Earthquake Prediction With Artificial Neural Network Method: The Application Of West Anatolian Fault In Turkey
GGümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Cilt 7 Sayı 17 Yıl 2016 YAPAY S İ N İ R A Ğ I YÖNTEM İ YLE DEPREM TAHM İ N İ : TÜRK İ YE BATI ANADOLU FAY HATTI UYGULAMASI Handan ÇAM Osman DUMAN ÖZ Gerçekle ş ecek depremleri önceden kesin bilen, genelle ş tirilebilecek bir yöntem günümüze kadar geli ş tirilememi ş tir. Fakat birçok yöntemle deprem tahmini yapılmaya çalı ş ılmaktadır. Bu yöntemlerden birisi olan Yapay Sinir A ğ ları, belirlenen giri ş ler ve çıkı ş lar arasındaki ili ş kiyi ö ğ renerek faklı örüntülere kar ş ı uygun çıkı ş lar vermektedir. Yapılan bu çalı ş mada Gutenberg-Richter ili ş kisine ba ğ lı ve deprem tahminlerinde kullanılan b de ğ erini temel alan bir ileri beslemeli geri yayılımlı yapay sinir a ğ ı geli ş tirilmi ş tir. Türkiye’nin batısında yo ğ un sismik aktiviteye sahip dört faklı bölgeye ait deprem verileri kullanılarak yapay sinir a ğ ı e ğ itilmi ş tir. E ğ itim a ş amasından sonra aynı bölgeler için daha sonraki tarihlere ait deprem verileri test için kullanılmı ş ve a ğ ın ba ş arımı ortaya konmu ş tur. Çalı ş mada geli ş tirilen a ğ ın tahmin sonuçları incelendi ğ inde; a ğ ın gerçekle ş meyecek dedi ğ i deprem tahmin sonuçları tüm bölgelerde oldukça yüksek çıkmı ş tır. Bunun yanında a ğ ın gerçekle ş ecek dedi ğ i deprem tahmin sonuçları, çalı ş ılan bölgeler için belli bir oranda farklı sonuçlar vermi ş tir. Anahtar Kelimeler:
Deprem Tahmini, Yapay Sinir A ğ ları, İ leri Beslemeli Geri Yayılımlı Sinir A ğ ları. EARTHQUAKE PREDICTION WITH ARTIFICIAL NEURAL NETWORK METHOD: THE APPLICATION OF WEST ANATOLIAN FAULT IN TURKEY
ABSTRACT
A method that exactly knows the earthquakes beforehand and can generalize them cannot still been developed. However, earthquakes are tried to be predicted through numerous methods. One of these methods, artificial neural networks give appropriate outputs to different patterns by learning the relationship between the determined inputs and outputs. In this study, a feedforward back propagation artificial neural network that is connected to Gutenberg-Richter relationship and that bases on b value used in earthquake predictions was developed. The artificial neural network was trained employing earthquake data belonging to four different regions which have intensive seismic activity in the west of Turkey. After the training process, the earthquake data belonging to later dates of the same regions were used for testing and the performance of the network was put forward. When the prediction results of the developed network are examined, the prediction results that the network predicts that an earthquake is not going to occur are quite high in all regions. Furthermore, the earthquake prediction results that the network predicts that an earthquake is going to occur are different to some extent for the studied regions.
Keywords:
Earthquake Prediction, Artifical Neural Networks, Feed Forward Back Propagation ANN
DOI: ş ma 2016 yılında Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü tarafından kabul edilen yüksek lisans tezinden türetilmi ş tir. Yrd. Doç. Dr., Gümü ş hane Üniversitesi, İ . İ .B.F., İş letme Bölümü, [email protected] Ö ğ r. Gör., Gümü ş hane Üniversitesi, Torul Meslek Yüksekokulu, [email protected] ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 G İ R İŞ Depremlerin önceden tahmin edilebilece ğ i fikri uzun yıllardır tartı ş ılmaktadır. Deprem tahmini için farklı parametreler olu ş turulmaya çalı ş ılmı ş tır. Bu parametreler depremlerden önce gerçekle ş en ve depremi haber veren olaylardır. Anormal hayvan davranı ş ları, gökyüzünde meydana gelen de ğ i ş imler, yer altı sularında meydana gelen de ğ i ş imler, akarsu ve denizlerde meydana gelen de ğ i ş imler ve toprakta bulunan radon gazı yo ğ unlu ğ undaki de ğ i ş imler gibi parametreler depremi haber veren parametreler olarak gösterilebilir. Deprem tehlikesinin tahmin edilebilmesi için çe ş itli istatistik tabanlı modeller geli ş tirilmi ş tir. Bu modeller Poison modeli, Markov modeli, uç de ğ erler da ğ ılımı modelidir. Deprem tehlikesi tahmin modellerinin bazıları büyük depremler için iyi bir tahmin sonucu verirken bazıları küçük ve orta depremlerin tehlikesinin tahmininde iyi sonuçlar vermektedir. Yapay Sinir A ğ ları (YSA) tahmin, sınıflandırma gibi problemlerin çözümünde yüksek ba ş arı oranına sahip bir modeldir. Günümüzde bir çok farklı alanda do ğ rusal ve do ğ rusal olmayan problemlerin çözümünde ba ş arılı bir ş ekilde kullanılmaktadır. YSA’ların kendi içerisinde problemin yapısına göre, ba ğ lantı yapılarına göre, ö ğ renme yöntemine farklı farklı çe ş itleri vardır. YSA modeli ile yapılacak çalı ş malarda ba ş arı elde edilebilmesi için girdi parametrelerinin problemi tam temsil edecek ş ekilde seçilmesi gerekmektedir. Yapılan bu çalı ş mada depremsellik parametresi oldu ğ u kanıtlanmı ş olan uzun yıllardır kullanılan Gutenberg Richter yasasına dayanan b parametresi kullanılacaktır. Bu parametre ana parametre olmakla birlikte Omori Utsu kanununa dayanan bir di ğ er parametrede a ğ ın giri ş inde kullanılacaktır. A ğ ın giri ş inde kullanılacak son parametre ise yine Gutenberg Richter yasasına dayalı 6.0 ve daha büyük ş iddette deprem olma olası ğ ılını b parametresine ba ğ lı olarak gösteren parametredir. A ğ ın çıkı ş ı ise kayıt altına alınan depremden sonraki be ş gün içerisinde gerçekle ş ecek depremin ş iddetidir. A ğ ın üretti ğ i ve gerçekte gözlemlenen çıktılar daha önce belirlenmi ş bir e ş ik de ğ erin altında ise deprem olmayaca ğ ı varsayılmaktadır. Bu ba ğ lamda çalı ş manın amacı; Türkiye’de Gutenberg-Richter ili ş kisine ba ğ lı ve deprem tahminlerinde kullanılan b de ğ erini temel alan bir ileri beslemeli geri yayılımlı yapay sinir a ğ ı geli ş tirerek, ileri tarihli olası depremlerin tahmin edilebilmesidir. Literatürde yer alan yapay sinir a ğ ları ile deprem tahminlemelerinden farklı veriler kullanılacaktır. Di ğ er bir ifadeyle çalı ş mada yeni parametreler ve yeni tahminlemeler kullanılacaktır. Bu bakımdan çalı ş manın, özellikle Türkiye’de bu konudaki ilk çalı ş ma olaca ğ ı ve literatüre yeni bir boyut kazandıraca ğ ı dü ş ünülmektedir. Çalı ş mada, belirtilen amaç do ğ rultusunda, 4 farklı bölge üzerinde tahmin i ş lemi gerçekle ş tirilmi ş tir. Birinci bölge olarak Gölhisar Çameli Bölgesi seçilmi ş tir. Bu bölge Batı Anadolu’da sismik aktivitenin yo ğ un oldu ğ u bir bölgedir. İ kinci bölge olarak Burdur Fay Bölgesi seçilmi ş tir. Bu bölgeden Batı Anadolu’nun en aktif fayı geçmektedir ve sismik aktivite açısından hareketli bir bölgedir. Üçüncü bölge olarak Büyük ve Küçük Menderes graben bölgesi seçilmi ş tir. Ege bölgesi ve çevresi dü ş ünüldü ğ ünde tarih boyunca büyük depremler Menderes grabeni üzerinde gerçekle ş mi ş tir. Dördüncü bölge olarak Gediz ve Ala ş ehir Grabenleri seçilmi ş tir. ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Belirlenen amaç ve kapsam çerçevesinde çalı ş mada, depremlerin tahmini için geçmi ş deprem verileri kullanılarak bir YSA modeli geli ş tirilerek e ğ itilmi ş tir. E ğ itilen bu modelin üretti ğ i tahmin sonuçları gerçek sonuçlarla kar ş ıla ş tırılmı ş ve a ğ ın ba ş arısı sunulmu ş tur. I. KAVRAMSAL ÇERÇEVE VE L İ TERATÜR ÖZET İ A. Kavramsal Çerçeve
Yapay sinir a ğ larının temeli 1942 yılında McCulloch ve Pitts tarafından ortaya atılan ilk hücre modeliyle ba ş lamı ş tır. Çalı ş malar ba ş langıçta tıp bilimleri üzerine olmasına ra ğ men zamanla farklı disiplinlerde de kullanılmaya ba ş lanmı ş tır(Garip, 2011: 75). Buna göre bir yapay sinir a ğ ı bir çok basit sinir hücresinin birle ş iminden meydana gelen kompleks bir sinir a ğ ıdır (Lippman, 1987: 3) ve birbiriyle ba ğ lantılı bir çok sanal nöronun belirli bir yapıda etkile ş imiyle olu ş ur (Zurada, 1992: 15). Yapay Sinir A ğ ları kendisine verilen veriden ö ğ renerek kendi kuralları çıkartan (Rojas, 1996: 22) bir yapıya sahiptir. YSA yapay basit sinirlerin birbirlerine farklı etki oranları ile ba ğ lanmasıyla olu ş an bir sistemdir. Sinir hücreleri farklı ş ekillerde birbirleri ile ba ğ olu ş turarak sinir a ğ ı yapısını olu ş turur (Haykin, 1992: 16). 1940 öncesi yapılan çalı ş malarda mühendislik kullanılmadı ğ ından dolayı, YSA’lar üzerinde yapılan mühendislik kökenli ilk çalı ş malar; 1940’lı yıllarda McCulloch ve Pitts tarafından yapılan çalı ş ma ile ba ş lamı ş tır. İ lk yapay nöron modeli ortaya atılmı ş , bu nöronlardan olu ş an a ğ yapılarının aritmetik ve mantıksal problemlerin çözümünde kullanılabilece ğ i gösterilmi ş tir ( Mcculloch ve Pitts, 1943:115). 1949 yılında Donald Hebb (1949) tarafından geli ş tirilen ‘hebbian’ ö ğ renme kuralı birçok ö ğ renme kuralının da temelini olu ş turmu ş tur. Widrow ve Hoff (1960), basit sinir modelini kullanarak ö ğ renme gerçekle ş tirebilen ADALINE (ADAptive LInear NEuron) modelini ortaya atmı ş lardır. Aynı zamanda a ğ ın e ğ itimi boyunca toplam hatayı en aza indirmeyi hedefleyen Widrow-Hoff ö ğ renme kuralını geli ş tirdiler. MADALINE birden fazla Adaline ünitesinden meydana gelen a ğ dır 1970’li yıllarda ortaya çıkmı ş tır (Kaftan,2010). 1969 yılında Minsky ve Pappert yazdıkları ‘Algılayıcılar’ (perceptrons) adlı kitapta YSA’nın do ğ rusal olmayan problemlere çözüm üretemedi ğ ini ve birçok mantıksal operasyonu (XOR problemi gibi) çözemedi ğ ini iddia etmi ş lerdir. Bu durum 1980’lere kadar YSA çalı ş malarında durgunluk yaratmı ş tır (Öztemel,2003:28). Hopfield (1982) tarafından 1982 yılında do ğ rusal olmayan a ğ ların geli ş tirilmesi, YSA’yı duraklama döneminden çıkartmı ş tır. B. Yapay Sinir A ğ ları ile Deprem Tahmini İ le İ lgili Yapılan Çalı ş malar Bodri (2001), çalı ş masında Magnitüd de ğ eri 6.0’dan büyük depremlerin ba ş langıç zamanını tahmin etmeye yönelik yapay sinir a ğ ı modeli geli ş tirilmi ş tir. İ stanbul Teknik Üniversitesi Elektrik- ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Elektronik ve Maden Fakülteleri 1999 yılında “Elektrostatik Kayaç Gerginlik İ zleme Yöntemi ile Deprem Tahmin Sistemi (EKGDT)” isimli bir proje geli ş tirmeye ba ş lanmı ş lardır. Projede özel olarak geli ş tirilmi ş tek kutuplu elektrik alan (TEA) ölçüm duyargasından yararlanılarak depremlerin tahmini amacıyla 16 istasyonlu bir a ğ kurulmu ş tur. TEA ölçüm duyargası ile elde edilen verilerin de ğ erlendirilmesinde yapay sinir a ğ larından faydalanılmı ş tır (Özerdem ve Sönmez,2003). Panakkat ve Adeli (2007), matematiksel olarak hesaplanmı ş sekiz sismik parametrenin analizine dayanarak gelecek aydaki en büyük sismik olayın büyüklü ğ ünü tahmin edecek sinir a ğ ı tasarımı gerçekle ş tirilmi ş tir. Tahmin modeli üç farklı sinir a ğ ıyla olu ş turulmu ş ve ba ş arıları birbiriyle kıyaslanmı ş tır. Zhang (2008) deprem tahmin çalı ş masında, Geri Yayılımlı Yapay Sinir A ğ larını Genetik Algoritmalar ile birle ş tirilerek a ğ ın ba ş arım oranının daha yüksek do ğ rulu ğ a ula ş ması sa ğ lamı ş tır. Wang vd. (2009), çalı ş malarında Radyal Tabanlı Fonksiyon(Radial Bias Function) kullanılarak deprem tahmin modeli geli ş tirmi ş lerdir. Panakkat ve Adeli (2009) çalı ş malarında, büyük bir sismik bölgeyi alt bölgelere bölerek, her bir alt bölge için ve her bir zaman periyodu için depremsellik göstergelerini saymı ş lardır. Çalı ş mada, izleyen zaman periyodu süresince o alt bölgede olan en büyük depremin büyüklü ğ üyle olan ili ş kileri Geri Dönü ş ümlü Sinir A ğ ı kullanılarak çalı ş ılmı ş tır. Adeli ve Pannakat (2009), di ğ er bir çalı ş malarında, bir sismik bölgede önceden tanımlanmı ş gelecek bir zaman dilimi için olacak en büyük depremi tahmin etmek için, sekiz adet sismik gösterge olarak bilinen matematiksel parametre kullanarak olasılıklı bir sinir a ğ ı (PNN) sunmu ş lardır. Bu model 4,5 ve 6 arasında büyüklü ğ e sahip depremler için iyi tahmin do ğ rulu ğ u vermektedir. Yapılan çalı ş mada sunulan PNN modeli yazarlar tarafından daha önce geli ş tirilen ve 6 büyüklü ğ ünden daha büyük depremleri tahmin etmek için iyi sonuçlar vermi ş olan Geri Dönü ş ümlü Sinir A ğ ı Modelini tamamlamaktadır. Xu vd. (2010), çalı ş malarında, DEMETER uydusu tarafından gözlemlenen veriler kullanılarak deprem olu ş umu ve çe ş itli faktörler arasındaki ba ğ lantıyı kurmak için yarı uyarlanabilir yapay sinir a ğ ı geli ş tirmi ş lerdir. Baltacıo ğ lu vd. (2010), deprem tahmin