KaydedilenlerDerginizi ekleyin

Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2026 / Cilt: 25 Sayı: 3

Deprem Şiddet Tahmini İçin Derin Öğrenme Yöntemlerinin Karşılaştırılması ve Model Önerisi

Comparison of Deep Learning Methods and Model Proposal for Earthquake Intensity Estimation

Rabia Uyar(DUMLUPINAR ÜNİVERSİTESİ)0000-0002-6565-0560
Durmuş Özdemir(Kütahya Dumlupınar Üniversitesi)0000-0002-9543-4076
Sayfa
522–534
Yayın Tarihi
2025-06-10
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Önerilen iki modelden LSTM ile DŞTM (Deprem Şiddeti Tahmin Modeli); (0,561 R-kare değeri ile), YSA ile DŞTM’ne (0,3 R-kare) göre daha yüksek bir başarı göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Deprem, tektonik kuvvetlerin veya volkan faaliyetlerinin etkisiyle yer kabuğunun kırılması sonucunda ortaya çıkan enerjinin sismik dalgalar hâlinde yayılarak geçtikleri ortamları ve yeryüzünü kuvvetle sarsması olayıdır.
📊
Temel Bulgular & Veri:Bu kapsamda, 1965-2022 yılları arasında ülkemizde meydana gelen büyük ve küçük şiddetteki depremlerin sadece deprem şiddeti verileri esas alınarak, meydana gelmesi muhtemel depremlerin şiddetlerinin tahmin edilmesi amaçlanmıştır.
💡
Sonuç & Katkı:Önerilen iki modelden LSTM ile DŞTM (Deprem Şiddeti Tahmin Modeli); (0,561 R-kare değeri ile), YSA ile DŞTM’ne (0,3 R-kare) göre daha yüksek bir başarı göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2022 Verileri
⚙️Değişkenler:Derin öğrenme · Yapay sinir ağları · ARIMA

Özet

Deprem, tektonik kuvvetlerin veya volkan faaliyetlerinin etkisiyle yer kabuğunun kırılması sonucunda ortaya çıkan enerjinin sismik dalgalar hâlinde yayılarak geçtikleri ortamları ve yeryüzünü kuvvetle sarsması olayıdır. Deprem afeti ülkemizde dahil olmak üzere birçok ülkede şehirleşme ve yapılaşmadaki temel sorunlardan dolayı yeterince önlem alınamadığı için ciddi ölçüde kayıplar meydana getirmektedir. Bu tür kayıpların önüne geçebilmek için araştırmacılar, deprem şiddeti ve depremin meydana geldiği yeri önceden tahmin etmek için çalışmalar yürütmektedirler. Depremin meydana geleceği zamanı ve şiddetini tahmin edebilmek için, önceden meydana gelen depremlerin oluştuğu tarih, zaman, derinlik, enlem, boylam ve şiddet gibi verilerin bir araya getirilerek oluşturulan veri setinin çok iyi analiz edilerek faydalı deprem tahmin çalışmaları yürütülmektedir. Bu kapsamda, 1965-2022 yılları arasında ülkemizde meydana gelen büyük ve küçük şiddetteki depremlerin sadece deprem şiddeti verileri esas alınarak, meydana gelmesi muhtemel depremlerin şiddetlerinin tahmin edilmesi amaçlanmıştır. Belirlenen bu amaçlar doğrultusunda, depremlerin şiddetini tahmin edebilmek için, Amerika Birleşik Devletleri Jeolojik Araştırma Kurulundan elde edilen deprem katalog verileri kullanılarak, LSTM (Uzun-Kısa Vadeli Bellek) ile Deprem Şiddeti Tahmin Modeli ve YSA ile Deprem Şiddeti Tahmin Modeli olmak üzere iki farklı tahmin modeli geliştirilmiştir. Önerilen bu iki modelin tahmin sonuçları hem gerçek deprem verileriyle hem de Otomatik Regresif Entegre Hareketli Ortalama (ARIMA) modelinin tahmin sonuçları ile karşılaştırılmıştır. Önerilen iki modelden LSTM ile DŞTM (Deprem Şiddeti Tahmin Modeli); (0,561 R-kare değeri ile), YSA ile DŞTM’ne (0,3 R-kare) göre daha yüksek bir başarı göstermiştir.

