen durch einen linearen Klassifikator ermöglicht. Räumlich sind viele der durch die binären Experimente angezeigten Trends offensichtlich: Methode 1 (Abb. 3, Bilder I, J) verliert weiterhin viele Nuancen zur Küste hin, während die Schadensgrenzen falsch geschätzt werden, insbesondere DC3, was anscheinend der Fall ist Der in der Grundwahrheit auf den Nordwesten beschränkte Bereich (Abb. 3, Rahmen N) wird von keinem der beiden TFF schlecht geschätzt. Methode 2 (Abb. 3, Bilder J, M) behält viel Zufälligkeit bei, was besonders in Belliazzi-3 deutlich wird, wo DS2 praktisch untrennbar mit den anderen Zuständen verbunden ist. Suppasri-3 zeigt immer noch viel Unsicherheit über DS2 hinweg, lässt dies jedoch zu zur Unterscheidung wahrscheinlicher, wenn auch vager Grenzen. Methode 3 (Abb. 3, Rahmen K) verliert entlang des Küstenvorlandes immer noch viele Nuancen und schätzt praktisch alle Proben als DS1, nähert sich aber der DS1-DS2-Grenze näher an als andere Experimente auf der Ostseite, während dies auf der Ostseite nicht gelingt die äußerste Westseite; Viele der charakteristischen isolierten Cluster sind sowohl von DS1 als auch von DS3 über den DS2-Hauptkörper verteilt, was sich in der Falsch-Negativ-Rate in den Verwirrungsmatrizen widerspiegelt (Abb. 2). Methode 3 überschätzt DS3 deutlich, stellt jedoch die Nord-Süd-Ausdehnung der Klasse besser dar und greift deutlich in DS2 ein.

Unser Ziel war es, die Anwendung von Tsunami-Fragilitätsfunktionen zur Schätzung von Tsunami-Schäden, ihre Übertragbarkeit und ihre Grenzen zu testen. Darüber hinaus schlagen wir eine überwachte Klassifikatoralternative vor, die kanonische TFF-Bedarfsparameter in der Merkmalsmatrix (ergänzt durch mehrere andere) verwendet, die aus der Landschaft vor der Katastrophe generiert wurde. Hier diskutieren wir die Implikationen unserer Ergebnisse. Binäre Experimente außerhalb der Domäne wurden im Allgemeinen innerhalb einer Spanne von 6,75 % (Tabelle 7) voneinander (zentriert um 78,02 %) der Metrik durchgeführt. Dies legt nahe, dass mit diesen Methoden ein gewisser Grad an Verallgemeinerung erreicht wird. Es ist unwahrscheinlich, dass die vorliegenden Ergebnisse für alle TFF-Schätzungen repräsentativ sind, und weitere Tests werden empfohlen. Wir verweisen den Leser auf Mas et al.8, wo 6 binäre Fragilitätsfunktionen diskutiert werden; Die Studie vergleicht die verschiedenen Wahrscheinlichkeiten bei bestimmten Schwellenwerten. Unsere Ergebnisse veranschaulichen die Variabilität zwischen einem ausländischen TFF im Vergleich zu einem „wahren“ Referenzrahmen, in diesem Fall den Unterschied zwischen Belliazzis25 oder Koshimuras1 (OOD)-Kurven relativ zum „geeigneteren“ TFF von Suppasri et al. 21 (ID). Räumlich stellt sich diese Variabilität als „Verschiebung“ zwischen Klassenschnittstellen dar; Wir postulieren, dass das Testen weiterer TFFs Schadenskarten erzeugen wird, bei denen die Schadensschnittstelle erneut verschoben wird. Grundsätzlich ist für jede von einem Tsunami betroffene Domäne die „beste“ TFF diejenige, die der tatsächlichen Schadensschnittstelle am nächsten kommt. Im Gegensatz dazu setzt die Möglichkeit, einen solchen Vergleich durchzuführen, die Verfügbarkeit eines lokalen TFF voraus. Ist dies nicht der Fall, hängt die Relevanz eines TFF von der Ähnlichkeit zwischen der Trainingsdomäne und der Zieldomäne ab47, sodass sinnvolle Anwendungen dieser Methoden auf zukünftige oder potenzielle Domänen von einer angemessenen Bewertung der TFF-Eignung abhängen. Es ist daher interessant, dass Koshimura et al.1 in Bezug auf den \(\hbox {F}_1\)-Score überraschend gut abschneidet. Koshimura et al.1 berichten, dass die Topographie des Stadtzentrums niedrig liegt und Höhen von weniger als 3 m über dem mittleren Meeresspiegel (MSL) aufweist. Darüber hinaus handelte es sich bei den meisten Gebäuden im vom Tsunami betroffenen Gebiet um niedrige Holzhäuser, Holzkonstruktionen und nicht-technische Stahlbetonkonstruktionen (RC). Es wurde festgestellt, dass der Tsunami 3–4 km landeinwärts über die gesamte Stadt vordrang und die Westküste bis zu 7–9 m überschwemmte. Im Vergleich dazu berichten Suppasri et al.48, dass die Tsunami-Höhen entlang der Ishinomaki-Küsten mehr als 10 m betrugen, während die Überschwemmungstiefen in besiedelten Gebieten mehr als 5 m betrugen. In Japan werden Holzhäuser aufgrund des leichteren Rahmens bevorzugt, um die Auswirkungen von Erdbeben zu verringern. Die Autoren stellen fest, dass eine Überschwemmungstiefe über 2 m über dem Meeresspiegel in hohem Maße mit schweren Schäden an solchen Bauwerken korreliert. Aus Abb. 4 können wir erkennen, dass 50 % der zerstörten Gebäude ungefähr bei \(z > 2\) m im von Suppasri et al.21 vorgeschlagenen TFF und ungefähr bei \(z > 3\) m im vorgeschlagenen TFF auftreten von Koshimura et al.1. Die digitalen Höhenmodelle für jedes Gebiet zeigen, dass große Teile beider Siedlungen unter 4 m (über dem lokalen vertikalen Datum) liegen. Aus den Satellitenbildern können wir außerdem erkennen, dass ein großer Teil der Bauwerke im Umkreis von 3–4 km von der Küste und fast vollständig im Überschwemmungsgebiet lag. Die Fragilitätsfunktionen legen nahe, dass Gebäude in Banda Aceh möglicherweise etwas weniger anfällig für Überschwemmungen sind, was durch das geringere Anfangsgefälle im TFF von Koshimura et al.1 veranschaulicht wird. Dies wird in Abb. 3 (Bilder A, B) bestätigt, in der Schätzungen mit Koshimura-21 eine Grenzfläche näher an der Küste ergeben als mit Suppasri-221. Ungeachtet dessen könnten erhebliche Ähnlichkeiten in der Geomorphologie, der Baumaterialverteilung und der Gebäudeanordnung die Leistung von Koshimura-21 in Bezug auf die Metrik erklären (Tabellen 1, 2).

