Deprem Büyüklüğü Tahmini İçin İklimsel ve Sismik Veriye Dayalı Derin Öğrenme Modelinin Geliştirilmesi

Yer kürenin iklim sisteminde meydana gelen küresel ısınma kaynaklı değişimler, yalnızca atmosferik ve hidrolojik dengeleri bozmakla kalmayıp gezegenin litosferik ve jeolojik dinamiklerini de derinden etkilemektedir. Sıcaklık artışları, buzul erimeleri, deniz seviyesi yükselmeleri ve yağış anomalileri gibi iklimsel etkenler, yer kabuğu üzerindeki basınç ve gözenek akışkan basınçlarını değiştirerek bölgesel sismisiteyi tetikleme potansiyeline sahiptir. Sismoloji literatüründe uzun süredir matematiksel modeller ve tekil sismik öncüller üzerinden deprem kestirimi yapılmaya çalışılsa da, yer kabuğu altındaki karmaşık ve doğrusal olmayan jeofiziksel süreçler nedeniyle geleneksel yöntemler sınırlı başarı elde etmiştir. İklim değişikliği ile sismik hareketler arasındaki karmaşık ilişkinin yapay zeka teknikleriyle modellenmesi, alanın en önemli tartışma konularından birini oluşturmaktadır.

Bu çalışmada, iklimsel veriler ile sismik parametrelerin birlikte değerlendirildiği veri güdümlü bir derin öğrenme yaklaşımı önerilmiştir. Çalışmanın temel amacı, küresel sıcaklık anomalisi verilerini Gutenberg-Richter yasası ve sismik enerji salınımı gibi olgulara dayalı sekiz sismik parametre ile birleştirerek bir sonraki depremin büyüklüğünü tahmin etmektir. Araştırmada Endonezya, Japonya ve Hindu-Kuş Karakorom Himalaya bölgelerine ait 1921-2020 yılları arasındaki tarihsel sismisite verileri ile NOAA küresel sıcaklık anomalisi veri seti kullanılmıştır. Tahminleme sürecinde Uzun Kısa Süreli Bellek (LSTM), Çift Yönlü Uzun Kısa Süreli Bellek (Bi-LSTM) ve özdikkat mekanizmalı Transformer modelleri bağımsız olarak eğitilmiş ve değerlendirilmiştir.

Modelleme sonuçları, küresel sıcaklık anomalisi ve sismik parametrelerin derin öğrenme mimarilerine beslenmesinin son derece düşük hata oranlarıyla başarılı tahminler ürettiğini göstermiştir. Endonezya deprem kataloğu üzerinde test edilen modeller arasında LSTM mimarisi 0,066 ortalama mutlak hata (MAE) ve 0,007 ortalama karesel hata (MSE) değerleriyle en yüksek performansı sergilemiştir. Hindu-Kuş Karakorom Himalaya bölgesinde de yine LSTM modeli 0,083 MAE ve 0,011 MSE ile öne çıkarken, Japonya verisetinde Transformer modeli 0,083 MAE ve 0,015 MSE ile en başarılı test sonuçuna ulaşmıştır. Tüm veri setlerinde modellerin ürettiği kestirim hatalarının standart sapması maksimum 0,17 büyüklük birimi düzeyinde kalmış ve yöntemlerin kararlılığı doğrulanmıştır.

Elde edilen bulgular, küresel sıcaklık dalgalanmaları ile deprem büyüklükleri arasında belirgin bir ilişkinin varlığına işaret etmekte ve iklim verilerinin sismik tahmin modellerine entegrasyonunun önemini ortaya koymaktadır. Yazar, bu yaklaşımın iklim değişikliği ile katı dünya jeofiziği arasındaki disiplinlerarası bağı güçlendirdiğini ve sismik risk değerlendirmelerinde yeni bir boyut sunduğunu vurgulamaktadır. Gelecek araştırmalar ve literatür taramaları açısından çalışma, bölgesel iklim değişkenlerinin ve yerel sıcaklık anomalilerinin zaman serisi modellerine dahil edilerek sismik kestirim sistemlerinin daha geniş coğrafyalarda geliştirilmesine somut bir temel hazırlamaktadır.