[论文解读] A Two-Stage Bayesian Framework for Multi-Fidelity Online Updating of Spatial Fragility Fields

Abdullah M. Braik, Maria Koliou|arXiv (Cornell University)|Jan 19, 2026

Meteorological Phenomena and Simulations被引用 0

一句话总结

论文提出一个两阶段贝叶斯框架，通过将基于物理的脆弱性与实时灾后观测结合，在线更新空间脆弱性场，采用 Probit-Normal 表示与 probit-warped Gaussian Process。

ABSTRACT

This paper addresses a long-standing gap in natural hazard modeling by unifying physics-based fragility functions with real-time post-disaster observations. It introduces a Bayesian framework that continuously refines regional vulnerability estimates as new data emerges. The framework reformulates physics-informed fragility estimates into a Probit-Normal (PN) representation that captures aleatory variability and epistemic uncertainty in an analytically tractable form. Stage 1 performs local Bayesian updating by moment-matching PN marginals to Beta surrogates that preserve their probability shapes, enabling conjugate Beta-Bernoulli updates with soft, multi-fidelity observations. Fidelity weights encode source reliability, and the resulting Beta posteriors are re-projected into PN form, producing heteroscedastic fragility estimates whose variances reflect data quality and coverage. Stage 2 assimilates these heteroscedastic observations within a probit-warped Gaussian Process (GP), which propagates information from high-fidelity sites to low-fidelity and unobserved regions through a composite kernel that links space, archetypes, and correlated damage states. The framework is applied to the 2011 Joplin tornado, where wind-field priors and computer-vision damage assessments are fused under varying assumptions about tornado width, sampling strategy, and observation completeness. Results show that the method corrects biased priors, propagates information spatially, and produces uncertainty-aware exceedance probabilities that support real-time situational awareness.

研究动机与目标

• 将基于物理的脆弱性模型与实时灾后观测相结合，以改进区域易损性估计。
• 开发可处理脆弱性估计中的变随机性与认知不确定性的可处理 PN（Probit-Normal）表示。
• 通过 Beta-Bernoulli 共轭在多保真观测下实现局部更新，并得到保真度加权的后验分布。
• 通过 probit-warped GP 将信息在空间上传播到低保真度和未观测区域。
• 在2011年乔普林龙卷风上展示该框架，结合风场先验与计算机视觉损伤评估。

提出的方法

• 通过阶段1的矩匹配将 PN 边际分布投影到 Beta 替代物，同时保持概率形状以实现局部贝叶斯更新。
• 使用保真度权重编码观测源的可信程度，并得到再投影回 PN 形式的 Beta 后验，从而产生异方差的脆弱性估计。
• 阶段2在 probit-warped 高斯过程中同化异方差观测，通过一个组合核连接空间、原型和损伤状态来传播信息。
• 将多保真观测整合以在在线设置中更新区域易损性。
• 为实时态势感知提供考虑不确定性的超出概率。

实验结果

研究问题

• RQ1 如何将含物理信息的脆弱性估计重新表述为可处理的贝叶斯更新，以适应实时数据？
• RQ2 两阶段框架是否能够有效融合多保真观测以更新空间脆弱性场并量化不确定性？
• RQ3 probit-warped GP 如何将信息从高保真传播到低保真与未观测区域？
• RQ4 观测完整性与采样策略对自然灾害情景下更新脆弱性场的影响？
• RQ5 该方法是否提升对实时决策支持的超出概率估计？

主要发现

• 阶段1的 Beta 后验在重新投影回 PN 形式后，产生反映数据质量与覆盖面的异方差脆弱性估计。
• 阶段2通过 probit-warped GP 传播信息，实现空间、原型与相关损伤状态之间的空间更新。
• 该方法纠正了有偏先验并实现带不确定性的信息传播，给出具不确定性意识的超出概率。
• 应用到2011年乔普林龙卷风时，该框架将风场先验与不同关于龙卷风宽度及采样假设下的计算机视觉损伤评估融合。
• 结果支持通过带不确定性的信息化预测实现实时态势感知。