Identificación de edificaciones colapsadas mediante imágenes satelitales, curvas de fragilidad, mapas de demanda y redes neuronales

Abstract

Esta tesis presenta un método innovador para identificar con rapidez las áreas afectadas por sismos. El método se distingue por su capacidad para operar con información limitada y aún así obtener resultados precisos. Utiliza una combinación de imágenes satelitales previas y posteriores al evento, inventarios de edificaciones, curvas de fragilidad, mapas de demanda sísmica y muestras etiquetadas recopiladas poco después del desastre. La característica central del método es su uso de redes neuronales que con una mínima cantidad de muestras etiquetadas, tan pocas como seis, como se demostró en el terremoto de Kumamoto de 2016, pueden clasificar grandes cantidades de datos sobre la fragilidad de las edificaciones en las áreas afectadas. Estas muestras se obtienen de fuentes verificables, se geolocalizan y se registran para su uso en la calibración de la red neuronal, lo que permite una evaluación rápida y precisa de áreas colapsadas. Los resultados obtenidos con este enfoque han demostrado ser efectivos, alcanzando una precisión promedio del 87% en el terremoto de Kumamoto de 2016 y del 82% en el terremoto de Turquía-Siria de 2023. El método destaca por su capacidad para analizar áreas extensas de manera eficiente, lo que lo hace ideal para ser utilizado como parte de la respuesta inmediata tras sismos importantes. Aunque el método es funcional y rápido, se han identificado oportunidades para mejoras futuras. Por ejemplo, es necesario optimizar la arquitectura de la red neuronal y evaluar el impacto del número de muestras etiquetadas utilizadas para la calificación. Además, probar el método en diversos contextos es crucial para validar su versatilidad y detectar posibles deficiencias que pueden ser corregidas posteriormente.

This thesis presents an innovative method for rapidly identifying areas affected by earthquakes. The method is notable for its ability to operate with limited information while still delivering precise results. It combines pre -and post- event satellite images, building inventories, fragility curves, seismic demand maps, and labeled samples collected shortly after the disaster. The central feature of this method is its use of neural networks, wich can classify large amounts of data on the fragility of buildings in affected areas with a minimal number of labeled samples- as few as six, as demonstrated in the 2016 Kumamoto earthquake. These samples are gathered from verificable sources, geolocated, and recorded for use in calibrating the neural network, allowing for a swift and accurate assessment of collapsed areas. The results obtained with this approach have proven to be effective, achieving an average accuracy of 87% in the 2016 Kumamoto earthquake and 82% in the 2023 Turkey-Syria earthquake. The method excels in its ability to efficiently analyze extensive areas, making it ideal for immediate response after significant seismic events. While the method is functional and fast, opportunities for future improvements have been identified. For instance, optimizing the neural network architecture and evaluating the impact of the number of labeled samples used for calibration are necessary. Additionally, testing the method in various contexts is crucial to validate its versatility and to identify any potential deficiencies that could be addressed subsequently.