Data Science Methods for Risk Analysis in Natural Disasters

Abstract

[ES] Las catástrofes naturales suponen importantes amenazas para la vida y la propiedad, por lo que requieren un análisis de riesgos avanzado para una mitigación y preparación eficaces. Este trabajo aplica técnicas estadísticas para mejorar la comprensión y predicción del impacto de las catástrofes naturales, donde los datos de estudio fueron las pérdidas inducidas por terremotos en Marruecos. En concreto, mediante la simulación de 13 terremotos diferentes con distintas magnitudes, empleamos modelos de aprendizaje automático para predecir las pérdidas económicas que podría causar cada uno de ellos. Además, esta investigación propone un modelo operativo híbrido para la transferencia del riesgo sísmico que combina las metodologías de catástrofe en una red y de índice de movimiento del suelo para aprovechar las ventajas de ambas, mejorando las herramientas de toma de decisiones para la resiliencia de la comunidad. El enfoque cat-in-a-grid determina los pagos en condiciones de incertidumbre baja a moderada, como magnitudes extremadamente grandes o pequeñas, mientras que el índice de movimiento del terreno, basado en los datos de USGS ShakeMaps, proporciona una precisión adicional para los eventos que requieren un análisis detallado debido a entornos geológicos complejos o una alta variabilidad en la exposición. Este enfoque no sólo aporta una mayor precisión en las predicciones, sino que también ofrece un medio estratégico para reducir los costes generales de transacción, mejorando significativamente la eficacia y la rentabilidad de las estrategias de mitigación del riesgo sísmico.

[EN] Natural catastrophes pose significant threats to life and property, requiring advanced risk analysis for effective mitigation and preparedness. This work applies statistical techniques to enhance the understanding and prediction of the impact of natural disasters, where the data of study was earthquake-induced losses in Morocco. Specifically, By simulating 13 different earthquake events with varying magnitudes, we employ machine learning models to predict the financial losses each might cause. Addicionally, this research proposes a hybrid operational model for seismic risk transfer which combines the cat-in-a-grid and ground motion index methodologies to leverage the advantages of both, enhancing decision-making tools for community resilience. The cat-in-a-grid approach determines payouts under conditions of low to moderate uncertainty, such as extremely large or small magnitudes, while the ground motion index, based on USGS ShakeMaps data, provides additional accuracy for events requiring detailed analysis due to complex geological environments or high variability in exposure. This approach not only yields greater precision in predictions but also offers a strategic means to reduce overall transaction costs, significantly enhancing the efficacy and cost-efficiency of seismic risk mitigation strategies.