Alerta temprana de tsunamis utilizando redes bayesianas
José Galaz Mora
Resultados de proyecto final del curso "Modelos gráficos probabilísticos"
¿Cuales son los escenarios más similares según las evidencias?
Sistemas de Alerta Temprana
Fuente: Basado en Catalán et al. (2015)
Incertidumbre
¿Cuál es la probabilidad de un nivel de amenaza, dadas las evidencias?
Enfoque probabilístico
Redes bayesianas
X
X
Y
Y
P(X,Y) = P(Y|X)P(X)
P(X,Y)=P(Y∣X)P(X)
P(X,Y,Z) = P(Z|Y)P(Y|X)P(X)
P(X,Y,Z)=P(Z∣Y)P(Y∣X)P(X)
X
X
Y
Y
Z
Z
X
X
Y
Y
P(X,Y) = P(X)P(Y)
P(X,Y)=P(X)P(Y)
Objetivo
- Explorar el uso de redes bayesianas para la alerta temprana de tsunamis
- Caracterizar la distribución de probabilidad conjunta entre variables geofísicas asociadas al terremoto y tsunami
Metodología
Basado en el trabajo de Blaser et al. (2011)
Catálogo de escenarios según ancestral sampling
Epicentro
Magnitud
Largo
Ancho
ProfundidadDip
Strike
Rake
Altura Máxima de ola
Batimetría
Modelo numérico
...
10.000 escenarios de terremotos
1560 escenarios de tsunamis
Catálogo de escenarios según ancestral sampling
Blaser et al: 28.000 escenarios
Epicentro
Magnitud
Mw \sim \mathcal{U}(6.5, 9.6)
Mw∼U(6.5,9.6)
Epi \sim \mathcal{U}(Area)
Epi∼U(Area)
Depth
Dip
Depth,Dip = SLAB(Epi)
Depth,Dip=SLAB(Epi)
Strike \sim \mathcal{U}(0,10)
Strike∼U(0,10)
Rake \sim \mathcal{N}(88,15^2)
Rake∼N(88,152)
log(L) = a_L +b_L Mw
log(L)=aL+bLMw
log(W) = a_W +b_W Mw
log(W)=aW+bWMw
\begin{array}{cc}
a_L = -5.7 & b_L = 1.36 \\
a_W = 2.03 & b_W = 0.808
\end{array}
aL=−5.7aW=2.03bL=1.36bW=0.808
Otras variables
Alturas máximas
- Modelo lineal de ecuaciones de aguas someras "EasyWave" (4 horas).
- Batimetría GEBCO 1'' res.
- Series de tiempo a 100m proyectada con Ley de Green en la costa
- POIs según www.ioc-sealevelmonitoring.org
Aprendizaje de estructura
- Algoritmo "Hill Climb" con score BIC y K2
- Discretización de variables
- Mw : 6.5 hasta 10 cada 0.5
- H: [0, 0.5, 1.5, 3.0, 5.0, infinito]
- Otros: 5 segmentos en intervalo (min,max) del catálogo
Resultados
Estructuras
- Todas equivalentes
- Influencia de
- Base de datos pequeña
- (no) aleatoriedad de variables
P(H) para 9.4Mw
P(H) para 8.4Mw
P(H) para 6.5Mw
Resultados de Blaser et al.
Resultados de Blaser et al.
- Tsunami menor en b) y c) pero no en d)
- Pero tiene 10% de probabilidad de generar tsunami menor en d)
Conclusiones
Conclusiones
- El modelo gráfico probabilístico permite sintetizar e integrar la información de todo el catálogo
- Este enfoque cuantifica la probabilidad/incertidumbre de un nivel de amenaza dadas las evidencias: importancia en decisiones con riesgo
- Además permite explorar las relaciones entre otras variables, preguntas inversas, etc.
Trabajo por hacer...
- Ampliar catálogo de tsunamis
- Cuantificar incertidumbres en regresiones log-lineales
- Incluir más variables (del terremoto, tsunami, mareógrafo ..)
- Aprender estructura a partir de ancestral sampling!!: sólo añadir nodo "H"
- Extender región ... etc etc
Alerta temprana de tsunamis utilizando redes bayesianas
José Galaz Mora
Resultados de proyecto final del curso "Modelos gráficos probabilísticos"
modelos_graficos
By José Galaz
modelos_graficos
- 543