Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightRandom Forest, SVM, LSTM algoritmaları kullanılarak eğitim seti ile modeller eğitilmiş, eğitilen modeller test verisi ile test edilmiştir.Bu testler karşılaştırıldığında en iyi performansı gösteren modelin Random Forest olduğu görülmüştür.Ortalama mutlak hata (MAE), Kök Ortalama Kare Hata (RMSE), R2 (belirlilik katsayısı) değerleri ile model performansı karşılaştırıldığında Random Forest modeli genel ve kararlı bir yaklaşım göstermiştir.Yapılan makine öğrenmesi çalışmasıyla, İstanbul ilindeki seçilen bir ilçe için M >= 3.5 büyüklüğünde 7 günlük periyotta deprem olma olasılığını tahmin etmesi açısından anlamlı sonuçlar üretebileceğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Türkiye’nin dağlık yapısı, genç jeolojik oluşumu ve aktif levha hareketleri depremlerin bu bölgede sık ve yıkıcı olmasına zemin hazırlamaktadır. Özellikle Marmara, Ege ve Doğu Anadolu bölgeleri, hem fay yoğunluğu hem de nüfus dağılımı nedeniyle yüksek risk içeren alanlar olarak öne çıkmaktadır. Depremlerin oluşturduğu yıkımları azaltmak ve önlemler alabilmek için depremin önceden tahmin edilebilmesi büyük önem taşımaktadır. Bu çalışmada Marmara Bölgesi’ndeki İstanbul ili için jeolojik ve sismik veriler kullanılarak M >= 3.5 büyüklüğündeki depremlerin önümüzdeki 7 gün içerisinde meydana gelip gelmeyeceğinin tahmin edilmesi amaçlanmıştır. Random Forest, SVM, LSTM algoritmaları kullanılarak eğitim seti ile modeller eğitilmiş, eğitilen modeller test verisi ile test edilmiştir.Bu testler karşılaştırıldığında en iyi performansı gösteren modelin Random Forest olduğu görülmüştür.Ortalama mutlak hata (MAE), Kök Ortalama Kare Hata (RMSE), R2 (belirlilik katsayısı) değerleri ile model performansı karşılaştırıldığında Random Forest modeli genel ve kararlı bir yaklaşım göstermiştir.Yapılan makine öğrenmesi çalışmasıyla, İstanbul ilindeki seçilen bir ilçe için M >= 3.5 büyüklüğünde 7 günlük periyotta deprem olma olasılığını tahmin etmesi açısından anlamlı sonuçlar üretebileceğini göstermektedir.
Abstract
Turkey’s mountainous topography, young geological structure, and active tectonic plate movements create conditions in which earthquakes occur frequently and often cause severe damage. In particular, the Marmara, Aegean, and Eastern Anatolia regions stand out as high-risk areas due to both dense fault systems and population distribution. In order to reduce the destructive impacts of earthquakes and implement effective mitigation measures, the ability to forecast seismic events in advance is of critical importance. In this study, geological and seismic data were used to predict whether earthquakes with a magnitude of M ≥ 3.5 would occur within the next seven days for Istanbul province in the Marmara Region. Machine learning models were trained using Random Forest, Support Vector Machines (SVM), and Long Short-Term Memory (LSTM) algorithms, and their performances were evaluated on a test dataset. Comparative analyses demonstrated that the Random Forest model achieved the best overall performance. Model effectiveness was assessed using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and the coefficient of determination (R²), and the Random Forest model exhibited a more stable and consistent predictive capability compared to the other approaches. The results of this machine learning–based analysis indicate that the proposed method can generate meaningful probabilistic estimates for the occurrence of earthquakes with a magnitude of M ≥ 3.5 within a seven-day period for a selected district in Istanbul, highlighting its potential contribution to short-term seismic risk assessment.