Yapay zeka tabanlı deprem tahmini: İstanbul için derin öğrenme modelleri ile bir yaklaşım
Aİ-based earthquake prediction: An approach for istanbul using deep learning models
- Tez No: 988658
- Danışmanlar: PROF. DR. AYTUĞ ONAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Deprem Mühendisliği, Computer Engineering and Computer Science and Control, Earthquake Engineering
- Anahtar Kelimeler: Düşey sismik profil yöntemi, Marmara depremi, Vertical seismic profile method, Marmara earthquake
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, İstanbul ve Marmara Bölgesi için deprem büyüklüğü tahmini problemine yönelik derin öğrenme tabanlı hibrit bir model önerilmektedir. Bölgenin karmaşık sismotektonik yapısı, depremlerin uzamsal ve zamansal bağımlılıklarının birlikte ele alınmasını zorunlu kılmaktadır. Bu doğrultuda, sismik olayların uzamsal örüntülerini öğrenmek üzere Konvolüsyonel Sinir Ağları (CNN) ile zaman serilerindeki uzun dönemli bağımlılıkları modellemek üzere Uzun Kısa Süreli Bellek (LSTM) mimarilerini birleştiren bir CNN–LSTM hibrit çerçevesi geliştirilmiştir. Çalışmada, Amerika Birleşik Devletleri Jeoloji Araştırmaları Kurumu (USGS) ve Kandilli Rasathanesi ve Deprem Araştırma Enstitüsü (KOERI) tarafından sağlanan deprem katalogları kullanılmıştır. Veriler, kapsamlı ön işleme adımlarından geçirilmiş; tekrarlayan kayıtlar giderilmiş, eksik veriler istatistiksel yöntemlerle ele alınmış ve zaman serisi yapısı, pencere ve koruma boşluğu (gap) yaklaşımı ile yeniden yapılandırılmıştır. Model performansı; ortalama mutlak hata (MAE), karekök ortalama karesel hata (RMSE) ve beklenen kalibrasyon hatası (ECE) gibi ölçütler kullanılarak değerlendirilmiştir. Elde edilen deneysel sonuçlar, önerilen CNN–LSTM modelinin klasik istatistiksel yöntemlere, geleneksel makine öğrenmesi yaklaşımlarına ve tek bileşenli derin öğrenme modellerine kıyasla daha düşük hata değerleri ve daha iyi kalibrasyon performansı sunduğunu göstermektedir. Ayrıca gerçekleştirilen ablasyon çalışmaları ve parametre duyarlılık analizleri, mimari bileşenlerin ve zaman serisi yapılandırmasının model performansına olan katkılarını nicel olarak ortaya koymuştur. Sonuçlar, hibrit derin öğrenme yaklaşımlarının deprem büyüklüğü tahmini probleminde doğruluk, kararlılık ve güvenilirlik açısından önemli avantajlar sağladığını göstermektedir.
Özet (Çeviri)
In this thesis, a deep learning–based hybrid model is proposed for the problem of earthquake magnitude prediction in Istanbul and the Marmara Region. The complex seismotectonic structure of the region necessitates the joint modeling of spatial and temporal dependencies inherent in seismic processes. To address this challenge, a CNN–LSTM hybrid architecture is developed, combining Convolutional Neural Networks (CNNs) for learning spatial patterns of seismic events with Long Short-Term Memory (LSTM) networks for capturing long-term temporal dependencies in time series data. The study utilizes earthquake catalogs provided by the United States Geological Survey (USGS) and the Kandilli Observatory and Earthquake Research Institute (KOERI).Thedataaresubjectedtocomprehensivepreprocessingsteps,includingthe removal of duplicate records, handling of missing values through statistical methods, and restructuring of time series using a sliding window and gap-based approach. Model performance is evaluated using multiple metrics, including Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Expected Calibration Error (ECE), to assess both accuracy and reliability. Experimental results demonstrate that the proposed CNN–LSTM model consistently outperforms classical statistical methods, traditional machine learning approaches, and single-component deep learning models in terms of prediction accuracy and calibration quality. Furthermore, extensive ablation studies and parameter sensitivity analyses quantitatively reveal the contributions of individual architectural components and time series configurations to overall model performance. The findings indicate that hybrid deep learning frameworks provide a robust, accurate, and reliable solution for earthquake magnitude prediction, particularly in regions with complex seismic characteristics.
Benzer Tezler
- Enhancing disaster management through deep learning: Building damage assessment using satellite imagery
Derin öğrenme ile afet yönetiminin geliştirilmesi: Uydu görüntüleri kullanılarak bina hasar tespiti
MOHAMMADREZA MOHAMMADIAHANI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiAfet ve Acil Durum Yönetimi Ana Bilim Dalı (disiplinlerarası)
PROF. DR. DİDEM SALOĞLU DERTLİ
- Resilient and sustainable smart cities: Cybersecurity, disaster management, and data-driven urban solutions
Dayanıklı ve sürdürülebilir akıllı şehirler: Siber güvenlik, afet yönetimi ve veri odaklı kent çözümleri
KIYMET KAYA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖGÜDÜCÜ
- Enhancing UCAV operations with AI-driven point cloud semantic segmentation for precision gimbal targeting in defense industry
Savunma sanayiinde hassas gimbal hedefleme için yapay zeka tabanlı nokta bulutu semantik segmentasyon yaklaşımlarıyla S/İHA operasyonlarının iyileştirilmesi
SALİH BOZKURT
Doktora
İngilizce
2024
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ZAİDE DURAN
- Rl based network deployment and resource management solutions for opportunistic wireless access for aerial networks in disaster areas and smart city applications
Felaket alanları ve akıllı şehir uygulamalarında uçan fırsatçı kablosuz erişim ağları için takviyeli öğrenme tabanlı ağ oluşturma ve kaynak yönetimi çözümleri
MEHMET ARİMAN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BERK CANBERK
- 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