Von links nach rechts: Vergleich zwischen binären TFFs, die in den vorliegenden Experimenten verwendet werden und die Wahrscheinlichkeit der Zerstörung von Gebäuden ausdrücken (P(DS1 \mid z)\), wenn \(z \in [0, 10]\), generiert mit Matplotlib 3.7. 2 (https://github.com/matplotlib/matplotlib); Luftbilder nach dem Tsunami im Großen Osten Japans 2011 und DEM von Ishinomaki (Erstellt durch Verarbeitung von Kacheln der Geospatial Information Authority of Japan – Höhenkacheln49); Luftbilder nach dem Tsunami im Indischen Ozean 2004 und DEM von Banda Aceh50 (Höhenmodelle, beschnitten auf 1, 2 und 3 m über MSL). Originalkarten, erstellt mit QGIS 3.28.2-Firenze (https://qgis.org/en/site).

Methode 3 hingegen ermöglicht es, dem Problem zusätzliche Dimensionalität hinzuzufügen; Obwohl es die in dieser Studie getesteten spezifischen TFFs nicht übertrifft, können möglicherweise bessere Schätzungen erfolgen, wenn der Trainingssatz auf andere, gut dokumentierte Domänen ausgeweitet wird. Darüber hinaus ist es wichtig, potenzielle Anwendungsfälle zu berücksichtigen: Beispielsweise wäre bei Katastrophenhilfefällen die von Methode 2 ausgegebene Zufälligkeit nachteilig, da sie das geschätzte Schadensausmaß nicht einschränkt. Im Zusammenhang mit einem Routing-Problem beispielsweise, bei dem ein Agent alle DS1-Gebäude überprüfen muss, um Vorräte bereitzustellen51, müsste der Agent bei der Anwendung von Schätzungen mit Methode 2 im Vergleich zu den beiden anderen Methoden deutlich mehr Gebiete abdecken. Der erhebliche Leistungsverlust in den Mehrklassenexperimenten lässt darauf schließen, dass TFF im Allgemeinen eine unzuverlässige Mehrklassen-Schadensschätzung darstellt; Es ist möglich, dass weitere Forschung, wie die Bewertung der aus verallgemeinerten linearen Modellen abgeleiteten TFF oder die Entwicklung ganz neuer Methoden zur Anwendung dieser Modelle, zuverlässigere Schätzungen liefern könnte. Vor allem solche, die die Berücksichtigung weiterer Parameter ermöglichen. Aus dem gleichen Grund könnten weitere Tests maschineller Lernmethoden mit einem größeren Satz lernbarer Parameter Schätzer ermöglichen, die zuverlässig verallgemeinern.

In dieser Studie führen wir nach dem großen Erdbeben im Osten Japans im Jahr 2011 in der japanischen Stadt Ishinomaki eine Schadensschätzung für Tsunami-Gebäude durch. Dabei verwenden wir physikalische Parameter – unsere Tests werden anhand der Ergebnisse der Post-Katastrophen-Erhebung bewertet34. Wir vergleichen drei Methoden: zwei TFF-Anwendungsmethoden aus der Literatur45,46 und ein Modell für maschinelles Lernen, das auf physikalischen Parametern außerhalb der Domäne trainiert wurde; Daher führen wir binäre und Mehrklassenexperimente durch. Im Fall von TFF-Anwendungen wählen wir drei Tsunami-Fragilitätsfunktionen (zwei in den Mehrklassentests) aus, um die Variabilität zwischen der Anwendung von TFFs innerhalb der Domäne und TFFs außerhalb der Domäne zu überprüfen. Wir überprüfen, ob TFF-Anwendungsmethoden in der Lage sind, Gebäudeschadensschätzungen mit unterschiedlichem Erfolg zu erstellen. Die Leistung von TFF-Schätzungen hängt sowohl von der Methode als auch von der Eignung des TFF für die Domäne ab (aufgrund latenter Variablen, die durch die Nachfrageparameter verschleiert werden, siehe vorheriger Abschnitt): Von unseren versuchten Methoden ist Methode 1 Methode 2 durchweg überlegen sowohl metrisch als auch räumlich für alle Fälle. Es überrascht nicht, dass der TFF mit der besten Leistung der In-Domain-Fall21 ist, obwohl TFFs außerhalb der Domäne im Intervall \(78,02\pm 6,65\%\) für den Binärfall liegen. Zusätzlich zum Testen von TFF-Anwendungsmethoden schlagen wir eine neuartige Neuinterpretation der Schadensschätzung auf der Grundlage physikalischer Parameter vor. Wir lassen uns von TFF-Nachfrageparametern inspirieren und schlagen ein Framework für maschinelles Lernen vor: Methode 3 liefert vergleichbare Ergebnisse wie TFF-Methoden in den Binärtests, weist jedoch eine verbesserte Leistung im Fall mehrerer Klassen auf, was auf eine größere Flexibilität schließen lässt. Mit dieser Studie stellen wir neuartige Methoden zur Erstellung von Tsunami-Schadensschätzungen auf Gebäudeebene bereit, um Katastrophenrisikomanager über potenzielle Risikogebiete während und nach Tsunamis zu informieren. Unsere Methode ist auf simulierte Überschwemmungsszenarien anwendbar, wie sie beispielsweise in probabilistischen Tsunami-Gefahrenbewertungen vorgesehen sind, und könnte daher detailliertere Informationen bei Katastrophenplanungs- und -vorsorgeaufgaben liefern. In Zukunft planen wir, alternative Methoden zur Anwendung von TFFs auf Schadensschätzungsprobleme auf Gebäudeebene zu untersuchen. Darüber hinaus hoffen wir, dass die vorgeschlagene Methodik weitere Studien zur Untersuchung maschineller Lernmethoden anregen wird, die besser lernen und sich auf verschiedene Bereiche verallgemeinern lassen.

