به سوی تحلیل حساسیت در خطر لرزه‌ای با مدل‌های احتمالی قرار گرفتن در معرض ساختمان: کاربرد در والپارایسو، شیلی با استفاده از داده‌های منبع باز فرعی و حرکات پارامتری زمین

در گذشته تلاش‌هایی برای ارتقای مدل‌های نوردهی ساختمان در مقیاس منطقه‌ای با افزایش وضوح فضایی با ادغام منابع داده‌های مختلف انجام شده است. این کار مسیر مشابهی را دنبال می‌کند و بر کاهش مقیاس مدل قرار گرفتن در معرض SARA موجود که برای سهام ساختمان‌های مسکونی کمون‌های Valparaíso و Viña del Mar (شیلی) پیشنهاد شده بود، تمرکز دارد. اگرچه این مدل باعث پیشرفت زیادی در هماهنگ سازی طبقات ساختمانی و مشخص کردن آسیب پذیری های فیزیکی متفاوت آنها شد، اما اکنون منسوخ شده است، و در هر صورت، از نظر فضایی در واحدهای اداری بزرگ تجمیع شده است. از این رو، برای در نظر گرفتن دقیق‌تر تأثیر زلزله‌های آینده بر این شهرها، لازم است از مدل‌های مواجهه مطمئن‌تری استفاده شود. برای چنین هدفی، ما به‌روزرسانی این مدل موجود را از طریق رویکرد بیزی با یکپارچه‌سازی داده‌های جانبی که به‌طور فزاینده‌ای از فعالیت‌های اطلاعات جغرافیایی داوطلبانه (VGI) در دسترس قرار گرفته‌اند، پیشنهاد می‌کنیم. نمایش فضایی آن همچنین در واحدهای تجمع با وضوح بالاتر بهینه شده است که از ناراحتی ناشی از ناقص بودن ردپای ساختمان به ساختمان جلوگیری می کند. بدترین سناریوی زلزله برای محاسبه تلفات اقتصادی مستقیم و برجسته کردن درجه عدم قطعیت اعمال شده توسط مدل‌های مواجهه در مقایسه با سایر پارامترهای مورد استفاده برای ایجاد حرکات زمین لرزه‌ای در یک تحلیل حساسیت ارائه شده است. این مطالعه نمونه پتانسیل بزرگ استفاده از VGI به طور فزاینده در دسترس برای به‌روزرسانی مدل‌های نوردهی ساختمان در سراسر جهان و همچنین اهمیت آن در ارزیابی ریسک لرزه‌ای مبتنی بر سناریو را نشان می‌دهد. نمایش فضایی آن همچنین در واحدهای تجمع با وضوح بالاتر بهینه شده است که از ناراحتی ناشی از ناقص بودن ردپای ساختمان به ساختمان جلوگیری می کند. بدترین سناریوی زلزله برای محاسبه تلفات اقتصادی مستقیم و برجسته کردن درجه عدم قطعیت اعمال شده توسط مدل‌های مواجهه در مقایسه با سایر پارامترهای مورد استفاده برای ایجاد حرکات زمین لرزه‌ای در یک تحلیل حساسیت ارائه شده است. این مطالعه نمونه پتانسیل بزرگ استفاده از VGI به طور فزاینده در دسترس برای به‌روزرسانی مدل‌های نوردهی ساختمان در سراسر جهان و همچنین اهمیت آن در ارزیابی ریسک لرزه‌ای مبتنی بر سناریو را نشان می‌دهد. نمایش فضایی آن همچنین در واحدهای تجمع با وضوح بالاتر بهینه شده است که از ناراحتی ناشی از ناقص بودن ردپای ساختمان به ساختمان جلوگیری می کند. بدترین سناریوی زلزله برای محاسبه تلفات اقتصادی مستقیم و برجسته کردن درجه عدم قطعیت اعمال شده توسط مدل‌های مواجهه در مقایسه با سایر پارامترهای مورد استفاده برای ایجاد حرکات زمین لرزه‌ای در یک تحلیل حساسیت ارائه شده است. این مطالعه نمونه پتانسیل بزرگ استفاده از VGI به طور فزاینده در دسترس برای به‌روزرسانی مدل‌های نوردهی ساختمان در سراسر جهان و همچنین اهمیت آن در ارزیابی ریسک لرزه‌ای مبتنی بر سناریو را نشان می‌دهد. بدترین سناریوی زلزله برای محاسبه تلفات اقتصادی مستقیم و برجسته کردن درجه عدم قطعیت اعمال شده توسط مدل‌های مواجهه در مقایسه با سایر پارامترهای مورد استفاده برای ایجاد حرکات زمین لرزه‌ای در یک تحلیل حساسیت ارائه شده است. این مطالعه نمونه پتانسیل بزرگ استفاده از VGI به طور فزاینده در دسترس برای به‌روزرسانی مدل‌های نوردهی ساختمان در سراسر جهان و همچنین اهمیت آن در ارزیابی ریسک لرزه‌ای مبتنی بر سناریو را نشان می‌دهد. بدترین سناریوی زلزله برای محاسبه تلفات اقتصادی مستقیم و برجسته کردن درجه عدم قطعیت اعمال شده توسط مدل‌های مواجهه در مقایسه با سایر پارامترهای مورد استفاده برای ایجاد حرکات زمین لرزه‌ای در یک تحلیل حساسیت ارائه شده است. این مطالعه نمونه پتانسیل بزرگ استفاده از VGI به طور فزاینده در دسترس برای به‌روزرسانی مدل‌های نوردهی ساختمان در سراسر جهان و همچنین اهمیت آن در ارزیابی ریسک لرزه‌ای مبتنی بر سناریو را نشان می‌دهد.

کلید واژه ها:

قرار گرفتن در معرض ; ساختمان ها ; مدل بیزی ؛ کاهش مقیاس ; OpenStreetMap ; میدان های حرکت زمین ; حساسیت ؛ زلزله ؛ آسیب پذیری ؛ خطر

۱٫ مقدمه

قرار گرفتن در معرض به حضور افراد، معیشت، گونه ها یا اکوسیستم ها، خدمات، زیرساخت ها، یا دارایی های اقتصادی و اجتماعی در مکان ها و مکان هایی اشاره دارد که می تواند تحت تأثیر رویدادهای خطرناک قرار گیرد [ ۱ ].]. بنابراین، برای توصیف سطوح تمایز یا تمایل آنها به تأثیرپذیری، روش‌های مختلفی برای ارزیابی انواع خاصی از آسیب‌پذیری‌ها (مثلاً اجتماعی، فیزیکی یا سیستمیک) استفاده می‌شود. در مورد ارزیابی آسیب‌پذیری فیزیکی یک ساختمان در معرض زلزله (یعنی پیش‌بینی توزیع احتمالی خسارات و خسارات مالی مستقیم)، در کنار سایر اقدامات، بررسی حرکات زمین لرزه‌ای مورد انتظار و همچنین ترکیب آن ضروری است. از نمونه کار ساختمان دومی شامل طبقه‌بندی ساختمان‌ها به کلاس‌های ساختمانی جمعی- جامع انحصاری متقابل برای شکل‌گیری به اصطلاح مدل مواجهه ساختمان است. هر کلاس یک آسیب‌پذیری فیزیکی متمایز را در برابر لرزش زمین، بسته به ویژگی‌ها یا ویژگی‌های فیزیکی آن توصیف می‌کند [ ۲ ]]. به طور معمول، عدم قطعیت در مولفه مواجهه کمتر از سایر بخش‌های زنجیره خطر لرزه‌ای (یعنی خطر و آسیب‌پذیری) مورد توجه قرار گرفته است [ ۳ ]. قابل ذکر است، تنها چند مطالعه اخیر نشان داده اند که تحقیقات آن از افزایش تحقیقات سود می برد [ ۴ ، ۵ ]. در این زمینه، مفاهیم درون ساختمانی و متغیرهای درون ساختمانی به طور رسمی در [ ۶ ] معرفی شدند.]. اولی شامل تغییرات در سطح فردی است، در حالی که دومی به تفاوت بین واحدهای مختلف متعلق به یک طبقه اشاره دارد. هر دو نوع متغیر در مسئله طبقه بندی یک انبار ساختمان (گاهی اوقات بسیار ناهمگن) به مجموعه محدودی از گونه شناسی های پیشنهادی ذهنی تعبیه شده اند. با این وجود، در نظر گرفتن این نکته مهم است که با توجه به دامنه استفاده از مدل مواجهه به عنوان ورودی برای تخمین ریسک، پیچیدگی در طبقه بندی ساختمان ها نباید فراتر از مجموعه موجود توابع شکنندگی برای گونه شناسی های عمومی طراحی شده برای مناطق خاص افزایش یابد [ ۷ ]. ، ۸ ].

مطالعات از بالا به پایین (به عنوان مثال، مطالعات رومیزی) که بر فرضیات مبتنی بر متخصص و تجزیه و تحلیل داده‌های سرشماری تکیه دارند، تا به امروز، پرکاربردترین رویکردها برای نمایش ترکیب مدل‌های مواجهه در مقیاس بزرگ بر روی مرزهای اداری هستند. این فعالیت‌ها، مدل نوردهی را به‌عنوان یک اسکرین‌شات برای مدت زمان ثابت و با ترکیبی منحصربه‌فرد پیش‌بینی می‌کنند، در حالی که هم کلاس‌ها و هم نسبت‌های مربوطه را تعیین می‌کنند. به دنبال آن رویکرد، مدل‌های مواجهه جهانی پیشنهاد شده‌اند [ ۹ ، ۱۰ ، ۱۱ ]. برخی از آنها از متغیرهای مشترک سرشماری برای استنتاج طبقات ساختمانی از طریق به اصطلاح “طرحهای نقشه برداری” استفاده کرده اند (به عنوان مثال، [ ۱۲ ]]). با این حال، از آنجایی که داده‌های سرشماری برای خانه‌ها و نه ساختمان‌ها در دسترس است، مفروضات بیشتری در مورد نسبت‌های مسکن به ساختمان با آن روش به کار می‌رود (به عنوان مثال، [ ۱۳ ]). در نتیجه، مفروضات متمایز مبتنی بر متخصص می‌تواند به مدل‌های متضاد برای همان منطقه مورد مطالعه منجر شود (به عنوان مثال، [ ۱۴ ، ۱۵ ]). علاوه بر این، پارادایم‌های اخیر در مدل‌سازی مواجهه به طور فزاینده‌ای ارتباط شمارش با پیش‌بینی‌های مکانی و زمانی را برای ردیابی تکامل و پویایی محیط ساخته‌شده (به عنوان مثال، [ ۱۶ ، ۱۷ ]) و همچنین شمارش با تکنیک‌های تجمع فضایی کارآمد نشان داده‌اند [ ۱۸ ] .

برای تایید مفروضات رویکردهای بالا به پایین فوق در مورد ترکیب پورتفولیو و شناسایی مناطق با آسیب‌پذیری‌های فیزیکی مشابه یا متضاد، لازم است این موارد را با دیدگاه‌های پایین به بالا (یعنی جمع‌آوری داده‌ها در محل یا از راه دور) در نظر بگیرید. ۱۹ ]. این امر به ویژه زمانی مرتبط است که برخی از ویژگی‌های ساختمانی که آسیب‌پذیری لرزه‌ای آن‌ها را هدایت می‌کنند، مانند بی‌نظمی‌های سازه‌ای [ ۲۰ ]، نه به‌طور تصادفی و نه همگن در سراسر منطقه مورد نظر توزیع شده‌اند [ ۲۱ ]. در این چارچوب، ثابت شده است که فناوری های نوظهور برای طبقه بندی سهام ساختمان های بزرگ مفید هستند. به عنوان مثال، می توان به استفاده از تکنیک های یادگیری ماشین بر روی مجموعه داده های محلی اشاره کرد [ ۲۲]، استخراج ویژگی از سنجش از دور (به عنوان مثال، [ ۲۳ ، ۲۴ ])، تجزیه و تحلیل شناسایی تصویر نما (به عنوان مثال، [ ۲۵ ، ۲۶ ])، یکپارچه سازی اطلاعات چند منبع از سنجش از دور و بررسی ها [ ۲۷ ]، و کاهش مقیاس مدل های موجود مبتنی بر در مورد محصولات سنجش از دور که به عنوان داده های جانبی استفاده می شوند (به عنوان مثال، [ ۲۸ ، ۲۹ ]). علاوه بر این، روش هایی برای طراحی نظرسنجی های متمرکز برای جمع آوری داده ها نیز پیشنهاد شد (به عنوان مثال، [ ۳۰ ]). این نوع طرح‌های پیمایش زمانی مفید هستند که شمارش کامل کل سهام ساختمان یک کار بسیار پرمصرف منابع باشد [ ۳۱ ]]. در طول چنین بازرسی‌هایی، به‌جای «برچسب‌گذاری» ساختمان‌ها به‌عنوان گونه‌شناسی خاص، ویژگی‌های آن‌ها را نیز می‌توان بر اساس طبقه‌بندی‌های معروف جمع‌آوری کرد (به عنوان مثال، [ ۳۲ ]). بر اساس ایده قبلی، پیتور و همکاران. (۲۰۱۸) [ ۳۳ ] ارزیابی درجه سازگاری بین کلاس های ساختمانی از پیش تعریف شده و ویژگی های ساختمان بازرسی شده را پیشنهاد کرد. این روش نه تنها یک سیستم طبقه‌بندی شفاف‌تر را ارائه می‌دهد (به عنوان مثال، [ ۳۴ ])، بلکه توانایی پیکربندی دیگر طرح‌های آسیب‌پذیری خطر محور را نیز ارائه می‌دهد (یعنی، آنها نه تنها برای زلزله‌ها، مانند [ ۳۵ ] اعمال می‌شوند).

برخی از مطالعات اخیر نشان داده اند که بازرسی دقیق یک نمونه کوچکتر (زیر مجموعه نماینده) برای استنباط آسیب پذیری لرزه ای یک منطقه بزرگتر مفید است (به عنوان مثال، [ ۳۶ ، ۳۷ ، ۳۸ ]). با این حال، ادغام چنین مجموعه‌ای از داده‌های پایین به بالا در یک چارچوب آماری قوی یک نوع رویکرد نسبتاً جدید است که برای اولین بار در [ ۳۹ ] در نظر گرفته شد.]. آن مطالعه یک روش بیزی را برای پیش‌بینی احتمالی ترکیب ساختمان‌های یک منطقه معین از طریق پیش‌بینی‌های مبتنی بر متخصص (در مورد نسبت‌های مورد انتظار در هر کلاس) پیشنهاد کرد که به‌طور فزاینده‌ای توسط داده‌های واقعی که به طور مداوم در طول بررسی‌ها گرفته می‌شوند و برای پیکربندی استفاده می‌شوند جایگزین می‌شوند. اصطلاح احتمال سپس، توزیع خلفی حاصل برای ارائه ترکیب نوردهی (یعنی نسبت در هر کلاس) در نظر گرفته شد. ارزش کاوش در قابلیت‌های یکپارچه‌سازی منابع داده جمع‌سپاری آزادانه در دسترس (مثلاً OpenStreetMap یا OSM) در چنین مدل‌های مواجهه احتمالی را دارد. اگرچه این نوع داده‌های داوطلبانه فاقد قالب‌های استاندارد و کامل هستند [ ۴۰ ، ۴۱]، داده‌ها اطلاعات ارزشمندی را در مورد موقعیت مکانی ویژگی‌های خاص ارائه می‌کنند، بدون اینکه لزوماً جمع‌آوری داده‌ها در محل زمان‌بر باشد. آنها برای به دست آوردن شاخص های اجتماعی-اقتصادی [ ۴۲ ]، ارزیابی آسیب پذیری فیزیکی ساختمان های محلی در برابر زلزله (به عنوان مثال، [ ۴۳ ، ۴۴ ، ۴۵ ]) و سیل (به عنوان مثال، [ ۴۶ ، ۴۷ ])، و در سطح جهانی مفید هستند. ابتکارات قرار گرفتن در معرض [ ۴۸ ، ۴۹ ].

در طول این کار، ما به نتایجی که ابتدا در [ ۲۸ ، ۵۰ ] مشخص شده است، تکیه می‌کنیم ، که به طور رسمی یک رویکرد بیزی را برای مدل‌سازی نوردهی ساختمان ارائه می‌کند تا سپس به اهداف خاص زیر دست یابیم:

ارائه قابلیت‌های یکپارچه‌سازی یک مجموعه داده آزادانه در دسترس جمع‌آوری‌شده از VGI (بدون نیاز به بازرسی ساختمان‌های فردی) برای استخراج یک مدل احتمالی قرار گرفتن در معرض برای ساختمان‌های مسکونی در Valparaíso و Viña del Mar (شیلی)، بر اساس منطقه ردپای ساختمان استنباط‌شده برای گونه‌شناسی خاص.
این رویکرد علاوه بر توصیف بهتر ترکیب ساختمان، نمایش فضایی آن را با کاهش مقیاس یک مدل نوردهی موجود درشت‌تر روی شبکه‌های معمولی با وضوح بالاتر بهبود بخشیده است. سپس، یک سناریوی زلزله بزرگ را می توان تعریف کرد و مجموعه ای مرتبط از میدان های حرکت لرزه ای کامل زمین را از طریق تغییرات برخی از پارامترهای محرک آن ساخت.
از مجموعه قبلی حرکات groung به همراه سه مدل نوردهی به عنوان ورودی برای محاسبه مستقل خسارات اقتصادی مستقیمی که از سبد ساختمانی در معرض چنین سناریویی در بدترین حالت زلزله انتظار می رود، استفاده کنید. این ارزیابی آسیب‌پذیری به ما اجازه می‌دهد تا عدم قطعیت‌های تعبیه‌شده در مدل‌های نوردهی را با توجه به پارامترهای مورد استفاده برای محدود کردن حرکات زمین لرزه‌ای منتشر و مقایسه کنیم.

