SeismoQuakeGNN: Transformatör Destekli Modellerle Spasyo-Temporal Deprem Tahmini İçin Hibrit Bir Çerçeve

Sismoloji ve afet yönetimi disiplinlerinde depremlerin zamanını, yerini ve büyüklüğünü önceden tahmin edebilmek, can kayıplarını en aza indirmek ve yapısal riskleri azaltmak için hayati önem taşır. Ancak yer kabuğunun karmaşık jeofiziksel süreçleri, fay hatlarının doğrusal olmayan etkileşimleri ve sismik verilerin yüksek boyutlu yapısı, güvenilir tahmin sistemlerinin kurulmasını zorlaştırmaktadır. Geleneksel istatistiksel metotlar ve klasik makine öğrenimi algoritmaları, deprem parametreleri arasındaki mekansal bağımlılıkları ve uzun dönemli zamansal döngüleri aynı anda işleme kapasitesine sahip değildir. Bu durum, sismik veri analizinde hem coğrafi konumların birbirine olan etkisini dinamik graf yapılarıyla modelleyecek hem de zaman serisi verilerindeki ardışık ilişkileri koruyacak yenilikçi hibrit yaklaşımların geliştirilmesini zorunlu kılmaktadır.

Bu çalışmada, deprem büyüklüğü tahmin doğruluğunu artırmak amacıyla sismik verilerdeki mekansal ve zamansal örüntüleri bütünleşik olarak ele alan SeismoQuakeGNN isimli yeni bir hibrit derin öğrenme modeli önerilmiştir. Yöntem kapsamında, 1990 ile 2023 yılları arasında gerçekleşen yaklaşık 34.800 deprem olayını kapsayan Birleşik Küresel Sismisite Kataloğu (UGCS) verileri sismik koordinat, derinlik ve istasyon mesafeleri gibi niteliklerle temizlenerek normalize edilmiştir. Önerilen mimaride, mekansal etkileşimleri dinamik olarak öğrenmek için optimize edilmiş bir Graf Sınır Ağı (GNN) yapısı kurulmuş, zamansal korelasyonları uzun vadeli olarak yakalamak için ise Transformatör tabanlı bir dikkat modülü entegre edilmiştir. Modelin eğitimi ve test aşamasında 5 katlı çapraz doğrulama yöntemi kullanılmış, ayrıca coğrafi genelleştirilebilirliği sağlamak adına bölgeler arası sismik transfer testleri uygulanmıştır.

Yapılan deneysel analizler ve karşılaştırmalı performans değerlendirmeleri, SeismoQuakeGNN modelinin diğer alternatif sismik tahmin yaklaşımlarına kıyasla son derece başarılı sonuçlar elde ettiğini ortaya koymuştur. Önerilen hibrit model, bölgesel düzeyde yüzde 88,00 R-kare skoru, 0,07 gibi oldukça düşük bir ortalama karesel hata (MSE) ve yüzde 98,00 sınıflandırma doğruluğu sergileyerek en iyi performansı göstermiştir. Yapılan parça çıkarma (ablasyon) analizi sonuçlarına göre, Transformatör bloğunun modelden çıkarılması R-kare değerini yüzde 72,00 seviyesine düşürerek zamansal örüntülerin modeldeki en kritik sismik bileşen olduğunu kanıtlamıştır. Graf yapılarının çıkarılması ise R-kare skorunu yüzde 80,00'e indirgeyerek mekansal kodlamanın deprem gücünün doğru tahmin edilmesindeki rolünü ampirik olarak doğrulamıştır.

SeismoQuakeGNN modelinin başarısı, sismik tahmin literatüründe tek boyutlu zaman serisi veya yalnızca mekansal haritalama yapan geleneksel yaklaşımların ötesine geçerek hibrit mimarilerin üstünlüğünü kanıtlamaktadır. Tartışma bölümünde, modelin sismik istasyon dağılımı ve deprem derinliği gibi değişkenler arasındaki doğrusal olmayan ilişkileri başarıyla çözümlediği ve XGBoost gibi ek regresyon katmanlarının karmaşıklığı artırmasına rağmen tahmin doğruluğuna anlamlı bir katkı sağlamadığı vurgulanmıştır. Sonuç olarak bu çalışma, sismik tehlike analizi ve erken uyarı sistemleri için dinamik spasyo-temporal modellerin uygulanabilirliğini göstermektedir. Önerilen bu çerçeve, sismoloji alanındaki veri dengesizliği sorununu aşmak için sismik dalga formları ile metinsel sismik raporların entegre edildiği çok modlu (multimodal) gelecek çalışmalar için güçlü bir akademik zemin sunmaktadır.