çalı ş malarının yanında deprem hasarlarının hızlı tespit edilebilmesi amacıyla da yapay sinir a ğ larını kullanan modeller geli ş tirmi ş lerdir. Geli ş tirilen yöntemle mevcut binaların hasar durum tespiti yapılmı ş tır. Alafari vd. (2012), çalı ş malarında, Süvey ş Körfezi, Akaba Körfezi ve Sina yarım adasını içeren Kuzey Kızıldeniz’de olabilecek depremlerin büyüklü ğ ünü tahmin etmek için kullanılabilecek yapay sinir a ğ ına dayandırılan, yapay zeka tahmin sisteminin uygulanmasını amaçlanmı ş tır. Di ğ er yöntemlerle kıyaslandı ğ ında yüksek tahmin do ğ rulu ğ u gösteren yapay sinir yapıları ve farklı yapılandırmalar arasındaki performans de ğ erlendirmesi sunulmu ş tur. Önerilen ş ema çoklu gizli katmanlı ileri beslemeli sinir a ğ ı modeline dayalı olarak in ş a edilmi ş tir. Bu model; veri toplama, ön i ş leme, özellik çıkarma ve sinir a ğ ı e ğ itimi ve test edilmesinden olu ş mu ş tur. Çalı ş mada sinir a ğ ı modelinin önerilen di ğ er yöntemlerden daha yüksek tahmin do ğ rulu verdi ğ i tespit edilmi ş tir. ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Reyes vd. (2013), deprem aktivitesinin yo ğ un oldu ğ u ülkelerden biri olan Chile’de depremleri tahmin etmek için b de ğ eri, Bath kanunu, Omori Utsu kanunu gibi depremsellikle güçlü ili ş kisi olan parametrelere dayanan girdi de ğ erleri kullanılarak belirli bir e ş ik de ğ erin üstündeki depremleri tahmin eden bir yapay sinir a ğ ı sunmu ş lardır. Yapılan tahminler, istatistiksel testler aracılı ğ ıyla de ğ erlendirilmi ş tir ve makine ö ğ renme sınıflandırıcılarıyla kıyaslanmı ş tır. Martínez-Álvarez vd. (2013), çalı ş malarında farklı sismik göstergelerin Yapay Sinir A ğ ları için girdi olarak kullanımını incelemi ş lerdir. Çalı ş mada, özellik seçme tekni ğ i uygulaması tarafından farklı sismik bölgelerde ba ş arılı bir ş ekilde kullanılmı ş çoklu gösterge kombinasyonu amaçlanmı ş tır. Orijinal girdi setleri ve farklı sınıflandırıcıların kıyaslanmaları elde edilen ba ş arının derecesini desteklemek için raporlanmı ş tır. Son olarak farklı sismik göstergelerden elde edilen bilgi, elde etme analizi kullanılarak dört Chile bölgesi ve iki İ beria yarımadası bölgesi karakterize edilmi ş tir. Kaftan ve Gök (2013), İ zmir ve çevresine ait zemin özellikleri yapay sinir a ğ ları kullanılarak incelemi ş ler ve ivmeölçer istasyonlardan gelen veriler ile zemin özellikleri öni ş leme gerek kalmadan belirlenmi ş tir. Çelik vd. (2014), Yapay Sinir A ğ ları ve Destek Vektör Makineleri kullanarak sismik darbelerden deprem tahmini yapmı ş ve YSA ile %83, Destek Vektör Makineleri ile %91 oranında do ğ ru sınıflandırma bulmu ş lardır. Alexandridis vd. (2014), Radyal Taban Fonksiyonlu Sinir a ğ larını kullanarak büyük deprem olu ş umlarını tahmin eden bir model geli ş tirmi ş lerdir. Yapılan çalı ş mada California deprem katalo ğ u kullanılmı ş tır ve di ğ er sinir a ğ ı mimarileri ile kar ş ıla ş tırma yapılmı ş tır. Zhou ve Zhu (2014), çalı ş malarında Levenberg-Marquard geri yayılım sinir a ğ ları kullanılarak deprem tahmin çalı ş ması yapmı ş lardır. Inalegwu (2015), Türkiye’de yapay sinir a ğ ları kullanarak ikincil sismik dalgaların geli ş zamanını tahmin etmek üzerine bir deprem tahmin ara ş tırması yapmı ş tır. Çalı ş mada ikinci dalganın geli ş ini etkileyen farklı parametreler de a ğ modeline katılmı ş tır. Geli ş tirilen yapay sinir a ğ ı ile iki sismik dalga arasındaki zaman farkı do ğ ru olarak tahmin edilmi ş tir. Iatan (2015), sismik göstergeleri, Olasılıksak Sinir A ğ ı modelinde girdi parametresi olarak kullanarak deprem tahminine yönelik bir çalı ş ma yapmı ş tır. Sheng vd. (2015), Çinin Kuzey Sismik Bölgesi’nde Yapay Sinir A ğ ları kullanılarak deprem tahmini gerçekle ş tirmi ş lerdir. Bu tahminler yapılırken büyük bölgeler daha küçük bölgelere bölünmü ş ve farklı bölgeler için farklı girdi parametreleri belirlenerek daha iyi sonuçlar alınmı ş tır. Bilen vd. (2015), Polonya maden ocaklarından elde edilen verileri KNN (K En Yakın Kom ş u), SVM, (Destek Vektör Makineleri) ve YSA kullanılarak sınıflandırmı ş lardır. Çalı ş mada, depremler %94 ba ş arım oranıyla do ğ ru tahmin edilmi ş ve en iyi sonucu KNN metodu vermi ş tir. Gordan vd. (2016), sinir a ğ ı ve parçacık kolonisi birle ş imi aracılı ğ ıyla sismik e ğ im tutarlılı ğ ının tahmini üzerine bir model geli ş tirmi ş lerdir. ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 C. YSA Benzeri Yöntemlerle Yapılan Deprem Tahmini ile İ lgili Çalı ş malar Çalı ş malarda, YSA’nın analiz yapısına benzer farklı yöntemlerde deprem tahmini yapabilmek amacıyla kullanılmı ş tır. Bu yöntemlerle yapılan çalı ş malar a ş a ğ ıda özetlenmi ş tir. Kulalı (2009) Radon gazı yo ğ unlu ğ unu, deprem gibi sismik olayların belirlenmesi ve takip edilmesi amacıyla kullanmı ş ladır. Çalı ş mada, topraktaki Radon gazı yo ğ unlu ğ u ölçümü yapılarak ölçüm yapılan bölgedeki depremlerle ili ş kilendirilmi ş tir. Külahçı vd. (2009) Radon gazı ile deprem arasındaki ili ş kiyi incelemi ş tir. Deprem olu ş umunda sekiz farklı parametrenin do ğ rusal olmayan de ğ i ş imi kullanılmı ş ve parametreler sunulmu ş tur. Üç katmanlı ileri beslemeli yapay sinir a ğ ı modelini kullanarak Do ğ u Anadolu Fay Hattı üzerinde deprem tahmini gerçekle ş tirmi ş tir. Yapılan bu çalı ş ma dünya literatürüne girmi ş tir. Öztürk (2009), Magnitüdü 5 den büyük depremlerin gerçekle ş ti ğ i bölgelerde artçı ş ok ve deprem tehlikesi de ğ erlendirilmesi yaptı ğ ı çalı ş masında, ana ş ok ile artçı arasındaki ili ş kileri hesaplamı ş tır. Çalı ş mada deprem öncesi durgun dönem belirlenerek bu dönemin deprem tahmininde kullanımı ara ş tırılmı ş tır. Yıldırım (2010), çalı ş masında, Türkiye’deki deprem verileri üzerinden veri madencili ğ i yöntemleri kullanılarak örüntüler çıkartmı ş ve meydana gelebilecek depremleri önceden tahmin etmeye çalı ş mı ş tır. Bu amaçla Türkiye Deprem Portalı geli ş tirilmi ş ve sorgulamalar bu portal üzerinden yapılmı ş tır. Göker (2010), İ zmir Seferihisar bölgesinde topraktaki radon gazı yo ğ unlu ğ u ölçerek, elde edilen de ğ erleri Normal ve Rayleigh da ğ ılım fonksiyonlarına uygun olarak incelemi ş tir. İ statistiksel analizler sonucunda Radon gazı yo ğ unlu ğ u de ğ i ş imindeki standart sapmalar, meydana gelen depremlerle ili ş kilendirilmi ş tir. Moustra vd. (2011), sismik elektriksel sinyaller ve zaman serisi Magnitüd verisi kullanılarak deprem tahmin modeli geli ş tirilmi ş tir. Ula ş (2011), Çok Dü ş ük Frekanslı (VLF) i ş aretlerin iyon küre üzerinde iletilirken ya ş anan kayıplar üzerinden depremleri tahmin edecek bir algoritma geli ş tirmi ş tir. Çalı ş mada kayıpların olu ş masında neden olan birçok parametre tespit edilmi ş ve bu parametreleri içeren veriler üzerinden veri madencili ğ i yöntemleri kullanılarak anlamlı sonuçlar çıkarılmaya çalı ş ılmı ş tır. Otari ve Kulkarni (2012), Veri Madencili ğ i uygulamaları ile deprem tahmini üzerine bir çalı ş ma gerçekle ş tirmi ş lerdir. 