Makine öğrenmesi algoritmaları ile deprem katalogları kullanılarak deprem tahmini

Yıl 2023, Cilt: 13 Sayı: 4, 979 - 989, 15.10.2023

Ertuğrul Demirelli Halil İbrahim Solak İbrahim Tiryakioglu

https://doi.org/10.17714/gumusfenbil.1268504

Öz

Ülkemiz taşıdığı coğrafi şartlar gereği doğal afetler, özellikle de deprem gerçeği ile düzenli olarak yüzleşmektedir. Can ve mal kayıplarının büyük bölümünün depremlerde meydana geldiği ve ortalama beş yıllık periyotlarla bu coğrafyanın yıkıcı bir depremle sarsıldığı düşünülürse, deprem afeti alınacak önlemler bakımından ilk sırada gelmektedir. Depremler için alınabilecek önlemlerin belirlenmesi için depremlerin önceden tahmin edilebilmesi büyük önem arz etmektedir. Bu bağlamda son yıllarda makine öğrenmesi ile deprem tahmini çalışmaları hız kazanmıştır. Bu çalışmada deprem kataloğu ile jeolojik veriler ve jeodezik verilerin birleştirildiği bir veri seti kullanılarak deprem tahminleri yapılmıştır. Bu veri seti çalışmada kullanılan algoritma modellerini eğitmek ve eğitilen modellerin performansını ölçmek adına test ve eğitim verisi olarak bölünmüştür. Rastgele orman, ekstrem gradyan arttırma, karar ağacı ve k en yakın komşu regresyon algoritmaları kullanılarak eğitim seti ile modeller eğitilmiş, eğitilen modeller test verisi ile test edilmiştir. Analiz sonuçları karşılaştırılarak değerlendirilmiştir. Analiz sonuçlarına göre rastgele orman ve ekstrem gradyan arttırma regresyon algoritmaları en başarılı sonuçların alındığı algoritmalar olmuştur. Ortalama karesi hatası (MSE) değerleri incelendiğinde, en iyi sonuçlar deprem bilgileri, gerinimler ve fay bilgilerinden oluşan veri setinde gözlenmiştir. MSE için rastgele orman ve ekstrem gradyan arttırma algoritmaları ile 0.09, karar ağacı algoritması ile 0.16, k en yakın komşu algoritması ile 0.11 değerleri elde edilmiştir. Yapılan bu çalışma makine öğrenmesi ile deprem tahmini çalışmalarında, kullandığı veri seti ile farklı bir bakış açısı getirerek literatüre katkıda bulunmuştur.

Anahtar Kelimeler

Deprem, Deprem kataloğu, Makine öğrenmesi, Regresyon

Destekleyen Kurum

Afyon Kocatepe Üniversitesi

Proje Numarası

22.FEN.BİL.31

Earthquake prediction using earthquake catalogs with machine learning algorithm

Öz

Due to its geographical conditions, our country regularly faces the reality of natural disasters, especially earthquakes. Considering that most of the loss of life and property is caused by earthquakes and this region is shaken by a devastating earthquake in an average of five years, earthquake disaster comes first in terms of precautions to be taken. It is of great importance to be able to predict earthquakes in order to determine the precautions that can be taken for earthquakes. In this context, earthquake prediction studies with machine learning have gained momentum in recent years. In this study, earthquake predictions were made using an earthquake catalog and a data set combining geological and geodetic data. This data set is divided into test and training data in order to train the algorithm models used in the study and to measure the performance of the trained models. By using random forest, extreme gradient boosting, decision tree and k nearest neighbor regression algorithms, the models were trained with the training set and the trained models were tested with the test data. Analysis results were compared and evaluated. According to the analysis results, random forest and extreme gradient increment regression algorithms were the algorithms with the most successful results. When the mean square error (MSE) values are examined, the best results are observed in the data set consisting of earthquake information, strains and fault information. This study contributed to the literature by bringing a different perspective to the data set used in earthquake prediction studies with machine learning.

