쓰나미 취약성 기능을 넘어서: 건물 피해 추정을 위한 실험적 평가

Scientific Reports 13권, 기사 번호: 14337(2023) 이 기사 인용

측정항목 세부정보

쓰나미 취약성 함수(TFF)는 쓰나미 강도 측정값을 누적 확률로 표현되는 주어진 건물 손상 상태와 연관시키는 통계 모델입니다. 재해 과학에 대한 새로운 딥 러닝 애플리케이션과 결합된 계산 및 데이터 검색 속도의 발전으로 인해 연구 초점이 통계 추정기에서 멀어졌습니다. TFF는 비교 가치가 있는 "재난 시그니처"를 제공하지만 이러한 모델은 피해 추정치를 생성하는 데 거의 적용되지 않습니다. 적용 가능성을 염두에 두고 우리는 이 개념에 도전하고 TFF 문헌의 일부를 조사하여 건물 손상 추정 기준선을 생성하기 위해 세 가지 TFF와 두 가지 적용 방법론을 선택했습니다. 또한 TFF 강도 측정에서 영감을 얻었지만 그 이상으로 확장된 물리적 매개변수에 대해 훈련된 간단한 기계 학습 방법을 제안합니다. 우리는 이진 및 다중 클래스 사례 모두에서 동일본 대지진 및 쓰나미 이후 2011년 Ishinomaki 데이터 세트에서 이 세 가지 방법을 테스트합니다. 우리는 다음을 탐구합니다: (1) TFF 적용 방법을 사용한 건물 손상 추정의 품질; (2) TFF가 도메인 외부 건물 손상 데이터세트로 일반화할 수 있는지 여부; (3) 동일한 작업을 수행하는 새로운 기계 학습 접근 방식. 우리의 연구 결과는 다음과 같습니다: TFF 방법과 모델 모두 좋은 이진 결과를 얻을 수 있는 잠재력을 가지고 있습니다. TFF 방법은 여러 클래스와 도메인 외부 작업으로 인해 어려움을 겪는 반면, 제안된 방법은 더 잘 일반화되는 것으로 보입니다.

원격으로 감지된 정보를 바탕으로 한 통계적 방법과 기계 학습은 재해로 인한 피해, 감지 및 추정을 이해하려는 최근 작업에서 중심 무대를 차지했습니다. 쓰나미 취약성 함수는 쓰나미 후 건물 손상을 모델링하기 위해 재해 연구1에 사용되는 방법 중 하나입니다. 기본적으로 이러한 회귀 모델은 쓰나미 강도 측정값(침수 깊이와 같은 수요 매개변수의 형태)을 개별 피해 상태를 초과할 확률에 매핑합니다. 강도 측정은 관측 가능한 재난 측정에 의해 매개변수화되는 경우가 많습니다. 선택 매개변수는 본질적으로 재해 발생 후 즉시 측정할 수 있는 최대 침수 깊이였습니다. 일반적으로 유체 역학 모델링을 통해 얻은 파생 수량을 대안으로 사용할 수 있으며 연구 대상이 되었습니다1,2,3.

시각적으로 중요하지만 취약성 기능이 어떻게 실용적으로 적용될 수 있는지는 불분명합니다. 예측 방식으로 새로운 데이터에 적용할 수 있습니까? 그렇다면 기존 취약성 함수를 사용하여 건물 규모에서 향후 손상 추론을 할 수 있습니까?

최근에는 건물 피해 추정 분야의 노력이 재해 강도 측정의 함수로서 피해를 모델링하는 것에서 멀어졌습니다. 최근 연구에서는 4,5와 같은 이벤트 전후 이미지 간의 변화 감지를 수행하기 위해 컴퓨터 비전 분야의 혁신을 선호합니다. 그러나 결정적으로 이러한 새로운 방법은 손상 추정을 포기하고 대신 이벤트 후 위성 이미지의 더 빠른 가용성을 활용하여 손상 감지를 수행합니다. 손상에 대한 물리적 설명에서 벗어나면 모델이 맥락에서 학습하는 것이 불가능해집니다.

이 기사에서는 쓰나미 취약성 함수를 피해 추정치로 적용하는 방법을 살펴봅니다. 실험의 틀에서 우리는 문헌에 설명된 대로 개별 건물에 대한 추정을 수행합니다. TFF 제한 사항과 문헌 참조를 통해 얻은 교훈에 주목하여 동일한 작업을 수행하기 위해 기계 학습을 사용하는 추가 프레임워크를 제안합니다. 우리는 TFF 연구에서 영감을 얻은 강도 측정을 기반으로 모델을 교육하지만 차원은 확장되었습니다. 우리는 다음과 같은 역량으로 기여하는 것을 목표로 합니다: (1) TFF 적용 방법 간의 차이점을 탐색합니다. (2) 이전에 테스트되지 않은 TFF 응용 프로그램이 어떤 용량으로 전송 가능한 건물 손상 추정기인지 확인합니다. 마지막으로 (3) 기계 학습 분류기를 사용하여 건물 손상 추정을 수행하는 새로운 프레임워크를 제안합니다.