Derin öğrenme yöntemleri kullanılarak Türkiye'deki depremlerin tahmini

MERVE ÇELİK

Derin öğrenme yöntemleri kullanılarak Türkiye'deki depremlerin tahmini

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Öğrenci: MERVE ÇELİK

Danışman: Efnan Şora Günal

Özet:

Yer kabuğu hareketleri olarak nitelendirilen depremler, insanlar için, maddi ve hayati bir şekilde tehlike arz etmektedirler. Bu nedenle, olabilecek depremlere karşı bir erken uyarı sistemi oluşturabilmek büyük önem taşımaktadır. Deprem oluşumuna ilişkin belirleyici niteliğe sahip bir desen bulunmaması, tahminleri zorlaştırmaktadır. Bununla birlikte, erken uyarı sisteminin ihtiyacı ve gerekliliği nedeniyle çalışmalar uzun yıllardır devam etmektedir. Bu tezde, depremler uzay-zaman olarak gruplanarak ele alınmış ve Türkiye üzerindeki alt bölgelerde deprem meydana gelip gelmeyeceği araştırılmıştır. Türkiye, K-ortalamalar kümelemesi (K-means) ve ızgaralara ayırma yöntemleri kullanılarak alt bölgelere ayrılmıştır. Her iki alt bölgelere ayırma yöntemi içinde veriler, haftalık ve aylık olarak gruplandırılmıştır. Tahminlerin gerçekleştirilmesi için derin sinir ağları (DNN), uzun kısa süreli bellek (LSTM) ve çift yönlü uzun kısa süreli bellek (Bi-LSTM) yapıları kullanılmıştır. Tüm veri setleri ile modellerin eğitimi sağlanmış ve performans sonuçları hesaplanarak, modeller, alt bölgelere ayırma yöntemi ve zamansal gruplandırılmaları açısından karşılaştırılmıştır. Alt bölgelere ayırma yöntemi olarak değerlendirildiğinde, K-means yöntemi kullanılarak oluşturulmuş olan veri setleri ile daha yüksek başarımlı sonuçlar elde edilmiştir. Yapılan çalışmalar içinde en yüksek F1 skoru, Bi-LSTM modelinin, K-means yöntemi ve aylık gruplama kullanılarak oluşturulmuş veri seti ile eğitimi sonucu elde edilmiş olup, F1 skoru 0,96 olarak hesaplanmıştır. Haftalık olarak gruplandırılmış veri setleri yapılan çalışmalarda ise, en yüksek performans değeri, LSTM modeli ile elde edilmiş ve F1 skoru 0,82 olarak bulunmuştur.