[논문 리뷰] Bayesian Updating of Seismic Ground Failure Estimates via Causal Graphical Models and Satellite Imagery

Susu Xu, Joshua Dimasaka외 2명|arXiv (Cornell University)|2022. 04. 15.

Landslides and related hazards인용 수 4

한 줄 요약

이 논문은 인과적 그래픽 모델을 활용해 지오스페이셜 위험도 지표, ShakeMap 지반 동요 데이터, 위성 기반 표면 변화 관측자료(DPM)를 융합하는 물리 기반 베이지안 네트워크를 제안한다. 이는 실시간 지진 지반 붕괴 추정을 위해 설계되었으며, 스토케스틱 변분 추론과 그래픽 모델 단순화 기법을 통해 산사태, 지반 액상화, 건물 피해를 동시에 효율적으로 추론할 수 있도록 한다. 2018년 홋카이도 지진과 2020년 푸에르토리코 지진 사례에서 재해 후 평가 정확도가 향상됨을 입증하였다.

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.

연구 동기 및 목표

• 지진에 의한 지반 붕괴, 예를 들어 산사태와 액상화의 실시간 추정을 향상시키기 위해.
• 기존 모델이 지오스페이셜 지표나 지반 동요 데이터에만 의존하고 사건 특화된 원격 감시 관측자료를 통합하지 못하는 한계를 해결하기 위해.
• 다양한 데이터 소스를 융합하여 통합적인 위험 평가를 위한 확장 가능한 물리 기반 베이지안 프레임워크를 개발하기 위해.
• 스토케스틱 변분 추론을 활용해 대규모 지리적 영역에서 관측되지 않은 지반 붕괴 및 피해 상태를 효율적으로 추론하기 위해.
• 국소적 그래픽 모델 단순화 알고리즘을 통해 대규모 지진 위험 평가에서 계산 비용을 절감하기 위해.

제안 방법

• 지오스페이셜 특성, 지진 지반 붕괴(산사태, 액상화), 건물 피해, DPM(이동 위상도) 간의 상호의존성을 모델링하는 일반화된 인과 그래프 기반 베이지안 네트워크를 구축한다.
• 베이지안 모델에 지오스페이셜 위험도 지표와 ShakeMap 강도 추정치로부터 유도된 물리적 관계를 사전 지식으로 통합한다.
• 관측되지 않은 붕괴 및 피해 상태의 복잡한 사후 확률을 동시에 업데이트하기 위해 스토케스틱 변분 추론을 적용한다.
• 대규모 네트워크에서 관련이 없는 조건부 의존성을 제거하여 계산 복잡도를 낮추기 위해 국소적 그래픽 모델 단순화 알고리즘을 도입한다.
• 실제 지진 후 표면 변화를 반영한 위성 기반 DPM 데이터를 모델 기반 예측과 융합하여 붕괴 추정을 정밀화한다.
• 다중 위험 조합과 새로운 데이터 동적 업데이트를 지원하는 모듈식이고 유연한 아키텍처를 사용한다.

실험 결과

연구 질문

• RQ1 인과적 베이지안 네트워크는 지오스페이셜 지표, 지반 동요 추정치, 위성 기반 표면 변화 데이터를 효과적으로 융합하여 지반 붕괴 예측을 향상시킬 수 있는가?
• RQ2 DPM 관측자료를 포함시킬 경우, 단지 지오스페이셜 또는 지반 동요 데이터만 사용하는 모델에 비해 산사태 및 액상화 추정 정확도가 얼마나 향상되는가?
• RQ3 스토케스틱 변분 추론은 대규모 지역에서 지반 붕괴 및 피해 상태의 확장 가능한 실시간 추론을 얼마나 효율적으로 가능하게 하는가?
• RQ4 국소적 그래픽 모델 단순화 알고리즘이 예측 정확도를 훼손하지 않으면서 계산 비용을 얼마나 줄일 수 있는가?
• RQ5 이 프레임워크는 다양한 구조적 환경에서 복잡한 다중 위험 시나리오를 처리하는 데 일반화될 수 있는가?

주요 결과

• 제안된 프레임워크는 DPM 관측자료를 지오스페이셜 및 지반 동요 데이터와 융합함으로써 재해 후 지반 붕괴 추정 정확도를 크게 향상시켰다.
• DPM의 통합으로 산사태 및 액상화 지역의 정밀한 국지화가 가능해졌으며, 특히 복잡한 지형과 도시 지역에서 뚜렷한 개선이 관찰되었다.
• 스토케스틱 변분 추론을 통해 대규모 지리적 영역에서 효율적이고 확장 가능한 추론이 가능해져 기존 MCMC 방법 대비 계산 시간을 단축시켰다.
• 국소적 그래픽 모델 단순화 알고리즘이 대규모 시나리오에서 계산 비용을 최대 40%까지 감소시켰으며, 예측 성능에 영향을 주지 않았다.
• 2018년 홋카이도(M6.6)와 2020년 푸에르토리코(M6.4) 지진 사례 두 건의 실제 사례 연구에서 프레임워크는 예측된 붕괴와 관측된 붕괴 간 공간 일치도가 향상되어 강력한 성능을 보였다.
• 이 프레임워크는 동시 발생하는 액상화 및 산사태 사건과 같은 다중 위험 상호작용을 성공적으로 포착하여 복잡한 위험 시나리오 대응 능력을 입증하였다.