۲٫ زمینه منطقه مطالعه

منطقه مورد مطالعه شامل کمون های Valparaiso و Viña del Mar (شیلی) بود که به ترتیب دارای ۲۹۵۱۱۳ و ۳۲۶۷۵۹ نفر (۲۰۱۷) [ ۵۱ ] بودند که دومین منطقه شهری بزرگ کشور را پس از سانتیاگو دی شیلی تشکیل می دهند. این منطقه همچنین بندر اصلی کشور را در خود جای داده است و بنابراین امنیت فیزیکی آن برای اقتصاد ملی حیاتی است. برای سادگی، هر دو کمون از این پس به عنوان “والپارایسو” نامیده می شوند. در شکل ۱ ، ما موقعیت منطقه مورد مطالعه را در مرکز شیلی، و همچنین در بخش های اداری اول، دوم و سوم (به ترتیب، منطقه، استان و کمون) نشان می دهیم.

والپارایسو توسط زمین لرزه های تاریخی قدرتمند آسیب دیده است. رویداد ۱۷۳۰ با بزرگی استنباط شده Mw 9.1-9.3 به عنوان یکی از بزرگترین زمین لرزه های رخ داده در شیلی در تاریخ مکتوب شناخته شده است [ ۵۲ ]. زمین لرزه مخرب دیگری با بزرگی لحظه ای استنباط شده Mw 8.0-8.2 در سال ۱۹۰۶ رخ داد و خسارت قابل توجهی ایجاد کرد [ ۵۳ ]. از آن زمان تاکنون، ۱۲ زمین لرزه با شدت ماکروز لرزه ای بیشتر از VII (مقیاس مرکالی) این منطقه را تحت تاثیر قرار داده است [ ۵۴ ]. قابل توجه است که رویداد ۷٫۸ مگاواتی در سال ۱۹۸۵ که ۱۴۰۰۰۰ خانه را ویران کرد، ۹۵۰۰۰۰ نفر را بی خانمان کرد و حدود ۱٫۸ میلیارد دلار خسارت به بار آورد [ ۵۵ ]]. آخرین مورد از این ۱۲ رویداد زلزله ۸٫۸ مگاواتی سال ۲۰۱۰ بود که باعث آسیب های ساختاری به ساختمان ها در Viña del Mar [ ۵۶ ] شد و بر بازار کار تأثیر گذاشت [ ۵۷ ]. اخیراً، رویداد ۲۰۱۷ Mw 6.9 در شهر با شدت کمتر احساس شد [ ۵۸ ]. برای پیش‌بینی توزیع آسیب‌های مورد انتظار و تلفات ناشی از سناریوهای زلزله‌های آتی که بر ناحیه مورد نظر تأثیر می‌گذارند، علاوه بر بررسی حرکات احتمالی زمین لرزه‌ای، همچنین لازم بود توزیع مکانی و ترکیب ساختمان در معرض دید و آسیب‌پذیری‌های فیزیکی مرتبط با آن‌ها محدود شود. .

شکل ۱٫ موقعیت منطقه مورد مطالعه در ( الف ) شیلی، ( ب ) منطقه والپارایسو (خاکستری) و استان والپارایسو (قرمز)، و ( ج ) کمون های والپارایسو و وینا دل مارس. ( د ) تصویر دقیق از این دو کمون ها، تصاویر Sentinel-2 را برای ۲۱ سپتامبر ۲۰۱۹ نشان می دهد (دانلود شده از مرکز دسترسی آزاد کوپرنیک آژانس فضایی اروپا (ESA)). داده‌های نقشه © Google Earth 2019. ویرایش شده از [ ۵۰ ] و [ ۵۹ ].

والپارایسو دارای مجموعه ساختمانی بسیار متنوعی است [ ۵۴ ]، و به ویژه، محله تاریخی آن در سال ۲۰۰۳ پس از تمایز بافت شهری متنوعش، توسط یونسکو به عنوان میراث جهانی اعلام شد [ ۶۰ ]. مطالعات کمی در مورد ساخت مدل های نوردهی برای والپارایسو گزارش شده است. پروژه ارزیابی ریسک آمریکای جنوبی (SARA) ساختمان مسکونی را از طریق یک رویکرد از بالا به پایین هماهنگ کرد [ ۶۱ ]. در سومین بخش اداری آنها (یعنی کمون در شیلی) به بالاترین وضوح فضایی خود رسید. این به این معنی است که برای منطقه مورد علاقه ما، این مجموعه داده در دو سلول جغرافیایی بزرگ تجمیع شد. از سوی دیگر، نویسندگان [ ۶۲] استفاده از رویکردهای پایین به بالا، مانند ادغام بین بخش‌های آموزشی OSM و تصاویر ماهواره‌ای سنجش از دور برای مدل‌سازی نوردهی در والپارایسو را بررسی کرد. آن مطالعه نقشه کاربری زمین و محدوده احتمالی واحدهای ساختمانی را ارائه کرد.

اخیراً و به دنبال روش بیزی که در [ ۳۹ ] مشخص شده است، مدل‌های مواجهه ساختمان‌های مسکونی والپارایسو در [ ۵۹ ] مدل‌سازی شدند. این نویسندگان از مفروضات قبلی مبتنی بر متخصص موجود همراه با تنها چند (حدود ۶۰۰) بررسی ساختمان به ساختمان از راه دور استفاده کردند تا در نهایت توزیع های بعدی مختلفی را ایجاد کنند که نمونه کارهای ساختمانی مصنوعی را تقلید کردند که ترکیبات متغیر آنها به درجه نسبی دانش بستگی دارد. نسبت های واقعی مرتبط با هر کلاس بنابراین، جمعیت مبتنی بر ۲۰۲۰ از داده های سنجش از راه دور شمارش می شود [ ۶۳] برای تخصیص فضایی هر پورتفولیو مصنوعی با توجه به ساکنان شبانه در نظر گرفته شده برای هر کلاس استفاده شد. دومی بر روی همان وضوح (به عنوان مثال، ~ ۱ کیلومتر شبکه منظم) از طریق تفکیک داسیمتری انجام شد. مطالعه اخیر تخمین منحصر به فرد یا بهتری از ترکیب مواجهه ارائه نکرد، بلکه نشان داد که چگونه دامنه تغییرات تعداد ساختمان و نسبت طبقات را می توان با موفقیت کاهش داد تا در نتیجه عدم قطعیت معرفتی در برآوردهای زیان مبتنی بر سناریو کاهش یابد.

۳٫ مواد و روشها

ما ابتدا استخراج یک نقشه کاربری زمین را که اخیراً برای منطقه مورد مطالعه در دسترس است، ارائه می کنیم. بعداً، برخی از کلیات مدل نوردهی ساختمان را همراه با مفروضات خاصی در مورد ترکیب ساختمان های مسکونی والپارایسو معرفی می کنیم. سپس یک روش بیزی را برای به روز رسانی مفروضات اولیه از طریق ادغام ردپای ساختمان OSM موجود به یاد می آوریم تا در نهایت یک مدل قرار گرفتن در معرض احتمالی به همراه دو مدل قرار گرفتن در معرض میانی بدست آوریم. در نهایت، آسیب‌پذیری فیزیکی موجودی ساختمان مسکونی و سهام خسارات اقتصادی مستقیم مرتبط با آن برای یک سناریوی زلزله انتخابی محاسبه می‌شود. این به ما اجازه می دهد تا برخی تفاوت ها و عدم قطعیت های معرفتی تحمیل شده توسط مدل های مواجهه موجود برای والپارایسو در مدل های تلفات زلزله را بررسی کنیم. این فرآیند، که درشکل ۲ در بخش های بعدی ارائه خواهد شد.

۳٫۱٫ تحدید محدوده شهری و برخی ویژگی های اولیه

یک طبقه‌بندی نظارت‌شده با استفاده از تصاویر Sentinel-2 (21 سپتامبر ۲۰۱۹ ( شکل ۱d) در سطح ردیف C1 [ ۶۴ ]) در [ ۵۰ ] برای منطقه مورد مطالعه انجام شد، که با استفاده از نرم‌افزار ERDAS یک طبقه‌بندی کاربری اراضی را استخراج کرد. ۶۵ ] برای تعیین حدود واضح تری از منطقه ساخته شده در والپارایسو. طبقه بندی کاربری حاصل از زمین در شکل A1 ( پیوست A ) ارائه شده است. اگرچه این محصول به اندازه سایر مدل‌های جامع‌تر امضا ندارد (به عنوان مثال، [ ۶۶ ])، اما همچنان به ما این امکان را می‌دهد که منطقه ساخته‌شده را برای یک گستره شهری پیوسته به موجودیت‌های جغرافیایی معنادار مرتبط کنیم.

۳٫۲٫ ایجاد مدل‌های مواجهه و آسیب‌پذیری برای والپارایسو

سه مدل نوردهی برای ساختمان‌های مسکونی به همراه شرح مختصری از برخی داده‌های جانبی مورد استفاده برای محدود کردن سومین (Bayesian) ارائه می‌شوند.

۳٫۲٫۱٫ مدل اولیه قرار گرفتن در معرض SARA مبتنی بر کمون با کلاس های ادغام شده

ما فرض می‌کنیم که انبار ساختمان‌های مسکونی والپارایسو و وینا دل مار را می‌توان به طور کامل از نظر گونه‌شناسی که در ابتدا توسط پروژه SARA پیشنهاد شده بود، نشان داد [ ۶۷ ]. آن پروژه ترکیب ساختمان های مسکونی کشورهای آند را بر اساس استنباطات متخصص برای طراحی «طرح های نقشه برداری» ایجاد کرد. این طرح‌ها رابطه بین چند توصیفگر سرشماری خاص کشور (به عنوان مثال، نماها و مصالح کف) و طبقات آسیب‌پذیری خاصی را برای خانه‌ها تعریف می‌کنند. شایان ذکر است، سرشماری شیلی که توسط نویسندگان به کار گرفته شده است به سال ۲۰۰۲ برمی گردد [ ۶۸ ]]. بنابراین، مدل اولیه قرار گرفتن در معرض SARA ترکیب ساختمان های مسکونی والپارایسو را برای آن سال ارائه کرد. اگرچه نوع شناسی ممکن است به شدت تغییر نکند، به احتمال زیاد تعداد ساختمان های مرتبط با آنها به طور قابل توجهی با بافت فعلی شهر متفاوت است.

کلاس‌های ساختمان SARA از نظر ویژگی‌های خاص موجود در طبقه‌بندی ساختمان GEM v.2.0 [ ۳۲ ]، یعنی نوع و مواد سیستم مقاوم در برابر بار جانبی (LLRS)، ارتفاع، و به ندرت نوع شکل‌پذیری و فناوری مواد توصیف می‌شوند. . توضیحات این ویژگی ها در https://taxonomy.openquake.org/ ارائه شده است (تاریخ دسترسی: ۲۱ دسامبر ۲۰۲۱). برای هر طبقه مسکونی، نویسندگان “کسری های مسکونی” (یعنی مسکن در هر نوع ساختمان) را برای به دست آوردن تعداد ساختمان ها پیشنهاد کردند. برای والپارایسو، پروژه SARA 22 کلاس را پیشنهاد کرد [ ۶۷ ]، در حالی که ما این را به ۱۶ کاهش دادیم ( شکل ۳ ). مفروضات در نظر گرفته شده برای کاهش تعداد گونه شناسی ها به شرح زیر بود:

ما کلاس “UNK” (ناشناخته) را در نظر نگرفتیم زیرا فاقد ویژگی های قابل مشاهده بود. نسبت آن (~ ۱۰٪) به طبقات دیگر توزیع شد.
ما پنج جفت کلاس را در یک نوع شناسی محصور کلی تری با هم ترکیب کردیم که توصیف طبقه بندی مشابهی داشت و فقط در محدوده طبقه آنها متفاوت بود. اینها ER-ETR-H1 در ER-ETR-H1-2، MCF-DNO-H1 در MCF-DNO-H1-3، MUR-ADO-H1 در MUR-ADO-H1-2، W-WLI-H1 در داخل بودند. W-WLI-H1-3، و W-WS-H1 در W-WS-H1-2.

۱۶ کلاس به دست آمده دارای آسیب پذیری های لرزه ای متمایز بودند، همانطور که توسط توابع شکنندگی متناظر آنها در [ ۶۹ ] گزارش شده است ( شکل ۴ ). جدول ۱ اطلاعات بیشتری را برای هر گونه شناسی ارائه می دهد. میانگین مساحت های ردپای در هر طبقه (Ft./bdg. (m2 ⁾ ) از مقادیر «میانگین منطقه مرجع در هر خانه» به عنوان تابعی از کیفیت ساخت و ساز گزارش شده در [ ۶۷ ] برای شیلی به دست آمد. آنها به ترتیب ۷۰ متر مربع ^، ۸۰ متر مربع ^و ۷۰ متر مربع ^برای کیفیت ساخت بالا، میانی و پایین تر بودند. مطابق با شیوه های ساخت و ساز در والپارایسو و با دو کد لرزه نگاری اخیر شیلی (NCh433 Of.72، [۷۰ ] و NCh433 Of.96 [ ۷۱ ]، انواع خاکی، بنایی و غیر شکل پذیر (به استثنای RC) کیفیت ساخت پایین تری داشتند، کلاس های چوبی و غیر شکل پذیر RC دارای یک متوسط و شکل پذیر RC بودند. کلاس ها کیفیت بالایی داشتند. مقادیر چنین طبقه‌بندی‌هایی در تعداد خانه‌ها در هر طبقه ضرب شد و سپس بر تعداد متوسط طبقات مربوطه تقسیم شد. در نهایت، آنها بر تعداد ساختمان ها در هر کلاس تقسیم شدند تا مساحت ردپای ساختمان استنباط شده در هر گونه شناسی به دست آید. این روش در جدول A1 نشان داده شده است.

جدول ۱ همچنین یک طبقه بندی جدید (یعنی A، B، C، D، E، و F) از کلاس های SARA را به عنوان تابعی از شباهت های بین مناطق ردپای متوسط آنها، که در ابتدا در [ ۵۰ ] تصور می شد، گزارش می کند. اگرچه این مجموعه با تعداد طبقات برای کمترین (A: 1-2 طبقه) و بزرگترین مقادیر (E: 4-7؛ F: 8-19) مطابقت داشت، گروه بندی برای طبقات از ۱ تا ۳ طبقه ( B، C و D) از نظر شباهت در مقادیر میانگین مساحت ردپای آنها و نه هر ویژگی دیگری (به عنوان مثال، نوع ماده) ساخته شده است. این طبقه‌بندی جدید، همراه با ردپای، بعداً در این مطالعه استفاده می‌شود. خلاصه ای از مقادیر میانگین ارتفاع و مساحت ردپای (m2 ) گونه شناسی های طبقه بندی شده در جدول ۲ ^{گزارش شده است.}.

شایان ذکر است که تعداد ساختمان‌های مدل اصلی SARA بر روی مرزهای فضایی اداری از طریق تفکیک داسیمتری تعداد جمعیت گزارش‌شده در محصولات سنجش از راه دور با تفکیک‌پذیری‌های ~۱ کیلومتر مربع به ^دست آمد. این نوع روش به طور جامع در [ ۷۲ ] توضیح داده شده است. تفکیک تعداد ثابتی از ساکنان شبانه در هر نوع ساختمان را در نظر گرفت. بالاترین وضوح فضایی مدل نوردهی انبوه مدل اصلی SARA در بخش اداری سوم شیلی (کمون) در دسترس قرار گرفت. این بدان معنی است که منطقه مورد علاقه ما (Valparaíso و Viña del Mar) فقط از دو سلول جغرافیایی بزرگ تشکیل شده است ( شکل ۳).). از این رو، یکی از کاستی‌های مدل SARA ناشناخته بودن توزیع فضایی ساختمان‌ها است، زیرا تمام اطلاعات نوردهی در مرکز هر ژئوسل ارائه می‌شود. بنابراین، این فرض نتایج حاصل از طبقه‌بندی کاربری زمین را نادیده می‌گیرد، که مخصوصاً برای Valparaiso مرتبط است، همانطور که از شکل A1 مشاهده می‌شود . اگرچه این تفکیک‌پذیری می‌تواند برای تخمین‌های خطر لرزه‌ای منطقه‌ای [ ۷۳ ] کافی باشد، اما برای تجزیه و تحلیل دقیق‌تر با استفاده از حرکات محلی زمین یا زمانی که برای ارزیابی مجدد شهری در آینده مورد هدف قرار می‌گیرد، کافی نخواهد بود (به عنوان مثال، [ ۷۴ ]). بنابراین، کوچک کردن مستقیم چنین اطلاعاتی به وضوح دقیق‌تر مورد نیاز بود. این در ابتدا در [ ۵۰ ] انجام شد]. این فرآیند در قسمت زیر توضیح داده شده است.

۳٫۲٫۲٫ مدل مقدماتی: کاهش مقیاس ساده با استفاده از تفکیک فضایی جمعیت

این مدل مقیاس کوچکی از مدل در سطح کمون را تشکیل می‌دهد که تعداد ساختمان‌ها را بر روی یک شبکه رزولوشن معمولی ۵۰۰×۵۰۰ متر به صورت مکانی جمع می‌کند. در ابتدا در [ ۵۰ ] گزارش شد. دستیابی به وضوح بالاتر کنار گذاشته شد زیرا این امر مستلزم فرضیات بیشتری است که عدم قطعیت چنین مدل هایی را افزایش می دهد. علاوه بر این، از آنجایی که مدل‌های مواجهه حاصل برای تجزیه و تحلیل خطر لرزه‌ای ورودی بودند، استفاده از مدل‌های با وضوح بالاتر منجر به مشکلات محاسباتی مهم و غیر ضروری می‌شود (به عنوان مثال، [ ۷۵ ، ۷۶ ]]) که ترجیح دادیم در این مرحله کاهش دهیم. این امر ناشی از نیاز به پرداختن به عدم قطعیت‌های آشکاری است که در یک فرآیند تصادفی وجود دارد، مانند ایجاد هزاران مورد از میدان‌های حرکت زمینی همبسته فضایی [ ۷۶ ].