Wir führen Experimente mit einer Teilmenge des MLIT-Datensatzes zum Tohoku-Erdbeben und Tsunami 201134 durch, insbesondere mit dem Ishinomaki-Datensatz (kodiert als Datensatz 305), aber wir bereiten den Sendai-Ebenen-Datensatz (320) und den Rikuzentakata-Datensatz (212) auf die gleiche Weise vor; Die beiden letztgenannten Datensätze werden zum Trainieren des maschinellen Lernmodells verwendet.

Standardmäßig enthält der Datensatz mehrere der benötigten Merkmale: Baumaterial \(C_{bld}\), Überschwemmung über dem Boden \(z_{ground}\), topografische Höhe bezüglich des Datums \(h_{datum}\ ) und der Schadenszustand (Label/abhängige Variable) DS. Die übrigen Merkmale wurden räumlich berechnet: Die Gebäudedichte \(\rho _{bld}\) wird als zweidimensionale Kerndichteschätzung zwischen Gebäudeschwerpunkten verwendet. Für die Zwecke dieses Experiments haben wir einen von KDE berechneten konstanten Radius (500 m) verwendet mit QGIS. Der Abstand von der Küste \(d_{Küste}\) und der Abstand von geschützten Gewässern \(d_{Wasser}\) werden als euklidischer Abstand zwischen dem Gebäudeschwerpunkt und der jeweiligen Küstenlinie angenommen. \(d_{coast}\) umfasst Küstenschutzmaßnahmen wie Deiche, Buhnen und Wellenbrecher und verläuft nicht landeinwärts über Flüsse oder Häfen. \(d_{water}\) verfolgt stattdessen die absolute Land-Wasser-Schnittstelle, einschließlich geschützter Gewässer, Flüsse und Häfen. Die Unterscheidung wurde vorgenommen, um die relativen Auswirkungen von Küstenschutzbauwerken zu untersuchen. Eine Zusammenfassung der physikalischen Parameter finden Sie in Tabelle 8. Es ist wichtig zu beachten, dass Schäden, die ein bestimmtes Gebäude infolge eines Tsunamis durch ein Mega-Thrust-Erdbeben erleidet, in der Regel zusätzlich durch Belastungen durch das Erdbeben selbst verursacht werden zu denen, die der Tsunami verursacht hat. Zu den seismisch verursachten Belastungen können unter anderem starke Bodenbewegungen, Bodenverflüssigung, Einsturz oder die Umgebung (bebaut und natürlich) usw. gehören; Die seismische Aktivität, die hauptsächlich die Ursache für Erdbebenlasten (und die Entstehung des Tsunamis selbst) ist, hängt von geologischen Prozessen in der Lithosphäre ab, wie z. B. Hangstabilität, tektonische Subduktion, Unebenheiten entlang der Verwerfung usw. Es wird anerkannt, dass Gebäudeschäden auftreten Diese Faktoren und Prozesse werden direkt beeinflusst, und Messungen der Tsunami-Intensität (technische Bedarfsparameter und mehrere physikalische Parameter, die in der vorliegenden Studie verwendet werden) sind im Allgemeinen eine Folge dieser Faktoren. Geologische und seismische Eigenschaften werden verwendet, um den Anfangszustand der hydrodynamischen Modellierung festzulegen, die die Intensitätsmessungen generiert. Sie sind daher von wesentlicher Bedeutung für die Überschwemmungstiefe und weitere Bedarfsparameter. Direkte Auswirkungen seismischer und geologischer Eigenschaften werden letztlich nicht in das Machine-Learning-Training einbezogen; Für diese Entscheidung gibt es mehrere Gründe: (1) Erste Tests unter Verwendung seismischer Eigenschaften ergaben schlechtere Ergebnisse als die oben berichteten; Dies liegt möglicherweise an der räumlichen Grobheit, die letztendlich zu spärlichen Daten führt. (2) Sie sind nicht direkt in der ursprünglichen Modellierung der in dieser Studie getesteten empirischen Fragilitätsfunktionen enthalten.

Der Schadenszustand DS wird in 7 Stufen eingestuft, vom geringsten bis zum höchsten Schaden: „kein Schaden“: DS0, „Teilschaden“: DS1, „50 % Schaden“: DS2, „50–70 % Schaden“: DS3, „1 Ebene zerstört und Überschwemmung darüber“: DS4, „völlig zerstört“: DS5, „weggespült“: DS6. Obwohl diese Klassifizierungen im bautechnischen Kontext sinnvoll sind, spiegeln sie möglicherweise nicht vollständig die EDV wider. Darüber hinaus basieren nur auf dem GEJE-Schaden basierende TFFs auf 7 Schadenszuständen; Daher ist es notwendig, die Klassifizierung zu vereinfachen, damit sie vergleichbar ist. Die folgenden Zuordnungen werden verwendet, um die ursprüngliche MLIT-Klassifizierung in die Zielklassen für jeden Versuchsaufbau zu übersetzen (siehe nächster Abschnitt):

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

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

Kurz gesagt, DS6 und DS5 werden in Kartierung 1 kombiniert, da Koshimura et al.1 und Belliazzi et al.25 nicht zwischen vollständig zerstört und weggespült unterscheiden. Aus Gründen der Konsistenz erweitern wir diese Konvention auf Mapping 2. Die anderen Gruppierungen in Zuordnung 2 wurden entschieden, indem alle anderen möglichen 3-Klassen-Gruppierungen getestet wurden, die die vorherige Bedingung erfüllten, und die Zuordnung ausgewählt wurde, die bei der Metrik insgesamt die beste Leistung erbrachte.

