Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini

Doğan, Ayhan

Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini

AYHAN DOĞAN (Hacettepe Üniversitesi, Başkent OSB Teknik Bilimler Meslek Yüksek Okulu, Ankara, Türkiye)

Yerbilimleri

14 8

Yıl: 2023 Cilt: 44 Sayı: 2 Sayfa Aralığı: 166 - 178 Metin Dili: Türkçe İndeks Tarihi: 24-08-2023

Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini

Öz:

Depremleri önceden tahmin edebilmek insan yaşamı ve konforu için önemli bir konu olmuştur. Ancak karmaşık bir mekanizmaya sahip olan depremler günümüz bilgi ve teknolojisi ile henüz tahmin edilememektedir. Geçmişte depremleri tahmin edebilmek için farklı yöntemler kullanılırken son zamanlarda yapay zeka yöntemlerindeki gelişmelerle birlikte, deprem tahminleri yapabilmek için bu yöntemler de kullanılmaya başlanmıştır. Bu çalışmada Türkiye’nin kuzeybatı bölgesinde gelecekte olma ihtimali bulunan, 6 ve üzeri büyüklükteki depremlerin odak koordinatları ve odak derinlikleri tahmin edilmeye çalışılmıştır. Bu çalışmada karşılaştırmalı olarak altı farklı makine öğrenimi yöntemi (Destek Vektör Makineleri, Gradient Boost, Elastic Net, Bayesian Ridge ve XGBoost) kullanılmış ve tahmin sonuçları karşılaştırılmıştır. Sonuçlar RMSE, MAE ve Düzeltilmiş R2 performans metrikleriyle değerlendirilmiştir. Tahmin sonuçları gelecekte Türkiye’nin kuzeybatı bölgesinde Bursa ili sınırları içerisinde İznik Gölü’nün kuzeyinden başlayarak batıya doğru Ekinli, İmralı adasının kuzeybatısı, Avşa adasının kuzeyi ve Marmara adasının kuzeybatısında 6 ve üzerinde depremler olabileceğini göstermektedir.

Anahtar Kelime: Makine öğrenimi Deprem tahmini Türkiye’nin kuzeybatısı Odak konumu Odak derinliği

Earthquake prediction for the northwest of Turkey with machine learning methods

Öz:

Being able to predict earthquakes has been an important issue for human life and comfort. However, earthquakes with complex mechanisms are quite difficult to predict. While different methods were used to predict earthquakes in the past, these methods have recently been used to make earthquake predictions with the developments in artificial intelligence methods. In this study, the focal coordinates and focal depths of earthquakes with a magnitude of 6 and above, likely to occur in the northwestern region of Turkey, were tried to be estimated. This study used six different machine learning methods (Support Vector Machines, Gradient Boost, Elastic Net, Bayesian Ridge and XGBoost) and compared the prediction results. Results were evaluated with RMSE, MAE, and Adjusted R2 performance metrics. The estimation results show that earthquakes of 6 or more may occur in the future in the northwestern region of Turkey, within the borders of Bursa province, starting from the north of Lake Iznik and going westwards in Ekinli, northwest of İmralı island, north of Avşa island and northwest of Marmara island.

Anahtar Kelime: Machine learning Earthquake prediction Northwest of Turkey Hypocenter location Hypocenter depth