برخلاف مدل اصلی SARA که تعداد ساختمان‌ها را برای شیلی در حالی که از شمارش جمعیت در مقیاس بزرگ و یک طرح نقشه‌برداری سراسری بر اساس سرشماری سال ۲۰۰۲ استفاده می‌کرد، استخراج می‌کرد، چنین معیارهایی فقط برای منطقه مورد مطالعه خاص به‌دست آمدند. اول، منطقه شهری ترسیم شده از تحلیل پوشش زمین کاربری زمین ( بخش ۳٫۱ ، شکل A1 ) مرز خارجی شبکه بود. سپس جمعیت گزارش شده در آمار رسمی سرشماری سال ۱۳۹۶ [ ۵۱] برای به دست آوردن تعداد ساختمان های هر گونه شناسی بر اساس ساکنان شبانه مرتبط آنها استفاده شد. این داده‌های سرشماری این نوع اطلاعات را برای مرزهای تجمع مختلف، از بلوک‌های شهری کوچک تا مناطق بزرگ روستایی با ساختارها و ساکنان کم، فراهم می‌کند. چنین تعداد جمعیت در سراسر ۳۸۴ سلول ژئوسلول که شبکه وضوح ۵۰۰ × ۵۰۰ متر را تشکیل می‌دادند، دوباره توزیع شد. این بازتوزیع با توجه به نسبت بلوک های شهری محصور با اشغال مسکونی انجام شد. سپس، تعداد ساختمان‌ها برای هر سلول شبکه از طریق تفکیک جمعیت بازتوزیع شده برآورد شد. این با استفاده از معادله (A1) در پیوست B همانطور که در [ ۳۹ ] ارائه شده است، انجام شد. شکل ۵محدوده حاصل از شمارش ساختمان به دست آمده برای این مدل را نشان می دهد.

با توجه به روابط پیشنهادی در جدول ۱ و جدول ۲ برای زیرمجموعه های محدوده A-F و گونه شناسی SARA، توزیع فضایی آنها به ترتیب در شکل ۶ و شکل ۷ به دست آمد. توجه داشته باشید که در این سه شکل، نواحی پس‌زمینه (که به شبکه‌های معمولی تقسیم نشده‌اند) مقادیر متوسطی برای تعداد ساختمان‌هایشان دارند. این ویژگی مربوط به توزیع مجدد فضایی کلاس UNK در کل منطقه مورد مطالعه ( بخش ۳٫۲٫۱ )، و همچنین مشارکت برخی از بلوک‌های مسکونی از مجموعه داده‌های سرشماری است که در شبکه وجود نداشتند.

۳٫۲٫۳٫ داده های جانبی موجود برای Valparaíso

OpenStreetMap (OSM)

از زمانی که تیم Humanitarian OpenStreetMap، نقشه‌برداری از مناطق آسیب‌دیده و مناطق اطراف آتش‌سوزی بزرگ والپارایسو در سال ۲۰۱۴ را برای پشتیبانی از ارزیابی آسیب و اولین واکنش نشان داد، مجموعه بزرگی از هندسه‌های ساختمان برای منطقه مورد مطالعه در دسترس بوده است [ ۷۷ ، ۷۸ ]. این رویداد بیش از ۲۹۰۰ خانه را ویران کرد و بیش از ۱۰۰۰ هکتار را سوزاند. در ۵ روز [ ۷۹ ]. از آن زمان، در دسترس بودن این نوع داده های جمع سپاری رو به افزایش بوده است. نمونه هایی از ردپای ساختمان OSM برای یک منطقه انتخاب شده از Valparaíso در شکل ۸ نشان داده شده است. انواع داده های ورودی موجود برای سلول های شبکه ۳۸۴ که شامل ساختمان های مسکونی در منطقه مورد مطالعه هستند در شکل A2 نمایش داده شده است.

گردآوری داده ها از ویژگی های طبقه بندی در والپارایسو و طبقه بندی ساختمان

۶۰۴ ساختمان توزیع شده به طور تصادفی در سراسر منطقه مورد مطالعه (به پیوست C ، شکل A3 مراجعه کنید ) توسط مهندسان عمران متخصص از دانشگاه Pontificia Universidad Católica de Chile بازرسی شدند. ویژگی‌های آن‌ها بر اساس طبقه‌بندی GEM V.2.0 [ ۳۲ ] در حالی که از پلتفرم وب غربالگری سریع از راه دور (RRVS) استفاده می‌کردند، جمع‌آوری شد [ ۸۰ ]. این ابزار از نمای خیابان گوگل و ردپای OSM استفاده می کند. مجموعه داده حاصل در [ ۸۱ ] موجود است. خلاصه ای از برخی از ویژگی های طبقه بندی مشاهده شده و همچنین روش مورد استفاده در طبقه بندی این نمونه ساختمان در پیوست C ارائه شده است. شایان ذکر است که برخلاف رویکرد [ ۵۹]، جمع آوری داده ها از نظرسنجی های RRVS مستقیماً در مدل بیزی ادغام نشد. در عوض، این اطلاعات برای مقایسه قابل قبول بودن مدل مواجهه تولید شده، همانطور که بعداً ارائه خواهد شد، استفاده شد.

۳٫۲٫۴٫ مدل قرار گرفتن در معرض بیزی برای والپارایسو

مفهوم سازی نظری و مفروضات این مدل در ابتدا در [ ۵۰ ] پیشنهاد شد که بر رویکردهای قبلی [ ۳۹ ، ۵۹ ] تکیه داشت در پیوست D ارائه شده است. از مجموع ۳۸۴ سلول شبکه، ۲۹۴ سلول شبکه، که منطقه ردپای OSM برای آنها در دسترس بود ( شکل A2))، با استفاده از رویکرد بیزی به روز شدند. مدل نوردهی احتمالی حاصل، تعداد کل ساختمان‌های طبقه‌بندی شده در شش زیرمجموعه در محدوده A تا F را به هر ژئوسلول داد. به منظور تکمیل اطلاعات نوردهی برای ۹۰ سلول شبکه باقی‌مانده (۲۳% از مدل) یک مدل ترکیبی با ترکیب اطلاعات تولید شده از رویکرد بیزی همراه با مدل اولیه که شامل یک مقیاس کوچک فضایی ساده بود ( بخش ۳٫۲٫۱ ) تولید شد. در طی این روش، ساختمان‌های مورد بررسی جداگانه با استفاده از پلت فرم RRVS و طبقه‌بندی آن‌ها ( پیوست C ) برای بررسی متقاطع توزیع‌های فضایی طبقات ساختمانی غالب برای آسیب‌پذیری لرزه‌ای در سلول‌های شبکه مورد استفاده قرار گرفتند. شکل ۹توزیع فضایی تعداد ساختمان‌ها را برای چنین زیرمجموعه‌هایی در محدوده A تا F نشان می‌دهد. هنگامی که توزیع‌های پسین برای ۶ زیرمجموعه در محدوده A-F برای هر سلول شبکه به دست آمد، مقادیر حاصل به مجموعه مربوطه گسترش یافتند. ۱۶ کلاس ساختمان SARA با استفاده از نسبت نسبی آنها ( جدول ۱ و جدول ۲ ). شکل ۱۰ همین کار را برای ۱۵ کلاس ساختمان SARA انتخاب شده انجام می دهد.

۳٫۲٫۵٫ مقایسه مدل‌های نوردهی موجود برای والپارایسو

شکل ۱۱ و جدول ۳تعداد ساختمان های به دست آمده از سه مدل نوردهی در نظر گرفته شده را نشان می دهد. با توجه به اینکه ساده‌ترین مدل (مبتنی بر کمون اولیه) با استفاده از قدیمی‌ترین داده‌ها تولید شده است، جای تعجب نیست که کمترین تعداد ساختمان را داشته باشد. مدل اولیه (کاهش مقیاس ساده)، که در حین استنباط تعداد ساختمان ها از جمعیت در سطح بلوک ایجاد شد، تنها تعداد کمی بزرگتر تولید کرد. با این حال، نتایج به‌دست‌آمده از رویکرد احتمالی منجر به تفاوت‌های مهمی برای چهار نوع رایج و همچنین برای CR-LWAL-DNO-H4-7 و CR-LWAL-DUC-H4-7 شد. اگرچه نسبت‌های مربوطه در هر نوع تفاوت معنی‌داری نداشت، اما رویکرد بیزی منجر به افزایش ~۳۴% و ~۴۰% در تعداد کل ساختمان‌ها در مقایسه با مدل‌های کوچک‌مقیاس‌سازی مبتنی بر کمون و ساده شد.

ما موارد زیر را در مورد برخی از ویژگی های به دست آمده برای دو مدل مواجهه متوسط و ساده تر برای منطقه مورد مطالعه ذکر می کنیم:

مدل اول ( بخش ۳٫۲٫۱ ) کاملاً شبیه مدل اصلی SARA است، زیرا بازنمایی فضایی خود را بر روی واحدهای اداری حفظ می کند. ترکیب آن از ترکیب طبقات مشابه از نظر ارتفاع تشکیل شده است.
مدل دوم (مدل اولیه کوچک شده، بخش ۳٫۲٫۲ ) تفکیک فضایی اولی را بر روی وضوح بالاتر سلول های شبکه منظم (۵۰۰ متر × ۵۰۰ متر) تشکیل می دهد. تعداد کل ساختمان ها با تفکیک جمعیت در سطح بلوک از سرشماری رسمی شیلی در سال ۲۰۱۷ برآورد شد.

دو مدل قبلی در نظر می‌گیرند که تمام ژئوسل‌ها نسبت‌های یکسانی برای شش زیررده A-F در Viña del Mar و Valparaíso دارند ( جدول ۲ )، همانطور که توسط مدل نوردهی اصلی SARA پیشنهاد شده است. برعکس، همانطور که قبلا گفته شد، مدل سوم و قطعی ( بخش ۳٫۲٫۴ ) با استفاده از رویکرد بیزی استخراج شد. شمارش ساختمان ها را مستقیماً از ردپای موجود OSM ساختمان های مسکونی تخمین می زند ( بخش ۳٫۲٫۳). ترکیب نوردهی در هر ژئوسل به عنوان یک توزیع دیریکله خلفی مدل‌سازی شد، که فرض می‌شد متناسب با حداکثر احتمال احتمال مناطق ردپای استنباط‌شده در هر گونه‌شناسی ساختمان است (معادلات (A7) و (A10)). علاوه بر این، وضوح فضایی مشابهی را داشت که توسط مدل دوم اتخاذ شد.

با توجه به ترکیبات سه مدل فوق الذکر، ما یک روند کلی از حفظ عرضی نسبت های مشابه در کلاس های ساختمانی آنها مشاهده کردیم ( جدول ۳ ). این ممکن است به این معنی باشد که شیوه های ساخت و ساز برای ساختمان های مسکونی در امتداد منطقه مورد مطالعه حداقل از سال ۲۰۰۲ تا ۲۰۲۰ حفظ شده است. با این حال، تفاوت های خاصی را می توان در آن روند کلی برجسته کرد. جالب توجه است که مدل مشتق شده از بیزی به مقادیر بسیار بیشتری برای دو نوع CR-LWAL-DNO-H4-7 و CR-LWAL-DUC-H4-7 منجر شد ( شکل ۱۱).)-که بیشتر در Viña del Mar و در مجاورت خط ساحلی قرار دارند. این ویژگی ممکن است منعکس کننده گرایش فزاینده ساخت بناهای بلندتر یا مصنوعات احتمالی باشد که می تواند با مرتبط کردن نادرست ردپای نسبتاً بزرگتر ساختمان به این نوع ساختمان های با ارتفاع متوسط ایجاد شود. با توجه به شیوه های اخیر ساخت تدریجی ساختمان های بلند، فرضیه اول ممکن است قابل قبول باشد.

مقایسه توزیع‌های فضایی طبقات ساختمان برای دومین (کاهش مقیاس اولیه) در برابر مدل سوم (مبتنی بر بیزی)، چه برای زیرمجموعه‌های A-F ( شکل ۶ و شکل ۹ ) یا برای کلاس‌های SARA ( شکل ۷ و شکل ۱۰) به ما اجازه داد تا برخی از تفاوت ها را شناسایی کنیم. همانطور که قبلا توضیح داده شد، نقشه های مدل دوم مقادیر غیر صفر را برای منطقه پس زمینه نشان می دهد. قابل ذکر است که این مقادیر برای ساختمان های خاکی و انواع بنایی غیر مسلح (متداول ترین انواع در منطقه مورد مطالعه مطابق با مدل اصلی SARA و همچنین سه مدل ارائه شده در اینجا) بیشتر بود. هر دو نوع شناسی می توانند نشان دهنده حضور ساختمان های غیررسمی تر در خارج از محیط شهری باشند. تعیین حدود فضایی واضح‌تر از این گونه‌شناسی‌ها هنوز معلق و مرتبط است، زیرا آنها می‌توانند به ویژه در برابر اقدامات لرزه‌ای آسیب‌پذیر باشند [ ۸۲ ].

علاوه بر این، جالب است ببینید که مدل دوم تعداد بسیار کوچک و غیر واقعی را برای ساختمان‌هایی که به عنوان بتن آرمه دیواره‌دار و به‌عنوان خیزش‌های متوسط تا زیاد مشخص می‌شوند (رنگ‌های آبی در شکل ۷ ) نشان می‌دهد. این در تضاد با مدل بیزی بود، که مناطق بزرگتر و با تمرکز خوبی را گزارش می‌کرد که حضور این گونه‌شناسی‌ها انتظار می‌رفت. وجود ردپاهای نسبتاً بزرگتر ساختمانی که ما این نوع ساختمان ها را با آنها مرتبط کردیم در مناطق متمرکز نزدیک به ساحل و در Viña del Mar رخ داد. این مناطق معمولاً میزبان ساختمان های متوسط و بلند هستند [ ۶۰ ]]، بنابراین مدل بیزی پیش بینی را تایید می کند. با این حال، در غیاب جایگزین‌های قوی برای تأیید این نتایج، عدم قطعیت معرفتی نسبت‌های تخمینی برای بتن مسلح دیواره‌ای و کلاس‌های ارتفاع متوسط تا بلند نسبتاً بالاتر خواهد بود. شایان ذکر است که محدودسازی بهتر توزیع فضایی این نوع سازه‌ها همچنان ضروری است، زیرا جدای از تفاوت در شمارش‌های مورد انتظار، عدم قطعیت‌های مرتبط با آن‌ها در شناسایی سطوح شکل‌پذیری و کیفیت ساخت آنها می‌تواند به طور قابل توجهی و متفاوت لرزه‌ای آنها را افزایش دهد. آسیب پذیری ها [ ۸۳ ، ۸۴ ].

۳٫۳٫ ایجاد میدان های حرکتی زمین لرزه ای برای سناریوی زلزله

بدترین سناریوی زمین لرزه مگا رانش با بزرگای لحظه ای Mw 9.1، مشابه آنچه در سال ۱۷۳۰ به والپارایسو برخورد کرد، در نظر گرفته شد [ ۵۲ ]. ما یک مدل خطای محدود را شبیه‌سازی کردیم و شتاب‌های طیفی توزیع‌شده فضایی مربوطه را با استفاده از Shakyground 1.0 [ ۸۵ ]، اسکریپتی که بر موتور OpenQuake [ ۸۶ ] متکی است، به‌دست آوردیم. پارامترهای اساسی مورد استفاده در شبیه‌سازی‌ها به شرح زیر بودند: مکان کم‌مرکز (طول جغرافیایی = -۷۱٫۵ درجه، عرض جغرافیایی = -۳۲٫۵ درجه، عمق = ۲۵ کیلومتر)، ضربه = ۳ درجه، شیب = ۱۵ درجه، و تاب = ۱۱۷ درجه. میدان‌های حرکت زمین لرزه‌ای به دنبال تحلیل حساسیت، انتخاب پارامترهای مختلف جایگزین، یعنی (۱) انتخاب GMPE، (۲) مدل Vs30 و (۳) مدل همبستگی فضایی، تولید شدند.

۳٫۳٫۱٫ معادله پیش بینی حرکت زمین (GMPE)

ثابت شده است که انتخاب GMPE تا حد زیادی در خطر لرزه ای احتمالی (به عنوان مثال، [ ۸۷ ، ۸۸ ]) و همچنین در خطر مبتنی بر سناریو (به عنوان مثال، [ ۸۹ ]) برای سهام ساختمان مرتبط است. ما از سه معادله پیش‌بینی حرکت زمین (GMPEs) که قبلاً برای مناطق تکتونیکی فرورانش بین صفحه‌ای برای ایجاد میدان‌های حرکت زمین لرزه‌ای برای PGA، SA (0.3 ثانیه) و SA (1.0 ثانیه) پیشنهاد شده بود، استفاده کردیم و آنها به شرح زیر بودند:

غفرانی و اتکینسونم، (۲۰۱۴) [ ۹۰ ];
آبراهامسون و همکاران (۲۰۱۵) [ ۹۱ ] (مدل “BC Hydro”);
مونتالوا و همکاران (۲۰۱۷) [ ۹۲ ]، که GMPE سابق را به شیلی کالیبره کرد ( شکل ۱۲ ).

۳٫۳٫۲٫ اصطلاح سایت (توزیع فضایی در مقابل _۳۰ )

شرایط محلی، مانند خاک‌های نرم، می‌تواند به شدت بر تخمین‌های تلفات مستقیم برای انبارهای ساختمانی در معرض زلزله تأثیر بگذارد [ ۹۳ ]. عبارت “سایت” GMPE انتخاب شده، سرعت موج برشی را برای ۳۰ متر بالاتر (در مقابل _۳۰ مقادیر) به عنوان تنها پروکسی در نظر می گیرد. تجزیه و تحلیل حساسیت این عبارت با در نظر گرفتن سه شرایط در مقابل _۳۰ انجام شد :

با فرض در مقابل _۳۰ مقادیر ۶۰۰ متر بر ثانیه به طور یکنواخت در سراسر منطقه مورد مطالعه توزیع شده است. این امر حضور یک سنگ هوازدگی نسبتاً همگن با مقادیر مشابه فرض شده برای سنگهای بستر دریا را تقلید می کند ( شکل ۱۳ a).
برگرفته از پروکسی شیب همانطور که توسط USGS [ ۹۴ ] پیشنهاد شده است ( شکل ۱۳ ب).
ترکیب بین مدل قبلی و در صورت موجود بودن، مقادیر به دست آمده از یک ریزپهنه بندی لرزه ای محلی گزارش شده در [ ۹۵ ] ( شکل ۱۳ ج).