Oben: Visualisierung des von Adriano et al.45 vorgeschlagenen Frameworks. Mitte: Visualisierung des von Moya et al.46 vorgeschlagenen Frameworks. Unten: Visualisierung des in der vorliegenden Studie vorgeschlagenen Rahmenwerks. Originalfigur erstellt mit Adobe Illustrator 27.7, Excalidraw 0.15.0 (https://github.com/excalidraw/excalidraw) und Matplotlib 3.7.2 (https://github.com/matplotlib/matplotlib).

Der Versuchsaufbau besteht aus einer Reihe binärer Experimente und einer Reihe von Mehrklassenexperimenten, wobei für jeden Satz zwei TFF-Anwendungsmethoden getestet werden. Da Koshimura et al.1 nur zwei Schadenszustände abbildet, ist es von den Mehrklassenexperimenten ausgeschlossen. Drei TFFs aus der Literatur werden getestet: Koshimura et al.1, Suppasri et al.21 und Belliazzi et al.25. Darüber hinaus schlagen wir eine Alternative zu TFF-Anwendungen vor und testen sie unter Verwendung eines einfachen Klassifikators für maschinelles Lernen (Random Forest) und führen dieselben Schätzaufgaben (eine Binärklasse, eine Multiklasse) durch, indem wir die Nachfrageparametermatrix um zusätzliche Dimensionalität erweitern. Wir vergleichen unsere Ergebnisse, indem wir den \(\hbox {F}_1\)-Score, die Präzision und die reihennormalisierten Verwirrungsmatrizen angeben (Abb. 2). Wir testen zwei TFF-Schätzmethoden aus der Literatur und unsere vorgeschlagene Methode des maschinellen Lernens:

: beschrieben von Adriano et al.45,

: beschrieben von Moya et al.46, und

: Algorithmus für maschinelles Lernen, der einen einfachen Zufallswaldklassifikator implementiert.

Fragilitätsfunktionen drücken die Wahrscheinlichkeit aus, dass ein Gebäude unter einer bestimmten Belastung, parametrisiert als Intensitätsmaß oder Anforderungsparameter, einen bestimmten Schadenszustand erreicht. OLS-Tsunami-Fragilitätsfunktionen werden im Allgemeinen an die kumulative Verteilungsfunktion (CDF) eines statistischen Modells angepasst, das zur Exponentialfamilie gehört: am häufigsten die Normalverteilung (Gleichung 1) oder die Lognormalverteilung (Gleichung 2). Diese können symbolisch ausgedrückt werden als:

Daher definieren wir:

Dabei ist \(F_X(x)_{i,DS}\) die kumulative Verteilungsfunktion für \(\text {ln}(X) \sim N(\mu _{i,DS}, \sigma ^2_{i ,DS})\), \(\Phi\) ist die CDF der Standardnormalverteilung \(N(0, 1)\) und \({{\,\textrm{erfc}\,}}\) ist die komplementäre Gauß-Fehlerfunktion \({{\,\textrm{erfc}\,}}{z} = 1 - {{\,\textrm{erf}\,}}{z} = 1 - \frac{2} {\sqrt{\pi }}\int _0^ze^{-t^2}\,dt\). Dabei sind \(\mu _{i,DS}\) und \(\sigma ^2_{i,DS}\) der Mittelwert und die Varianz der Verteilung für Gebäudeklasse i und Schadenszustand DS. Die Zufallsvariable X stellt den Bedarfsparameter dar, in diesem Fall nehmen wir die Überschwemmungstiefe z an.

Die von Adriano et al.45 vorgeschlagene Methode (Abb. 5, oben) erfordert, dass die Daten in aufsteigender Reihenfolge nach einem Parameter sortiert werden, der sich vom Hauptnachfrageparameter z unterscheidet. In diesem Fall wählen wir die Entfernung von der Küste \(d_{ Küste}\). Zur Unterteilung der Daten wird ein Intervall von Überschwemmungstiefen gewählt (in unserem Fall 0,5 m). Die Daten werden in Untergruppen aufgeteilt, sodass jede Untergruppe alle Daten enthält, die innerhalb des Intervalls liegen, d. h. alle Datenpunkte mit Überschwemmungstiefen \(0 \, m \le z < 1 \, m\) befinden sich in einer Untergruppe, Punkte die Überschwemmungstiefen \(1 \, m \le z < 2 \, m\) haben, liegen in einem anderen usw. Für jede Untergruppe wird die mittlere Tiefe \(\mu _z\) berechnet. Angesichts der Menge an Zielschadenszuständen, wie z. B. \(DS: \{0,1\}\) und einer Menge von TFF, \(F_{X,DS}(x)\), die \(z \mapsto P(DS = ds)\) generieren wir \(P(DS = ds \mid x = \mu _z)\) für \(ds \in DS\), um den Anteil der Gebäude im Intervall zu erhalten, die zu jedem Schaden gehören Zustand1. Der Schadenszustand wird auf der Grundlage der Reihenfolge des sekundären Parameters zugewiesen (dieser ist wie zuvor als Abstand von der Küste \(d_{Küste}\) definiert), indem eine Annahme über die Art der Reihenfolge relativ zum Schadenszustand getroffen wird : Es wird explizit davon ausgegangen, dass Gebäude, die näher an der Küste \(d_{Küste}\) liegen, mit größerer Wahrscheinlichkeit durch einen Tsunami beschädigt werden.