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

Alarifi, A. S. N., Alarifi, N. S. N.,Al-Humidan, S., 2012. Earthquakes magnitude predication using artificial neural network in northern Red Sea area. Journal of King Saud University - Science, 24(4), 301-313. https://doi.org/10.1016/j.jksus.2011.05.002
Asencio-Cortés, G., Martínez-Álvarez, F., Troncoso, A.,Morales-Esteban, A., 2017. Medium–large earthquake magnitude prediction in Tokyo with artificial neural networks. Neural Computing and Applications, 28(5), 1043-1055. https://doi.org/10.1007/s00521-015-2121-7
Barsukov, V. L., Varshal, G. M.,Zamokina, N. S., 1984. Recent results of hydrogeochemical studies for earthquake prediction in the USSR. pure and applied geophysics, 122(2), 143-156. https://doi.org/10.1007/BF00874588
Bhatia, M., Ahanger, T. A.,Manocha, A., 2023. Artificial intelligence based real-time earthquake prediction. Engineering Applications of Artificial Intelligence, 120, 105856. https://doi.org/10.1016/j.engappai.2023.10 5856
Brehm, D. J.,Braile, L. W., 1998. Intermediate- term earthquake prediction using precursory events in the New Madrid seismic zone. Bulletin of the Seismological Society of America, 88(2), 564-580.
Can, C., Ergun, G.,Gokceoglu, C., 2014. Prediction of earthquake hazard by hidden Markov model (around Bilecik, NW Turkey). Open Geosciences, 6(3), 403-414. doi:10.2478/s13533-012-0180-1
Chen, T.,Guestrin, C. 2016. Xgboost: A scalable tree boosting system, Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, 13-17 August, San Francisco California, 785-794.
Cortes, C.,Vapnik, V., 1995. Support-vector networks. Machine Learning, 20(3), 273- 297. https://doi.org/10.1007/BF00994018
De Mol, C., De Vito, E.,Rosasco, L., 2009. Elastic-net regularization in learning theory. Journal of Complexity, 25(2), 201-230. https://doi.org/10.1016/j.jco.2009.01.002
Dong, W., Huang, Y., Lehane, B.,Ma, G., 2020. XGBoost algorithm-based prediction of concrete electrical resistivity for structural health monitoring. Automation in Construction, 114, 103155. https://doi.org/10.1016/j.autcon.2020.1031 55
Essam, Y., Kumar, P., Ahmed, A. N., Murti, M. A.,El-Shafie, A., 2021. Exploring the reliability of different artificial intelligence techniques in predicting earthquake for Malaysia. Soil Dynamics and Earthquake Engineering, 147, 106826. https://doi.org/10.1016/j.soildyn.2021.1068 26
Evison, F., 1963. Earthquakes and faults. Bulletin of the Seismological Society of America, 53(5), 873-891.
Geller, R. J., Jackson, D. D., Kagan, Y. Y.,Mulargia, F., 1997. Earthquakes cannot be predicted. Science, 275(5306), 1616- 1616.
Hayakawa, M.,Hobara, Y., 2010. Current status of seismo-electromagnetics for short-term earthquake prediction. Geomatics, Natural Hazards and Risk, 1(2), 115-155. https://doi.org/10.1080/19475705.2010.48 6933
Hoerl, A. E.,Kennard, R. W., 1970. Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55-67.
Horel, A., 1962. Application of ridge analysis to regression problems. Chemical Engineering Progress, 58, 54-59.
Huang, H.,Abdel-Aty, M., 2010. Multilevel data and Bayesian analysis in traffic safety. Accident Analysis & Prevention, 42(6), 1556-1565.
Kirschvink, J. L., 2000. Earthquake prediction by animals: Evolution and sensory perception. Bulletin of the Seismological Society of America, 90(2), 312-323.
Knopoff, L., 2000. The magnitude distribution of declustered earthquakes in Southern California. Proceedings of the National Academy of Sciences, 97(22), 11880- 11884. https://doi.org/10.1073/pnas.190241297
Külahcı, F., İnceöz, M., Doğru, M., Aksoy, E.,Baykara, O., 2009. Artificial neural network model for earthquake prediction with radon monitoring. Applied Radiation and Isotopes, 67(1), 212-219. https://doi.org/10.1016/j.apradiso.2008.08. 003
Luu, Q.-H., Lau, M. F., Ng, S. P.,Chen, T. Y., 2021. Testing multiple linear regression systems with metamorphic testing. Journal of Systems and Software, 182, 111062. https://doi.org/10.1016/j.jss.2021.111062
Marzocchi, W., Taroni, M.,Falcone, G., 2017. Earthquake forecasting during the complex Amatrice-Norcia seismic sequence. Science Advances, 3(9), e1701239. https://doi.org/10.1126/sciadv.1701239
McCann, W. R., Nishenko, S. P., Sykes, L. R.,Krause, J., 1979. Seismic gaps and plate tectonics: Seismic potential for major boundaries. pure and applied geophysics, 117(6), 1082-1147. 10.1007/BF00876211
Michael, A. J., McBride, S. K., Hardebeck, J. L., Barall, M., Martinez, E., Page, M. T., van der Elst, N., Field, E. H., Milner, K. R.,Wein, A. M., 2020. Statistical seismology and communication of the USGS operational aftershock forecasts for the 30 November 2018 Mw 7.1 Anchorage, Alaska, earthquake. Seismological Research Letters, 91(1), 153-173. https://doi.org/10.1785/0220190196
Montgomery, D. C., Peck, E. A.,Vining, G. G. 2021. Introduction to linear regression analysis. John Wiley & Sons, USA, 688s. Moustra, M., Avraamides, M.,Christodoulou, C., 2011. Artificial neural networks for earthquake prediction using time series magnitude data or Seismic Electric Signals. Expert Systems with Applications, 38(12), 15032-15039. https://doi.org/10.1016/j.eswa.2011.05.043
Möller, A., Ruhlmann-Kleider, V., Leloup, C., Neveu, J., Palanque-Delabrouille, N., Rich, J., Carlberg, R., Lidman, C.,Pritchet, C., 2016. Photometric classification of type Ia supernovae in the SuperNova Legacy Survey with supervised learning. Journal of Cosmology and Astroparticle Physics, 2016(12), 008. https://doi.org/10.1088/1475- 7516/2016/12/008
MTA. 2023. Geosciences Map Viewer. http://yerbilimleri.mta.gov.tr/anasayfa.aspx (Erişim Tarihi: 10.07.2023).
Natekin, A.,Knoll, A., 2013. Gradient boosting machines, a tutorial. Frontiers in neurorobotics, 7, 21. https://doi.org/10.3389/fnbot.2013.00021
Owen, A. B. 2007. A robust hybrid of lasso and ridge regression. ss 59-72. Joseph S. Verducci, Xiaotong Shen and Lafferty, J., ed. 2007. Contemporary Mathematics, 226s.
Panakkat, A.,Adeli, H., 2007. Neural network models for earthquake magnitude prediction using multiple seismicity indicators. International journal of neural systems, 17(01), 13-33. https://doi.org/10.1142/S01290657070008 90
Pittman, S. J.,Brown, K. A., 2011. Multi-scale approach for predicting fish species distributions across coral reef seascapes. PloS one, 6(5), e20583. https://doi.org/10.1371/journal.pone.00205 83
Ricciardi, C., Ponsiglione, A. M., Scala, A., Borrelli, A., Misasi, M., Romano, G., Russo, G., Triassi, M.,Improta, G., 2022. Machine learning and regression analysis to model the length of hospital stay in patients with femur fracture. Bioengineering, 9(4), 172. https://doi.org/10.3390/bioengineering9040 172
Rikitake, T., 1968. Earthquake prediction. Earth-Science Reviews, 4, 245-282. https://doi.org/10.1016/0012- 8252(68)90154-2
Rouet-Leduc, B., Hulbert, C., Lubbers, N., Barros, K., Humphreys, C. J.,Johnson, P. A., 2017. Machine Learning Predicts Laboratory Earthquakes. Geophysical Research Letters, 44(18), 9276-9282. https://doi.org/10.1002/2017GL074677
Shi, Q., Abdel-Aty, M.,Lee, J., 2016. A Bayesian ridge regression analysis of congestion's impact on urban expressway safety. Accident Analysis & Prevention, 88, 124-137. https://doi.org/10.1016/j.aap.2015.12.001
Shiuly, A., Roy, N.,Sahu, R. B., 2020. Prediction of peak ground acceleration for Himalayan region using artificial neural network and genetic algorithm. Arabian Journal of Geosciences, 13(5), 215. https://doi.org/10.1007/s12517-020-5211-5
Soman, K., Loganathan, R.,Ajay, V. 2009. Machine learning with SVM and other kernel methods. PHI Learning Pvt. Ltd., New Delhi, 477s.
Song, K., Yan, F., Ding, T., Gao, L.,Lu, S., 2020. A steel property optimization model based on the XGBoost algorithm and improved PSO. Computational Materials Science, 174, 109472. https://doi.org/10.1016/j.commatsci.2019.1 09472
Tamayo, D., Silburt, A., Valencia, D., Menou, K., Ali-Dib, M., Petrovich, C., Huang, C. X., Rein, H., Van Laerhoven, C.,Paradise, A., 2016. A machine learns to predict the stability of tightly packed planetary systems. The Astrophysical Journal Letters, 832(2), L22. https://doi.org/10.3847/2041- 8205/832/2/L22
USGS. 2023. Search Earthquake Catalog,. https://earthquake.usgs.gov/earthquakes/s earch (Erişim Tarihi: 08.07.2023).
Wang, K., Johnson, C. W., Bennett, K. C.,Johnson, P. A., 2022. Predicting Future Laboratory Fault Friction Through Deep Learning Transformer Models. Geophysical Research Letters, 49(19), e2022GL098233. https://doi.org/10.1029/2022GL098233
Whitcomb, J. H., Garmany, J. D.,Anderson, D. L., 1973. Earthquake Prediction: Variation of Seismic Velocities before the San Francisco Earthquake. Science, 180(4086), 632-635. https://doi.org/10.1126/science.180.4086.6 32
Zmazek, B., Todorovski, L., Džeroski, S., Vaupotič, J.,Kobal, I., 2003. Application of decision trees to the analysis of soil radon data for earthquake prediction. Applied Radiation and Isotopes, 58(6), 697-706. https://doi.org/10.1016/S0969- 8043(03)00094-0
Zou, H.,Hastie, T., 2005. Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society Series B: Statistical Methodology, 67(2), 301-320. https://doi.org/10.1111/j.1467- 9868.2005.00503.x