1989-2011 yılları arasındaki 16 makale analizinin yapıldı ğ ı çalı ş mada deprem tahmini, tsunami tahmini ve sel baskını tahmini için, lojistik modeller, sinir a ğ ları, ve karar a ğ açları kullanılmı ş tır. Bodur (2012), YSA’a alternatif olarak deprem konumlarının belirlenmesinde bulanık mantık yakla ş ımını kullanmı ş tır. Raoff Nasser (2012), deprem tahmininde depremlerden önce gözlemlenen basınç birikimini kesme dalgası ayrımı analizi test etmi ş tir. Bu analizinin yapılabilmesi için MATHLAB ortamında kesme dalgası ayrım parametrelerini kullanan bir program geli ş tirilmi ş tir. Alafari vd. (2012), 1975 yılında gerçekle ş en Haicheng depremindeki geoelektriksel ölçüleri tahmin etmi ş lerdir. Bu deprem bilim adamları tarafından tahmin edilen ilk yüksek magnitüd de ğ erine sahip depremdir. Ancak bu ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 depremden bir yıl sonra Tangshan depremi bilim adamları tarafından tahmin edilememi ş tir. Bu depremde yakla ş ık 250 000 ki ş i hayatını kaybetmi ş tir. II. METEDOLOJ İ A. Yöntem ve Veri Seti
Çalı ş mada, Türkiye’nin Batı Anadolu fay hattı içindeki 4 farklı bölge üzerinde tahmin i ş lemi gerçekle ş tirilecektir. Bu bölgelere ait bilgiler Tablo 1’de gösterilmi ş tir. Tablo 1. Tahmin Yapılan Bölgeler
Bölge Adı Konumu Bölge Numarası
Gölhisar Çameli Bölgesi Batı Analdolu Bölge 1 Burdur Fay Bölgesi Batı Anadolu Bölge 2 Büyük ve Küçük Menderes Graben Bölgesi Batı Anadolu Bölge 3 Gediz ve Ala ş ehir Graben Bölgesi Batı Anadolu Bölge 4 Türkiye’nin Batı Anadolu’sunda deprem tahmini için Yapay Sinir A ğ ı konfigürasyonu gerçekle ş tirilmi ş tir. Bu do ğ rultuda Gutenber Richter tarafından önerilen denklemdeki b de ğ eri depremselli ğ in tanımında parametre olarak kullanılmı ş tır. b de ğ eri farklı yöntemler kullanılarak hesaplanabilmektedir. b de ğ eri hesabında en sık kullanılan yöntem en büyük olasılık yöntemidir. Çalı ş mada, YSA ile tahmin için kullanılacak depremsellik parametresi olarak b de ğ eri alınmı ş tır. Çalı ş ma kapsamında belirlenen bölgeler için b de ğ erleri arasındaki fark yani de ğ i ş im YSA’nın e ğ itiminde ve test edilmesinde girdi verisi olarak kullanılmı ş tır. A ğ ı e ğ itmen ve test etmek için gerekli olan veriler Öztürk (2015)’den elde edilmi ş tir. İ lgili bölgeler için elde edilen veriler, 2013 yılı sonuna kadar gerçekle ş mi ş deprem kayıtlarıdır. Deprem kayıtlarındaki magnitüd de ğ eri kullanılarak b de ğ eri hesaplanmı ş tır. A ğ da kullanılan ilk be ş girdi parametresi b de ğ erleri arasındaki de ğ i ş imlerdir. A ğ ın altıncı girdi parametresi artçı depremlerin zamanla azalım oranını gösteren Omori Utsu yasasına dayanır. Bu parametre ana ş oktan önceki yedi gün içerisinde meydana en büyük depremin magnitüd de ğ eridir. A ğ ın giri ş inde kullanılan son girdi parametre ise Gutenberg Richter yasası temeline dayanan 6.0 ve üstünde deprem olma olasılı ğ ını b de ğ erine ba ğ lı olarak gösteren parametredir. A ğ ın üretti ğ i çıktı de ğ eri, girdi setinde kullanılan depremden sonraki be ş gün içerisinde gerçekle ş ecek depremin magnitüd de ğ eridir. Çalı ş mada girdi sayısı, katman sayısı ve bu katmanlarda ki nöron sayıları belirlendikten sonra a ğ da e ğ itim a ş amasına geçilmi ş tir. YSA’da katmanlardaki nöronlar arasında ba ğ lantı a ğ ırlıklarının belirlenmesi i ş lemi e ğ itim olarak isimlendirilir. A ğ da giri ş verileri ve çıkı ş verileri kullanılarak a ğ ırlıkların problemi temsil edecek ideal de ğ erlere ula ş ması sa ğ lanmı ş tır. A ğ ın bu ş ekilde genelle ş tirme yapacak duruma gelmesi ö ğ rendi ğ ini göstermektedir. E ğ itim süreci tamamlandıktan sonra geli ş tirilen YSA modeli çıktı vermeye hazır hale gelmi ş ve a ğ ın daha önce kar ş ıla ş madı ğ ı ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 örnekler a ğ a girdi olarak verilerek a ğ ın çıktı üretmesi sa ğ lanmı ş tır. Verilerin temizlenmesi ve parametrelerin olu ş turulması a ş a ğ ıda açıklanmı ş tır. B. Verilerin Temizlenmesi
Bölgelere ait sismik veriler 2014 yılı ba ş langıcına kadar dat uzantılı olarak boylam, enlem, yıl, ay, gün, magnitüd, derinlik, saat, dakika, süre bilgileri aralarında bir bo ş luk olacak ş ekilde satırlarda saklanmaktadır. Veriler üzerinde i ş lem yapmak için tüm veriler Excel programına aktarılarak ilgili alanlar sütunlara çevrilmi ş tir. Excel programı kullanılarak bölgelere ait 2000 yılı sonrasına ait veriler filtrelenmi ş tir. Bölgelere ait kesme magnitüd de ğ erlerinden dü ş ük veriler de filtrelenmi ş böylece veriler girdi parametreleri çıkartılacak hale getirilmi ş tir. Ayrıca katalog verilerinde tarihler gün ay yıl farklı sütunlarda yer almaktaydı. Tarih ile ilgili gün ay yıl sütunları birle ş tirilerek tarihe dönü ş üm yapılmı ş tır. Kullanılan katalog içerisinde eksik bilgi bulunmamaktadır. Tüm parametrelerin de ğ erleri vardır, bo ş veya eksik veri yoktur. C. Parametrelerin Elde Edilmesi
Çalı ş mada, girdi ve performans parametrelerinin hesaplanmasında Reyes vd. (2013) tarafından önerilen yöntem kullanılmı ş tır. Çalı ş ma yapılan bölgede bir deprem oldu ğ unda bu deprem bilgisiyle ilgili yedi giri ş ve bir çıkı ş a sahip yeni bir vektör olu ş turulmu ş tur. Girdi vektörü, girdi parametrelerini temsil etmektedir. Çıktı vektörü ise çıktı parametresini temsil etmektedir. E ğ itim ve test vektörleri girdi ve çıktı parametrelerinin toplamını içermektedir. Bunların hesaplanmasında Excel programına aktarılan katalog verileri kullanılmı ş tır.
