Makine öğrenmesi metotları kullanılarak Sivas ilinde deprem veri analizi ve riskli bölge tahmini
Earthquake data analysis and risky area prediction in Sivas province using machine learning methods
- Tez No: 958356
- Danışmanlar: PROF. DR. SERKAN AKKOYUN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Deprem Mühendisliği, Jeoloji Mühendisliği, Computer Engineering and Computer Science and Control, Earthquake Engineering, Geological Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 97
Özet
Depremler, can ve mal kayıplarına neden olan, altyapıyı tahrip eden ve toplumsal yapıyı derinden etkileyen en yıkıcı doğal afetler arasında yer almaktadır. Bu çalışmada, Sivas ili Merkez ilçesi merkez alınarak 100 kilometre yarıçaplı bir alanda 1900–2025 yılları arasında meydana gelen 551 adet depreme ait veriler analiz edilmiştir. Boğaziçi Üniversitesi Kandilli Rasathanesi veri tabanından elde edilen tarih, saat, enlem, boylam, derinlik, şiddet ve yer bilgilerini içeren bu veri seti Python programlama dili ile işlenmiş; ardından makine öğrenmesi algoritmaları uygulanarak deprem büyüklüğü tahmin edilmiştir. Çalışmada kullanılan algoritmalar arasında Destek Vektör Makineleri (SVM), Extreme Gradient Boosting (XGBoost), K-En Yakın Komşu (KNN), Karar Ağaçları (DT) ve Rastgele Orman (RF) yer almaktadır. Tahmin sürecine ek olarak, depremler üç sınıfa ayrılarak sınıflandırma analizi yapılmış ve dengesiz sınıflar SMOTE yöntemiyle dengelenmiştir. Ayrıca, coğrafi koordinatlara dayalı mekânsal analizler ile bölgesel risk haritası oluşturulmuştur. Model performansları doğruluk, kesinlik, duyarlılık ve F1-skor gibi ölçütlerle değerlendirilmiş, XGBoost ve Random Forest algoritmalarının diğerlerine göre daha başarılı sonuçlar verdiği görülmüştür. Bu bulgular, makine öğrenmesi temelli yöntemlerin deprem tahmini, risk analizi ve karar destek sistemleri açısından değerli katkılar sunabileceğini göstermektedir.
Özet (Çeviri)
Earthquakes are among the most devastating natural disasters, causing loss of life and property, damaging infrastructure, and deeply affecting the social structure. In this study, a total of 551 earthquakes that occurred between 1900 and 2025 within a 100-kilometer radius centered on the central district of Sivas province were analyzed. The dataset, obtained from Boğaziçi University Kandilli Observatory and Earthquake Research Institute, includes information on date, time, latitude, longitude, depth, magnitude, and location. These data were processed using the Python programming language, and earthquake magnitude prediction was carried out by applying machine learning algorithms. The algorithms used in the study include Support Vector Machines (SVM), Extreme Gradient Boosting (XGBoost), K-Nearest Neighbors (KNN), Decision Trees (DT), and Random Forest (RF). In addition to magnitude prediction, a classification analysis was conducted by categorizing the earthquakes into three classes, and class imbalance was addressed using the SMOTE (Synthetic Minority Over-sampling Technique) method. Furthermore, spatial analyses based on geographic coordinates were performed to generate a regional earthquake risk map. Model performances were evaluated using metrics such as accuracy, precision, recall, and F1-score, and it was observed that XGBoost and Random Forest algorithms achieved better results compared to the others. These findings demonstrate that machine learning-based methods can offer valuable contributions to earthquake prediction, risk analysis, and decision support systems.
Benzer Tezler
- Trajectory tracking control of a quadrotor with reinforcement learning
Pekiştirmeli öğrenme ile bir quadrotor'un yörünge takip kontrolü
EREN ÇAKMAK
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Mil-Std 1553 tabanlı sistemler için yeni bir saldırı tespiti yaklaşımı
A new intrusion detection approach for Mil-Std 1553 based systems
YUNUS EMRE ÇİLOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR
- Evolutionary reinforcement learning based autonomous maneuver decision in one-to-one short-range air combat
Bire bir kısa menzilli hava muharebesinde evrimsel pekiştirmeli öğrenme tabanlı otonom manevra karar sistemi
YASİN BAYKAL
Yüksek Lisans
İngilizce
2023
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ BAŞPINAR
- Hierarchical reinforcement learning in complex wargame environments
Kompleks savaş oyunu ortamlarında hiyerarşik pekiştirmeli öğrenme
KUBİLAY KAĞAN KÖMÜRCÜ
Yüksek Lisans
İngilizce
2024
Astronomi ve Uzay Bilimleriİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Scientific machine learning supported track-to-track fusion
Bilimsel makine öğrenmesi destekli takip bilgisi füzyonu
RECEP AYZİT
Yüksek Lisans
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. BARIŞ BAŞPINAR