APA	Doğan A (2023). Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. , 166 - 178.
Chicago	Doğan Ayhan Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. (2023): 166 - 178.
MLA	Doğan Ayhan Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. , 2023, ss.166 - 178.
AMA	Doğan A Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. . 2023; 166 - 178.
Vancouver	Doğan A Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. . 2023; 166 - 178.
IEEE	Doğan A "Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini." , ss.166 - 178, 2023.
ISNAD	Doğan, Ayhan. "Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini". (2023), 166-178.

APA	Doğan A (2023). Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. Yerbilimleri, 44(2), 166 - 178.
Chicago	Doğan Ayhan Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. Yerbilimleri 44, no.2 (2023): 166 - 178.
MLA	Doğan Ayhan Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. Yerbilimleri, vol.44, no.2, 2023, ss.166 - 178.
AMA	Doğan A Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. Yerbilimleri. 2023; 44(2): 166 - 178.
Vancouver	Doğan A Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini. Yerbilimleri. 2023; 44(2): 166 - 178.
IEEE	Doğan A "Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini." Yerbilimleri, 44, ss.166 - 178, 2023.
ISNAD	Doğan, Ayhan. "Makine öğrenimi yöntemleri kullanılarak Türkiye’nin kuzeybatısı için deprem tahmini". Yerbilimleri 44/2 (2023), 166-178.