Anahtar Kelimeler

Earthquake, Earthquake catalog, Machine learning, Regression

Proje Numarası

22.FEN.BİL.31

Kaynakça

• Afet ve Acil Durum Yönetimi Başkanlığı (AFAD), (2018). Türkiye`de afet yönetimi ve doğa kaynaklı afet istatistikleri. https://www.afad.gov.tr/kurumlar/afad.gov.tr/35429/xfiles/turkiye_de_afetler.pdf
• Akın, P., & Terzi, Y. (2020). Dengesiz veri setli sağkalım verilerinde cox regresyon ve rastgele orman yöntemlerin karşılaştırılması. Veri Bilimi, 3(1), 21-25.
• Akman, M., Genç, Y., & Ankarali, H. (2011). Random forests yöntemi ve sağlık alanında bir uygulama/random forests methods and an application in health science. Türkiye Klinikleri Biyoistatistik, 3(1), 36-48.
• Akşehir, Z. D., & Kılıç, E. (2019). Makine öğrenmesi teknikleri ile banka hisse senetlerinin fiyat tahmini. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 12(2), 30-39.
• Aktuğ, B. (2017). Jeodezik deprem tehlike haritası. TMMOB Harita ve Kadastro Mühendisleri Odası Türkiye Harita Bilimsel ve Teknik Kurultayı, Ankara.
• Alptekin, M. U. Ö. (2012). Real-time (gerçek-zamanlı) sismolojisi, dünyadaki gelişimi ve Türkiye`de uygulanabilirliği. İstanbul Yerbilimleri Dergisi, 14(1-2).
• Altunkaynak, A., Başakın, E. E., & Kartal, E. (2020). Dalgacık k-en yakın komşuluk yöntemi ile hava kirliliği tahmini. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 25(3), 1547-1556. https://doi.org/10.17482/uumfd.809938
• Araszkiewicz, A., Figurski, M., & Jarosiński, M. (2016). Erroneous GNSS strain rate patterns and their application to investigate the tectonic credibility of GNSS velocities. Acta Geophysica, 64, 1412-1429. https://doi.org/10.1515/acgeo-2016-0057
• Başer, B. Ö., Yangın, M., & Sarıdaş, E. S. (2021). Makine öğrenmesi teknikleriyle diyabet hastalığının sınıflandırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 25(1), 112-120. https://doi.org/10.19113/sdufenbed.842460
• Bingol, K., Akan, A. E., Örmecioğlu, H. T., & Er, A. (2020). Artificial intelligence applications in earthquake resistant architectural design: Determination of irregular structural systems with deep learning and ImageAI method. Journal of the Faculty of Engineering and Architecture of Gazi University 35:4, 2197-2209. https://doi.org/10.17341/gazimmfd.647981
• Brownlee, J. (2016, August 17). A gentle introduction to xgboost for applied machine learning. Machine Learning Mastery. https://machinelearningmastery.com/gentle-introduction-xgboost-applied-machine-learning/
• Buitinck, L., Louppe, G., Blondel, M., Pedregosa, F., Mueller, A., Grisel, O., ... & Varoquaux, G. (2013). API design for machine learning software: experiences from the scikit-learn project. arXiv preprint arXiv:1309.0238.
• Çınaroğlu, S. (2017). Sağlık harcamasının tahmininde makine öğrenmesi regresyon yöntemlerinin karşılaştırılması. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 22(2), 179-200. https://doi.org/10.17482/uumfd.338805
• Emre, Ö., Duman, T. Y., Özalp, S., Şaroğlu, F., Olgun, Ş., Elmacı, H., & Çan, T. (2018). Active fault database of Turkey. Bulletin of Earthquake Engineering, 16(8), 3229-3275. https://doi.org/10.1007/s10518-016-0041-2
• Genç, F. N., (2007). Türkiye`de doğal afetler ve doğal afetlerde risk yönetimi. Stratejik Araştırmalar Dergisi, 5(9), 201-226.
• Gitis, V. G., & Derendyaev, A. B. (2019). Machine learning methods for seismic hazards forecast. Geosciences, 9(7), 308. https://doi.org/10.3390/geosciences9070308
• Gündoğdu, O. (1986). Türkiye depremlerinin kaynak parametreleri ve aralarındaki ilişkiler. [Doktora tezi, İstanbul Üniversitesi Mühendislik Fakültesi]
• Gündoğdu, O., Işık, Ö., & Koç, S. (2012). Marmara ve çevresinde deprem tehlikesi. Okmeydanı Tıp Dergisi, 28(2), 71-81. https://doi.org/10.5222/otd.supp2.2012.071
• Işık, Ö., Aydınlıoğlu, H. M., Koç, S., Gündoğdu, O., Korkmaz, G., & Ay, A. (2012). Afet yönetimi ve afet odaklı sağlık hizmetleri. Okmeydanı Tıp Dergisi, 28(2), 82-123. https://doi.org/10.5222/otd.supp2.2012.082
