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
XX
Y
YY
P(X,Y) = P(Y|X)P(X)
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)P(X,Y,Z) = P(Z|Y)P(Y|X)P(X)
X
XX
Y
YY
Z
ZZ
X
XX
Y
YY
P(X,Y) = P(X)P(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)Mw \sim \mathcal{U}(6.5, 9.6)
Epi \sim \mathcal{U}(Area)
Epi∼U(Area)Epi \sim \mathcal{U}(Area)

Depth

Dip

Depth,Dip = SLAB(Epi)
Depth,Dip=SLAB(Epi)Depth,Dip = SLAB(Epi)

https://earthquake.usgs.gov/data/slab/

 

Hayes, G. P., D. J. Wald, and R. L. Johnson (2012), Slab1.0: A three-dimensional model of global subduction zone geometries, J. Geophys. Res., 117, B01302, doi:10.1029/2011JB008524.

Strike \sim \mathcal{U}(0,10)
Strike∼U(0,10)Strike \sim \mathcal{U}(0,10)
Rake \sim \mathcal{N}(88,15^2)
Rake∼N(88,152)Rake \sim \mathcal{N}(88,15^2)
log(L) = a_L +b_L Mw
log(L)=aL+bLMwlog(L) = a_L +b_L Mw
log(W) = a_W +b_W Mw
log(W)=aW+bWMwlog(W) = a_W +b_W Mw
\begin{array}{cc} a_L = -5.7 & b_L = 1.36 \\ a_W = 2.03 & b_W = 0.808 \end{array}
aL=−5.7bL=1.36aW=2.03bW=0.808\begin{array}{cc} a_L = -5.7 & b_L = 1.36 \\ a_W = 2.03 & b_W = 0.808 \end{array}

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"

Made with Slides.com