1. Girdi Parametrelerinin Elde Edilmesi
Katalog verileri Excel programına aktarılıp gerekli düzenlemeler yapıldıktan sonra 7 adet girdi parametresi hesaplanmı ş tır. İ lk be ş girdi de ğ erinin hesaplanmasında Gutenberg Richter yasası ile ili ş kili b de ğ erleri kullanılmı ş tır. b de ğ eri hesabında hesaplama yapılacak bölgedeki belirli sayıdaki veya belirli tarih aralı ğ ındaki kaydedilmi ş deprem verisi kullanılmı ş tır. Yapılan çalı ş mada 50 deprem verisinden bir b de ğ eri hesaplanmı ş tır. Bu denklem a ş a ğ ıda verilmi ş tir. (1) Denklem 1’deki M i , i. depremin magnitüd de ğ eridir. Mc de ğ eri ise kesme magnitüd de ğ eridir. Çalı ş ma yapılan dört farklı bölgede farklı kesme magnitüdleri kullanılmı ş tır. Kesme de ğ eri Bölge 1 Gölhisar Çamelinde “3,0” , Bölge 2 Burdur fay zonunda “2,8” , Bölge 3 Büyük küçük menderes bölgesinde “2,9”, Bölge 4 Gediz Ala ş ehir graben bölgesinde “2,8” olarak alınmı ş tır. b de ğ eri hesaplaması yapılmadan önce Excel programına aktarılan ve tüm deprem kayıtlarını içeren veriler, parametresi hesaplanacak bölgenin kesme magnitüd de ğ erine göre filtrelenmi ş tir ve ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 kesme magnitüd de ğ erinden küçük olan deprem kayıtları silinmi ş tir. Böylece çok küçük de ğ erli deprem verilerinin deprem tahmin modeline yapaca ğ ı olumsuz etkilerden kaçınılmı ş tır. b de ğ eri hesaplamasında, birinci b de ğ eri hesaplanırken katalog verisinde 1-50 aralı ğ ındaki deprem verilerinin magnitüd de ğ erleri kullanılmı ş tır. İ kinci b de ğ eri hesabında 2-51 ve üçüncü b de ğ eri hesabında 3-52 aralı ğ ındaki deprem verilerinin magnitüd de ğ erleri kullanılmı ş tır. Hesaplanan b de ğ erleri arasındaki fark YSA’da girdi parametresi olarak kullanılacaktır. b de ğ erleri arasındaki de ğ i ş imler ∆ b ile gösterilmi ş tir. Delta de ğ i ş imi, girdi parametresi olan x de ğ erlerine denk alınmı ş tır. ∆ b =b i -b (i-4) ≡ x (2) ∆ b =b (i-4) -b (i-8) ≡ x (3) ∆ b =b (i-8) -b (i-12) ≡ x (4) ∆ b =b (i-12) -b (i-16) ≡ x (5) ∆ b =b (i-16) -b (i-20) ≡ x (6) Denklemlerden anla ş ılaca ğ ı gibi x girdi parametresinin ilk de ğ erinin hesaplanabilmesi için asgari 70 adet b de ğ erinin hesaplanması gerekmektedir. 70 deprem verisinin ilk 50 tanesi bir b de ğ eri hesabı için kullanılmı ş tır. b de ğ erlerindeki de ğ i ş imlerin tamamının hesaplanabilmesi için en az 20 adet b de ğ eri gerekmektedir. A ğ ın girdi parametrelerinin ilk be ş tanesi denklem 2,3,4,5 ve 6 kullanılarak elde edilmi ş tir. Altıncı girdi parametresi olan x_6i tahmin yapılacak bölge içerisindeki girdi olarak kullanılan depremden önceki 7 gün içerisinde kayda alınan en büyük depremin magnitüd de ğ eridir. Bu parametre dolaylı olarak Omori/Utsu ve Bath kanunlarına dayanan bilgileri YSA’ya sa ğ lamaktadır. Altıncı girdi parametresinin matematiksel gösterimi denklem 7’de gösterilmi ş tir. x_6i=max{M_d },t ∈ [-7,0) 7 Yedinci girdi parametresi olan x_7i 6.0 ve üzerinde magnitüde sahip deprem olma olasılı ğ ını tanımlamaktadır. Bu bilginin girdi olarak eklenmesi Gutenberg-Richter yasasının dinamik bir ş ekilde kapsanması içindir. Olasılık yo ğ unluk fonksiyonundan hesaplanmı ş tır. Yedinci girdi parametresi matematiksel gösterimi denklem 8’de gösterilmi ş tir. x_7i= P(M_d ≥ 〖 〗 ^(-3b_i ) 8 ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016
2. Çıktı Parametresinin Elde Edilmesi A ğ ın çıktı parametresi bir tanedir ve y_i ile temsil edilir. Çalı ş ma yapılan bölge içerisinde kesme magnitüdü üzerinde de ğ ere sahip bir depremden sonraki be ş gün içerisinde ölçülen en büyük M_d de ğ eridir. y_i de ğ eri kesme magnitüdünden büyük de ğ ere sahiptir. Deprem olmamı ş sa veya kesme magnitüdünden dü ş ük ş iddette deprem olmu ş sa 0 alınır. Çıktı parametresinin matematiksel hesaplaması denklem 9’da gösterilmi ş tir. Y i =max{M_d },t ∈ (0,5] 9 Çıktı parametresi hesabında hesaplama manuel olarak yapılmı ş tır. D . Yapay Sinir A ğ ı Özellikleri Yapılan çalı ş mada YSA modeli Mathlab programı kullanılarak gerçekle ş tirilmi ş tir. Kullanılan YSA’nın özellikleri Tablo 2’de sunulmu ş tur. Tablo 2. Yapay Sinir A ğ ı Özellikleri Parametreler De ğ erler Girdi Parametreleri 7 Gizli Katman Nöron Sayısı 15 Çıktı Nöron Sayısı 1 Aktivasyon Fonksiyonu Sigmoid A ğ Topolojisi İ leri Beslemeli Ö ğ renme Paradigması Geri Yayılımlı III. BULGULAR A. Çalı ş ma Bölgelerine Ait Magnitüd Analizleri Çalı ş ma kapsamındaki dört farklı bölgeye ait ve 2000 yılından sonrasına ait katalog verileri üzerinden temel deprem istatistikleri incelenmi ş tir. Kayıt altına alınan depremlerin bölgelere ait magnitüd de ğ erlerleri göre sayısı a ş a ğ ıdaki grafiklerde gösterilmi ş tir. ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Grafik 1. Bölge 1 Ortalama Deprem Magnitüd De ğ erleri Grafik 1’de Gölhisar Çameli Bölgesi’nde 2000 yılı sonrasına ili ş kin ortalama deprem magnitüdleri gösterilmi ş tir. Grafik incelendi ğ inde bu bölgede yıllar geçtikçe ortalama deprem magnitüd de ğ erinin dü ş tü ğ ü görülmektedir. Grafik 2. Bölge 2 Ortalama Deprem Magnitüd De ğ erleri Grafik 2’de Burdur Fay Bölgesi’nin 2000 yılı sonrasında yıllara göre ortalama deprem magnitüdleri gösterilmi ş tir. Grafik incelendi ğ inde çalı ş ma bölgesinde yıllar geçtikçe ortalama deprem magnitüd de ğ erinin dü ş tü ğ ü ve en son 2,06 olarak hesaplandı ğ ı görülmektedir. ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Grafik 3. Bölge 3 Ortalama Deprem Magnitüd De ğ erleri Grafik 3’de Büyük ve Küçük Menderes Bölgesi’nin 2000 yılı sonrasında hesaplanmı ş ortalama deprem magnitüdleri gösterilmi ş tir. Önceki iki bölgede oldu ğ u gibi bu bölgede de yıllar geçtikçe ortalama deprem magnitüd de ğ erinin dü ş tü ğ ü görülmektedir. Bu yıllarda en yüksek magnitüd de ğ eri 3,14, en dü ş ük magnitüd de ğ eri ise 2,18 olarak hesaplanmı ş tır. Grafik 4. Bölge 4 Ortalama Deprem Magnitüd De ğ erleri Gediz ve Ala ş ehir Graben Bölgesi ait ortalama deprem magnitüd de ğ erleri Grafik 4’de gösterilmi ş tir. Grafik incelendi ğ inde çalı ş ma bölgesinde son yıllarda ortalama deprem magnitüd de ğ erinin dalgalı bir seyir izledi ğ i ancak genel itibariyle yıllara göre azaldı ğ ı görülmektedir. Bu bölgede en yüksek magnitüd de ğ eri 3,07, en dü ş ük magnitüd de ğ eri ise 2,19 olarak hesaplanmı ş tır. ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 B. YSA E ğ itim Testi Sonuçları Çalı ş mada, Gölhisar Çameli Bölgesi için 1 Kasım 2007 ve 25 Ekim 2010 tarihleri arasında magnitüd de ğ eri 3.0 ve üstünde olan 122 adet deprem kaydı YSA’da e ğ itim amacıyla kullanılmı ş tır. E ğ itim süreci 500 devir (epoch) ile tamamlanmı ş tır. A ğ ın e ğ itimi sonucunda e ğ itim verileri a ğ a verildi ğ inde (self test) ortaya çıkan ve Gölhisar Çameli Bölgesine ait a ğ ın performansı Tablo 3’de gösterilmi ş tir. Tablo 3. Gölhisar Çameli Bölgesi YSA E ğ itim Sonuçları Parametre De ğ er Yüzde TP 2 TN 101 FP 7 FN 12 P n p A ğ ın e ğ itiminde P de ğ eri yakla ş ık olarak %90 çıkmaktadır. Bu de ğ er istenilen aralıktadır. E ğ itim sonucu e ğ itim verisi a ğ a verildi ğ inde a ğ ; 2 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 101 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 12 depremi tahmin edememi ş ve 7 depremi yanlı ş tahmin etmi ş tir. Burdur Fay Bölgesinde 3 Ocak 2006 tarihinden 25 Mart 2009 tarihine kadar magnitüd de ğ eri 2.8 ve üstünde olan 122 adet deprem kaydı, YSA’da e ğ itim amacıyla kullanılmı ş tır. E ğ itim süreci 500 devir (epoch) ile tamamlanmı ş tır. A ğ ın e ğ itim performansı Tablo 4’de gösterilmi ş tir. Tablo 4. Burdur Fay Zonu YSA E ğ itim Sonuçları Parametre De ğ er Yüzde TP 1 TN 100 FP 3 FN 18 P n p ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 A ğ ın e ğ itiminde P0 de ğ eri yakla ş ık olarak %85 çıkmaktadır. Bu de ğ er istenilen aralıktadır. E ğ itim sonucu e ğ itim verisi a ğ a verildi ğ inde a ğ ; 1 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 100 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 18 depremi tahmin edememi ş ve 3 depremi yanlı ş tahmin etmi ş tir. Büyük ve Küçük Menderes Bölgesinde e ğ itim amacıyla 10 Mart 2010 ve 11 Ocak 2011 tarihleri arasında magnitüd de ğ eri 2.9 ve üstünde olan 122 adet deprem kaydı YSA’da kullanılmı ş tır. E ğ itim süreci 500 devir (epoch) ile tamamlanmı ş tır. A ğ ın e ğ itimi sonucunda e ğ itim verileri a ğ a verildi ğ inde a ğ ın performansı Tablo 5’de gösterilmi ş tir. Tablo 5. Büyük ve Küçük Menderes Bölgesi YSA E ğ itim Sonuçları Parametre De ğ er Yüzde TP 14 TN 79 FP 8 FN 21 P n p A ğ ın e ğ itiminde P de ğ eri yakla ş ık olarak %80 çıkmaktadır. Bu de ğ er istenilen aralıktadır. E ğ itim sonucu e ğ itim verisi a ğ a verildi ğ inde a ğ
14 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 79 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 21 depremi tahmin edememi ş ve 8 depremi yanlı ş tahmin etmi ş tir. Gediz ve Ala ş ehir Graben Bölgesi e ğ itim için 3 Aralık 2007 ve 10 Mayıs 2010 tarihleri arasına magnitüd de ğ eri 2.8 ve üstünde olan 122 adet deprem kaydı YSA’da kullanılmı ş tır. E ğ itim süreci 500 devir (epoch) ile tamamlanmı ş tır. A ğ ın e ğ itimi sonucunda e ğ itim verileri a ğ a verildi ğ inde a ğ ın performansı Tablo 6’da gösterilmi ş tir. Tablo 6. Gediz ve Ala ş ehir Graben Bölgesi YSA E ğ itim Sonuçları Parametre De ğ er Yüzde TP 2 TN 98 FP 2 FN 20 P n p ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 A ğ ın e ğ itiminde P de ğ eri yakla ş ık olarak %84 çıkmaktadır. Bu de ğ er istenilen aralıktadır. E ğ itim sonucu e ğ itim verisi a ğ a verildi ğ inde a ğ
2 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 98 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 20 depremi tahmin edememi ş ve 2 depremi yanlı ş tahmin etmi ş tir. C. YSA Uygulama Sonuçları A ğ ın e ğ itimi tamamlandıktan sonra YSA’nın test i ş lemleri yapılmı ş tır. YSA’nın bölgelere göre ayrı ayrı gerçekle ş tirilen uygulamasında elde edilen parametreler ve tahmin sonuçları a ş a ğ ıda açıklanmı ş tır. Gölhisar Çameli Bölgesi 31 Ekim 2010 ile 28 Aralık 2013 tarihleri arasındaki magnitüd de ğ eri 3.0 ve üzerinde olan 122 adet deprem verisi çalı ş mada YSA’nın test edilmesi amacıyla kullanılmı ş tır. A ğ ın test sonucu performans parametreleri Tablo 7’de gösterilmi ş tir. Tablo 7. Gölhisar Çameli Bölgesi YSA Test Sonuçları
Parametre De ğ er Yüzde TP 1 TN 86 FP 5 FN 30 P n p de ğ eri yakla ş ık olarak %74 çıkmaktadır ve bu de ğ er istenilen aralıktadır. A ğ , 1 depremin olaca ğ ını ve 86 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 30 depremi tahmin edememi ş ve 5 depremi yanlı ş tahmin etmi ş tir. Di ğ er çalı ş ma bölgemiz olan, Burdur Fay Bölgesinin 7 Nisan 2009 ile 19 Aralık 2013 tarihleri arasındaki magnitüd de ğ eri 2.8 ve üzerinde olan 122 adet deprem verisi YSA’nın test edilmesi amacıyla kullanılmı ş tır. A ğ ın test sonucu performans parametreleri Tablo 8’de gösterilmi ş tir. Tablo 8. Burdur Fay Bölgesi YSA Test Sonuçları
Parametre De ğ er Yüzde TP 2 TN 107 FP 4 FN 9 P n p ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Uygulanan test sonucunda P de ğ eri yakla ş ık olarak %93 çıkmaktadır. Bu de ğ er istenilen aralıktadır. E ğ itim sonucu test verisi a ğ a verildi ğ inde a ğ ; 2 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 107 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 9 depremi tahmin edememi ş ve 4 depremi yanlı ş tahmin etmi ş tir. Büyük ve Küçük Menderes Bölgesi 6 Ekim 2010 ile 18 Aralık 2013 tarihleri arasındaki magnitüd de ğ eri 2.9 ve üzerinde olan 122 adet deprem verisi de, YSA’nın test edilmesi amacıyla kullanılmı ş tır. A ğ ın test sonucu performans parametreleri Tablo 9’da gösterilmi ş tir. Tablo 9. Büyük ve Küçük Menderes Bölgesi YSA Test Sonuçları
Parametre De ğ er Yüzde TP 19 TN 53 FP 32 FN 18 P n p de ğ eri yakla ş ık olarak %75 çıkmaktadır. A ğ
19 depremin olaca ğ ını ve 53 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 18 depremi tahmin edememi ş ve 32 depremi yanlı ş tahmin etmi ş tir. Çalı ş ma kapsamında incelenen Gediz ve Ala ş ehir Graben Bölgesinin 10 Mayıs 2010 ile 5 Aralık 2013 tarihleri arasındaki magnitüd de ğ eri 2.8 ve üzerinde olan 122 adet deprem verisi, YSA’nın test edilmesi amacıyla kullanılmı ş tır. A ğ ın test sonucu performans parametreleri Tablo 10’da gösterilmi ş tir. Tablo 10. Gediz ve Ala ş ehir Graben Bölgesi YSA Test Sonuçları Parametre De ğ er Yüzde TP 0 TN 90 FP 12 FN 20 P
0 0,00 S n
0 0,00 S p ğ inde a ğ çıkı ş larının e ş ik de ğ erden dü ş ük oldu ğ u için P de ğ eri sıfır bulunmu ş tur. Bu durumun düzeltilmesi amacıyla a ğ ın e ğ itim veri setine yüksek de ğ erli çıkı ş a sahip 20 ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 adet vektör e ğ itim seti içerisinden seçilerek e ğ itim setine tekrar eklenmi ş ve e ğ itim seti vektör sayısı 142 yapılmı ş tır.142 giri ş vektörlü e ğ itim sonucu Tablo 11’de gösterilmi ş tir. Tablo 11. Gediz ve Ala ş ehir Graben Bölgesi Vektör Eklemeli YSA E ğ itim Sonuçları Parametre De ğ er Yüzde TP 8 TN 97 FP 3 FN 14 P n p ğ itim verisi ile a ğ ın test edilmesi sonucu olu ş an performans de ğ erleri ise Tablo 12’de gösterilmi ş tir. Tablo 12. Gediz ve Ala ş ehir Graben Bölgesi Vektör Eklemeli YSA Test Sonuçları Parametre De ğ er Yüzde TP 5 TN 87 FP 15 FN 15 P n p ş leminden sonra gerçekle ş tirilen test sonucunda P de ğ eri yakla ş ık olarak %85 çıkmaktadır. E ğ itim sonucu test verisi a ğ a verildi ğ inde a ğ ; 5 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 87 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 15 depremi tahmin edememi ş ve 15 depremi yanlı ş tahmin etmi ş tir. SONUÇ VE DE Ğ ERLEND İ RME