۳٫۳٫۳٫ مدل همبستگی فضایی

تأثیر حسابداری میدان‌های حرکت زمینی غیرهمبسته، همبسته یا متقابل فضایی در مدل‌های تلفات زلزله برای پرتفولیوهای ساختمانی در مقیاس بزرگ، در مطالعات قبلی بسیار مرتبط است (به عنوان مثال، [ ۹۶ ]). ما به عنوان یک مثال، یک تحقق واحد از میدان حرکت زمین را با در نظر گرفتن مقادیر Vs _۳۰ از ریزپهنه‌بندی ( شکل ۱۲ ج) و مونتالوا و همکاران ارائه می‌کنیم. (۲۰۱۷) GMPE برای سه شرط:

فیلدهای حرکت زمین نامرتبط ( شکل ۱۴ الف).
یک مدل همبستگی فضایی (جایارام و بیکر (۲۰۰۹)) [ ۹۷ ] ( شکل ۱۴ b-d).
مدل همبستگی متقابل پیشنهاد شده توسط مارکویدا و همکاران. (۲۰۱۸) [ ۹۸ ] ( شکل ۱۴ e–g). این زمانی مفید است که معیارهای شدت مختلف (IM)، مانند شتاب های طیفی در دوره های مختلف، توسط مجموعه توابع شکنندگی استفاده شود.

به منظور محاسبه عدم قطعیت ناشناخته حرکات زمینی مبتنی بر GMPE، توصیه‌های [ ۹۹ ] را دنبال کردیم و ۱۰۰۰ تحقق برای هر پیکربندی GMPE، در مقابل _۳۰ ، و همبستگی فضایی را محاسبه کردیم. سه مدل مواجهه که قبلا ارائه شده بودند به عنوان چهارمین عنصر در این تحلیل حساسیت برای محاسبه آسیب پذیری لرزه ای آنها مورد توجه قرار گرفتند. این مدل‌ها، همراه با عملکردهای شکنندگی آن‌ها، به منظور تکمیل فرمت‌های داده‌ای مورد نیاز نرم‌افزار Assetmaster و Modelprop [ ۱۰۰ ] مونتاژ شدند. آنها ورودی هایی تولید کردند که همراه با حرکات زمین ارائه شده توسط Shakyground، توسط موتور DEUS استفاده شد [ ۱۰۱] برای برآورد خسارت و تلفات. مقادیر هزینه جایگزینی پیشنهاد شده در [ ۶۹ ] و نسبت تلفات در هر حالت آسیب (یعنی ۲٪، ۱۰٪، ۵۰٪ و ۱۰۰٪) استفاده شد. بنابراین، ۸۱ ترکیب پارامتریک برای ارزیابی ریسک در هر تحقق حرکت زمین ایجاد شد.

شکل ۱۲٫ مقادیر میانه زمین لرزه Mw 9.1 برای سه IM از ( a ) PGA، ( b ) SA (0.3 ثانیه)، و ( c ) SA (1.0 ثانیه) با استفاده از Montalva و همکاران. (۲۰۱۷) GMPE [ ۹۲ ] و ریزپهنه بندی لرزه ای موجود برای منطقه [ ۹۵ ]. کانون زلزله به صورت یک نقطه سفید نشان داده شده است. صفحه پارگی با یک مستطیل سبز نشان داده می شود.

شکل ۱۳٫ توزیع مقادیر Vs _۳۰ در Valparaíso و Viña del Mar ( a ) با در نظر گرفتن ۶۰۰ m/s توزیع یکنواخت در سراسر، ( b ) همانطور که توسط USGS [ ۹۴ ] پیشنهاد شده است، و ( c ) ترکیبی از سابق و مقادیر گزارش شده در ریز پهنه بندی لرزه ای [ ۹۵ ].

شکل ۱۴٫ تحقق واحد یک میدان حرکت زمین با شرایط زیر: ( الف ) PGA غیر همبسته. همبستگی فضایی (JB) [ ۹۷ ] برای ( b ) PGA، ( c ) SA (0.3 ثانیه)، و ( d ) SA (1.0 ثانیه). و همبستگی (MK) [ ۹۸ ] برای ( e ) PGA، ( f ) SA (0.3 ثانیه)، و ( g ) SA (1.0 ثانیه).

۴٫ تحلیل های حساسیت ارزیابی ریسک لرزه ای مبتنی بر سناریو

این بررسی سیستماتیک یک درخت شرایط را توصیف کرد که به ما اجازه می‌دهد تأثیر پارامترهای فردی را بر تخمین ریسک و عدم قطعیت معرفتی آنها مقایسه کنیم [ ۱۰۲ ]. برای جلوگیری از تفسیرهای نادرست احتمالی مقادیر زیان اقتصادی مطلق، تصمیم گرفتیم این نتایج را بر حسب مقادیر زیان عادی شده ارائه کنیم. آنها با توجه به حداکثر مقدار تلفات (در میان ۱۰۰۰ تحقق) به‌دست‌آمده برای مدل مبتنی بر کمون اولیه همراه با مجموعه میدان‌های حرکت زمینی نامرتبط، مقادیر Vs30 مبتنی بر شیب، و آبراهامسون و همکاران نرمال‌سازی شدند. (۲۰۱۵) GMPE. این تصمیم برای ارائه نتایج نرمال شده توسط پیشنهادات ارائه شده در [ ۵۹ ، ۱۰۳ ] پشتیبانی می شود]، جایی که بحث شد که به دلیل تغییر مستمر قرار گرفتن در معرض مکانی-زمانی، در صورتی که زیان به صورت مطلق نشان داده شود، پیش‌بینی‌های نادرست آسیب می‌تواند ظاهر شود. علاوه بر این، مقادیر نرمال شده به ما این امکان را می دهد که به راحتی مقیاس را در تفاوت بین مدل های مختلف برجسته کنیم. به دلیل تفاوت در تعداد ساختمان سه مدل نوردهی، ما همچنین یک ضریب عادی سازی دوم را به عادی سازی شمارش ساختمان در همه مدل ها اضافه کردیم تا نقش ترکیب نوردهی را در نظر بگیریم.

شکل ۱۵ مقایسه بین تلفات نرمال شده به دست آمده برای سه مدل نوردهی ساختمان را نشان می دهد که در معرض میدان های حرکت زمین مونتاژ شده نشان داده شده در محور عمودی در هر GMPE هستند. شکل ۱۶ همان اطلاعات را به صورت جمع شده و سلسله مراتبی برای سه مدل نوردهی گزارش می کند. شکل ۱۵ و شکل ۱۶ اثرات نسبی کمتری را نشان می دهد که انتخاب GMPE را بر تلفات نرمال شده در تمام موارد ارزیابی شده انجام می دهد. این ممکن است به دلیل این واقعیت باشد که آنها از اشکال عملکردی بسیار مشابه پیروی می کنند [ ۹۲]. ما هنوز هم می توانیم تشخیص دهیم که، به طور کلی، GMPE پیشنهاد شده توسط آبراهامسون و همکاران. (۲۰۱۵) کمترین برآورد را ایجاد کرد، در حالی که مونتالوا و همکاران. (۲۰۱۷) GMPE بیشترین تنوع را ایجاد کرد. همانطور که در [ ۹۶ ] گزارش شد، اجرای یک مدل همبستگی متقابل بین دوره ای بدون توجه به مدل مواجهه استفاده شده، بیشترین تغییرات را تحمیل کرد. این شرط، همراه با حالت غیر واقعی داشتن مقادیر همگن در مقابل _۳۰ ، بزرگترین مقادیر را تحمیل کرد.

ما همچنین می‌توانیم مشاهده کنیم که وقتی مدل همبستگی فضایی ساده‌تر و حرکات زمین نامرتبط اتخاذ شد، متریک نرمال‌شده کاهش یافت. این امر به ویژه برای مدل مبتنی بر کمون مشهود بود ( شکل ۱۵ a)، که برای آن استفاده از حرکات زمین غیرهمبسته فضایی منجر به دست کم گرفتن کلی نتایج (مقادیر <1.0 با توجه به مدل نرمال‌سازی) شد. این مدل با وضوح پایین، همراه با نادیده گرفتن وابستگی بین دوره ای توابع شکنندگی و حرکات زمین مرتبط، منجر به دست کم گرفتن غیر واقعی شد. این ویژگی قبلاً در [ ۱۰۴]. قابل ذکر است، تفاوت بین مدل اولیه کوچک‌شده و مدل مبتنی بر کمون برای مورد استفاده از GMF غیر همبسته، صرف‌نظر از پارامترهای GMPE و Vs _۳۰ ، بسیار کم بود . علاوه بر این، ترتیب معیارهای ریسک نرمال شده مدل اولیه کوچک شده ( شکل ۱۵ ب) شکل صاف تری را در مقایسه با دو مدل مواجهه دیگر ارائه می دهد. این ویژگی کمک به داشتن یک تجمع گسترده تر ( شکل ۷ ) ساخته شده از یک ترکیب نمونه کارها غیر واقعی (به عنوان مثال، تعداد بسیار کمی از دیوارها، ساختمان های بلند و بتنی مسلح) بود. در نهایت، مدل مواجهه مشتق شده از بیزی ( شکل ۱۵ج) بیشترین تلفات تخمینی را به دلیل تعداد ساختمان های بزرگتر نسبتاً ایجاد کرد. ممکن است به نظر برسد که تفاوت در این تعداد باعث افزایش خطی زیان با توجه به مدل مواجهه اولیه شده است. با این حال، این روند کاملاً خطی نبود. این به دلیل توزیع فضایی متفاوت ساختمان‌ها ( شکل ۱۰ ) و داشتن نسبت‌های بزرگ‌تر ساختمان‌های RC با دیواره‌های متوسط ( شکل ۱۱ ) بود که با وجود مقاومت بیشتر در برابر لرزش زمین ( شکل ۴ ) هزینه‌های جایگزینی بالاتری دارند ( جدول ۱). ).

۵٫ بحث

این کار بر این فرض استوار بود که سهام ساختمان های مسکونی والپارایسو و وینا دل مار (شیلی) را می توان به طور کامل با مجموعه ای از گونه شناسی های پیشنهاد شده توسط پروژه SARA مشخص کرد [ ۶۷ ]. با این حال، مدل‌های مواجهه را می‌توان برای طرح‌های دیگر، همانطور که در [ ۱۰۵ ] برای زمینه شیلی پیشنهاد شد، طراحی کرد. گونه‌شناسی SARA توسط استخراج متخصص در سرشماری رسمی شیلی در سال ۲۰۰۲ محدود شد در حالی که از نظر فضایی در دو واحد اداری بزرگ جمع‌آوری شد. برخی از کلاس ها برای ارائه مدل اولیه ادغام شدند ( بخش ۳٫۲٫۱ ). پس از آن، به منظور پالایش بازنمایی فضایی، یک مدل مواجهه اولیه دیگر نیز با استفاده از داده‌های سال ۲۰۱۷ ارائه شد ( بخش ۳٫۲٫۲).). سپس، یک مدل احتمالاتی که در ابتدا در [ ۵۰ ] از طریق یک رویکرد بیزی ارائه شده بود، یادآوری شد. توسعه آن شامل بهره برداری از مجموعه داده های اخیر و آزادانه در دسترس در حالی که ترکیب آن بر اساس مشاهدات به روز به روز می شود.

با توجه به منابع داده های مختلف با رنگ های متضاد مورد استفاده در استخراج این سه مدل نوردهی، تعداد کل ساختمان های آنها متفاوت است. مدل بیزی به مقادیری منجر شد که به ترتیب ۳۴% و ~۴۰% بزرگتر از مدل اول و دوم بود ( جدول ۳ ). به طور مکمل، تعداد ساختمان‌های به‌دست‌آمده برای سه مدل را می‌توان با مطالعه [ ۶۲ ] مقایسه کرد که پس از ادغام محصولات داده‌های سنجش از راه دور با ردپای OpenStreetMap، محدوده‌ای بین ۶۴۸۰۳ تا ۷۲۴۱۲ واحد ساختمانی برای کمون والپارایسو (به استثنای Viña del Mar) گزارش کرد. ). مقدار متوسط آن محدوده ۴۰% بزرگتر از تعداد ۴۱۷۲۲ ساختمان گزارش شده توسط اولین مدل SARA مبتنی بر کمون بود ( شکل ۳).)، در حالی که مقادیر به دست آمده توسط مدل دوم و سوم سازگار و در محدوده ذکر شده بودند.

در میان سه مدل مواجهه ارائه شده، ما در نظر گرفتیم که مدل احتمالی نمایش بهتری از ترکیب به روز شده پورتفولیوی ساختمان های مسکونی در منطقه مورد مطالعه ارائه می دهد. با این حال، این رویکرد دارای چندین محدودیت و عدم قطعیت است. به عنوان مثال، توزیع خلفی که نشان دهنده نسبت های هر کلاس است با استفاده از پیشین های غیر اطلاعاتی پیکربندی شده است ( پیوست D ). اگر ما با داده های OSM کامل تر در مورد سایر ویژگی های ساختمان بشماریم یا اگر با مفروضات قبلی مبتنی بر متخصص برای واحدهای فضایی مشابهی که برای تجمیع مدل استفاده می شوند، شمارش کنیم، می توان پیشین های اطلاعاتی را به دست آورد. از این رو، اگرچه پیشینه های مبتنی بر خبره در سطح کمون در [ ۵۹ ] مورد استفاده قرار گرفت] برای استخراج مدل‌های احتمالی قرار گرفتن در معرض، مدل حاصل از آن‌ها همچنان در همان وضوح تولید می‌شد. بنابراین، تعمیم توزیع‌های قبلی که در ابتدا برای تفکیک‌پذیری‌های درشت‌تر از آنچه ما هدف آن بودیم، عاقلانه نیست.

در مطالعات آتی ارزش این را دارد که چگونه افزایش دسترسی به داده‌های جانبی از OSM (که ممکن است ویژگی‌های طبقه‌بندی دیگری را نیز ارائه کند) یا از منابع دیگر (به عنوان مثال، بررسی‌ها و استخراج ویژگی از سنجش از دور) در مدل‌های قرار گرفتن در معرض احتمالی یکپارچه شود. در این راستا، مدل‌های مواجهه گزارش‌شده اخیر که با داده‌های جانبی ساخته شده‌اند (به عنوان مثال، [ ۲۵ ، ۴۷ ]) ارزش به‌روزرسانی مداوم با رویکردهای بیزی را دارند تا ماهیت آماری آن‌ها را تصدیق کرده و دینامیک مکانی-زمانی آن‌ها را پیش‌بینی کنند.

اگرچه مدل‌های قرار گرفتن در معرض احتمالی می‌توانستند به‌طور رضایت‌بخشی برای وضوح‌های بالاتر به‌دست آیند، ما از همان مرحله اولیه در نظر گرفتیم که چنین مدل‌های حاصل برای ارزیابی خطر لرزه‌ای ورودی هستند. بنابراین، وضوح انتخاب شده برای مدل‌های نوردهی، ناهمگونی‌های موجود در ساختمان قابل شناسایی را برآورده می‌کند، در حالی که در عین حال اطمینان می‌دهد که تخمین‌های ریسک از سناریوهای زلزله، وضوح نقشه‌برداری معنی‌داری را مطابق با تغییرات فضایی شدت زمین لرزه حفظ می‌کند. حرکات [ ۱۰۶ ]. علاوه بر این، این وضوح از تلاش‌های محاسباتی غیرضروری در هنگام استفاده از هزاران میدان حرکت زمین لرزه (ساخته شده تصادفی) برای ارزیابی آسیب‌پذیری فیزیکی ساختمان‌های در معرض استفاده می‌شود [ ۷۳ ،۷۶ ].

سه مدل نوردهی ذکر شده برای انجام یک تحلیل حساسیت در ریسک لرزه‌ای مبتنی بر سناریو، همراه با سه مولفه دیگر که تا حدی میدان‌های حرکت زمین لرزه‌ای را برای یک زلزله مگا رانش منفرد پارامتر می‌کنند، مورد استفاده قرار گرفتند. آنها انواع انتخاب GMPE، پروکسی Vs30 و مدل همبستگی فضایی بودند. ما اهمیت قابل توجه و بالاتر مدل مواجهه را در مقایسه با این پارامترهای ارزیابی شده مشاهده کردیم. این مطالعه حساسیت بر فرض مبهم و تعمیم یافته استفاده از پروکسی Vs30 برای پرداختن به اثرات مکان لرزه ای تکیه داشت [ ۱۰۷]. بنابراین، پرداختن به مطالعات انتشار موج، که خارج از حیطه کار ما بود، از کیفیت تخمین زیان حاصل که در اینجا در آینده ارائه شده است، سود خواهد برد. در یک یادداشت تکمیلی که خارج از محدوده ما بود، باید اذعان داشت که حتی اگر از مدل‌های همبستگی محلی برای منطقه فرورانش شیلی استفاده کرده بودیم (مانند [ ۱۰۸ ]، که پس از این مطالعه منتشر شد)، استفاده از مدل‌های عمومی و همسانگرد مدل‌های همبستگی بدون انجام تحلیل‌های شکل موج محلی در مجاورت منطقه مورد مطالعه ممکن است به هر حال برآوردهای بیش از حد را در برآورد خطر ایجاد کنند [ ۱۰۹ ].

شایان ذکر است که ما ادعا نمی کنیم که ضررهای اقتصادی مبتنی بر سناریو برای سهام ساختمان های مسکونی Valparaíso و Viña del Mar جامع است. در عوض، این تحلیل حساسیت به ما اجازه داد تا برخی عدم قطعیت‌های معرفتی و معرفتی تعبیه‌شده در مدل‌های نوردهی و حرکت زمین را بررسی کنیم. بنابراین، مشاهدات فوق الذکر نباید برای هیچ نوع ارزیابی احتمالی خطر و یا برای سناریوهای دیگر زلزله تعمیم داده شود. اگرچه نویسندگان [ ۸۷اخیراً تفاوت‌های ناچیز بین دو مدل قرار گرفتن در معرض اندازه کشور جایگزین در تحلیل‌های حساسیت برای ریسک احتمالی گزارش شده است، ترکیبات آنها از طریق رویکردهای بالا به پایین و نه با ادغام داده‌های جانبی در مدل‌های احتمالی، همانطور که در اینجا ارائه شد، تعریف شد. علاوه بر این، شایان ذکر است که مؤلفه‌های دیگری در زنجیره خطر لرزه‌ای وجود دارد که در این مطالعه حساسیت به آنها نپرداخته‌ایم. به عنوان مثال، در مطالعات آتی ارزش بررسی نقش سایر پارامترها در تخمین‌های خسارات نهایی، مانند تعریف هزینه‌های جایگزینی، نسبت‌های خسارت به ازای خسارت، و روشی که برای استخراج توابع آسیب‌پذیری محلی بیشتر به‌طور صریح برای بافت شیلی استفاده می‌شود، را دارد. به عنوان مثال، [ ۱۱۰ ]) و همچنین وابستگی به شدت خطر [ ۱۱۱ ]]. در نتیجه، تجزیه و تحلیل‌های دقیق‌تر، که فراتر از محدوده ما بودند، شامل ارزیابی اهمیت ویژگی از طریق تکنیک‌های یادگیری ماشین به همراه شدت لرزه‌های کلان کالیبره‌شده از طریق رویکردهای بیزی (به عنوان مثال، [ ۱۱۲ ]) و مجموعه داده‌های موجود شناسایی آسیب پس از زلزله‌های واقعی [ ۱۱۳ ] است.

