Derin öğrenme yöntemleri kullanılarak Türkiye'deki depremlerin tahmini
Prediction of earthquakes in Turkey using deep learning methods
- Tez No: 788830
- Danışmanlar: DR. ÖĞR. ÜYESİ EFNAN ŞORA GÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: 65
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.
Özet (Çeviri)
Earthquakes, which are described as earth crust movements, pose a material and vital danger to people. For this reason, it is of great importance to establish an early warning system against possible earthquakes. The absence of a determining pattern for earthquake formation makes estimations difficult. However, due to the need and necessity of an early warning system, studies have been going on for many years. In this thesis, earthquakes are handled by grouping them in space-time and it is investigated whether earthquakes will occur in sub-regions over Turkey. Turkey was divided into subregions using K-means clustering (K-means) and grating methods. In both sub-zoning methods, the data are grouped into weekly and monthly. Deep neural networks (DNN), long short-term memory (LSTM) and bidirectional long short-term memory (Bi-LSTM) structures were used to perform the predictions. All datasets and models were trained, and the performance results were calculated and the models were compared in terms of subzonation method and temporal grouping. When it is considered as a sub-regionalization method, higher performance results were obtained with the data sets created using the K-means method. Among the studies, the highest F1 score was obtained as a result of training the Bi-LSTM model with the data set created using the K-means method and monthly grouping, and the F1 score was calculated as 0.96. In studies with weekly grouped data sets, the highest performance value was obtained with the LSTM model and the F1 score was found to be 0.82.
Benzer Tezler
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Derin öğrenme yöntemleri kullanılarak covid-19 vaka tahmini ve mevsimsel etkilerin analizi
Prediction of covid-19 cases using deep learning methods and analyzing of seasonal effects
ÖZNUR YILDIRIM
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ FINDIK
- Sosyal medya madenciliğinde insan duygularının ve tepkilerinin analizi
Analysis of human emotions and reactions in social media mining
ULVI ISGANDARLI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAMZA EROL
- Kümeleme yöntemleri ile müşteri kanal göçü analizi
Customer channel migration analysis with clustering methods
GİZEM ÇALIŞKAN
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET YASİN ULUKUŞ
- Using traditional and deep machine learning methods on predicting triage level in an emergency room
Geleneksel makine öğrenmesi ve derin öğrenme yöntemleriyle acil servis triyaj tahminlemesi
MEHMET YILDIRIM
Yüksek Lisans
İngilizce
2024
Acil TıpBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE UĞUR
PROF. DR. AYŞE BAŞAR