TY  - JOUR
T1  - İzmir'i etkileyebilecek büyük depremlerin makine öğrenimi yöntemleriyle tahmin edilmesi
TT  - Prediction of major earthquakes that may affect İzmir using machine learning methods
AU  - Doğan, Ayhan
PY  - 2024
DA  - August
Y2  - 2024
DO  - 10.17824/yerbilimleri.1402618
JF  - Yerbilimleri
PB  - Hacettepe Üniversitesi
WT  - DergiPark
SN  - 1301-2894
SP  - 93
EP  - 106
VL  - 45
IS  - 2
LA  - tr
AB  - Deprem, üzerinde yaşadığımız dünya üzerindeki en büyük doğal afetlerdendir. İnsanlık tarihten günümüze depremlerden dolayı çok sayıda can ve mal kaybı yaşamıştır. Bu nedenle tarih boyunca insanlar depremleri önceden tahmin edebilmek ve önlemler alabilmek için çeşitli çalışmalar yapagelmiştir. Ancak dünyamızın karmaşık jeolojik yapısı ve çeşitli dinamikleri nedeniyle depremleri tahmin etmek oldukça zordur. Yapay zeka çalışmalarında son yıllarda meydana gelen gelişmeler sayesinde birçok alanda yeni çözümler ortaya çıkmaya başlamıştır. Bu çalışmada diğer çalışmalardan farklı olarak gelecekte İzmir ilini etkileyebilecek 6 ve üzeri büyüklükteki depremlerin odak konumları ve odak derinlikleri Random Forest (RF), Decision Tree (DT), Light Gradient Boosting Machine (LGBM), Category Boosting (CB), Support Vector Machine (SVM) makine öğrenimi yöntemleri kullanılarak tahmin edilmiştir. Girdi verisi olarak 1900-2023 arasındaki deprem katalog verileri ile Gutenberg-Richter yasasına göre bu verilerden üretilen a ve b katsayıları birlikte kullanılmıştır. Sonuçlar RMSE, MAE ve R2 metrikleriyle değerlendirilmiştir. Gelecekte İzmir’i etkileyebilecek depremlerin tahmin edilen odak konumları ve derinlikleri tablo halinde verilmiş ve harita üzerinde gösterilmiştir.
KW  - Makine öğrenimi
KW  - İzmir
KW  - Deprem tahmini
KW  - Odak konumu
KW  - Odak derinliği
N2  - Earthquakes are among the most devastating natural disasters worldwide, causing significant loss of life and property throughout history. Therefore, numerous earthquake prediction studies have been conducted, and precautions have been taken. However, due to our planet's complex geological structure and various dynamics, predicting earthquakes remains challenging. New solutions have emerged in various fields thanks to recent advancements in artificial intelligence research. In this study, we predict the focal locations and depths of earthquakes of magnitude 6 or greater, which could impact the İzmir province in the future. We utilize machine learning techniques, specifically Random Forest (RF), Decision Tree (DT), Light Gradient Boosting Machine (LGBM), Category Boosting (CB), and Support Vector Machine (SVM) methods to make these predictions. The study utilized earthquake catalog data collected between 1900 and 2023, and a and b coefficients generated from this data based on the Gutenberg-Richter law. The evaluation of the results was carried out using RMSE, MAE, and R2 metrics. The map showcases the predicted focal locations and depths of future earthquakes that could impact İzmir.
CR  - Ahamed, S.,Daub, E. G., 2019. Machine learning approach to earthquake rupture dynamics. arXiv preprint arXiv:1906.06250.
CR  - Asencio-Cortés, G., Martínez-Álvarez, F., Troncoso, A.,Morales-Esteban, A., 2017. Medium–large earthquake magnitude prediction in Tokyo with artificial neural networks. Neural Computing and Applications, 28(5), 1043-1055.  https://doi.org/10.1007/s00521-015-2121-7
CR  - Baik, S. M., Hong, K. S.,Park, D. J., 2023. Application and utility of boosting machine learning model based on laboratory test in the differential diagnosis of non-COVID-19 pneumonia and COVID-19. Clinical Biochemistry, 118, 110584.  https://doi.org/10.1016/j.clinbiochem.2023.05.003
CR  - Barsukov, V. L., Varshal, G. M.,Zamokina, N. S., 1984. Recent results of hydrogeochemical studies for earthquake prediction in the USSR. Pure and Applied Geophysics 122(2), 143-156.  https://doi.org/10.1007/BF00874588
CR  - Bayrak, E., Yılmaz, Ş.,Bayrak, Y., 2017. Temporal and spatial variations of Gutenberg-Richter parameter and fractal dimension in Western Anatolia, Turkey. Journal of Asian Earth Sciences, 138, 1-11.  https://doi.org/10.1016/j.jseaes.2017.01.031
CR  - Berhich, A., Belouadha, F.-Z.,Kabbaj, M. I., 2022. A location-dependent earthquake prediction using recurrent neural network algorithms. Soil Dynamics and Earthquake Engineering, 161, 107389.  https://doi.org/10.1016/j.soildyn.2022.107389
CR  - Berhich, A., Belouadha, F.-Z.,Kabbaj, M. I., 2023. An attention-based LSTM network for large earthquake prediction. Soil Dynamics and Earthquake Engineering, 165, 107663.  https://doi.org/10.1016/j.soildyn.2022.107663
CR  - Breiman, L., 2001. Random forests. Machine Learning, 45, 5-32.
CR  - Bulbul, S., 2023. Investigation of possible causes of ionospheric anomalies pre/post-earthquakes based on space weather conditions (SWC). Indian Journal of Physics.  10.1007/s12648-023-02866-x
CR  - Correa Bahnsen, A., Aouada, D.,Ottersten, B., 2015. Example-dependent cost-sensitive decision trees. Expert Systems with Applications, 42(19), 6609-6619.  https://doi.org/10.1016/j.eswa.2015.04.042
CR  - Cortes, C.,Vapnik, V., 1995. Support-vector networks. Machine Learning, 20(3), 273-297.  https://doi.org/10.1007/BF00994018
UR  - https://doi.org/10.17824/yerbilimleri.1402618
L1  - https://dergipark.org.tr/tr/download/article-file/3589651
ER  -