۶٫ نتیجه گیری

روشی برای کاهش مقیاس فضایی مدل قرار گرفتن در معرض ساختمان های مسکونی والپارایسو و وینا دل مار (شیلی) با تکیه بر فرمول بیزی یادآور شد. در نتیجه، یک مدل احتمالی از طریق ادغام داده‌های OSM اخیر تولید شد. دو مدل نوردهی میانی دیگر با استفاده از داده‌های فرعی قدیمی تولید شدند. هنگامی که ما این سه مدل را با هم مقایسه کردیم، تفاوت های مهمی را با توجه به ترکیبات و توزیع فضایی آنها مشاهده کردیم. شیوه های ساخت و ساز فعلی در منطقه مورد مطالعه و همچنین مشاهدات از نظرسنجی ها تأیید کرد که مدل احتمالی نمایش بهتری از ترکیب مجموعه ساختمان های مسکونی مورد علاقه ارائه می دهد. این نوع مدل‌سازی قرار گرفتن در معرض احتمالی، تکامل مکانی و زمانی پویا محیط ساخته شده را برجسته می‌کند. بسته به داده‌های جانبی مورد استفاده، مدل‌های نوردهی ساختمان ممکن است تعداد ساختمان‌های متفاوت و ترکیب‌های نامشخص داشته باشند. به منظور به حداقل رساندن چنین عدم قطعیت ها، داده های با کیفیت بالا باید به طور مداوم در مدل های احتمالی ادغام شوند.

این مطالعه درک نسبی از اهمیت شمارش با مدل‌های نوردهی به روز شده افزایشی (یعنی زمانی که ترکیب آنها به طور احتمالی ساخته می‌شود) و نقش حیاتی آنها در مدل‌های تلفات زلزله ارائه کرده است. از طریق تجزیه و تحلیل حساسیت در ریسک لرزه‌ای مبتنی بر سناریو، ما اهمیت محدود کردن دائمی حرکات زمین لرزه‌ای همراه با سطح دانش خوب از انبار ساختمان را نشان دادیم. اگرچه ما اعداد مطلق زیان های اقتصادی مستقیم را ارائه نکردیم، نتایج ارائه شده می تواند برای بهبود دانش بخش های جداگانه زنجیره خطر لرزه ای از طریق مطالعات آتی مورد استفاده قرار گیرد.

ضمیمه الف. تحدید فضایی محدوده شهری و منابع داده های موجود برای مدل سازی مواجهه ساختمان

شکل A1. طبقه بندی کاربری اراضی برای منطقه مورد مطالعه. داده های نقشه © Google Earth 2020. شکل اصلاح شده از [ ۵۰ ].

شکل A2. مقوله‌ها بر اساس داده‌های ورودی موجود در منطقه مورد مطالعه، با ۱۳۶ سلول شبکه‌ای که با رنگ سبز نشان داده شده‌اند و اطلاعاتی در مورد ارتفاع جمع‌آوری مطابق [ ۵۰ ] و همچنین ناحیه ردپای OSM ( بخش ۳٫۲٫۳ ) دارند، ۵۱ سلول شبکه نشان داده شده است. با رنگ آبی که دارای اطلاعاتی در مورد ارتفاع و چگالی ایجاد شده از محصولات داده سنجش از دور است (همانطور که توسط [ ۵۰ ] مورد مطالعه قرار گرفت)، ۱۵۸ سلول شبکه ای که با رنگ نارنجی نشان داده شده است و دارای اطلاعات کامل فقط در مورد ناحیه ردپای از OSM هستند و ۳۹ سلول شبکه ای با رنگ صورتی نشان داده می شود که اطلاعات ورودی ندارد. داده های نقشه © Google Earth 2020. شکل اصلاح شده از [ ۵۰ ].

ضمیمه B. مفروضات دنبال شده در مدل اولیه برای به دست آوردن تعداد ساختمان ها از جمعیت و مناطق ردپای در هر گونه شناسی

پیتور و همکاران (۲۰۲۰) [ ۳۹ ] با استفاده از معادله (A2) برای بدست آوردن تعداد ساختمانهای متعلق به هر کلاس در هر ژئوسلول پیشنهاد کرد:

(A1)

جایی که و به ترتیب کل جمعیت و تعداد کل ساختمان‌ها در ژئوسل هستند، ، ، و تعداد ساختمان ها در هر گونه شناسی هستند ، نسبت آنها در هر ساختمان، و ساکنان شبانه، به ترتیب، و در حال حاضر شامل نسبت مسکن به ساختمان است.

پیوست ج. گردآوری داده‌های ویژگی‌های ساختمان در والپارایسو و طبقه‌بندی آنها

از کل نمونه متشکل از ۶۰۴ ساختمان [ ۸۱ ] ( شکل A3 )، ما در جدول A2 برخی از مقادیر مشخصه های مشاهده شده را که در طول بررسی برای ساختمان نشان داده شده در شکل A4 یافت شده اند، ارائه می دهیم . توزیع مقادیر مشاهده شده از چهار نوع ویژگی در شکل A5 نشان داده شده است. توضیحات کوتاهی از این ویژگی ها در جدول A3 نشان داده شده است.

شکل A3. محل بررسی ساختمان RRVS در والپارایسو. داده های نقشه: شکل اصلاح شده از [ ۵۹ ]. داده های نقشه © Google Earth 2020.

شکل A4. نمای ساختمان بازرسی شده (ID = 599 در [ ۸۱ ]). داده های تصویر © Google Street View 2019.

شکل A5. توزیع مقادیر مشخصه در طبقه بندی GEM V.2.0 برای ۶۰۴ ساختمان بازرسی شده در والپارایسو برای ( الف ) نوع مواد، ( ب ) فناوری مواد، ( ج ) دیوارهای خارجی غیر ساختاری، و ( د ) سیستم مقاوم در برابر بار جانبی.

برای طبقه بندی نمونه ساختمان بررسی شده، از روش پیشنهادی در [ ۳۳ ] پیروی کردیم. یک مقدار ویژگی متعلق به توضیحات طبقه بندی است از ساختمان در نظر گرفته شده ، و نمره فازی است که سطح سازگاری مقادیر ویژگی را اندازه گیری می کند با توجه به یک کلاس معین در طرحواره مرجع برای هر ارزش دسته که نوع ویژگی می توانید. مجموعه‌ای از اعداد فازی مثلثی (TFN) که شامل هفت سطح افزایش سازگاری از «- – -»، «–»، «-»، «+»، «+ +»، و «+ + +» هستند، از طریق استنباط تخصصی هر در طرحواره وزن مرتبطی داشت (یعنی یک عدد واضح (غیر فازی)) که انواع ویژگی های مختلف را در طرح محلی رتبه بندی و ادغام می کند:

(A2)

تخصیص محتمل‌ترین کلاس در مرحله پس پردازش و در یک چارچوب کاملاً احتمالی با ارزیابی سطح سازگاری بین ویژگی‌های ساختمان مشاهده‌شده و کلاس‌های موجود در طرح‌واره مورد نظر انجام شد. با استفاده از روش قبلی، ساختمان‌های بررسی‌شده را طبقه‌بندی کردیم در حالی که از مجموعه داده ارائه شده در [ ۱۱۴ ] استفاده می‌کنیم، که شامل تفکیک طرح SARA به ویژگی‌های موجود در طبقه‌بندی GEM v.2.0 همراه با نمرات سازگاری فازی مرتبط با آنها است. طرح تک وزنی پس از ارزیابی درجه تعلق آنها، سطوح سازگاری تفاضلی را برای هر ساختمان به دست آوردیم. شکل A6 سازگاری های دیفرانسیل ساختمان را نشان می دهدشکل A4 به عنوان یکی از ۱۶ نوع شناسی SARA طبقه بندی می شود. از آنجایی که شکل پذیری آن مشخص نشد ( جدول A3 )، بیشترین امتیاز برای دو نوع MCF-DNO-H1-3 و MCF-DUC-H1-3 به دست آمد. در چنین شرایطی، گزینه غیر شکل پذیر انتخاب شد. پس از انجام این طبقه بندی برای کل نمونه، توزیع گونه شناسی ها را برای نمونه ساختمان نشان داده شده در شکل A7 به دست آوردیم . شایان ذکر است ۱۱ کلاس ساختمانی از ۱۶ کلاس پیشنهادی رعایت شد.

شکل A6. نمرات سازگاری فازی برای ساختمان در شکل A4 با توجه به گونه‌شناسی SARA. بخش های جامد و چین دار مقادیر غیرفازی شده معادل را با توجه به حالت، میانه یا مقادیر میانگین اعداد فازی مثلثی نشان می دهند.

شکل A7. توزیع انواع SARA برای نمونه شامل ۶۰۴ ساختمان بررسی شده که به طور تصادفی در سراسر والپارایسو توزیع شده اند ( شکل A3 ).

ضمیمه D. مروری کلی بر رویکرد مدل‌سازی مواجهه احتمالی

در ادامه، یک رویکرد بیزی برای مدل‌سازی مواجهه را به یاد می‌آوریم که در ابتدا در پایان‌نامه کارشناسی ارشد زفریر (۲۰۲۰) [ ۵۰ ] ارائه شد. این ابتدا بر اساس ارزیابی احتمالی احتمال مشاهده و طبقه بندی مجموعه ردپای OSM به عنوان یکی از شش زیرمجموعه ساختمان از A تا F انجام می شود ( جدول ۱ ). مقادیر به‌دست‌آمده برای کلاس‌های ساختمان SARA محصور شده آن‌ها را می‌توان با حفظ رابطه زیربنایی آنها به دست آورد.

مانند هر روش بیزی، ما یک توزیع پسین به دست آوردیم که ترکیب سهام ساختمان را بر اساس پیکربندی توزیع های قبلی و احتمالی نشان می دهد. مدل مواجهه احتمالی برای سهام ساختمان های مسکونی والپارایسو بر اساس ردپای ساختمان OSM با این رابطه ارائه می شود:

(A3)

جایی که توزیع خلفی مدل ارائه شده توسط ردپای ساختمان OSM است، تابع احتمال است، توزیع قبلی است و داده های قابل مشاهده است.

این فرمول بر روشی است که در ابتدا توسط پیتور و همکاران پیشنهاد شده بود. (۲۰۲۰) [ ۳۹ ] که مبتنی بر استنتاج آماری است. مروری کوتاه در زیر ارائه شده است.

بیایید در نظر بگیریم و انواع ساختمان مشاهده می شود، که در آن تعداد ساختمان ها در هر گونه شناسی است i. سهام ساختمان را می توان به k دسته یا نوع شناسی طبقه بندی کرد که فرکانس آنها با یک نسبت نمایش داده می شود. و . یک مدل نمونه گیری چند جمله ای فرض می شود که احتمال مشاهده n را بسته به θ نشان می دهد:

(A4)

از آنجایی که نسبت واقعی ناشناخته است، متغیرهای تصادفی هستند، که در آن فرض می شود که تابع توزیع احتمال را به شکل توزیع دیریکله دنبال می کنند:

(A5)

توزیع دیریکله توسط بردار α پارامتر می شود و دارای همان تعداد عناصر (k) با پارامتر چند جمله ای θ است. بنابراین، P(θ∣α) تفسیر این سوال است که “تابع توزیع احتمال در یک توزیع چند جمله ای θ با پارامتر توزیع دیریکله α چیست.” در نتیجه، می توان تعیین کرد که چگونه Dir(α) بر روی مقادیر θ برای مقدار معین α تغییر می کند. با قضیه بیز، و از آنجایی که دیریکله قبلی مزدوج قبل از احتمال چندجمله ای است، توزیع احتمال پسین همچنین توزیع دیریکله است که با احتمال تعریف می شود و قبل :

(A6)

از آنجایی که هر دو چند جمله ای و دیریکله توزیع های مزدوج هستند، توزیع های قبلی و پسین هر دو توزیع دیریکله هستند که تنها با مشارکت تجربی داده های مشاهده شده متفاوت هستند، که با ادغام مقادیر مساحت ردپای OSM مطابقت دارد. بنابراین، ما فرض کردیم که مشاهده ردپای ساختمان OSM را می توان از طریق یک نمونه برداری چند جمله ای (معادله (A4)) مشخص کرد که، هنگامی که با ترکیب قبلی که از توزیع دیریکله (معادله (A5)) تکمیل می شود، می تواند با هم قسمت خلفی را مشخص کند. توزیع از آنجایی که دیریکله و چند جمله ای توزیع های مزدوج هستند، هر دو توزیع قبلی و پسین از توزیع دیریکله پیروی کردند. برای اعمال قضیه بیز، میانگین مساحت ردپای در هر سلول شبکه برای ساخت تابع درستنمایی P (مدل ردپای ساختمان) از معادله (A3) استفاده شد. ما تابع مدل ردپای میانگین را همانطور که در معادله (A7) بیان شده است، تعریف کردیم:

(A7)

جایی که تعداد کل ساختمان ها در ژئوسل ها است، نسبت ساختمان ها در هر گونه شناسی است و مساحت ردپای هر نوع ساختمان است. از عبارت قبلی، معادله (A8) را می توان به دست آورد:

(A8)

از آنجا که انتظار می رفت که از یک سلول شبکه ای به سلول دیگر متفاوت باشد، توصیف ریاضی این تنوع با استفاده از توزیع احتمال دیریکله برای نمونه برداری تصادفی از توزیع انجام شد. در تابع احتمال مشابه آنچه در [ ۵۹ ] پیشنهاد شد، فراپارامترهای دیریکله α (معادله (A5)) به عنوان حاصلضرب نسبت ( ) و یک عامل تمرکز (ثابت) مشترک . این به صورت α = بیان شد ، جایی که تعداد مجازی این دسته را افزایش داد و بنابراین به عنوان یک اصطلاح قبلی عمل کرد. هر چه مقادیر بزرگتر باشد هر چه توزیع ها یکنواخت تر باشند، در حالی که مقادیر کوچکتر منجر به توزیع های پراکنده می شود [ ۱۱۵ ]. به دلیل عدم وجود برآورد قابل اعتماد در مورد ترکیب سبد، ما یک مقدار پایین تعیین کردیم مقدار برابر با ۱٫۰ این با تصمیم برای استفاده از پیشین‌های غیر اطلاعاتی (یعنی نسبت‌های مساوی برای همه کلاس‌های ساختمان) هماهنگ بود. این نوع انتخاب زمانی قابل توجیه است که یا هیچ فرضیه خاصی در مورد پارامترهایی که یک توزیع واقعی را تشکیل می دهند وجود نداشته باشد یا زمانی که ما یک توصیف موجودی کامل داریم که در آن همه انواع ساختمان ها به طور مساوی نمایش داده می شوند [ ۱۱۶ ]. توجه به این نکته مهم است که ترکیبات این نوع پیشین ها پس از ادغام داده های مشاهده شده در مدت احتمال به روز می شوند (به عنوان مثال، [ ۳۹ ، ۵۹ ]). این داده ها با در دسترس بودن داده های رو به رشد ردپای OSM، مشاهده آنها و ادغام بعدی آنها در مدل بیزی نشان داده می شوند.

این تابع درستنمایی به عنوان تابع مشترک بین داده های قابل مشاهده و مدل استفاده شد. احتمال به دست آوردن میانگین مساحت ردپای مشاهده شده در ژئوسلول ها در ناحیه میانگین ردپای محاسبه شده را محاسبه کرد. این معادل محاسبه بود معادله ماکزیمم شده (A3) که توسط معادله (A9) به دست می آید:

(A9)

با توجه به فرض استفاده از یک پیشین غیر اطلاعاتی، توزیع پسین متناسب با یک تخمین حداکثر احتمال خواهد بود [ ۱۱۷ ]. از این رو، توزیع پسین مدل با برآورد حداکثر درستنمایی مطابقت دارد که توسط

(A10)

جایی که argmax تمام شد را برمی گرداند مقداری که توابع قضیه بیز را به حداکثر می رساند. این با پرسیدن این سوال مطابقت دارد که “چقدر احتمال دارد که میانگین مساحت ردپا (از سلول ژئوسل) را با توجه به مدل ساختمان های کم ارتفاع مشاهده کنیم؟” فرآیند به حداکثر رساندن تابع درستنمایی تعیین می‌کند که مساحت ردپای میانگین تحت مقادیر مختلف θ چقدر محتمل است. بنابراین، θ بردار با مقادیر ۰ تا ۱ است. مقدار θ زمانی انتخاب شد که احتمال به حداکثر رسید. شکل A8 نمونه ای از این روش را نشان می دهد. برای مثال، همانطور که توسط [ ۵۰ ] توضیح داده شد، می‌توانیم بپرسیم «احتمال یافتن داده‌های مشاهده‌شده با میانگین ردپای ۸۱ متر مربع ⁽ مقدار متوسط در شکل A8 a) در مدل داده‌شده چقدر است؟» از شکل A8ب، می توان مشاهده کرد که هنگامی که عبارت احتمال برای آن مقدار حل شد، در ۹۴٪ حداکثر شد. این مقدار مساحت در نوع ساختمان‌های کم‌مرتبه بود که ارزش انتخاب شده برای چنین طبقه‌ای بود. بنابراین، درصدهای انتخاب شده برای همه ساختمان‌های مشاهده‌شده، همان‌هایی بودند که تابع درست‌نمایی برای آن‌ها، همانطور که توسط معادله (A10) تعریف شد، به حداکثر رسید.