YSA, ortaya çıktı ğ ı 1940’lı yıllardan günümüze kadar hala geli ş mekte olan bir tahmin yöntemidir. Ba ş langıçta sadece do ğ rusal problemlerin çözümünde kullanılan YSA, ilerleyen zamanlarda do ğ rusal olmayan problemlerin çözümünde de etkin bir ş ekilde kullanılmaya ba ş lamı ş tır. Canlı bir sinir sisteminin biyolojik yapısı temel alınarak geli ş tirilen modeller, canlı hafıza yapısını örnek alarak ve modelleyerek ö ğ renme yöntemlerini geli ş tirmi ş tir. Bilim adamlarının farklı yakla ş ımları, yapılarda a ğ ların ortaya çıkmasını sa ğ lamı ş ve problemlere özgü a ğ yapıları geli ş tirilmi ş tir. Bu geli ş melerin paralelinde, depremlerin tahmininde de YSA kullanılmaya ba ş lamı ş tır. ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Depremler en önemli do ğ al afetlerden biridir ve her yıl depremler nedeniyle binlerce insan hayatını kaybetmektedir. Günümüzde ve geçmi ş te depremlerin önceden tahmin edilebilece ğ i dü ş üncesi bilim adamları tarafından tartı ş ılmı ş , tahmin modelleri geli ş tirilmi ş tir. Tahmin yöntemleri arasında anormal hayvan davranı ş larından, elektromanyetik dalgaların incelenmesine, radon gazı yo ğ unlu ğ unun ölçülmesine gibi birçok tahmin parametreleri olu ş turulmu ş tur. Bilim adamları depremleri etkileyen parametreleri farklı yakla ş ımlarla tespit etmeye çalı ş mı ş lardır. Aynı zamanda bir parametredeki de ğ i ş im ile deprem verileri arasında ili ş ki kurup inceledikleri parametrenin deprem ile olan ili ş kisini ortaya koymaya çalı ş mı ş lardır. Bu ba ğ lamda çalı ş mada, Türkiye’de Gutenberg-Richter ili ş kisine ba ğ lı ve deprem tahminlerinde kullanılan b de ğ erini temel alan bir ileri beslemeli geri yayılımlı yapay sinir a ğ ı geli ş tirerek, ileri tarihli olası depremlerin tahmin edilebilmesi amaçlanmı ş tır. Çalı ş ma kapsamında Gölhisar Çameli, Burdur Fay Zonu, Büyük Küçük Menderes, Gediz ve Ala ş ehir Graben olmak üzere toplam 4 farklı bölgede 2013 yılından önceki kesme magnitüd de ğ erinden büyük 122 adet deprem verisi test amacıyla alınmı ş tır. Test verilerinden önceki 122 adet deprem verisi ise e ğ itim amacıyla alınmı ş tır. E ğ itim ve test verileri katalog verileri üzerinde çe ş itli i ş lemler yapılarak elde edilmi ş tir. Çalı ş manın e ğ itim ve test sonuçları incelendi ğ inde; Gölhisar Çameli Bölgesi YSA e ğ itim sonuçlarına göre P de ğ eri 0,893 bir de ğ erle istenilen aralıkta çıkmı ş tır. Bu bölgede a ğ , 2 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 101 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 12 depremi tahmin edememi ş ve 7 depremi yanlı ş tahmin etmi ş tir. Burdur Fay Bölgesi YSA e ğ itim sonuçlarında P de ğ eri yakla ş ık olarak %85 çıkmaktadır. Bu de ğ er istenilen aralıktadır. Bu bölgede a ğ
1 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 100 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 18 depremi tahmin edememi ş ve 3 depremi yanlı ş tahmin etmi ş tir. Büyük Küçük Menderes Bölgesi YSA e ğ itim sonuçlarına göre, a ğ ın e ğ itiminde P de ğ eri yakla ş ık olarak %80 çıkmaktadır. Bu de ğ er istenilen aralıktadır. E ğ itim sonucu e ğ itim verisi a ğ a verildi ğ inde a ğ
14 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 79 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 21 depremi tahmin edememi ş ve 8 depremi yanlı ş tahmin etmi ş tir. Gediz ve Ala ş ehir Graben Bölgesi YSA e ğ itim sonuçlarına göre A ğ ın e ğ itiminde P de ğ eri yakla ş ık olarak %84 çıkmaktadır. Bu de ğ er istenilen aralıktadır. E ğ itim sonucu e ğ itim verisi a ğ a verildi ğ inde a ğ , 2 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 98 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 20 depremi tahmin edememi ş ve 2 depremi yanlı ş tahmin etmi ş tir. Bölgelerin test sonuçları incelendi ğ inde e ğ itim sonuçlarına paralel bulgular elde edilmi ş tir. Fakat Gediz ve Ala ş ehir Graben Bölgesi YSA test sonuçlarında a ğ ın P de ğ eri sıfır bulunarak tahmin sonucu alınamamı ş tır. Bu durumu düzeltmek için girdi ve performans parametrelerinin hesaplanmasında Reyes ve di ğ erleri (2013) tarafından önerilen bir yöntem dikkate alınarak a ğ ın e ğ itim veri setine yüksek de ğ erli çıkı ş a sahip 20 adet vektör e ğ itim seti içerisinden seçilerek e ğ itim setine tekrar eklenmi ş ve e ğ itim seti vektör sayısı 142 yapılmı ş tır. Bu uygulamadan sonra ki test tahmin ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 sonuçlarında a ğ ın P de ğ eri yakla ş ık %85’le istenilen aralıkta çıkmı ş tır. Bu do ğ rultuda a ğ , 5 depremin olaca ğ ını do ğ ru tahmin etmi ş tir. 87 depremin gerçekle ş meyece ğ ini do ğ ru tahmin etmi ş tir. Buna kar ş ılık 15 depremi tahmin edememi ş ve 15 depremi yanlı ş tahmin etmi ş tir. Genel olarak tahmin sonuçları de ğ erlendirildi ğ inde a ğ bütün bölgelerde gerçekle ş meyecek depremleri yüksek oranda tahmin etmi ş tir. Gerçekle ş ece ğ ini tahmin etti ğ i deprem sayıları da belli bir oranda gerçekle ş irken, tahmin edemedi ğ i ve yanlı ş tahmin etti ğ i deprem tahminleri de sonuçlarda mevcuttur. YSA genel anlamda istenilen aralıklarda eldeki veri tabanında istenilen tahminleri belli bir ba ş arı oranına kadar yapmasına ra ğ men çok yüksek oranlı gerçekle ş ecek deprem tahmini sunamamı ş tır. Verilerin yapısı incelendi ğ inde lineer olmayan bir veri toplulu ğ u ile bu tahmin sonuçları istenilen düzeydedir. Gelecek çalı ş malarda kullanılan giri ş parametrelerine daha farklı deprem parametreleri eklenerek daha tutarlı tahminler elde edilebilir.(örne ğ in Radon gazı yo ğ unlu ğ u gibi). Panakkat ve Adeli tarafından yapılan çalı ş mada farklı a ğ modelleri ve aynı girdi parametreleri kullanılarak deprem tahmini gerçekle ş tirilmi ş tir. Aynı girdi parametreleri ve veriler Levenberg Marquart, Radyal Tabanlı ve Yinelenen Sinir A ğ ı modellerinde denenmi ş tir. Yaptıkları çalı ş mada deprem tahmini konusunda en iyi sonucu Yinelenen Sinir A ğ ı modeli vermi ş tir. Panakkat ve Adeli tarafından kullanılan depremsellik parametreleri ile bu çalı ş mada kullanılan parametreler farklıdır. Bu açıdan, depremsellik parametrelerinin belirlenmesi ve belirlenen her bir parametrenin etkisinin ortaya konması önemlidir. KAYNAKÇA
Alafari, Abdulrahman S.N - Nassir S.N. Alarifi - Saad Al-Humidan (2012), “Earthquakes Magnitude Predication Using Artificial Neural Network in Northern Red Sea Area”,
Journal Of King Saud University – Science ,
