Makine öğrenmesi teknikleri ile deprem tehlike haritalarının belirlenmesi
Determination earthquake hazard maps with machine learning techniques
- Tez No: 819269
- Danışmanlar: PROF. DR. İBRAHİM TİRYAKİOĞLU, DR. ÖĞR. ÜYESİ HALİL İBRAHİM SOLAK
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 67
Özet
Ülkemiz taşıdığı coğrafi şartlar gereği doğal afetler, özellikle de deprem gerçeği ile sıklıkla yüzleşmektedir. Can ve mal kayıplarının büyük bölümünün depremlerde meydana geldiği ve 5 yılda bir bu coğrafyanın yıkıcı bir depremle sarsıldığı düşünülürse, deprem afeti önlem alınması gereken afetler bakımından ilk sırada gelmektedir. Depremler için alınabilecek önlemlerin belirlenmesi için depremlerin önceden tahmin edilebilmesi büyük önem arz etmektedir. Bu bağlamda son yıllarda makine öğrenmesi ile deprem tahmini çalışmaları hız kazanmıştır. Literatürde çeşitli yöntemler ile bu çalışmaların yapıldığı görülmektedir. Bu çalışmada ise deprem kataloğu ile jeolojik ve jeodezik verilerin birleştirildiği bir veri seti oluşturulmuştur. Sonrasında hem tüm depremleri içeren ham veri hem de fay bilgilerinin ve gerinimlerin eklendiği veri seti uygun şekilde eğitim ve test verisi olarak ayrılmıştır. Random Forest, Xgboost, Decision Tree ve K-nn regresyon algoritmaları kullanılarak eğitim seti ile modeller eğitilmiş, eğitilen modeller test verisi ile test edilmiştir. Elde edilen sonuçlar karşılaştırılarak değerlendirilmiştir. Karesel ortalama hata değerlerine göre en iyi sonuç 0.09 ile random forest ve xgboost algoritmalarında elde edilirken, en kötü sonuç 0.19 ile decision tree algoritmasında elde edilmiştir. Son olarak kullanılan tüm algoritmalar ile geleceğe yönelik deprem tahminleri yapılarak, bu tahminler deprem tehlike haritalarının üretilmesinde kullanılmıştır. Yapılan bu çalışmada kullanılan veri seti ile makine öğrenmesi ile deprem tahmini çalışmalarına farklı bir bakış açısı getirerek literatüre katkıda bulunulmuştur.
Özet (Çeviri)
Due to its geographical conditions, our country frequently faces the reality of natural disasters, especially earthquakes. Considering that most of the loss of life and property is caused by earthquakes and this region is shaken by a devastating earthquake every five years, earthquake disaster comes first in terms of disasters that require precautions. It is of great importance to be able to predict earthquakes in order to determine the precautions that can be taken for earthquakes. In this context, earthquake prediction studies with machine learning have gained momentum in recent years. It is seen in the literature that these studies have been carried out by various methods. In this study, a data set was created in which earthquake catalogue, geological data and geodetic data were combined. Afterwards, both the raw data including all earthquakes and the data set to which fault information and strains are added, are appropriately separated as training and test data. By using Random Forest, Xgboost, Decision Tree and K-nn regression algorithms, the models were trained with the training set and the trained models were tested with the test data. Obtained results were evaluated and compared. According to the square mean error values, the best result was obtained in the random forest and xgboost algorithms with 0.09, while the worst result was obtained in the decision tree algorithm with 0.19. Finally, earthquake predictions for the future were made with all the algorithms used, and these predictions were used in the production of earthquake hazard maps. This study contributed to the literature by bringing a different perspective to the data set used in earthquake prediction studies with machine learning.
Benzer Tezler
- Depremlerin magnitüd türü dönüşümü ve maksimum yer hareketi ivmesi (PGA) tahmininde yapay zeka uygulamaları
The applications of artificial intelligence for magnitude types conversion and peak ground acceleration (PGA) prediction of earthquakes
KAAN HAKAN ÇOBAN
Doktora
Türkçe
2021
Jeofizik MühendisliğiKaradeniz Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
PROF. DR. NİLGÜN LÜTFİYE SAYIL
- Out-of-plane behaviour assessment of double-leaf masonry walls and numerical model for nonlinear analysis
Çift yapraklı yığma duvarların düzlem dışı davranışlarının değerlendirilmesi ve doğrusal olmayan analiz için sayısal model önerilmesi
ALVAND MOSHFEGHI
Doktora
İngilizce
2025
Deprem Mühendisliğiİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
PROF. DR. İHSAN ENGİN BAL
- Application of LSTM-based deep learning models for seismic forecasting of a potential major earthquake using geophysical techniques in the marmara Sea Region, Türkiye
Marmara Denizi Bölgesi'nde olası büyük bir depremin sismik öngörüsü için LSTM tabanlı derin öğrenme modellerinin jeofiziksel yöntemlerle uygulanması
SHAHEEN MOHAMMED SALEH AHMED AHMED
Doktora
İngilizce
2025
Jeoloji MühendisliğiÇukurova ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN GÜNEYLİ
- Derin öğrenme yöntemi ile deprem sırasında mobil platform üzerinden twitter'da paylaşılan acil mesajların tespiti
Detection of urgent messages shared on twitter via mobile platform during an earthquake with deep learning method
MÜCAHİT SÖYLEMEZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ÖZTÜRK
- Yapay zeka teknikleri ile afet sonrası hava kirlilik tahmini
Post-disaster air pollution forecast with artificial intelligence techniques
ONUR YILMAZ
Yüksek Lisans
Türkçe
2025
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. GAMZE ÖZEL KADILAR