شکل A8. ( الف ) توزیع مساحت ردپای برای یک سلول شبکه معین، با میانگین ~۸۱ متر ^مربع . ( ب ) توزیع خلفی برای آن سلول شبکه پس از به حداکثر رساندن تابع احتمال که، در این مورد، برای ساختمان های کم ارتفاع بود، به دست آمد. اقتباس از [ ۲۸ ].

منابع

UNISDR. اصطلاحات UNISDR در مورد کاهش خطر بلایا، استراتژی بین المللی سازمان ملل برای کاهش بلایا ؛ UNISDR-20-2009: ژنو، سوئیس، ۲۰۰۹٫ [ Google Scholar ]
Calvi، GM; پینهو، آر. مگنز، جی. کراولی، اچ. بومر، جی جی. Restrepo-Velez، LF توسعه روش‌های ارزیابی آسیب‌پذیری لرزه‌ای در ۳۰ سال گذشته. ISET J. Earthq. تکنولوژی ۲۰۰۶ ، ۴۳ ، ۷۵-۱۰۴٫ [ Google Scholar ]
کراولی، اچ. Bommer، JJ مدل سازی خطر لرزه ای در مدل های تلفات زلزله با قرار گرفتن در معرض فضایی توزیع شده. گاو نر زمین مهندس ۲۰۰۶ ، ۴ ، ۲۷۵٫ [ Google Scholar ] [ CrossRef ]
کراولی، اچ. ارزیابی خطر زلزله: کاستی های فعلی و جهت گیری های آینده. در دیدگاه های مهندسی زلزله و زلزله شناسی اروپا: جلد ۱ ; انسال، ع.، ویرایش. انتشارات بین المللی Springer: چم، سوئیس، ۲۰۱۴; صص ۵۱۵-۵۳۲٫ شابک ۹۷۸-۳-۳۱۹-۰۷۱۱۸-۳٫ [ Google Scholar ]
کوربن، سی. هانسیلار، یو. ارلیش، دی. De Groeve, T. ارزیابی خطر لرزه ای پان اروپایی: اثبات مفهوم با استفاده از روال تخمین تلفات زلزله (ELER). گاو نر زمین مهندس ۲۰۱۷ ، ۱۵ ، ۱۰۵۷-۱۰۸۳٫ [ Google Scholar ] [ CrossRef ]
سیلوا، وی. آکار، س. بیکر، جی. بازورو، پ. کاسترو، جی.ام. کراولی، اچ. دولسک، ام. گالاسو، سی. لاگومارسینو، اس. مونتیرو، آر. و همکاران چالش‌های فعلی و روندهای آینده در مدل‌سازی شکنندگی تحلیلی و آسیب‌پذیری زمین Spectra ۲۰۱۹ ، ۳۵ ، ۱۹۲۷-۱۹۵۲٫ [ Google Scholar ] [ CrossRef ]
هاس، ام. نسبت به ریسک لرزه‌ای وابسته به زمان و حالت در مقیاس‌های شهری. دکتری پایان نامه، der Technischen Universität Berlin، برلین، آلمان، ۲۰۱۸٫ [ Google Scholar ]
مارتینز، ال. Silva, V. توسعه یک مدل شکنندگی و آسیب پذیری برای تجزیه و تحلیل خطر زلزله جهانی. گاو نر زمین مهندس ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
جیسوال، ک. والد، دی. پورتر، ک. فهرست جهانی ساختمان برای برآورد تلفات زلزله و مدیریت ریسک. زمین Spectra ۲۰۱۰ , ۲۶ , ۷۳۱-۷۴۸٫ [ Google Scholar ] [ CrossRef ]
گوناسکرا، ر. ایشیزاوا، او. اوبرشت، سی. بلانکسپور، بی. موری، اس. پومونیس، ا. دانیل، جی. توسعه یک مدل مواجهه جهانی تطبیقی برای پشتیبانی از تولید پروفایل‌های خطر بلایای کشور. Earth-Sci. Rev. ۲۰۱۵ , ۱۵۰ , ۵۹۴-۶۰۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سیلوا، وی. آمو اودورو، دی. کالدرون، آ. کاستا، سی. دابیک، جی. دسپوتاکی، وی. مارتینز، ال. پاگانی، م. رائو، آ. سیمیوناتو، م. و همکاران توسعه یک مدل ریسک لرزه ای جهانی زمین Spectra ۲۰۲۰ , ۳۶ , ۳۷۲-۳۹۴٫ [ Google Scholar ] [ CrossRef ]
رائو، آ. دوتا، دی. کالیتا، پ. آکرلی، ن. سیلوا، وی. راغوندان، م. گوش، ج. قوش، س. برژف، اس. Dasgupta، K. ارزیابی خطر لرزه ای احتمالی هند. زمین Spectra ۲۰۲۰ , ۳۶ , ۳۴۵-۳۷۱٫ [ Google Scholar ] [ CrossRef ]
کراولی، اچ. دسپوتاکی، وی. رودریگز، دی. سیلوا، وی. توما-دانیلا، دی. ریگا، ای. کاراتزتزو، ا. فتوپولو، س. زوگیچ، ز. سوزا، ال. و همکاران مدل مواجهه برای ارزیابی ریسک لرزه ای اروپا زمین Spectra ۲۰۲۰ , ۳۶ , ۲۵۲-۲۷۳٫ [ Google Scholar ] [ CrossRef ]
ما، جی. رائو، آ. سیلوا، وی. لیو، ک. وانگ، ام. یک مدل نوردهی در سطح شهرک از ساختمان‌های مسکونی برای سرزمین اصلی چین. نات. خطرات ۲۰۲۱ ، ۱۰۸ ، ۳۸۹-۴۲۳٫ [ Google Scholar ] [ CrossRef ]
شین، دی. دانیل، جی. Tsang، H.-H.; Wenzel، F. مدل‌سازی انبار ساختمان‌های مسکونی برای سرزمین اصلی چین برای ارزیابی خطر لرزه‌ای. نات. سیستم خطرات زمین. علمی ۲۰۲۱ ، ۲۱ ، ۳۰۳۱-۳۰۵۶٫ [ Google Scholar ] [ CrossRef ]
ریورا، اف. روزتو، تی. Twigg, J. یک مطالعه بین رشته ای از دینامیک قرار گرفتن در معرض لرزه ای سانتیاگو دو شیلی. بین المللی J. کاهش خطر بلایا. ۲۰۲۰ , ۴۸ , ۱۰۱۵۸۱٫ [ Google Scholar ] [ CrossRef ]
کالدرون، آ. Silva، V. پیش‌بینی قرار گرفتن در معرض برای تخمین خطر لرزه‌ای: کاربرد در کاستاریکا. زمین Spectra ۲۰۲۱ ، ۳۷ ، ۱۸۰۶-۱۸۲۶٫ [ Google Scholar ] [ CrossRef ]
Yepes-Estrada، C.; سیلوا، وی. والکارسل، جی. Acevedo، AB; تارک، ن. Hube، MA; کورنل، جی. ماریا، HS مدل سازی موجودی ساختمان های مسکونی در آمریکای جنوبی برای ارزیابی خطر لرزه ای. زمین Spectra ۲۰۱۷ ، ۳۳ ، ۲۹۹-۳۲۲٫ [ Google Scholar ] [ CrossRef ]
دابیک، جی. کراولی، اچ. سیلوا، وی. ودریل، جی. پل، ن. Nievas، CI تأثیر تفکیک مکانی قرار گرفتن بر برآورد تلفات لرزه ای در پرتفوی های منطقه ای. گاو نر زمین مهندس ۲۰۲۱ ، ۱۹ ، ۵۸۱۹-۵۸۴۱٫ [ Google Scholar ] [ CrossRef ]
ویلند، ام. Pittore, M. یک پایگاه داده مکانی-زمانی قرار گرفتن در معرض ساختمان و راه حل مدیریت چرخه زندگی اطلاعات. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۱۱۴٫ [ Google Scholar ] [ CrossRef ]
لاگومارسینو، اس. مدل‌های مکانیکی و ماکروزه‌ای برای ارزیابی آسیب‌پذیری و آسیب ساختمان‌های فعلی Giovinazzi، S. گاو نر زمین مهندس ۲۰۰۶ ، ۴ ، ۴۱۵-۴۴۳٫ [ Google Scholar ] [ CrossRef ]
ویلند، ام. پیتور، ام. پارولای، س. Zschau، J. مولدوبکوف، بی. بگالیف، U. برآورد موجودی ساختمان برای ارزیابی سریع آسیب‌پذیری لرزه‌ای: به سوی یک رویکرد یکپارچه مبتنی بر تصویربرداری چند منبع. خاک دین. زمین مهندس ۲۰۱۲ ، ۳۶ ، ۷۰-۸۳٫ [ Google Scholar ] [ CrossRef ]
ریدل، آی. Guéguen، P. دالا مورا، م. پاتیر، ای. لدوچ، تی. Chanussot, J. ارزیابی آسیب‌پذیری لرزه‌ای محیط‌های شهری در مناطق با خطر لرزه‌ای متوسط تا کم با استفاده از روش‌های یادگیری قانون انجمن و روش‌های ماشین بردار پشتیبان. نات. خطرات ۲۰۱۵ ، ۷۶ ، ۱۱۱۱-۱۱۴۱٫ [ Google Scholar ] [ CrossRef ]
لیوزی، م. آراونا پلیزاری، پ. گیس، سی. مسی، ع. تراموتولی، وی. Taubenböck، H. یک رویکرد سنجش از دور قابل انتقال برای طبقه‌بندی انواع سازه‌های ساختمان برای تجزیه و تحلیل خطر لرزه‌ای: مورد منطقه val d’agri (ایتالیا). گاو نر زمین مهندس ۲۰۱۹ ، ۱۷ ، ۴۸۲۵–۴۸۵۳٫ [ Google Scholar ] [ CrossRef ]
تورس، ی. Arranz، JJ; Gaspar-Escribano، JM; حقی، ع. مارتینز-کوواس، اس. بنیتو، بی. Ojeda، JC ادغام LiDAR و تصاویر چند طیفی برای قرار گرفتن در معرض سریع و برآورد آسیب پذیری زلزله. برنامه در لورکا، اسپانیا. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۹ ، ۸۱ ، ۱۶۱-۱۷۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آراونا پلیزاری، پ. گیس، سی. آگیره، پی. ماریا، اچ اس. پنیا، YM; Taubenböck، H. خصوصیات خودکار ساختمان برای ارزیابی خطر لرزه ای با استفاده از تصاویر سطح خیابان و یادگیری عمیق. ISPRS J. Photogramm. Remote Sens. ۲۰۲۱ , ۱۸۰ , ۳۷۰–۳۸۶٫ [ Google Scholar ] [ CrossRef ]
Rueda-Plata، D.; گونزالس، دی. Acevedo، AB; دوک، جی سی. Ramos-Pollán، R. استفاده از مدل های یادگیری عمیق در تصاویر سطح خیابان برای طبقه بندی ساختمان های بنایی تقویت نشده یک طبقه بر اساس دیافراگم سقف. ساختن. محیط زیست ۲۰۲۱ ، ۱۸۹ ، ۱۰۷۵۱۷٫ [ Google Scholar ] [ CrossRef ]
گیس، سی. توما، م. پیتور، ام. ویلند، ام. Dech، SW; Taubenbock، H. یادگیری فعال چند وظیفه ای برای توصیف محیط های ساخته شده با داده های رصد زمین چندحسگر. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۱۷ , ۱۰ , ۵۵۸۳–۵۵۹۷٫ [ Google Scholar ] [ CrossRef ]
زفریر، ر. پیتور، ام. گومز-زاپاتا، جی سی. آراونا، پ. کاهش مقیاس بیزی مدل های نوردهی ساختمان با سنجش از دور و اطلاعات جانبی. در مجموعه مقالات کنفرانس مجمع عمومی EGU، آنلاین. ۴–۸ مه ۲۰۲۰؛ پ. ۱۸۲۴۰٫ [ Google Scholar ]
گیس، سی. آراونا پلیزاری، پ. پریزمیر، پی. کالدرون، ARS؛ شوپفر، ای. لانگبین، ام. ریدلینگر، تی. سانتا ماریا، اچ. گومز زاپاتا، جی سی. پیتور، ام. و همکاران تکنیک‌های رصد زمین برای تفکیک فضایی داده‌های نوردهی در مجموعه مقالات کنفرانس مجمع عمومی EGU، آنلاین. ۱۹–۳۰ آوریل ۲۰۲۱؛ پ. EGU21-8574. [ Google Scholar ]
پیتور، ام. ویلند، ام. اریز، ام. کاریپتاس، سی. Güngör، I. بهبود مدیریت خسارت بیمه پس از زلزله: یک رویکرد جدید برای اولویت بندی جمع آوری داده های مکانی. ISPRS Int. J. Geo-Inf. ۲۰۱۵ ، ۴ ، ۲۴۰۱-۲۴۲۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پیتور، ام. ویلند، ام. Fleming، K. دیدگاه‌های مدل‌سازی مواجهه پویا جهانی برای ارزیابی ریسک جغرافیایی. نات. خطرات ۲۰۱۷ ، ۸۶ ، ۷-۳۰٫ [ Google Scholar ] [ CrossRef ]
برژف، اس. اسکاتور، سی. چارلسون، AW; آلن، ال. گرین، ام. جیسوال، ک. Silva, V. GEM Building Taxonomy نسخه ۲٫۰ ; بنیاد GEM: پاویا، ایتالیا، ۲۰۱۳٫ [ Google Scholar ]
پیتور، ام. هاس، م. Megalooikonomou، KG ریسک گرا، مدل سازی از پایین به بالا پورتفولیوهای ساختمان با طبقه بندی وجهی. جلو. محیط ساخته شده ۲۰۱۸ ، ۴ ، ۴۱٫ [ Google Scholar ] [ CrossRef ]
نیکودمو، جی. پیتور، ام. مسی، ع. مانفردی، وی. مدل‌سازی قرار گرفتن در معرض و آسیب‌پذیری از داده‌های بررسی پس از زلزله با طبقه‌بندی ریسک‌گرا: فرم AeDES، طبقه‌بندی GEM و گونه‌شناسی EMS-98. بین المللی J. کاهش خطر بلایا. ۲۰۲۰ , ۵۰ , ۱۰۱۸۹۴٫ [ Google Scholar ] [ CrossRef ]
شینده، س. گومز-زاپاتا، جی سی. پیتور، ام. آرویو، او. مرینو-پنا، ی. آگیره، پی. سانتا ماریا، اچ. توسعه مدل‌های قرار گرفتن در معرض چند خطر از مشاهدات ساختمان‌های فردی برای اهداف ارزیابی چند خطر. در مجموعه مقالات کنفرانس مجمع عمومی EGU، آنلاین. ۴–۸ مه ۲۰۲۰؛ پ. ۱۱۷۱۹٫ [ Google Scholar ]
پولس، م. d’Aragona, MG; پروتا، الف. رویکرد ساده شده برای موجودی ساختمان و ارزیابی آسیب لرزه ای در مقیاس سرزمینی: یک برنامه کاربردی برای یک شهر در جنوب ایتالیا. خاک دین. زمین مهندس ۲۰۱۹ ، ۱۲۱ ، ۴۰۵-۴۲۰٫ [ Google Scholar ] [ CrossRef ]
کچیدی، س. کاسترو، جی.ام. مونتیرو، آر. مارکز، ام. یلز، ک. بوراهلا، ن. Hamdache، M. توسعه مجموعه داده های مواجهه برای آسیب زلزله و مدل سازی خطر: مطالعه موردی شمال الجزایر. گاو نر زمین مهندس ۲۰۲۱ ، ۱۹ ، ۵۲۵۳-۵۲۸۳٫ [ Google Scholar ] [ CrossRef ]
توچی، جی. پولس، م. دی لودویکو، م. پروتا، الف. مدل‌های نوردهی مبتنی بر منطقه‌ای برای در نظر گرفتن گونه‌شناسی ساختمان‌های محلی. گاو نر زمین مهندس ۲۰۲۱ ، ۲۰ ، ۱۹۳-۲۲۸٫ [ Google Scholar ] [ CrossRef ]
پیتور، ام. هاس، م. Silva، V. مدل‌سازی احتمالی با وضوح متغیر از قرار گرفتن در معرض مسکونی و آسیب‌پذیری برای کاربردهای ریسک. زمین Spectra ۲۰۲۰ , ۳۶ , ۳۲۱-۳۴۴٫ [ Google Scholar ] [ CrossRef ]
هچت، ر. کونز، سی. Hahmann, S. اندازه گیری کامل بودن ردپای ساختمان در نقشه خیابان باز در مکان و زمان. ISPRS Int. J. Geo-Inf. ۲۰۱۳ ، ۲ ، ۱۰۶۶-۱۰۹۱٫ [ Google Scholar ] [ CrossRef ]
وانگ، اس. ژو، Q. Tian, Y. درک کامل بودن و الگوهای تنوع مجموعه داده استفاده از زمین و پوشش زمین مبتنی بر OSM در چین. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۵۳۱٫ [ Google Scholar ] [ CrossRef ]
فلدمایر، دی. میش، سی. ساتر، اچ. Birkmann, J. استفاده از داده های OpenStreetMap و یادگیری ماشینی برای تولید شاخص های اجتماعی-اقتصادی. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۴۹۸٫ [ Google Scholar ] [ CrossRef ]
سوزا، ال. سیلوا، وی. Bazzurro، P. استفاده از داده های دسترسی باز در توسعه مجموعه داده های مواجهه ساختمان های صنعتی برای مدل سازی خطر زلزله. زمین Spectra ۲۰۱۷ ، ۳۳ ، ۶۳-۸۴٫ [ Google Scholar ] [ CrossRef ]
تومورباتور، ز. میورا، اچ. Tsamba، T. توسعه داده های موجودی ساختمان در اولان باتور، مغولستان برای برآورد تلفات لرزه ای. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۲۶٫ [ Google Scholar ] [ CrossRef ]
نیواس، CI; پیلز، ام. پرهن، ک. شورلمر، دی. ودریل، جی. Cotton, F. محاسبه خسارت زلزله بر اساس ساختمان: مورد شهر کلن، آلمان. گاو نر زمین مهندس ۲۰۲۲ . [ Google Scholar ] [ CrossRef ]
فیگوایردو، آر. مارتینا، ام. استفاده از داده های ساختمان باز در توسعه مجموعه داده های مواجهه برای مدل سازی ریسک فاجعه. نات. سیستم خطرات زمین. علمی ۲۰۱۶ ، ۱۶ ، ۴۱۷-۴۲۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سرری، ام. اشتاینهاوزن، ام. کرایبیچ، اچ. Schröter, K. آیا داده های ساختمان OpenStreetMap برای مدل سازی آسیب پذیری سیل مفید هستند؟ نات. سیستم خطرات زمین. علمی ۲۰۲۱ ، ۲۱ ، ۶۴۳-۶۶۲٫ [ Google Scholar ] [ CrossRef ]
سومان، س. بیوکز، ا. ندرهود، سی. مارکیو، ن. Bettencourt، LMA شناسایی سکونتگاه‌های غیررسمی در سراسر جهان از طریق تجزیه و تحلیل توپولوژیکی نقشه‌های دیجیتال جمع‌سپاری شده. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۶۸۵٫ [ Google Scholar ] [ CrossRef ]
شورلمر، دی. بیوتین، تی. پنبه، اف. گارسیا اوسپینا، ن. هیراتا، ن. ما، ک.-ف. نیواس، سی. پرهن، ک. Wyss، M. قرار گرفتن در معرض پویای جهانی و نقشه OpenBuilding-یک رویکرد داده‌های بزرگ و جمع‌سپاری برای مدل‌سازی مواجهه. در مجموعه مقالات کنفرانس مجمع عمومی EGU، آنلاین. ۴–۸ مه ۲۰۲۰؛ پ. ۱۸۹۲۰٫ [ Google Scholar ]
زفریر، آر. مدل‌های مواجهه ساختمانی کاهش مقیاس: رویکرد احتمالی با استفاده از محصولات سنجش از دور و اطلاعات کمکی منبع باز . دانشگاه علوم کاربردی فناوری اشتوتگارت (Hochschule für Technik Stuttgart—HFT Stuttgart): اشتوتگارت، آلمان، ۲۰۲۰٫ [ Google Scholar ]
INE. پایه Cartográfica Censal. Alcances y Consideraciones Para el Usuario ; Departamento de Demografía y Censos, Instituto Nacional de Estadísticas: سانتیاگو، شیلی، ۲۰۱۸٫ [ Google Scholar ]
گومز-زاپاتا، جی سی. پیتور، ام. پنبه، اف. لیلینکمپ، اچ. سیمانتینی، س. آگیره، پی. هرنان، SM عدم قطعیت معرفتی ترکیب‌های احتمالی قرار گرفتن در معرض ساختمان در مدل‌های تلفات زلزله مبتنی بر سناریو. گاو نر زمین مهندس ۲۰۲۲ . [ Google Scholar ] [ CrossRef ]
کارواخال، ام. سیسترناس، م. کاتالان، PA منبع زلزله ۱۷۳۰ شیلی از سوابق تاریخی: پیامدها برای خطر سونامی آینده در سواحل کلان شهر شیلی. جی. ژئوفیس. Res. زمین جامد ۲۰۱۷ ، ۱۲۲ ، ۳۶۴۸–۳۶۶۰٫ [ Google Scholar ] [ CrossRef ]
Montessus de Ballore, F. Historia sísmica de los Andes Meridionales al sur del paralelo XVI, Cuarta Parte ; Imprenta Cervantes: سانتیاگو، شیلی، ۱۹۱۴٫ [ Google Scholar ]
ایندیرلی، م. رازافیندراکوتو، اچ. رومانلی، اف. پوگلیسی، سی. لانزونی، ال. میلانی، ای. مناری، م. ارزیابی آپابلازا، اس. خطر در والپارایسو: پروژه MAR VASTO. Pure Appl. ژئوفیز. ۲۰۱۱ ، ۱۶۸ ، ۵۴۳-۵۸۲٫ [ Google Scholar ] [ CrossRef ]
کنت، دی. آیزنبرگ، آ. لورکا، ای. پاردو، م. پونس، ال. ساراگونی، ر. سینگ، SK; Suarez, G. زلزله ۱۹۸۵ شیلی مرکزی: تکرار زلزله های بزرگ قبلی در منطقه؟ Science ۱۹۸۶ , ۲۳۳ , ۴۴۹٫ [ Google Scholar ] [ CrossRef ]