Abstract

Earthquake is one of the natural disasters that shows that the soil, which is considered immobile by people, will also move and that all the structures on it can be damaged and collapsed with the loss of life. Earthquake disasters cause serious losses in many countries, including our country, because of the fundamental problems in urbanization and construction, due to the lack of adequate precautions. To prevent such losses, researchers carry out studies to predict the earthquake intensity and the place where the earthquake occurred. To predict the time and intensity of the earthquake, useful earthquake prediction studies are carried out by analyzing the data set created by combining data such as the date, time, depth, latitude, longitude, and intensity of previous earthquakes. In this context, it is aimed to estimate the intensities of possible earthquakes based on only the earthquake intensity data of the large and small earthquakes that occurred in our country between the years 1965-2022. In line with these determined purposes, two different estimation models, namely Earthquake Intensity Prediction Model with LSTM (Long short-term memory) and Earthquake Intensity Prediction Model with ANN, were developed by using earthquake catalog data obtained from the United States Geological Survey Board to predict the intensity of earthquakes. The prediction results of these two proposed models are compared with both the real earthquake data and the prediction results of the Automatic Regressive Integrated Moving Average (ARIMA) model, and the success of the developed models is presented.

🔖

Bu Makaleye Atıf Yap

Uyar, R., Özdemir, D. (2025). Deprem Şiddet Tahmini İçin Derin Öğrenme Yöntemlerinin Karşılaştırılması ve Model Önerisi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 25 Sayı: 3, 522–534. https://doi.org/10.35414/akufemubid.1511843

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (41)

