Akıllı Telefonda Derin Öğrenme ile Deprem Erken Uyarı SistemiTasarımı

A Preliminary Design of Smartphone-Based Earthquake Early Warning System via Deep Learning

Özet

Ülkemiz gibi deprem kuşağında olan bir coğrafya için deprem araştırmaları ve olası erken uyarı sistemlerine dair olan yeni yaklaşımlar, son zamanlarda meydana gelen depremleri de göz önünde bulunduracak olursak (ör. İzmir, 2020), artan bir önem ve ihtiyaç teşkiletmektedir. Özellikle uyku halinde iken yakalanılan depremler, bilindiği üzere, çok daha vahim sonuçlar doğurmaktadır. Bu çalışmada,mevcut çalışmalardan farklı olarak, ilk tasarımı yapılan deprem erken uyarı sistemi yaklaşımı, uyku halinde iken, içinde bulunansensörler aracılığı ile ivmeölçer’e dönüştürülen akıllı telefonlar sayesinde, ReQuakenition ismini verdiğimiz bir telefon uygulamasıarayüzü ile acil durumlarda olası bir depremin haber verilmesi amaçlandı. Afet ve Acil Durum Yönetimi Başkanlığı (AFAD) web sayfasından indirilen gerçek deprem verilerinden yararlanarak Uzun kısa süreli belleğe sahip (Long-Short Term Memory: LSTM)tekrarlayan sinir ağı mimarisi (Recurrent Neural Network: RNN) derin öğrenme algoritmaları ile eğitilen verilerden elde edilen sonuçlarda %82’nin üzerinde duyarlılık gözlemlendi. Elde edilen bu ilk sonuçlar, son derece yaygın olarak kullanılan akıllı telefonların,deprem erken uyarı sistemlerinde kullanılmak üzere, jeodezik ve sismik ağların yanı sıra çok daha yoğun ve homojen bir ivmeölçer ağıgibi çalışabilmesi adına ümit vericidir.

Abstract

For an earthquake-prone geography like our country, earthquake studies and new approaches to possible early warning systems are ofincreasing importance and need, considering especially the recent earthquakes (e.g. Izmir, 2020). As it is known, earthquakes that areoccurring especially while in sleep have much more serious consequences. In this study, unlike the current studies, a preliminaryearthquake early warning system approach has been designed for the first time to be used while in sleep. It aims to notify a possibleearthquake thanks to smartphones that are converted into accelerometers with the sensors inside. A smartphone application interfacecalled ReQuakenition has been also designed for providing a user-friendly tool for emergency cases. By making use of real earthquakedata downloaded from the Disaster and Emergency Management Presidency (AFAD) website, 82 % sensitivity was observed in theresults obtained from the data trained with the Recurrent Neural Network architecture (RNN) Long-Short Term Memory (LSTM) deep learning algorithms. These initial results are promising for the widely used smartphones to work as a much denser and homogeneousaccelerometer network as well as geodetic and seismic networks for use in earthquake early warning systems.