Die von Moya et al.46 vorgeschlagene Methode (Abb. 5, Mitte) legt fest, dass die Wahrscheinlichkeit, dass ein Gebäude, das einem Anforderungsparameter unterliegt, den Schadenszustand \(P(DS\ge ds \mid X=x)\) erreicht, gegeben ist nach Gl. (4):

Folglich berechnen wir für jedes Gebäude, das z unterliegt, den Wahrscheinlichkeitsvektor \({\varvec{P}} = [P_{0}, P_{1}, \ldots , P_{i}]\) und beachten dabei, dass \( |{\varvec{P}}|= 1\). Wir erzeugen eine gleichmäßig verteilte Zufallszahl \(Y \sim {\mathscr {U}}_{[0,1]}\) und überprüfen \(Y \le {\varvec{P}}\) elementweise. Jedem Punkt wird von allen Schadenszuständen, die die Ungleichung erfüllen, der geringstmögliche Schadenszustand zugewiesen.

Wir schlagen einen merkmalsextrahierten einfachen Klassifikator für maschinelles Lernen (Abb. 5, unten) als Alternative zu den TFF-Schätzmethoden vor, um: (1) eine Basislinie zu erstellen, (2) zu überprüfen, ob die Schadensschätzung mithilfe technischer Größen angegangen werden kann und (3) Benchmarking der Leistung von TFF-Schätzmethoden. Wie in „Ergebnisse“ kurz erläutert, wird die Merkmalsmatrix für das Maschinenmodell mit Bohrlochstudiengrößen in der TFF-Literatur und zusätzlichen Größen gefüllt, die aus Fernerkundungs- und Vermessungsdaten synthetisiert wurden. Die Motivation, zwei unterschiedliche horizontale Abstände zu entwickeln, ergibt sich aus dem Wunsch, die Tsunami-Welle zu charakterisieren, die sich über Wasserkanäle tiefer ins Landesinnere ausbreitet, wie in der Literatur zur Tsunami-Technik hervorgehoben52. Die Gebäudedichte \(\rho _{bld}\) wird mithilfe der Kerndichteschätzung mit einem willkürlichen Radius von 500 m für jedes Gebäude berechnet. Features werden einzeln zentriert und anhand des Interquartilbereichs skaliert, um Ausreißerverzerrungen zu vermeiden. Die Etiketten werden in 2 (binär, Mapping 1) und 3 (Multi-Class, Mapping 2) Klassen umklassifiziert, um Schätzungen zu erhalten, die mit denen der TFF-Methoden vergleichbar sind. In diesem Fall verwenden wir Entropie, um die Reinheit unserer Knoten zu messen, während andere Hyperparameter in Tabelle 9 aufgeführt sind. Das Modell wird auf den Teilmengen Sendai City und Rikuzentakata der MLIT-Daten trainiert und auf dem unsichtbaren Ishinomaki-Datensatz getestet, daher nur Testen Sie den Fall außerhalb der Domäne sowohl für binäre als auch für Szenarien mit mehreren Klassen.

Daten, die die vorliegenden Ergebnisse untermauern, sind auf begründete Anfrage verfügbar. Darüber hinaus sind Gebäudeschadensdaten für das große Erdbeben in Ostjapan im Jahr 2011 auch öffentlich verfügbar unter http://fukkou.csis.u-tokyo.ac.jp/dataset/list_all und https://www.mlit.go.jp/toshi /toshi-hukkou-arkaibu.html.

Koshimura, S., Oie, T., Yanagisawa, H. & Imamura, F. Entwicklung von Fragilitätsfunktionen für die Schätzung von Tsunami-Schäden unter Verwendung numerischer Modelle und Post-Tsunami-Daten aus Banda Aceh, Indonesien. Küste. Ing. J. 51, 243–273. https://doi.org/10.1142/S0578563409002004 (2009).

Artikel Google Scholar

Peiris, N. & Pomonis, A. 26. Dezember 2004 Tsunami im Indischen Ozean: Vulnerabilitätsfunktionen für die Verlustschätzung in Sri Lanka. Geotechnik zur Katastrophenvorsorge und -sanierung, 1. Internationale Konferenz 411–416. https://doi.org/10.1142/9812701605_0048 (2005).

Macabuag, J., Rossetto, T., Ioannou, I. & Eames, I. Untersuchung der Auswirkungen von Trümmerschäden auf die Erstellung von Tsunami-Brüchigkeitskurven für Gebäude. Geowissenschaften (Schweiz)https://doi.org/10.3390/geosciences8040117 (2018).

Artikel Google Scholar

Bai, Y. et al. Ein Rahmen für die schnelle Erkennung regionaler Tsunami-Schäden anhand von Terrasar-X-Bildern nach dem Ereignis unter Verwendung tiefer neuronaler Netze. IEEE Geosci. Remote Sens. Lett. 15, 43–47. https://doi.org/10.1109/LGRS.2017.2772349 (2018).

Artikel ADS Google Scholar

Moya, L. et al. Erkennen städtischer Veränderungen mithilfe von Phasenkorrelation und \(\ell\)1-basiertem Sparse-Modell für frühzeitige Katastrophenreaktion: Eine Fallstudie zum Erdbeben-Tsunami 2018 in Sulawesi, Indonesien. Fernerkundung. Umwelt. 242, 111743. https://doi.org/10.1016/j.rse.2020.111743 (2020).

Artikel ADS Google Scholar

Porter, K., Kennedy, R. & Bachman, R. Erstellen von Fragilitätsfunktionen für leistungsbasierte Erdbebentechnik. Earthq. Spektren 23, 471–489. https://doi.org/10.1193/1.2720892 (2007).

Artikel Google Scholar

Yamazaki, F. & Murao, O. Vulnerabilitätsfunktionen für japanische Gebäude basierend auf Schadensdaten aus dem Erdbeben in Kobe 1995. In „Implications of Recent Earthquakes on Seismic Risk“, Bd. 2 der Reihe „Innovation in Bauwerken und Konstruktion“, 91–102. https://doi.org/10.1142/9781848160194_0007 (Ime, 2000).

