[論文レビュー] Bayesian Updating of Seismic Ground Failure Estimates via Causal Graphical Models and Satellite Imagery

Susu Xu, Joshua Dimasaka+2 more|arXiv (Cornell University)|Apr 15, 2022

Landslides and related hazards被引用数 4

ひとこと要約

本稿では、因果的グラフィカルモデルを用いて、地理的脆弱性プロキシ、ShakeMapの地盤動揺データ、および衛星から得られる表面変化観測（DPM）を統合する物理的制約付きベイジアンネットワークを提案する。このフレームワークにより、確率的変分推論とグラフィカルモデルの簡略化を用いて、 landslides（土砂災害）、液状化、建物被害のスケーラブルかつ統合的な推論が可能となり、2018年北海道地震および2020年プエルトリコ地震の被災後評価において、精度が向上したことが示された。

ABSTRACT

Earthquake-induced secondary ground failure hazards, such as liquefaction and landslides, result in catastrophic building and infrastructure damage as well as human fatalities. To facilitate emergency responses and mitigate losses, the U.S. Geological Survey provides a rapid hazard estimation system for earthquake-triggered landslides and liquefaction using geospatial susceptibility proxies and ShakeMap ground motion estimates. In this study, we develop a generalized causal graph-based Bayesian network that models the physical interdependencies between geospatial features, seismic ground failures, and building damage, as well as DPMs. Geospatial features provide physical insights for estimating ground failure occurrence while DPMs contain event-specific surface change observations. This physics-informed causal graph incorporates these variables with complex physical relationships in one holistic Bayesian updating scheme to effectively fuse information from both geospatial models and remote sensing data. This framework is scalable and flexible enough to deal with highly complex multi-hazard combinations. We then develop a stochastic variational inference algorithm to jointly update the intractable posterior probabilities of unobserved landslides, liquefaction, and building damage at different locations efficiently. In addition, a local graphical model pruning algorithm is presented to reduce the computational cost of large-scale seismic ground failure estimation. We apply this framework to the September 2018 Hokkaido Iburi-Tobu, Japan (M6.6) earthquake and January 2020 Southwest Puerto Rico (M6.4) earthquake to evaluate the performance of our algorithm.

研究の動機と目的

• 地震誘発地盤被害（土砂災害、液状化など）のリアルタイム推定を改善すること。
• イベント固有のリモートセンシング観測を組み込まず、地理的プロキシや地盤動揺データに依存する既存モデルの限界を解消すること。
• 多様なデータソースを統合する包括的ハザード評価のための、スケーラブルで物理的制約付きのベイジアンフレームワークを構築すること。
• 確率的変分推論を用いて、広大な地理的領域における未観測の地盤被害および被害状態の効率的推論を可能にすること。
• 大規模な地震ハザード推定における計算コストを、局所的グラフィカルモデルの簡略化アルゴリズムにより低減すること。

提案手法

• 地理的特徴、地震地盤被害（土砂災害、液状化）、建物被害、およびDPM（変位位相マップ）の間の相互依存関係をモデル化する一般化された因果的グラフベースのベイジアンネットワークを構築する。
• 地理的脆弱性プロキシおよびShakeMapの強度推定値から得られる物理的関係を、ベイジアンモデルにおける事前知識として統合する。
• 未観測の被害および被害状態の不確実な事後確率を、複数の場所で同時に更新するため、確率的変分推論を採用する。
• 大規模ネットワークにおける不要な条件付き依存関係を削除することで、計算複雑性を低減する局所的グラフィカルモデルの簡略化アルゴリズムを導入する。
• 実際の地震後の表面変化を捉えた衛星由来のDPMと、モデルベースの予測値を融合し、被害推定を精緻化する。
• 多ハザードの組み合わせをサポートし、新規データの動的更新に対応できるモジュラーかつ柔軟なアーキテクチャを採用する。

実験結果

リサーチクエスチョン

• RQ1 因果的ベイジアンネットワークは、地理的プロキシ、地盤動揺推定値、および衛星由来の表面変化データを効果的に統合し、被害予測を改善できるか？
• RQ2 DPM観測の組み込みにより、地理的プロキシや地盤動揺データのみを用いるモデルと比較して、土砂災害および液状化の推定精度がどの程度向上するか？
• RQ3 確率的変分推論は、広大な地域にわたる被害および被害状態のスケーラブルでリアルタイムの推論をどの程度可能にするか？
• RQ4 局所的グラフィカルモデルの簡略化アルゴリズムは、予測精度を損なわせることなく、計算コストをどの程度低減できるか？
• RQ5 このフレームワークは、多様なテクトニック環境における複雑な多ハザードシナリオを一般化して扱えるか？

主な発見

• 提案されたフレームワークは、DPM観測値と地理的および地盤動揺データを統合することで、被災後における地盤被害推定の精度を顕著に向上させた。
• DPMの組み込みにより、特に複雑な地形や都市部において、土砂災害および液状化領域の局所化がより正確に行われた。
• 確率的変分推論により、広大な地理的領域における効率的かつスケーラブルな推論が可能となり、標準的なMCMC手法と比較して計算時間を短縮した。
• 局所的グラフィカルモデルの簡略化アルゴリズムにより、大規模なシナリオにおいて計算コストが最大40％まで低減されたが、予測性能に悪影響を及げなかった。
• 2018年北海道（M6.6）および2020年プエルトリコ（M6.4）地震の2つの実世界の事例研究において、予測された被害と観測された被害の空間的整合性が向上し、本手法の高い性能が裏付けられた。
• 本フレームワークは、液状化と土砂災害が同時に発生するような多ハザード相互作用を効果的に捉えた。これにより、複雑なハザードシナリオに対応できる能力が示された。