• Kavzoğlu, T., Şahin, E. K., & Çölkesen, İ. (2012). Heyelan duyarlılığının incelenmesinde regresyon ağaçlarının kullanımı: Trabzon örneği. Harita Dergisi, 147(3), 21-33.
• Kaya, Ç., & Yıldız, O. (2014). Makine öğrenmesi teknikleriyle saldırı tespiti: Karşılaştırmalı analiz. Marmara University Journal of Science, 26(3). https://doi.org/10.7240/mufbed.24684
• Korkmaz, D., Çelik, H. E., & Kapar, M. (2018). Sınıflandırma ve regresyon ağaçları ile rastgele orman algoritması kullanarak botnet tespiti: Van Yüzüncü Yıl Üniversitesi örneği. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23(3), 297-307.
• Kurt, A., Buldu, B., & Cedimoğlu, İ. H. (2020). Xgboost ve rastgele orman algoritmalarının ağ tabanlı saldırı tespitine yönelik performanslarının karşılaştırılması. International Marmara Sciences Congress (pp. 730-736), Kocaeli.
• Lubbers, N., Bolton, D. C., Mohd‐Yusof, J., Marone, C., Barros, K., & Johnson, P. A. (2018). Earthquake catalog‐based machine learning identification of laboratory fault states and the effects of magnitude of completeness. Geophysical Research Letters, 45(24), 13-269. https://doi.org/10.1029/2018GL079712
• Morde, V. (2019, Apr 8). Xgboost algorithm: long may she reign! Towards Data Science. https://towardsdatascience.com/https-medium-com-vishalmorde-xgboost-algorithm-long-she-may-rein-edd9f99be63d
• Moustra, M., Avraamides, M., & Christodoulou, C. (2011). Artificial neural networks for earthquake prediction using time series magnitude data or seismic electric signals. Expert systems with applications, 38(12), 15032-15039. https://doi.org/10.1016/j.eswa.2011.05.043
• Oğuzlar, A. (2003). Veri ön işleme. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (21), 67-76.
• Özkan, Y., Yürekli, B. S., & Suner, A. (2022). Diyabet tanısının tahminlenmesinde denetimli makine öğrenme algoritmalarının performans karşılaştırması. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(1), 211-226.
• Rodriguez-Galiano, V., Sanchez-Castillo, M., Chica-Olmo, M., & Chica-Rivas, M. J. O. G. R. (2015). Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines. Ore Geology Reviews, 71, 804-818. http://dx.doi.org/10.1016/j.oregeorev.2015.01.001
• Rouet‐Leduc, B., Hulbert, C., Lubbers, N., Barros, K., Humphreys, C. J., & Johnson, P. A. (2017). Machine learning predicts laboratory earthquakes. Geophysical Research Letters, 44(18), 9276-9282. https://doi.org/10.1002/2017GL074677
• Shen, Z. K., Wang, M., Zeng, Y., & Wang, F. (2015). Optimal interpolation of spatially discretized geodetic data. Bulletin of the Seismological Society of America, 105(4), 2117-2127. https://doi.org/10.1785/0120140247
• Solak, H. İ. (2015). GNSS hızları ile güneybatı anadolu’daki gerinim alanlarının zamansal değişimi. [Yüksek lisans tezi, Afyon Kocatepe Üniversitesi Fen Bilimleri Enstitüsü].
• Solak, H. İ. (2020). İzmir-Balıkesir transfer zonu ve çevresindeki güncel deformasyonların GNSS yöntemi ile incelenmesi. [Doktora tezi, Afyon Kocatepe Üniversitesi Fen Bilimleri Enstitüsü].
• Taşcı, E., & Onan, A. (2016). K-en yakın komşu algoritması parametrelerinin sınıflandırma performansı üzerine etkisinin incelenmesi. Akademik Bilişim, 1(1), 4-18.
• Utkucu, M., Budakoğlu, E., & Durmuş, H. (2011). Marmara bölgesinde (KB Türkiye) depremsellik ve deprem tehlikesi üzerine bir tartışma. Yerbilimleri, 32(3), 141-168.
• Ünaldı, S., & Yalçın, N. (2022). Hava kirliliğinin makine öğrenmesi tabanlı tahmini: Başakşehir örneği. Mühendislik Bilimleri ve Araştırmaları Dergisi, 4(1), 35-44.
• Verma, P., Anwar, S., Khan, S., & Mane, S. B. (2018). Network intrusion detection using clustering and gradient boosting. In 2018 9th International conference on computing, communication and networking technologies (ICCCNT) (pp. 1-7). IEEE.
• Wang, W., & Xu, Z. (2004). A heuristic training for support vector regression. Neurocomputing, 61, 259-275. https://doi.org/10.1016/j.neucom.2003.11.012