Elde edilen ampirik bulgular, SeismoQuakeGNN hibrit modelinin sismik veri kümelerindeki karmaşık ilişkileri çözmede tekil makine öğrenimi ve derin öğrenme mimarilerine kıyasla daha dengeli bir performans sunduğunu göstermektedir. Özellikle R2 skorundaki yüksek başarı ve düşük hat oranları, mekansal ve zamansal özniteliklerin birlikte işlenmesinin doğruluğu doğrudan artırdığına işaret etmektedir.

Yazarlar bu durumu, Graf Sınır Ağlarının sismik istasyonlar ve fay hatları arasındaki coğrafi etkileşimleri yakalamadaki gücü ile Transformatör mimarisinin uzun vadeli zaman serisi bağımlılıklarını öğrenme kapasitesinin birbirini tamamlamasıyla açıklamaktadır. XGBoost regresörünün çıkarılması ise modelin karmaşıklığını düşürürken doğruluğu korumasını sağlamıştır.

Tartışma bölümünde mevcut literatürle kurulan ilişkiler, geleneksel istatistiksel modellerin ve tek boyutlu derin öğrenme yaklaşımlarının spasyo-temporal etkileşimleri göz ardı ettiğini ortaya koymaktadır. SeismoQuakeGNN, literatürdeki bu mekansal ve zamansal kopukluğu gidererek çok boyutlu sismik tahminlerde yeni bir standart oluşturmaktadır.

Sonuç olarak, çalışmanın tartışma çerçevesi sismik tehlike değerlendirmelerinde ve erken uyarı sistemlerinde mekansal-zamansal hibrit derin öğrenme modellerinin kullanılmasının gerekliliğini vurgulamaktadır. Gelecek araştırmalarda dalga formu ve metin tabanlı çok modlu verilerin entegrasyonuyla modelin geniş ölçekli depremlerdeki tahmin kapasitesinin daha da geliştirilebileceği belirtilmektedir.

Gutenberg ve Richter tarafından geliştirilen geleneksel istatistiksel ve lineer regresyon yaklaşımları sismik verilerdeki mekansal ve zamansal karmaşıklıkları yakalamada yetersiz kalırken, SeismoQuakeGNN modeli non-lineer spasyo-temporal ilişkileri dinamik olarak öğrenerek yüksek tahmin başarısı sergilemektedir (Leema et al., 2025).

Mousavi ve arkadaşlarının kullandığı Rastgele Orman ve Destek Vektör Makineleri gibi geleneksel makine öğrenimi yöntemleri sınırlı etiketli veri durumunda genelleştirme zorluğu yaşarken, SeismoQuakeGNN mekansal kodlama ve zamansal dikkat mekanizmalarını birleştirerek veriler arası genelleştirme kabiliyetini artırmıştır (Leema et al., 2025).

Bu makale, sismoloji ve yapay zeka literatüründe, deprem büyüklüğü ve sismik risk tahminlerinde karşılaşılan iki yönlü mekansal ve zamansal karmaşıklıkları çözmeye yönelik kapsamlı bir mimari sunma işlevi görmektedir. Geleneksel yaklaşımların mekansal fay hatları ile zaman serisi sismik verileri birbirinden bağımsız ele alma sınırlılığını ortadan kaldırarak, bunları bütünleşik bir hibrit yapıda birleştirmektedir. Böylece sismik aktivite tahmin doğruluğunu artırırken afet yönetim süreçleri için de daha güvenilir veriler üretmektedir.

Çalışma, önceki literatürde yer alan Random Forest, SVR ve tek başına kullanılan sismik tahmin yöntemlerinin ötesine geçerek sismoloji çalışmalarını genişletmektedir. Özellikle tek boyutlu CNN ve RNN veya LSTM modellerinin mekansal etkileşimleri ihmal etmesini eleştirmekte ve graf yapıları üzerinden fay hatları ile istasyonlar arası mekansal bağlamı kurmaktadır. Mevcut derin öğrenme literatüründeki verimsiz ve tek yönlü modellerle olan farklılıklarını ortaya koyarak, GNN tabanlı mekansal kodlama ile Transformatör tabanlı dikkat mekanizmasını entegre eden dinamik bir çerçeve inşa etmektedir.

Bu yayın, literatür taraması yapan araştırmacılara sismik modelleme alanındaki en güncel metodolojik dönüşümleri toplu halde sunarak kritik bir sentez sağlamaktadır. Farklı sismik bölgelere (Japonya, Kaliforniya, Endonezya vb.) uyarlanabilir alan dışı transfer yeteneğini deneysel olarak kanıtlayarak, sismik risk değerlendirme literatüründeki genelleştirilebilirlik sorununa doğrudan yanıt vermektedir. Ayrıca kapsamlı ablasyon çalışması sayesinde her bir alt bileşenin tahmindeki net ağırlığını nicel olarak göstererek literatüre rehberlik etmektedir.