de la Llera، JC; ریورا، اف. میترانی رایزر، ج. جونمان، آر. فورتونو، سی. ریوس، ام. هیوب، ام. سانتا ماریا، اچ. Cienfuegos, R. جمع آوری داده ها پس از زلزله ۲۰۱۰ Maule در شیلی. گاو نر زمین مهندس ۲۰۱۷ ، ۱۵ ، ۵۵۵-۵۸۸٫ [ Google Scholar ] [ CrossRef ]
گومز زاپاتا، م. جیمنز مارتینز، م. Romero-Jarén, R. بازار کار در برابر بلایای طبیعی چقدر انعطاف پذیر است؟ ارزیابی اثرات زمین لرزه سال ۲۰۱۰ در شیلی. نات. خطرات ۲۰۲۰ ، ۱۰۴ ، ۱۴۸۱-۱۵۳۳٫ [ Google Scholar ] [ CrossRef ]
Nealy، JL; هرمان، مگاوات؛ مور، جی ال. هیز، GP; بنز، اچ ام. برگمن، EA; بارینتوس، SE 2017 توالی زمین لرزه والپارایسو و تکه تکه تکه‌ای بزرگ در مرکز شیلی. ژئوفیز. Res. Lett. ۲۰۱۷ ، ۴۴ ، ۸۸۶۵-۸۸۷۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
جیمنز، بی. پلا، ال. Hurtado, M. فرم های بررسی ساختمان برای مناطق شهری ناهمگن در مناطق لرزه ای خطرناک. برنامه برای مرکز تاریخی والپارایسو، شیلی. بین المللی J. Arch. میراث. ۲۰۱۸ ، ۱۲ ، ۱۰۷۶-۱۱۱۱٫ [ Google Scholar ] [ CrossRef ]
GEM. گزارشی در مورد کارگاه قرار گرفتن در معرض و آسیب پذیری SARA در مدلین، کلمبیا. ۲۰۱۴٫ در دسترس آنلاین: https://sara.openquake.org/_media/risk:03_2014_-_workshop_medellin_-_exposure.pdf (در ۲۱ دسامبر ۲۰۲۱ قابل دسترسی است).
گیس، سی. شاوس، آ. ریدلینگر، تی. دچ، اس. زلایا، سی. گوزمان، ن. Hube، MA; ارسنجانی، ج. Taubenböck، H. استفاده مشترک از داده های سنجش از راه دور و اطلاعات جغرافیایی داوطلبانه برای برآورد قرار گرفتن در معرض: شواهدی از والپارایسو، شیلی. نات. خطرات ۲۰۱۷ ، ۸۶ ، ۸۱-۱۰۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
CIESIN. Documentation for the Gridded Population of TheWorld، نسخه ۴ (GPWv4)، ویرایش ۱۱ مجموعه داده ها. در دسترس آنلاین: https://doi.org/10.7927/H45Q4T5F (در ۲۱ دسامبر ۲۰۲۱ قابل دسترسی است).
آژانس فضایی اروپا ESA Sentinel-2 MSI ; آژانس فضایی اروپا: پاریس، فرانسه، ۲۰۱۸٫ [ Google Scholar ]
ERDAS. ERDAS Imagine 2014 ; Hexagon Geospatial, Peachtree Corners Circle Norcross: Norcross, GA, USA, 2014. [ Google Scholar ]
محمدی، ع. کریم زاده، س. ولی زاده کامران، ک. استخراج اطلاعات زمین، تغییرات چشم‌انداز آینده و ارزیابی خطر لرزه‌ای: مطالعه موردی تبریز، ایران. Sensors ۲۰۲۰ , ۲۰ , ۷۰۱۰٫ [ Google Scholar ] [ CrossRef ]
INE. Censo de Población y Vivienda 2002 ; Instituto Nacional de Estadística de Chile: سانتیاگو، شیلی، ۲۰۰۲٫ [ Google Scholar ]
ویلار-وگا، م. سیلوا، وی. کراولی، اچ. بله، سی. تارک، ن. Acevedo، AB; Hube، MA; گوستاوو، سی دی; ماریا، HS توسعه یک مدل شکنندگی برای سهام ساختمان های مسکونی در آمریکای جنوبی. زمین Spectra ۲۰۱۷ ، ۳۳ ، ۵۸۱-۶۰۴٫ [ Google Scholar ] [ CrossRef ]
INITN. Instituto Nacional de Investigaciones Tecnológica y Normalizaciones, Cálculo Antisísmico de Edificios, NCh.433 of 72 ; گزارش فنی؛ INITN: سانتیاگو د شیلی، شیلی، ۱۹۷۲٫ [ Google Scholar ]
INN. Instituto Nacional de Normalización Diseño Sísmico de Edificios, NCh.433 of 96 ; گزارش فنی؛ INN: سانتیاگو د شیلی، شیلی، ۱۹۹۶٫ [ Google Scholar ]
دل آکوا، اف. گامبا، پی. Jaiswal، K. جنبه‌های فضایی داده‌های قرار گرفتن در معرض ساختمان و جمعیت و پیامدهای آنها برای مدل‌سازی مواجهه با زلزله جهانی. نات. خطرات ۲۰۱۳ ، ۶۸ ، ۱۲۹۱-۱۳۰۹٫ [ Google Scholar ] [ CrossRef ]
بال، IE; بومر، جی جی. استافورد، پی جی. کراولی، اچ. Pinho, R. تأثیر تفکیک جغرافیایی داده‌های قرار گرفتن در معرض شهری در یک مدل تلفات زلزله برای استانبول. زمین Spectra ۲۰۱۰ , ۲۶ , ۶۱۹-۶۳۴٫ [ Google Scholar ] [ CrossRef ]
سنوسی، ا. بارد، پ.-ی. بک، ای. فارسی، م.ن. کارتیه، اس. نقشه‌برداری آسیب‌پذیری لرزه‌ای در مقیاس شهری: بحث در مورد نمایش‌های کارتوگرافی مرتبط و هموارسازی برای اهداف برنامه‌ریزی شهری در مطالعه موردی اوران. خاک دین. زمین مهندس ۲۰۱۸ ، ۱۱۵ ، ۵۴۵-۵۶۳٫ [ Google Scholar ] [ CrossRef ]
شینگرابر، سی. Käser, M. تغییرات خطر لرزه‌ای فضایی و نمونه‌گیری تطبیقی از عدم قطعیت مکان پورتفولیو در تحلیل ریسک لرزه‌ای احتمالی. نات. سیستم خطرات زمین. علمی ۲۰۲۰ ، ۲۰ ، ۱۹۰۳-۱۹۱۸٫ [ Google Scholar ] [ CrossRef ]
گومز-زاپاتا، جی سی. برینکمن، ن. هاریگ، اس. زفریر، ر. پیتور، ام. پنبه، اف. Babeyko، A. مدل‌سازی قرار گرفتن در معرض ساختمان با وضوح متغیر برای ارزیابی خطر مبتنی بر سناریوی زلزله و سونامی. یک پرونده درخواست در لیما، پرو. نات. سیستم خطرات زمین. علمی ۲۰۲۱ ، ۲۱ ، ۳۵۹۹-۳۶۲۸٫ [ Google Scholar ] [ CrossRef ]
OSM Task Manager. #۵۰۲—Valparaíso، Chile Fires/Fuegos En Valparaíso، شیلی. ۲۰۱۴٫ در دسترس آنلاین: https://tasks.hotosm.org/projects/502 (در ۲۱ دسامبر ۲۰۲۱ قابل دسترسی است).
OSM Task Manager. #۵۰۸—Valparaíso، Chile Fires 2/Fuegos En Valparaíso، شیلی. ۲۰۱۴٫ در دسترس آنلاین: https://tasks.hotosm.org/projects/508 (در ۲۱ دسامبر ۲۰۲۱ قابل دسترسی است).
رسزکا، پی. Fuentes، A. مدیریت آتش سوزی و ایمنی آتش سوزی بزرگ والپارایزو در شیلی. فناوری آتش نشانی ۲۰۱۵ ، ۵۱ ، ۷۵۳-۷۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هاس، م. ویلند، ام. Pittore, M. DEMO: Remote Rapid Visual Screening (RRVS). در دسترس آنلاین: https://vimeo.com/158600573 (در ۲۱ دسامبر ۲۰۲۱ قابل دسترسی است).
مرینو-پنا، ی. پیتور، ام. گومز-زاپاتا، بررسی ساختمان JC RRVS برای مدل‌سازی نوردهی ساختمان در والپارایسو و وینا دل مار (شیلی). V. 1.0. سرویس داده GFZ ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
Acevedo، AB; Jaramillo، JD; بله، سی. سیلوا، وی. اوسوریو، FA; ویلار، ام. ارزیابی خطر لرزه ای انبارهای بنایی تقویت نشده در آنتیوکیا، کلمبیا. نات. خطرات ۲۰۱۷ ، ۸۶ ، ۳۱-۵۴٫ [ Google Scholar ] [ CrossRef ]
آرویو، او. فلیسیانو، دی. کاریلو، جی. Hube, MA عملکرد لرزه ای ساختمان های دیواری بتنی نازک متوسط که به آرامی با میله های تغییر شکل یافته یا مش سیم جوشکاری شده تقویت شده اند. مهندس ساختار. ۲۰۲۱ ، ۲۴۱ ، ۱۱۲۴۵۵٫ [ Google Scholar ] [ CrossRef ]
واسکز، جی. جونمان، آر. de la Llera، JC; Hube، MA; تجزیه و تحلیل تاریخچه پاسخ غیرخطی سه بعدی Chacón، MF برای ارزیابی آسیب زلزله: مطالعه موردی ساختمان دیوار بتن مسلح. زمین Spectra ۲۰۲۱ , ۳۷ , ۲۳۵-۲۶۱٫ [ Google Scholar ] [ CrossRef ]
ودریل، جی. پیتور، ام. هاس، م. برینکمن، ن. روستر، ام. گومز-زاپاتا، JC Shakyground: یک سرویس وب برای ارائه زمینه های حرکت زمینی مبتنی بر GMPE. V. 1.0. سرویس داده GFZ ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
پاگانی، م. مونلی، دی. ودریل، جی. دانسیو، ال. کراولی، اچ. سیلوا، وی. هنشاو، پی. باتلر، ال. نستاسی، م. پانزری، ال. و همکاران موتور OpenQuake: یک نرم افزار خطر باز (و خطر) برای مدل جهانی زلزله. زلزله. Res. Lett. ۲۰۱۴ ، ۸۵ ، ۶۹۲-۷۰۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کالاکوناس، پ. سیلوا، وی. موییانو، ا. Rao, A. بررسی تأثیر عدم قطعیت معرفتی بر یک مدل احتمالی ارزیابی خطر لرزه ای منطقه ای. نات. خطرات ۲۰۲۰ ، ۱۰۴ ، ۹۹۷-۱۰۲۰٫ [ Google Scholar ] [ CrossRef ]
کوتا، اس آر. بازورو، پ. Pagani, M. اثرات عدم قطعیت معرفتی در برآورد خطر لرزه ای بر تلفات سبد ساختمانی. زمین Spectra ۲۰۱۸ , ۳۴ , ۲۱۷-۲۳۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
حسین، ا. الیوت، جی آر. سیلوا، وی. ویلار-وگا، م. کین، دی. خطر لرزه ای متضاد برای سانتیاگو، شیلی، از منابع زمین لرزه میدان نزدیک و دور. نات. سیستم خطرات زمین. علمی ۲۰۲۰ ، ۲۰ ، ۱۵۳۳-۱۵۵۵٫ [ Google Scholar ] [ CrossRef ]
غفرانی، ح. اتکینسون، GM معادلات پیش‌بینی حرکت زمین برای زمین‌لرزه‌های رابط M7 تا M9 بر اساس داده‌های تجربی از ژاپن. گاو نر زمین مهندس ۲۰۱۴ ، ۱۲ ، ۵۴۹-۵۷۱٫ [ Google Scholar ] [ CrossRef ]
آبراهامسون، ن. گرگور، ن. معادلات پیش‌بینی حرکت هیدرو زمینی Addo، K. BC برای زلزله‌های فرورانش. زمین Spectra ۲۰۱۶ ، ۳۲ ، ۲۳-۴۴٫ [ Google Scholar ] [ CrossRef ]
مونتالوا، GA; باستیاس، ن. رودریگز-مارک، A. معادله پیش‌بینی حرکت زمین برای منطقه فرورانش شیلی. گاو نر زلزله. Soc. صبح. ۲۰۱۷ ، ۱۰۷ ، ۹۰۱–۹۱۱٫ [ Google Scholar ] [ CrossRef ]
پیغاله، ا. محمودآبادی، و. مارتین، جی آر. شاهجویی، ع. چن، کیو. جوانبرگ، م. خوشنویسان، س. تأثیر شرایط محل محلی بر برآورد تلفات زلزله نمونه کارها برای انواع مختلف ساختمان. نات. خطرات ۲۰۱۸ ، ۹۴ ، ۱۲۱-۱۵۰٫ [ Google Scholar ] [ CrossRef ]
هیث، دی سی؛ والد، دی جی؛ Worden، CB; تامپسون، EM; Smoczyk، GM یک نقشه جهانی هیبریدی VS30 با شیب توپوگرافی مبتنی بر پیش فرض و ورودی های نقشه منطقه ای. زمین Spectra ۲۰۲۰ ، ۳۶ ، ۱۵۷۰-۱۵۸۴٫ [ Google Scholar ] [ CrossRef ]
مندوزا، ال. آیالا، ف. فوئنتس، بی. سوتو، وی. سائز، ای. یانیز، جی. مونتالوا، جی. گالز، سی. سپولودا، ن. لازو، آی. و همکاران Estimación Cuantitativa de la Amenaza Sísmica en Base a Metodos Geofísicos: Aplicación a las Localidades Costeras del Segmento los Vilos-San Antonio ; کنگره سوچیگه: والپارایسو، شیلی، ۲۰۱۸٫ [ Google Scholar ]
ودریل، GA؛ سیلوا، وی. کراولی، اچ. Bazzurro، P. بررسی تأثیر همبستگی‌های فضایی و عدم قطعیت برای تجزیه و تحلیل پورتفولیو در تخمین تلفات لرزه‌ای احتمالی. گاو نر زمین مهندس ۲۰۱۵ ، ۱۳ ، ۹۵۷-۹۸۱٫ [ Google Scholar ] [ CrossRef ]
جایارام، ن. مدل همبستگی بیکر، JW برای شدت های حرکت زمینی توزیع شده فضایی. زمین مهندس ساختار. دین ۲۰۰۹ ، ۳۸ ، ۱۶۸۷-۱۷۰۸٫ [ Google Scholar ] [ CrossRef ]
مرخویدا، م. چفرینو، ال. مدلسازی بیکر، JW، شتاب‌های طیفی را در دوره‌های مختلف با استفاده از تحلیل مؤلفه‌های اصلی و زمین‌آمار همبستگی مکانی همبسته کردند. زمین مهندس ساختار. دین ۲۰۱۸ ، ۴۷ ، ۱۱۰۷-۱۱۲۳٫ [ Google Scholar ] [ CrossRef ]
سیلوا، V. مسائل بحرانی در مدل سازی تلفات سناریو زلزله. J. Earthq. مهندس ۲۰۱۶ ، ۲۰ ، ۱۳۲۲-۱۳۴۱٫ [ Google Scholar ] [ CrossRef ]
پیتور، ام. گومز-زاپاتا، جی سی. برینکمن، ن. Rüster، M. Assetmaster و modelprop: خدمات وب برای ارائه مدل‌های قرار گرفتن در معرض ساختمان و عملکردهای شکنندگی برای آسیب‌پذیری فیزیکی در برابر خطرات طبیعی. V. 1.0. سرویس داده GFZ ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
برینکمن، ن. گومز-زاپاتا، جی سی. پیتور، ام. Rüster، M. DEUS: خدمات به روز رسانی آسیب، قرار گرفتن در معرض. V. 1.0. سرویس داده GFZ ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
Beven، KJ; Aspinall، WP؛ بیتس، PD; بورگومئو، ای. گودا، ک. هال، جی دبلیو. پیج، تی. فیلیپس، جی سی. سیمپسون، ام. اسمیت، پی جی. و همکاران عدم قطعیت های معرفتی و ارزیابی ریسک خطرات طبیعی – بخش ۲: چه چیزی باید عملکرد خوب را تشکیل دهد؟ نات. سیستم خطرات زمین. علمی ۲۰۱۸ ، ۱۸ ، ۲۷۶۹-۲۷۸۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وامواتسیکوس، دی. پاناگووپولوس، جی. کاپو، ای جی؛ نیگرو، ای. روزتو، تی. لوید، TO; Stathopoulos, T. ارزیابی آسیب‌پذیری ساختاری تحت خطرات طبیعی: یک بررسی. در ساخت و سازهای زیستگاه شهری تحت رویدادهای فاجعه بار ; فصل ۳-۴; ماتزولانی، FM، اد. CRC Press: Boca Raton، FL، USA، ۲۰۱۰٫ [ Google Scholar ]
Stafford، PJ ارزیابی عملکرد سازه در عواقب بلافاصله پس از زلزله: مطالعه موردی زلزله ۲۰۱۱ کرایست چرچ. بین المللی J. Forensic Eng. ۲۰۱۲ ، ۱ ، ۵۸-۷۷٫ [ Google Scholar ] [ CrossRef ]
آگیره، پی. واسکز، جی. de la Llera، JC; گونزالس، جی. گونزالس، جی. ارزیابی خسارت زلزله برای سناریوهای قطعی در ایکوئیک، شیلی. نات. خطرات ۲۰۱۸ ، ۹۲ ، ۱۴۳۳-۱۴۶۱٫ [ Google Scholar ] [ CrossRef ]
زوکارو، جی. دی گرگوریو، دی. مدل نظری لئون، MF برای تجزیه و تحلیل اثرات آبشاری. بین المللی J. کاهش خطر بلایا. ۲۰۱۸ ، ۳۰ ، ۱۹۹-۲۱۵٫ [ Google Scholar ] [ CrossRef ]
پیلز، ام. Cotton, F. آیا فرض یک بعدی برای تجزیه و تحلیل پاسخ سایت صادق است؟ بررسی پاسخ‌های مکان لرزه‌ای و پیامدهای ارزیابی حرکت زمین با استفاده از داده‌های حرکت قوی KiK-Net. زمین Spectra ۲۰۱۹ , ۳۵ , ۸۸۳-۹۰۵٫ [ Google Scholar ] [ CrossRef ]
کاندیا، جی. پولوس، آ. de la Llera، JC; Crempien، JGF; Macedo، J. همبستگی شتاب های طیفی در منطقه فرورانش شیلی. زمین Spectra ۲۰۲۰ , ۳۶ , ۷۸۸-۸۰۵٫ [ Google Scholar ] [ CrossRef ]
عباس نژادفرد، م. بسطامی، م. فلاح، ع. گراکانی نژاد، ع. تحلیل تأثیر همبستگی های فضایی ناهمسانگرد اقدامات شدت زلزله بر نتیجه ارزیابی ریسک لرزه ای و تاب آوری مجموعه ساختمان ها و سیستم های زیرساختی. گاو نر زمین مهندس ۲۰۲۱ ، ۱۹ ، ۵۷۹۱-۵۸۱۷٫ [ Google Scholar ] [ CrossRef ]
کابررا، تی. هیوب، ام. سانتا ماریا، H. منحنی های تجربی شکنندگی برای خانه های بتن مسلح و چوب، با استفاده از معیارهای شدت مختلف. در مجموعه مقالات هفدهمین کنفرانس جهانی مهندسی زلزله، سندای، ژاپن، ۱۳ تا ۱۸ سپتامبر ۲۰۲۰٫ [ Google Scholar ]
سوزا، ال. سیلوا، وی. مارکز، ام. کراولی، اچ. در مورد درمان عدم قطعیت در آسیب پذیری لرزه ای و ارزیابی ریسک نمونه کارها. زمین مهندس ساختار. دین ۲۰۱۸ ، ۴۷ ، ۸۷-۱۰۴٫ [ Google Scholar ] [ CrossRef ]
پیتور، ام. گرازیانی، ال. مرامایی، ع. هاس، م. پارولای، س. Tertulliani، A. Bayesian برآورد شدت ماکروز لرزه از نقشه برداری آسیب سریع پس از زلزله. زمین Spectra ۲۰۱۸ ، ۳۴ ، ۱۸۰۹-۱۸۲۸٫ [ Google Scholar ] [ CrossRef ]
کنترراس، دی. ویلکینسون، اس. جیمز، پی. منابع داده های شناسایی زلزله، بررسی ادبیات. زمین ۲۰۲۱ ، ۲ ، ۱۰۰۶-۱۰۳۷٫ [ Google Scholar ] [ CrossRef ]
گومز-زاپاتا، جی سی. شینده، س. پیتور، ام. Merino-Peña، Y. اسکریپت هایی برای ایجاد (۱) امتیازهای فازی مبتنی بر ویژگی برای کلاس های ساختمان SARA و HAZUS، و (۲) ماتریس های سازگاری بین طرحی احتمالی. یک برنامه کاربردی در انبار ساختمان های مسکونی Valparaiso (شیلی) برای برنامه های کاربردی خطر لرزه ای. سرویس داده GFZ ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
زینگ، EP 19: ناپارامتری های بیزی: فرآیندهای دیریکله. مدل های گرافیکی احتمالی ۱۰-۷۰۸٫ ۲۰۱۴٫ در دسترس آنلاین: https://www.cs.cmu.edu/~epxing/Class/10708-14/scribe_notes/scribe_note_lecture19.pdf (دسترسی در ۲۱ دسامبر ۲۰۲۱).
پیتور، ام. Wieland، M. به سوی ارزیابی آسیب‌پذیری لرزه‌ای احتمالی سریع با استفاده از سنجش از دور ماهواره‌ای و زمینی. نات. خطرات ۲۰۱۳ ، ۶۸ ، ۱۱۵-۱۴۵٫ [ Google Scholar ] [ CrossRef ]
لینچ، اس ام مقدمه ای بر آمار و تخمین بیزی کاربردی برای دانشمندان علوم اجتماعی . Springer: New York, NY, USA, 2007; شابک ۹۷۸-۰-۳۸۷-۷۱۲۶۴-۲٫ [ Google Scholar ]

