Türkiye'de deprem konumu tahmininde makine öğrenmesi modellerinin karşılaştırılması
Comparison of machine learning models for earthquake location prediction in Turkey
- Tez No: 1020901
- Danışmanlar: DOÇ. DR. SEMA ALACALI
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Deprem, Earthquake
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapı Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Türkiye, aktif fay hatları üzerinde yer alması nedeniyle deprem riski yüksek ülkeler arasında bulunmaktadır. Bu nedenle depremlerin anlaşılması ve analiz edilmesi büyük önem taşımaktadır. Günümüzde gelişen teknolojiyle birlikte makine öğrenmesi algoritmaları, geçmiş deprem kayıtlarından yararlanarak deprem verileri arasındaki ilişkilerin analiz edilmesine ve farklı tahmin modellerinin geliştirilmesine olanak sağlamaktadır. Bu çalışmada, Türkiye'de geçmiş deprem kayıtları kullanılarak coğrafi konumu temsil eden enlem ve boylam değerlerinin tahmin edilmesi amaçlanmıştır. Bu bağlamda, 1900–2025 yılları arasında meydana gelen 4.0 ve üzeri büyüklüğe sahip depremleri içeren 6776 gözlemden oluşan bir veri seti kullanılmıştır. Söz konusu veri seti; yıl, derinlik, büyüklük, depremin meydana geldiği şehir bilgisi ile enlem ve boylam değişkenlerinden oluşmaktadır. Çalışmada enlem ve boylam bağımlı değişkenler, diğer değişkenler ise bağımsız değişkenler olarak göz önüne alınmıştır. Deprem verilerindeki karmaşık ilişkileri analiz etmek amacıyla Random Forest, Bagged Trees, XGBoost, GBM, LightGBM ve CatBoost makine öğrenmesi algoritmaları kullanılmış ve modellerin performansları karşılaştırılmıştır. Değerlendirmede RMSE ve R² istatistiksel performans metriklerinden yararlanılmıştır. Elde edilen sonuçlar, XGBoost algoritmasının diğer modellere göre daha yüksek tahmin başarısı sağladığını göstermiştir. Ayrıca, deprem parametreleri ile coğrafi konum arasında anlamlı ilişkiler bulunduğu ve konum tahmininin makine öğrenmesi yöntemleriyle belirli bir doğruluk düzeyinde gerçekleştirilebileceği ortaya konulmuştur. Bu çalışma, deprem verilerine dayalı konum tahmininde farklı makine öğrenmesi yaklaşımlarının karşılaştırmalı olarak değerlendirilmesine katkı sağlamaktadır. Elde edilen sonuçlar, gelecekte gerçekleştirilecek veri odaklı deprem analizleri için önemli bir temel sunmaktadır.
Özet (Çeviri)
Turkey, located on active fault lines, is among the countries with a high earthquake risk. Therefore, understanding and analyzing earthquakes is of great importance. With the advancement of technology, machine learning algorithms enable the analysis of relationships within historical earthquake records and the development of various prediction models. In this study, it was aimed to predict the latitude and longitude values representing the geographical location by using historical earthquake records in Turkey. In this context, a dataset consisting of 6776 observations, including earthquakes with a magnitude of 4.0 and above that occurred between 1900 and 2025, was used. The dataset consists of year, depth, magnitude, city information where the earthquake occurred, and latitude and longitude variables. In the study, latitude and longitude were considered as dependent variables, while the remaining variables were treated as independent variables.To analyze the complex relationships within earthquake data, Random Forest, Bagged Trees, XGBoost, GBM, LightGBM, and CatBoost machine learning algorithms were employed, and the performances of the models were compared. RMSE and R² statistical performance metrics were used for evaluation. The obtained results showed that the XGBoost algorithm achieved higher prediction performance compared to the other models. In addition, it was revealed that there are significant relationships between earthquake parameters and geographical location, and that location prediction can be performed with a certain level of accuracy using machine learning methods. This study contributes to the comparative evaluation of different machine learning approaches for location prediction based on earthquake data. The obtained findings provide an important foundation for future data-driven earthquake analyses.
Benzer Tezler
- Earthquake risk assessment using artifical intelligence
Yapay zekâ kullanilarak deprem risk değerlendirmesi
BILAL EIN LAROUZI
Doktora
İngilizce
2026
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
Prof. Dr. YASİN FAHJAN
- Threshold estimation for preliminary risk assessment method using machine learning algorithm
Makine öğrenmesi algoritması kullanarak ön risk değerlendirme yöntemi için eşik değer tahmini
FAZEL SHAH ABDALI
Yüksek Lisans
İngilizce
2026
Deprem MühendisliğiMuğla Sıtkı Koçman Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VESİLE HATUN AKANSEL
- Ses yalıtım ve maliyet performansına bağlı duvar tipi seçimi için bir yaklaşım
An approach for wall type selection based on sound insulation and cost performance
BİLGE ŞAN ÖZBİLEN
- Türkiye'nin kuzeybatı bölgesinde makine öğrenimi algoritmaları ile deprem konumu tahmini
Earthquake location prediction in the northwestern region of Turkey using machine learning algorithms
CEM ÇAĞLAYAN
Yüksek Lisans
Türkçe
2026
İnşaat MühendisliğiYıldız Teknik Üniversitesiİnşaat Yapı Ana Bilim Dalı
DOÇ. DR. SEMA ALACALI
- Seismic capacity of masonry arches optimally strengthened with fibre-reinforced polymer: Experimental and numerical investigation
Lif takviyeli polimer ile optimum olarak güçlendirilen yığma kemerlerin sismik kapasitesi: Deneysel ve sayısal araştırma
İSMAİL HAKKI TARHAN
Doktora
İngilizce
2022
İnşaat MühendisliğiAtatürk Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. HABİB UYSAL
PROF. DR. PAULO BARBOSA LOURENCO