  1. Abri, R. and Artuner, H., 2022. LSTM-based deep learning methods for prediction of earthquakes using ionospheric data. Gazi University Journal of Science, 35, 1417-1431. https://doi.org/10.35378/gujs.950387
  2. Akyüz, H.E., 2019. Farklı İstatistiksel Dağılımlar ile Deprem Verilerinin Modellenmesi ve Performans Karşılaştırması. Academic Platform Journal of Engineering and Science, 7, 7–13. https://doi.org/10.21541/apjes.401652
  3. Altan, A. and Karasu, S., 2020. Ayrıştırma Yöntemlerinin Derin Öğrenme Algoritması ile Tanımlanan Rüzgâr Hızı Tahmin Modeli Başarımına Etkisinin İncelenmesi. European Journal of Science and Technology, 20, 844-853. https://doi.org/10.31590/ejosat.785699
  4. Bayrak, E., Ozer, C., Cakici, H. and Kocadagistan, M. E., 2021. January 24, 2020 Sivrice (Turkey) Earthquake (Mw 6.8): Evaluation of Ground-Motion Prediction Equations and Microtremor Studies. Türk Deprem Arastirma Dergisi, 3, 125–148. https://doi.org/10.46464/tdad.1003057
  5. Crespi, M., Kossobokov, V., Peresan, A. and Panza, G. F., 2022. The integration between seismology and geodesy for intermediate-term narrow-range earthquake prediction according to NDSHA. Earthquakes and Sustainable Infrastructure: Neodeterministic (NDSHA) Approach Guarantees Prevention Rather than Cure, 97–112. https://doi.org/10.1016/B978-0-12-823503-4.00003-8
  6. DeVries, P. M. R., Viégas, F., Wattenberg, M. and Meade, B. J., 2018. Deep learning of aftershock patterns following large earthquakes. Nature, 560, 632–634. https://doi.org/10.1038/s41586-018-0438-y
  7. Doğan, A., 2021. Yapisal Tekrarlayan Sinir Ağlari İle Zaman-Mekansal Deprem Tahmini, Yüksek Lisans Tezi, Hacettepe Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
  8. Duman, O., 2016. Batı Anadolu Bölgesindeki Depremlerin Yapay Sinir Ağı Yöntemiyle Tahmini, Yüksek Lisans Tezi, Gümüşhane Üniversitesi Sosyal Bilimler Enstitüsü, Gümüşhane, 142.
  9. Emeksiz, C. and Tan, M., 2021. Geliştirilmiş EEMD-EWT Tabanlı Yapay Sinir Ağı Modeli Kullanarak Çok Adımlı Rüzgar Hızı Tahmini. European Journal of Science and Technology, 26, 165–173. https://doi.org/10.31590/ejosat.948661
  10. Fidanboy, M., Adar, N. and Okyay, S., 2022. Derin öğrenmeye dayalı orman yangını tahmin modeli geliştirilmesi ve Türkiye yangın risk haritasının oluşturulması. Ormancılık Araştırma Dergisi, 2, 206–218. https://doi.org/10.17568/ogmoad
  11. Guo, L., He, Z. and Li, L., 2022a. Lacustrine sedimentary responses to earthquakes—soft-sediment deformation structures since late Pleistocene: A review of current understanding. Earthquake Research Advances, 3, 100158. https://doi.org/10.1016/j.eqrea.2022.100158
  12. Jena, R., Pradhan, B., Al-amri, A., Lee, C. W. and Park, H. J., 2020. Earthquake probability assessment for the indian subcontinent using deep learning. Sensors, 20, 1–24. https://doi.org/10.3390/s20164369
  13. Jena, R., Pradhan, B., Almazroui, M., Assiri, M. and Park, H. J., 2023. Earthquake-induced liquefaction hazard mapping at national-scale in Australia using deep learning techniques. Geoscience Frontiers, 14, 101460. https://doi.org/10.1016/j.gsf.2022.101460
  14. Jiao, Z. H. and Shan, X., 2022. Consecutive statistical evaluation framework for earthquake forecasting: Evaluating satellite surface temperature anomaly detection methods. Journal of Asian Earth Sciences: X, 7, 100096. https://doi.org/10.1016/j.jaesx.2022.100096
  15. Joshi, A., Vishnu, C. and Mohan, C. K., 2022. Early detection of earthquake magnitude based on stacked ensemble model. Journal of Asian Earth Sciences: X, 8, 100122. https://doi.org/10.1016/j.jaesx.2022.100122
  16. Karcı, M., 2022. Derin Öğrenme Yöntemlerinin Kullanarak Deprem Tahmini. Artificial Intelligence Studies, 5, 23-34. https://doi.org/10.30855/ais.2022.05.01.03
  17. Khosravikia F. and Clayton P., 2021. Machine learning in ground motion prediction. Computers & Geosciences, 148, 104700. https://doi.org/10.1016/j.cageo.2021.104700
  18. Kuang, W., Yuan, C. and Zhang, J., 2021. Real-time determination of earthquake focal mechanism via deep learning. Nature Communications, 12, 1-8. https://doi.org/10.1038/s41467-021-21670-x
  19. Kuyuk, H. S. and Susumu, O., 2018. Real-time classification of earthquake using deep learning. Procedia Computer Science, 140, 298–305. https://doi.org/10.1016/j.procs.2018.10.316
  20. Laurenti, L., Tinti, E., Galasso, F., Franco, L. and Marone, C., 2022. Deep learning for laboratory earthquake prediction and autoregressive forecasting of fault zone stress. Earth and Planetary Science Letters, 598, 1-14. https://doi.org/10.1016/j.epsl.2022.117825
  21. Li, R., Lu, X., Li, S., Yang, H., Qiu, J., and Zhang, L., 2020. DLEP: A Deep Learning Model for Earthquake Prediction. 2020 International Joint Conference on Neural Networks (IJCNN). 1-8. https://doi.org/10.1109/IJCNN48605.2020.9207621