شکل ۲٫ فلوچارتی که داده‌های ورودی جمع‌آوری‌شده، فرآیندها و سه مدل قرار گرفتن در معرض ساختمان‌های مسکونی را برای Valparaiso (شیلی) نشان می‌دهد که در سراسر این مطالعه ارائه خواهیم کرد. این مدل‌های مواجهه همراه با حرکات پارامتریک زمین، به‌عنوان ورودی برای تحلیل حساسیت در ریسک لرزه‌ای مبتنی بر سناریو در آخرین مرحله این مطالعه استفاده می‌شوند.

شکل ۳٫ شمارش ساختمان ها در سطح کمون برای ۱۵ کلاس ساختمان SARA (پس از ترکیب انواع مشابه ( بخش ۳٫۲٫۱ )). مقیاس رنگ نشان دهنده نوع ماده (سبز = چوبی، نارنجی = بنایی، آبی = بتن مسلح) است.

شکل ۴٫ توابع شکنندگی برای ۱۵ کلاس ساختمان SARA همانطور که در [ ۶۹ ] گزارش شده است، آسیب پذیری های لرزه ای تفاضلی آنها را توصیف می کند. منحنی ها به ترتیب مشابه در شکل ۳ ارائه شده اند.

شکل ۵٫ محدوده های استنباط شده از شمارش ساختمان های مسکونی در منطقه مورد مطالعه. این نتیجه از تفکیک فضایی ساکنان شبانه در سطح بلوک همانطور که توسط سرشماری رسمی ۲۰۱۷ شیلی گزارش شده است به دست آمد.

شکل ۶٫ توزیع های فضایی ساختمان برای شش زیرمجموعه در محدوده A-F به دست آمده از مدل اولیه محاسبه می شود. مورد دوم شامل یک کاهش مقیاس ساده با استفاده از تفکیک داسیمتری جمعیت بر اساس استفاده از ساکنان شبانه در سطح بلوک است که توسط سرشماری رسمی شیلی در سال ۲۰۱۷ گزارش شده است.

شکل ۷٫ توزیع فضایی شمارش ساختمان برای گونه‌شناسی SARA به‌دست‌آمده از مدل اولیه کوچک‌شده. مقیاس رنگ منعکس کننده نوع ماده (سبز = چوبی، نارنجی = بنایی، آبی = بتن مسلح) است.

شکل ۸٫ ردپای ساختمان برای یک منطقه خاص در والپارایسو (© مشارکت کنندگان نقشه خیابان OpenStreetMap 2021)، که تحت مجوز پایگاه داده باز مشترک داده های باز (ODbL) نسخه ۱٫۰ توزیع شده است. داده های نقشه © Google Earth 2020. شکل تجدید چاپ شده از [ ۵۰ ].

شکل ۹٫ توزیع فضایی شمارش ساختمان برای زیرمجموعه ها در محدوده A-F به دست آمده از مدل احتمالی در والپارایسو.

شکل ۱۰٫ توزیع فضایی شمارش ساختمان برای گونه شناسی SARA به دست آمده از مدل احتمالی در والپارایسو. مقیاس رنگ از نظر نوع ماده (سبز = چوبی، نارنجی = بنایی، آبی = بتن مسلح) انتخاب شد.

شکل ۱۱٫ مقایسه تعداد ساختمان در هر گونه شناسی SARA برای سه مدل نوردهی در نظر گرفته شده برای والپارایسو، که مدل اولیه مبتنی بر کمون را با کلاس های ادغام شده، مدل اولیه (کاهش مقیاس ساده) و مدل بیزی نشان می دهد.

شکل ۱۵٫ تلفات عادی شده برای سناریوی زلزله در والپارایسو برای سه مدل نوردهی (در هر طرح فرعی) و ۲۷ مجموعه حرکت زمین با استفاده از مجموعه حرکات زمین غیرهمبسته با Vs _۳۰ (Topogr.) با GMPE آبراهامز ۲۰۱۵ به عنوان معیار.

شکل ۱۶٫ اطلاعات مشابهی که در شکل ۱۵ نشان داده شده است ، که تفاوت های کاهش عادی شده بین هر مدل مواجهه را نشان می دهد.

ونوس نصیرفام

5 ژانویه 2023

مقالات

کلید واژه ها:

۱٫ مقدمه

۲٫ زمینه منطقه مطالعه

۳٫ مواد و روشها

۳٫۱٫ تحدید محدوده شهری و برخی ویژگی های اولیه

۳٫۲٫ ایجاد مدل‌های مواجهه و آسیب‌پذیری برای والپارایسو

۳٫۲٫۱٫ مدل اولیه قرار گرفتن در معرض SARA مبتنی بر کمون با کلاس های ادغام شده

۳٫۲٫۲٫ مدل مقدماتی: کاهش مقیاس ساده با استفاده از تفکیک فضایی جمعیت

۳٫۲٫۳٫ داده های جانبی موجود برای Valparaíso

OpenStreetMap (OSM)

گردآوری داده ها از ویژگی های طبقه بندی در والپارایسو و طبقه بندی ساختمان

۳٫۲٫۴٫ مدل قرار گرفتن در معرض بیزی برای والپارایسو

۳٫۲٫۵٫ مقایسه مدل‌های نوردهی موجود برای والپارایسو

۳٫۳٫ ایجاد میدان های حرکتی زمین لرزه ای برای سناریوی زلزله

۳٫۳٫۱٫ معادله پیش بینی حرکت زمین (GMPE)

۳٫۳٫۲٫ اصطلاح سایت (توزیع فضایی در مقابل _۳۰ )

۳٫۳٫۳٫ مدل همبستگی فضایی

۴٫ تحلیل های حساسیت ارزیابی ریسک لرزه ای مبتنی بر سناریو

۵٫ بحث

۶٫ نتیجه گیری

ضمیمه الف. تحدید فضایی محدوده شهری و منابع داده های موجود برای مدل سازی مواجهه ساختمان

ضمیمه B. مفروضات دنبال شده در مدل اولیه برای به دست آوردن تعداد ساختمان ها از جمعیت و مناطق ردپای در هر گونه شناسی

پیوست ج. گردآوری داده‌های ویژگی‌های ساختمان در والپارایسو و طبقه‌بندی آنها

ضمیمه D. مروری کلی بر رویکرد مدل‌سازی مواجهه احتمالی

منابع

قبلیچارچوبی برای مقیاس بندی تاب آوری تحول آفرین شهری از طریق استفاده از اطلاعات جغرافیایی داوطلبانه

بعدیچارچوبی برای مقیاس بندی تاب آوری تحول آفرین شهری از طریق استفاده از اطلاعات جغرافیایی داوطلبانه

نوشته های مرتبط ...

کوچینگ روانشناسی:رشد را به خودتان هدیه دهید!!

آموزش مقاله نویسی :۵۰ مهارت برتر جهت نوشتن مقالات حرفه‌ای

آموزش مقاله نویسی :۱۰۰ راز در یک کلاس (مدرس:دکتر سعید جوی زاده )

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

کلید واژه ها:

۱٫ مقدمه

۲٫ زمینه منطقه مطالعه

۳٫ مواد و روشها

۳٫۱٫ تحدید محدوده شهری و برخی ویژگی های اولیه

۳٫۲٫ ایجاد مدل‌های مواجهه و آسیب‌پذیری برای والپارایسو

۳٫۲٫۱٫ مدل اولیه قرار گرفتن در معرض SARA مبتنی بر کمون با کلاس های ادغام شده

۳٫۲٫۲٫ مدل مقدماتی: کاهش مقیاس ساده با استفاده از تفکیک فضایی جمعیت

۳٫۲٫۳٫ داده های جانبی موجود برای Valparaíso

OpenStreetMap (OSM)

گردآوری داده ها از ویژگی های طبقه بندی در والپارایسو و طبقه بندی ساختمان

۳٫۲٫۴٫ مدل قرار گرفتن در معرض بیزی برای والپارایسو

۳٫۲٫۵٫ مقایسه مدل‌های نوردهی موجود برای والپارایسو

۳٫۳٫ ایجاد میدان های حرکتی زمین لرزه ای برای سناریوی زلزله

۳٫۳٫۱٫ معادله پیش بینی حرکت زمین (GMPE)

۳٫۳٫۲٫ اصطلاح سایت (توزیع فضایی در مقابل ۳۰ )

۳٫۳٫۳٫ مدل همبستگی فضایی

۴٫ تحلیل های حساسیت ارزیابی ریسک لرزه ای مبتنی بر سناریو

۵٫ بحث

۶٫ نتیجه گیری

ضمیمه الف. تحدید فضایی محدوده شهری و منابع داده های موجود برای مدل سازی مواجهه ساختمان

ضمیمه B. مفروضات دنبال شده در مدل اولیه برای به دست آوردن تعداد ساختمان ها از جمعیت و مناطق ردپای در هر گونه شناسی

پیوست ج. گردآوری داده‌های ویژگی‌های ساختمان در والپارایسو و طبقه‌بندی آنها

ضمیمه D. مروری کلی بر رویکرد مدل‌سازی مواجهه احتمالی

منابع

قبلیچارچوبی برای مقیاس بندی تاب آوری تحول آفرین شهری از طریق استفاده از اطلاعات جغرافیایی داوطلبانه

بعدیچارچوبی برای مقیاس بندی تاب آوری تحول آفرین شهری از طریق استفاده از اطلاعات جغرافیایی داوطلبانه

نوشته های مرتبط ...

کوچینگ روانشناسی:رشد را به خودتان هدیه دهید!!

آموزش مقاله نویسی :۵۰ مهارت برتر جهت نوشتن مقالات حرفه‌ای

آموزش مقاله نویسی :۱۰۰ راز در یک کلاس (مدرس:دکتر سعید جوی زاده )

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

۳٫۳٫۲٫ اصطلاح سایت (توزیع فضایی در مقابل _۳۰ )