Mas, E. et al. Entwicklung von Tsunami-Fragilitätskurven mithilfe von Fernerkundungs- und Vermessungsdaten des chilenischen Tsunamis 2010 in Dichato. Nat. Gefahren Erdsystem Wissenschaft. 12, 2689–2697. https://doi.org/10.5194/nhess-12-2689-2012 (2012).

Artikel ADS Google Scholar

Charvet, I., Ioannou, I., Rossetto, T., Suppasri, A. & Imamura, F. Empirische Fragilitätsbewertung von Gebäuden, die vom großen Tsunami im Osten Japans 2011 betroffen waren, unter Verwendung verbesserter statistischer Modelle. Nat. Gefahren 73, 951–973. https://doi.org/10.1007/s11069-014-1118-3 (2014).

Artikel Google Scholar

Reese, S. et al. Empirische Gebäudefragilität aufgrund beobachteter Schäden beim Tsunami im Südpazifik 2009. Erdwissenschaft. Rev. 107, 156–173. https://doi.org/10.1016/j.earscirev.2011.01.009 (2011).

Artikel ADS Google Scholar

Koshimura, S. & Kayaba, S. Tsunami-Fragilität, abgeleitet aus der Tsunami-Katastrophe des Hokkaido-Nansei-Oki-Erdbebens im Jahr 1993. J. Jpn. Assoc. Earthq. Eng. 10, 87–101. https://doi.org/10.5610/jaee .10.3_87 (2010).

Artikel Google Scholar

Suppasri, A., Koshimura, S. & Imamura, F. Entwicklung von Tsunami-Fragilitätskurven basierend auf der Satellitenfernerkundung und der numerischen Modellierung des Tsunamis im Indischen Ozean 2004 in Thailand. Nat. Gefahren Erdsystem Wissenschaft. 11, 173–189. https://doi.org/10.5194/nhess-11-173-2011 (2011).

Artikel ADS Google Scholar

Gokon, H., Koshimura, S., Matsuoka, M. & Namegaya, Y. Entwicklung von Tsunami-Fragilitätskurven aufgrund der Tsunami-Katastrophe 2009 in Amerikanisch-Samoa. J. Jpn. Soc. Bauingenieur. Ser. B2 (Coast. Eng.) 67, I1321–I1325. https://doi.org/10.2208/kaigan.67.I_1321 (2011).

Artikel Google Scholar

Yanagisawa, H. & Yanagisawa, H. Fragilitätsfunktion von Hausschäden durch den Erdbeben-Tsunami vor der Pazifikküste von Tohoku im Jahr 2011. J. Jpn. Soc. Bauingenieur. Ser. B2 (Coast. Eng.) 68, 1401–1405. https://doi.org/10.2208/kaigan.68.I_1401 (2012).

Artikel Google Scholar

Suppasri, A., Muhari, A., Futami, T., Imamura, F. & Shuto, N. Verlustfunktionen für kleine Seeschiffe basierend auf Vermessungsdaten und numerischer Simulation des großen Tsunamis in Ostjapan im Jahr 2011. J. Waterw. Hafenküste. Ocean Eng. 140, 04014018. https://doi.org/10.1061/(asce)ww.1943-5460.0000244 (2014).

Artikel Google Scholar

Muhari, A., Charvet, I., Tsuyoshi, F., Suppasri, A. & Imamura, F. Bewertung der Tsunami-Gefahren in Häfen und ihrer Auswirkungen auf Seeschiffe, abgeleitet aus Tsunami-Modellen und den beobachteten Schadensdaten. Nat. Gefahren 78, 1309–1328. https://doi.org/10.1007/s11069-015-1772-0 (2015).

Artikel Google Scholar

Charvet, I., Suppasri, A., Kimura, H., Sugawara, D. & Imamura, F. Ein multivariates verallgemeinertes lineares Tsunami-Fragilitätsmodell für die Stadt Kesennuma basierend auf maximalen Fließtiefen, Geschwindigkeiten und Trümmereinwirkung, mit Bewertung der Vorhersagegenauigkeit . Nat. Gefahren 79, 2073–2099. https://doi.org/10.1007/s11069-015-1947-8 (2015).

Artikel Google Scholar

Suppasri, A., Charvet, I., Imai, K. & Imamura, F. Fragilitätskurven basierend auf Daten des Tohoku-Oki-Tsunamis 2011 in der Stadt Ishinomaki, mit Diskussion von Parametern, die Gebäudeschäden beeinflussen. Earthq. Spektren 31, 841–868. https://doi.org/10.1193/053013EQS138M (2015).

Artikel Google Scholar

Onai, A. & Tanaka, N. Numerische Analyse unter Berücksichtigung der Auswirkungen des Einfangens von Treibwasser durch Küstenwälder und der Fragilitätskurve von Häusern. J. Jpn. Soc. Bauingenieur. Ser. B1 (Hydraul. Eng.) 71, 727–732. https://doi.org/10.2208/jscejhe.71.i_727 (2015).

Artikel Google Scholar

Macabuag, J. et al. Eine vorgeschlagene Methodik zur Ableitung von Tsunami-Fragilitätsfunktionen für Gebäude unter Verwendung optimaler Intensitätsmessungen. Nat. Gefahren 84, 1257–1285. https://doi.org/10.1007/s11069-016-2485-8 (2016).

Artikel Google Scholar

Suppasri, A. et al. Gebäudeschadensmerkmale basierend auf erhobenen Daten und Fragilitätskurven des großen Tsunamis im Osten Japans 2011. Nat. Gefahren 66, 319–341. https://doi.org/10.1007/s11069-012-0487-8 (2013).

Artikel Google Scholar

Hayashi, S., Narita, Y. & Koshimura, S. Entwicklung von Tsunami-Fragilitätskurven aus den erfassten Daten und der numerischen Modellierung des Tohoku-Erdbeben-Tsunamis 2011. J. Jpn. Soc. Bauingenieur. Ser. B2 (Coast. Eng.) 69, I386–I390. https://doi.org/10.2208/kaigan.69.I_386 (2013).

