Traditional tsunami vulnerability assessments often rely on empirical models and field surveys, which can be time-consuming and have limited accuracy. In this study, we propose a novel approach that integrates high-resolution Unmanned Aerial Vehicle (UAV) photogrammetry with numerical simulation to improve vulnerability assessment efficacy in Ancon Bay, Lima, Peru, by using the Papathoma Tsunami Vulnerability Assessment (PTVA-4) model. For this purpose, a detailed 3D representation of the study area was generated using UAV-based oblique photogrammetry, enabling the extraction of building attributes. Additionally, a high-resolution numerical tsunami simulation was conducted using the TUNAMI-N2 model for a potential worst-case scenario that may affect the Central Peru subduction zone, incorporating topographic and land-use data obtained with UAV-based nadir photogrammetry. The results indicate that the northern region of Ancon Bay exhibits higher relative vulnerability levels due to greater inundation depths and more tsunami-prone building attributes. UAV-based assessments provide a rapid and detailed method for evaluating building vulnerability. These findings indicate that the proposed methodology is a valuable tool for supporting coastal risk planning and disaster preparedness in tsunami-prone areas.

The impact of natural hazards can be effectively mitigated through preliminary assessments that combine geospatial and modeling approaches. Among these, tsunami exposure mapping plays a crucial role in coastal risk evaluation. This study develops a methodological framework for tsunami exposure assessment by integrating numerical simulation and geospatial analysis. Two tsunamigenic seismic scenarios were considered: (i) a historically documented event and (ii) a plausible large-magnitude earthquake off the Pacific coast of Lima, Peru. Tsunami propagation and inundation were simulated using the TUNAMI-N2 model to generate detailed inundation maps that delineate the spatial extent and inundation depth. The temporal evolution of tsunami impact distribution was analyzed using arrival-time maps and synthetic tide gauges, strategically located along the coastline to record wave amplitude variations over time. The population exposed to tsunami hazard was quantified using national census demographic data, while critical buildings were identified from official geospatial databases. This integration provides refined insights into tsunami hazard dynamics and supports evidence-based coastal risk management and urban growth.

Perú se encuentra en una zona altamente sísmica, lo que lo hace vulnerable a daños en la infraestructura provocados por terremotos, por ello una evaluación rápida después de un sismo de gran magnitud es importante para mitigar sus impactos, especialmente para los tomadores de decisiones. Entre las infraestructuras más afectadas, encontramos al pavimento, los cuales suelen sufrir daños significativos, generando la formación de grietas, estas no solo interrumpen la red de transporte, sino que también representan un riesgo para la seguridad y afectan las actividades económicas. La detección de grietas en pavimentos es un paso clave en este proceso; sin embargo, los métodos de inspección tradicionales suelen ser lentos, propensos a errores, demandan un alto esfuerzo manual y, en muchas ocasiones, son inaccesibles en zonas de alto riesgo, lo que limita su efectividad. Para abordar este problema, en este estudio se aplican técnicas de aprendizaje profundo para la detección automatizada de grietas en pavimentos a partir de imágenes aéreas en escenarios post-sismo. Se entrenó una red neuronal convolucional DeepLabV3+ con aproximadamente 5,600 imágenes etiquetadas de grietas en pavimentos. El modelo alcanzó un IoU de 65 % en el conjunto de validación, aplicándose a imágenes post-sismo del terremoto de Pisco de 2007. Al compararse con una segmentación manual de referencia, el modelo obtuvo un IoU de 47.2 % y un F1-score de 64.3 %. Estos resultados reflejan una buena capacidad de generalización pese a las diferencias entre los datos de entrenamiento y prueba. El método propuesto demuestra el potencial del aprendizaje profundo para realizar evaluaciones rápidas y escalables de daños en pavimentos post-terremoto, reduciendo la dependencia