24, pp. 301-303. Alexandrıdıs, Alex – Eva Chondrodıma – Evangelos Efthımıou - Giorgos Papadakıs - Filippos Vallıanatos - Dimos Trıantıs (2014), “Large Earthquake Occurrence Estimation Based on Radial Basis Function Neural Networks”,
IEEE Transactıons On Geoscıence And Remote Sensing ş ık - Tuncay Yi ğ it (2015), “Sismik Darbelerin Sınıflandırılarak Deprem Tehlikesinin Tahmin Edilmesi”, Uluslararası Burdur Deprem Ve Çevre Sempozyumu , 7-9 Mayıs 2015, Burdur, ss. 41-48. Bodri, Bertalan (2001), “A Neural-Network Model for Earthquake Occurrence”,
Journal of Geodynamics
32, pp.289–310. Bodur Koray; (2012), Bulanık Mantık Yakla ş ımı İ le Deprem Konumlarının Belirlenmesi , Karadeniz Teknik Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi,Trabzon. Çelik, Enes – Muhammet Atalay – Harun Bayer (2014), "Yapay Sinir A ğ ları ve Destek Vektör Makineleri ile Deprem Tahmininde Sismik Darbelerin Kullanılması", IEEE 22nd Signal
ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Processing And Communications Applications Conference ,23-25 Nisan, Trabzon, ss. 730-733. Garip, Ş ule Z. (2011), Yapay Sinir A ğ ları İ le Mevcut Yapıların Deprem Riski Açısından Durum Tespiti , Sakarya Üniversitesi Fen Bilimleri Enstitüsü Yayımlanmamı ş Doktora Tezi, Sakarya. Gordan, Behrouz - Danial J Armaghani - Mohsen Hajihassani - Masoud Monjezı (2016), “Prediction of Seismic Slope Stability Through Combination of Particle Swarm Optimization and Neural Network”,
Engineering with Computers,
Sürekli Radon Gazı Ölçümlerinin Deprem Tahmin Parametresi Olarak Kullanılması, İ zmir Seferihisar Do ğ anbey Fay Hattı Örne ğ i , Ege Üniversitesi Fen Bilimleri Enstitüsü Yayımlanmamı ş Yüksek Lisansı Tezi, İ zmir. Haykin, Simon (1999), Neural Network: A Comprehensive Foundation , 2nd Edition, New Jersey: Prentice Hall. Hebb, Donald O. (1949), The Organization of Behavior: A Neuropsychological Theory,
Neurocomputing , London: Lawrence Erlbaum Associates. Iatan, Iuliana (2015), “Predicting The Earthquake Magnitude From Seismicity Indicators Using A Probabilistic Neural Network”,
The 13th Workshop Of Scientific Communications,
23 May, Bucharest, p. 79. Inalegwu, Ogbole C. (2015),
Predicting Time Lag Between Primary And Secondary Waves For Earthquakes Using Artificial Neural Network (ANN) , Do ğ u Akdeniz Üniversitesi Lisansüstü E ğ itim Ö ğ retim ve Ara ş tırma Enstitüsü Yayımlanmamı ş Yüksek Lisans Tezi, Kıbrıs. Kaftan, İ lknur – Elçin Gök (2013), “ İ zmir ve Çevresine Ait Zemin Özelliklerinin Yapay Sinir A ğ ları ile İ ncelenmesi”,
2. Türkiye Deprem Mühendisli ğ i ve Sismoloji Konferansı, İ lknur; (2010). Batı Türkiye Gravite ve Deprem Katalog Verilerinin Yapay Sinir A ğ ları ile De ğ erlendirilmesi, Dokuz Eylül Üniversitesi Fen Bilimleri Enstitüsü Yayımlanmamı ş , Doktora Tezi, İ zmir. Kulalı, Feride (2009), Topraktaki Radon Konsantrasyonu Ölçümü ve Deprem İ li ş kisinin Ara ş tırılması , Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Yayımlanmamı ş Yüksek Lisans Tezi, Isparta. Külahçı, Fatih - Murat İ ncegöz – Mahmut Do ğ ru – Ercan Aksoy – Orhan Baykara (2009), “Artificial neural network model for earthquake prediction with radon monitoring”, Applied Radiation and Isotopes , 67, pp.212-219. Lippmann, Richard P.; (1987), “An Introduction' to Computing with Neural Nets”,
IEEE Assp Magazine , pp. 1-22. ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Martinez-Alvarez, Francisco - Jorge Reyes, Antonio Morales-Esteban- Cristina Rubio-Escudero (2013), “Determining The Best Set of Seismicity Indicators to Predict Earthquakes. Two Case Studies: Chile and The Iberian Peninsula”,
Knowledge-Based Systems ,
50, pp. 198-210. Mcculloch, Warren S. - Walter Pitts (1943). “A Logical Calculus of The Ideas Immanent in Nervous Activity”,
Bulletin of Mathematical Biophysics , Expert Systems with Applications , İ n Earthquake Prediction”, International Journal of Computer Science and Information Technologies , 3 (2), pp. 3570-3574. Özerdem, Mehmet S. - A. Co ş kun Sönmez (2003),"Depreme İ li ş kin Ola ğ an Dı ş ı Sinyal De ğ i ş iminin YSA ile Saptanması", İ TÜ Mühendislik Dergisi , Yapay Sinir A ğ ları , İ stanbul: Papatya Yayıncılık. Öztürk, Serkan (2015), “A Study on The Correlations Between Seismotectonic B-Value and Dcvalue and Seismic Quiescence Z-Value in The Western Anatolian Region of Turkey”, Austrian Journal of Earth Sciences , International Journal of Neural Systems , 17(1), pp.13-33. Panakkat, Ashif - Hojjat Adeli (2009), “Recurrent Neural Network for Approximate Earthquake Time and Location Prediction Using Multiple Seismicity Indicators”,
Computer-Aided Civil and Infrastructure Engineering , Matlab Ortamında Kesme Dalgalarının Ayrımlanması Ölçümleri Kullanılarak Deprem Tahmini , İ stanbul Üniversitesi Fen Bilimleri Enstitüsü Yayımlanmamı ş Yüksek Lisans Tezi, İ stanbul. Reyes, Juan - Antonio Morales-Esteban - Francisco Martinez-Alvarez; (2013), “Neural Networks to Predict Earthquakes in Chile”, Applied Soft Computing ,13(2), pp.1314-1328. Rojas, Raul (1996),
Neural Networks A Systematic Introduction , Germany: Springer. Sheng, Jian - Dongmei Mu - Hongyan Zhang - Han Lv (2015), “Seismotectonics Considered Artificial Neural Network Earthquake Prediction in Northeast Seismic Region of China”,
The Open Civil Engineering Journal ,
9, pp. 522-528. Wang Kelin - Qi-Fu Chen - Shihong Sun - Andong Wang (2006), “Predicting The 1975 Haicheng Earthquake”,
Bulletin of The Seismological Society of America , 96(3), pp. 757–795.
ÜSBEED, Gümü ş hane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi Cilt: 7, Sayı: 17, Yıl: 2016 GUEJISS, Gümü ş hane University Electronic Journal of The Institute of Social Sciences Volume: 7, Number: 17, Year: 2016 Widrow, Bernard - E. Hoff Marcian. "Adaptive Switching Circuits in 1960 Wescon Convention Record Part IV, in
Neurocomputing: Foundations of Research,
Ja Anderson, E. Rosenfeld.(Ed) (96-104), Cambridge: MIT Press. Xu, Fangzhou - Xianfeng Song - Xinhong Wang - Juexiao Su (2010), “Neural Network Model for Earthquake Prediction Using Demeter Data and Seismic Belt Information”, , 16-17 Dec, Wuhan, pp.180-183. Yıldırım, Özal (2010),
Veri Madencili ğ i Yöntemleriyle Depremlerin Analizi , Fırat Üniversitesi Fen Bilimleri Enstitüsü Yayımlanmamı ş Yüksek Lisans Tezi, Elazı ğ . Zhang, Qiuwen - Cheng Wang (2008), “Using Genetic Algorithm to Optimize Artificial Neural Network:A Case Study on Earthquake Prediction”, Second International Conference On Genetic and Evolutionary Computing ,25-26 September, Hubei, pp. 128-131. Zhou, Feiyan - Xiaofeng Zhu (2014), “Earthquake Prediction Based on Lm-Bp Neural Network,
Proceedings of The 9th International Symposium On Linear Drives For Industry Applications , 1, pp.13-20. Zurada, Jacek M. (1992),