  22. Nicolis O., Plaza F. and Salas R., 2021. Prediction of intensity and location of seismic events using deep learning. Spatial Statistics, 42, 100442. https://doi.org/10.1016/j.spasta.2020.100442
  23. Özger, Y., 2020. Sultan II. Abdülhamid Döneminde İstanbul da Deprem Tahmini Tartışmaları ve Josef Nowack ın Padişaha Gönderdiği Rapor. History Studies International Journal of History, 12, 227–253. https://doi.org/10.9737/hist.2020.828
  24. Özmen, B., 2011. Kastamonu ve Yakın Çevresi İçin Deprem Olasılığı Tahminleri. Türkiye Jeoloji Bülteni, 54, 109-122.
  25. Öztürk, S. and Alkan, H., 2022. Van Gölü ve Civarı (Türkiye) İçin Deprem Tahmini ve Tehlikesi Üzerine İstatistiksel Bir Analiz ve Değerlendirme. Türk Deprem Araştırma Dergisi, 4, 191-209. https://doi.org/10.46464/tdad.1108730
  26. Pura T., Güneş P., Güneş A. and Hameed AA., 2023. Earthquake Prediction for the Düzce Province in the Marmara Region Using Artificial Intelligence. Applied Sciences, 13, 8642. https://doi.org/10.3390/app13158642
  27. Ren, T., Liu, X., Chen, H., Dimirovski, G. M., Meng, F., Wang, P., Zhida, Z and Ma, Y., 2023. Seismic severity estimation using convolutional neural network for earthquake early warning. Geophysical Journal International, 234, 1355-1362. https://doi.org/10.1093/gji/ggad137
  28. Sabah, L. and Bayraktar, H., 2020. Düzce Merkez ve İlçelerinin Deprem Senaryolarına Göre Karşılaştırmalı Olarak İncelenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 8, 1695- 1705. https://doi.org/10.29130/dubited.574013
  29. Sebatlı Sağlam, A. and Cavdur, F., 2022. Earthquake intensity estimation via an artificial neural network: Examination of different network designs and training algorithms. Journal of the Faculty of Engineering Architecture of Gazi University, 37, 2133-2145. https://doi.org/10.17341/gazimmfd.791337
  30. Senkaya M., Silahtar A., Erkan EF. and Karaaslan H.,2024. Prediction of local site influence on seismic vulnerability using machine learning: A study of the 6 February 2023 Türkiye earthquakes. Engineering Geology, 337, 107605. https://doi.org/10.1016/j.enggeo.2024.107605
  31. Sevinç, A. and Kaya, B., 2021. Derin Öğrenme ve İstatistiksel Modelleme Yöntemiyle Sıcaklık Tahmini ve Karşılaştırılması. European Journal of Science and Technology, 28, 1222 – 1228. https://doi.org/10.31590/ejosat.1014106
  32. Sevinç, A. and Kaya, B., (2021). Derin Öğrenme Yöntemleri ile Sıcaklık Tahmini: Diyarbakır İli Örneği. IDAP-2021: 5th International Artificial Intelligence and Data Processing symposium, 217-225. https://doi.org/10.53070/bbd.990966
  33. Song, J., Zhu, J., Wei, Y., Li, S. and Li, S., 2022. Real-time prediction of earthquake potential damage: A case study for the January 8, 2022 MS 6.9 Menyuan earthquake in Qinghai, China. Earthquake Research Advances, 3, 100197. https://doi.org/10.1016/j.eqrea.2022.100197
  34. Sumy, D. F., Jenkins, M. R., McBride, S. K. and de Groot, R. M., 2022. Typology development of earthquake displays in free-choice learning environments, to inform earthquake early warning education in the United States. International Journal of Disaster Risk Reduction, 73, 1-31. https://doi.org/10.1016/j.ijdrr.2022.102802
  35. Tan, A., Horasan, G., Kalafat, D. and Gülbaǧ, A., 2021. Discrimination of earthquakes and quarries in Kula District (Manisa, Turkey) and its vicinity by using linear discriminate function method and artificial neural networks. Bulletin of the Mineral Research and Exploration, 164, 75–92. https://doi.org/10.19111/bulletinofmre.757701
  36. Topçu, O., Kara, T., Bulut, A. A., Salgın, Ö., and Bakıcı, S. (2017). Küresel Seyrüsefer Uydu Sistemi (Gnss) Verileri İle Deprem Tahmini Yapmak. 4. Uluslararası Deprem Mühendisliği ve Sismoloji Konferansı. Eskişehir, Türkiye.
  37. Turgut, A., Temir, A., Aksoy, B. and Özsoy, K., 2019. Yapay Zekâ Yöntemleri İle Hava Sıcaklığı Tahmini İçin Sistem Tasarımı Ve Uygulaması. In Internatıonal Journal Of 3d Prıntıng Technologıes And Dıgıtal Industry, 3, 244-253.
  38. Utku, A. and Akcayol, M. A., 2020. Derin Öğrenme Tabanlı Model ile Bir Olayın Sonraki Olma Zamanının Tahmini. Journal of Polytechnic, 24, 1-15. https://doi.org/10.2339/politeknik.620613
  39. Wang, Q., Guo, Y., Yu, L. and Li, P., 2020. Earthquake Prediction Based on Spatio-Temporal Data Mining: An LSTM Network Approach. IEEE Transactions on Emerging Topics in Computing, 8, 148–158. https://doi.org/10.1109/TETC.2017.2699169
  40. Wang Y., Li X., Wang Z. and Liu J., 2023. Deep learning for magnitude prediction in earthquake early warning, Gondwana Research, 123, 164-173. https://doi.org/10.1016/j.gr.2022.06.009
  41. Wu, Z., 2022. Evaluation of numerical earthquake forecasting models. Earthquake Science, 35, 293–296. https://doi.org/10.1016/j.eqs.2022.08.006