Artikel Google Scholar

Charvet, I., Suppasri, A. & Imamura, F. Empirische Fragilitätsanalyse von Gebäudeschäden, die durch den großen Tsunami im Osten Japans 2011 in der Stadt Ishinomaki verursacht wurden, mittels ordinaler Regression und Einfluss wichtiger geografischer Merkmale. Stoch. Umgebung. Res. Risikobewertung. 28, 1853–1867. https://doi.org/10.1007/s00477-014-0850-2 (2014).

Artikel Google Scholar

Risi, RD, Goda, K., Mori, N. & Yasuda, T. Bayesianische Tsunami-Fragilitätsmodellierung unter Berücksichtigung der Unsicherheit der Eingabedaten. Stoch. Umgebung. Res. Risikobewertung. 31, 1253–1269. https://doi.org/10.1007/s00477-016-1230-x (2017).

Artikel PubMed Google Scholar

Belliazzi, S., Lignola, GP, Di Ludovico, M. & Prota, A. Vorläufiger analytischer Tsunami-Fragilitätsfunktionen-Vorschlag für italienische Wohngebäude aus Mauerwerk an der Küste. Strukturen 31, 68–79. https://doi.org/10.1016/j.istruc.2021.01.059 (2021).

Artikel Google Scholar

Nihei, Y., Maekawa, T., Ohshima, R. & Yanagisawa, M. Bewertung der Fragilitätsfunktionen für Tsunami-Schäden in der Stadt Natori, Präfektur Miyagi, und Abschwächungseffekte von Küstendünen. J. Jpn. Soc. Bauingenieur. Ser. B2 (Coast. Eng.) 68, 276–280. https://doi.org/10.2208/related.68.i_276 (2012).

Artikel Google Scholar

Koshimura, S. & Gokon, H. Strukturelle Verwundbarkeits- und Tsunami-Fragilitätskurven aus der Tsunami-Katastrophe des Tohoku-Erdbebens 2011. J. Jpn. Soc. Zivil. Ing. Ser. B2 (Coast. Eng.) 68, 336–340. https://doi.org/10.2208/related.68.I_336 (2012).

Artikel Google Scholar

Rehman, K. & Cho, YS Gebäudeschadensbewertung mithilfe szenariobasierter numerischer Tsunami-Analyse und Fragilitätskurven. Wasser (Schweiz)https://doi.org/10.3390/w8030109 (2016).

Artikel Google Scholar

Suppasri, A. et al. Entwicklung von Fragilitätsfunktionen für Aquakulturflöße und Seegras im Fall des großen Tsunamis in Ostjapan 2011. Nat. Gefahr. 18, 145–155. https://doi.org/10.5194/nhess-18-145-2018 (2018).

Artikel Google Scholar

Mas, E. et al. Merkmale der Tsunami-Fragilitätsfunktionen, die unter Verwendung verschiedener Schadensquellen aus dem Erdbeben und Tsunami in Sulawesi 2018 entwickelt wurden. Reine Appl. Geophys. 177, 2437–2455. https://doi.org/10.1007/s00024-020-02501-4 (2020).

Artikel ADS Google Scholar

Lahcene, E. et al. Merkmale der Gebäudefragilitätskurven für seismische und nichtseismische Tsunamis: Fallstudien der Sundastraße 2018, der Sulawesi-Palu-Tsunamis 2018 und der Tsunamis im Indischen Ozean 2004. Nat. Gefahr. 21, 2313–2344. https://doi.org/10.5194/nhess-21-2313-2021 (2021).

Artikel Google Scholar

Narita, Y. & Koshimura, S. Klassifizierung der Tsunami-Fragilitätskurven basierend auf regionalen Merkmalen von Tsunami-Schäden. J. Jpn. Soc. Zivil. Ing. Ser. B2 (Coast. Eng.) 71, 331–336. https://doi.org/10.2208/kaigan.71.i_331 (2015).

Artikel Google Scholar

Maruyama, Y. & Itagaki, O. Entwicklung von Tsunami-Fragilitätsfunktionen für bodennahe Straßen. J. Disaster Res. 12, 131–136. https://doi.org/10.20965/jdr.2017.p0131 (2017).

Artikel Google Scholar

Sekimoto, Y. et al. Datenmobilisierung durch digitale Archivierung der Erdbebenuntersuchung im Großen Osten Japans. Theorie Appl. GIS 21, 87–95. https://doi.org/10.5638/thagis.21.87 (2013).

Artikel Google Scholar

Stadtbüro, Ministerium für Landinfrastruktur, Verkehr und Tourismus. Das Archiv der Wiederherstellungs- und Wiederaufbauunterstützung nach dem großen Erdbeben und Tsunami in Ostjapan 2011 (2012). http://fukkou.csis.u-tokyo.ac.jp/dataset/list_all. Zugriff am 4. September 2023.

Ministerium für Landinfrastruktur, Verkehr und Tourismus. Zusammenfassung der Untersuchung zu Wiederaufbaumethoden für tsunamigeschädigte Gebiete nach dem großen Erdbeben und Tsunami in Ostjapan (2021) (Japanisch). https://www.mlit.go.jp/toshi/toshi-hukkou-arkaibu.html. Zugriff am 04.09.2023.

Williams, JH et al. Tsunami-Fragilitätsfunktionen für Straßen- und Strommastanlagen mithilfe von Felduntersuchungen und Fernerkundungsdaten vom Sulawesi-Tsunami 2018, Palu, Indonesien. Reine Appl. Geophys. 177, 3545–3562. https://doi.org/10.1007/s00024-020-02545-6 (2020).

Artikel ADS Google Scholar

Dias, WP, Yapa, HD & Peiris, LM Tsunami-Schwachstellenfunktionen aus Feldstudien und Monte-Carlo-Simulation. Zivil. Ing. Ca. Syst. 26, 181–194. https://doi.org/10.1080/10286600802435918 (2009).

