[论文解读] 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 4

一句话总结

本文提出一种基于因果图模型的物理信息贝叶斯网络，用于整合地理空间易损性代理变量、ShakeMap 地震动数据以及卫星反演的地表变化观测数据（DPMs），实现实时地震地面破坏估计。该框架通过随机变分推断与图模型剪枝技术，实现滑坡、液化和建筑物损毁的可扩展联合推断，在2018年北海道与2020年波多黎各地震的灾后评估中表现出更高的准确性。

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.

研究动机与目标

• 提升对地震诱发地面破坏（如滑坡与液化）的实时估计能力。
• 解决现有模型仅依赖地理空间代理变量或地面运动数据、而未融合事件特异性遥感观测的局限性。
• 开发一种可扩展的、融合物理信息的贝叶斯框架，整合多种数据源以实现全面的风险评估。
• 利用随机变分推断，实现对大范围地理区域内未观测到的地面破坏与损毁状态的高效推断。
• 通过局部图模型剪枝算法降低大规模地震风险估计中的计算成本。

提出的方法

• 构建基于广义因果图的贝叶斯网络，建模地理空间特征、地震地面破坏（滑坡、液化）、建筑物损毁与DPMs（形变相位图）之间的相互依赖关系。
• 将地理空间易损性代理变量与ShakeMap强度估计中的物理关系作为先验知识引入贝叶斯模型。
• 采用随机变分推断，联合更新多地点未观测破坏与损毁状态的不可行后验概率。
• 提出一种局部图模型剪枝算法，通过消除大规模网络中不相关的条件依赖关系，降低计算复杂度。
• 融合卫星反演的DPMs——捕捉地震后实际的地表变化——与模型预测结果，以优化破坏估计。
• 采用模块化、灵活的架构，支持多灾种组合与新数据的动态更新。

实验结果

研究问题

• RQ1 因果贝叶斯网络能否有效整合地理空间代理变量、地面运动估计与卫星反演的地表变化数据，以提升地面破坏预测能力？
• RQ2 与仅使用地理空间或地面运动数据的模型相比，DPM观测的引入在多大程度上提升了滑坡与液化估计的准确性？
• RQ3 随机变分推断在多大程度上能够实现在大区域范围内对地面破坏与损毁状态的可扩展、实时推断？
• RQ4 局部图模型剪枝算法在不牺牲预测精度的前提下，对降低计算成本的效果如何？
• RQ5 该框架能否推广至处理不同构造环境下的复杂多灾种情景？

主要发现

• 所提出的框架通过融合DPM观测与地理空间及地面运动数据，显著提升了灾后地面破坏估计的准确性。
• DPM的引入使滑坡与液化区域的定位更加精确，尤其在复杂地形与城市区域表现突出。
• 随机变分推断实现了大范围地理区域内的高效、可扩展推断，相比标准MCMC方法显著缩短了计算时间。
• 在大规模场景中，局部图模型剪枝算法将计算成本降低了最多达40%，且未影响预测性能。
• 该方法在两次真实案例研究中表现稳健：2018年北海道（M6.6）与2020年波多黎各（M6.4）地震中，预测结果与实际观测的破坏空间分布对齐度更高。
• 该框架成功捕捉了多灾种相互作用，如滑坡与液化事件的并发发生，展示了其在复杂灾害情景下的建模能力。