Artikel Google Scholar

Tarbotton, C., Dall'Osso, F., Dominey-Howes, D. & Goff, J. Die Verwendung empirischer Vulnerabilitätsfunktionen zur Bewertung der Reaktion von Gebäuden auf Tsunami-Auswirkungen: Vergleichende Überprüfung und Zusammenfassung bewährter Verfahren. Erdwissenschaft. Rev. 142, 120–134. https://doi.org/10.1016/j.earscirev.2015.01.002 (2015).

Artikel ADS Google Scholar

Charvet, I., Macabuag, J. & Rossetto, T. Abschätzung von Tsunami-induzierten Gebäudeschäden durch Fragilitätsfunktionen: Kritische Überprüfung und Forschungsbedarf. Vorderseite. Gebaute Umgebung.https://doi.org/10.3389/fbuil.2017.00036 (2017).

Artikel Google Scholar

Behrens, J. et al. Probabilistische Tsunami-Gefahren- und Risikoanalyse: Ein Überblick über Forschungslücken. Vorderseite. Erdwissenschaft. 9, 25 (2021).

Artikel ADS Google Scholar

Moya, L. et al. 3D-Graustufen-Koexistenzmatrix und ihre Anwendung zur Identifizierung eingestürzter Gebäude. ISPRS J. Fotogramm. Fernbedienung. Sens. 149, 14–28. https://doi.org/10.1016/j.isprsjprs.2019.01.008 (2019).

Artikel ADS Google Scholar

Adriano, B., Fernerkundung. https://doi.org/10.3390/RS11070886 (2019).

Artikel Google Scholar

Musa, A. et al. Echtzeit-Tsunami-Überschwemmungsvorhersagesystem zur Prävention und Eindämmung von Tsunami-Katastrophen. J. Supercomput. 74, 3093–3113. https://doi.org/10.1007/s11227-018-2363-0 (2018).

Artikel Google Scholar

Adriano, B., Mas, E., Koshimura, S., Estrada, M. & Jimenez, C. Szenarien der Erdbeben- und Tsunami-Schadenswahrscheinlichkeit in der Region Callao, Peru unter Verwendung von Tsunami-Fragilitätsfunktionen. J. Disaster Res. 9, 968–975. https://doi.org/10.20965/jdr.2014.p0968 (2014).

Artikel Google Scholar

Moya, L., Mas, E., Koshimura, S. & Yamazaki, F. Synthetische Gebäudeschadensszenarien unter Verwendung empirischer Fragilitätsfunktionen: Eine Fallstudie zum Kumamoto-Erdbeben 2016. Int. J. Reduzierung des Katastrophenrisikos. 31, 76–84. https://doi.org/10.1016/j.ijdrr.2018.04.016 (2018).

Artikel Google Scholar

Sun, S., Shi, H. & Wu, Y. Eine Umfrage zur Multi-Source-Domain-Anpassung. Inf. Fusion 24, 84–92. https://doi.org/10.1016/j.inffus.2014.12.003 (2015).

Artikel Google Scholar

Suppasri, A. et al. Entwicklung von Tsunami-Fragilitätskurven anhand der erhobenen Daten des großen Tsunamis im Osten Japans im Jahr 2011 in den Ebenen Sendai und Ishinomaki. Küste. Ing. J.https://doi.org/10.1142/S0578563412500088 (2012).

Artikel Google Scholar

Geoinformationsbehörde Japans. Grundlegende Karteninformationen.

Geoinformationsagentur der Republik Indonesien. Digitale topografische Karte Indonesiens, Bogor, West-Java (2019).

Hachiya, D., Mas, E. & Koshimura, S. Ein Reinforcement-Learning-Modell mehrerer UAVs für den Transport von Nothilfegütern. Appl. Wissenschaft. 12, 10427. https://doi.org/10.3390/app122010427 (2022).

Artikel CAS Google Scholar

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

Buchen Sie Google Scholar

Referenzen herunterladen

Diese Studie wurde teilweise durch die JSPS Kakenhi-Programme (Nr. 21H05001 und 22H01741), das JST Japan-US Collaborative Research Program, Fördernummer JPMJSC2119 und MEXT im Rahmen des „Next Generation High-Performance Computing Infrastructures and Applications R&D Program“ finanziert Projekt „F&E einer quantenaushärtungsunterstützten HPC-Infrastruktur der nächsten Generation und ihrer Anwendungen“. Die Autoren danken dem Core Research Cluster of Disaster Science an der Tohoku University (einer Designated National University); und dem Tough Cyberphysical AI Research Center der Tohoku-Universität für ihre Unterstützung.

Abteilung für Bau- und Umweltingenieurwesen, Universität Tohoku, Aoba 468-1, Aramaki, Aoba-ku, Sendai, 980-8572, Japan

Ruben Bishop

International Research Institute of Disaster Science (IRIDeS), Tohoku University, Aoba 468-1, Aramaki, Aoba-ku, Sendai, 980-8572, Japan

Bruno Adriano, Erick Mas und Shunichi Koshimura

Sie können diesen Autor auch in PubMed Google Scholar suchen

RV: Methodik, Software, Validierung, Schreiben – Originalentwurf, Visualisierung. BA und EM: Ressourcen, Betreuung, Schreiben – Überprüfung und Bearbeitung. SK: Konzeptualisierung, Untersuchung, Schreiben – Überprüfung und Bearbeitung, Betreuung, Finanzierungsbeschaffung.

Korrespondenz mit Shunichi Koshimura.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Vescovo, R., Adriano, B., Mas, E. et al. Jenseits der Tsunami-Fragilitätsfunktionen: experimentelle Bewertung zur Schätzung von Gebäudeschäden. Sci Rep 13, 14337 (2023). https://doi.org/10.1038/s41598-023-41047-y

Zitat herunterladen

Eingegangen: 11. Mai 2023

Angenommen: 18. August 2023

Veröffentlicht: 31. August 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.