Hesaplamalı araştırma makalesi incelemesi
DOI: 10.3389/frai.2025.1690476SeismoQuakeGNN: Transformatör Destekli Modellerle Spasyo-Temporal Deprem Tahmini İçin Hibrit Bir Çerçeve
Sismik tahmin ve deprem büyüklüğü kestirimi, afet yönetimi ve can kayıplarının azaltılması açısından kritik bir öneme sahiptir. Geleneksel istatistiksel modeller ve makine öğrenimi yaklaşımları (Rastgele Orman, SVR, XGBoost vb. ) deprem verilerindeki karmaşık, dinamik ve doğrusal olmayan ilişkileri çözmede sıklıkla yetersiz kalmaktadır.
Makalenin anahtar kelimeleri
- Yazar
- A. Anny Leema et al.
- Yayın
- Frontiers in Artificial Intelligence
- Tarih
- 2025-12-02
Makalenin Kapsamı ve Akademik İçeriği
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.
Araştırmanın amacı
Bu çalışmanın amacı, deprem verilerindeki karmaşık mekansal ve zamansal ilişkileri bütüncül bir şekilde yakalamak amacıyla, optimize edilmiş bir mekansal kodlama mekanizmasına sahip Graf Sınır Ağı (GNN) ile uzun vadeli zamansal korelasyonları öğrenen Transformatör tabanlı dikkat modülünü entegre eden SeismoQuakeGNN adında yeni bir sismik tahmin çerçevesi önermek ve performansını doğrulamaktır(Leema et al., 2025).
İnceleme ve modelleme yöntemi
Çalışmada, deprem verilerindeki mekansal ve zamansal bağımlılıkları eşzamanlı olarak modellemek amacıyla Graf Sınır Ağı (GraphSAGE) ve Transformatör tabanlı dikkat mekanizmasını birleştiren hibrit SeismoQuakeGNN mimarisi geliştirilmiştir(Leema et al., 2025).
Kuramsal ve kavramsal çerçeve
Çalışma, sismik olayların doğrusal olmayan ve dinamik doğasını açıklayan jeofiziksel parametreler ile veri odaklı derin öğrenme kuramına dayanmaktadır. Mekansal ilişkilerin modellenmesinde graf teorisi ve Graf Sınır Ağları (özellikle GraphSAGE ve GCN) temel alınırken, ardışık sismik serilerin uzun vadeli zamansal dinamiklerini öğrenmek amacıyla öz-dikkat (self-attention) mekanizmasına dayalı Transformatör mimarisi kullanılmıştır. Bu doğrultuda çalışma, yer altı fay hatlarının birbirine bağlı yapısını mekansal düğümler olarak, tarihsel deprem döngülerini ise zamansal diziler olarak kavramsallaştıran bütünleşik bir spasyo-temporal kuramsal çerçeve üzerine inşa edilmiştir.
Makalenin ele aldığı literatür
Literatürde deprem tahmini için Gutenberg-Richter yasası gibi geleneksel istatistiksel modellerin yanı sıra SVM, SVR, Rastgele Orman (RF) ve XGBoost gibi makine öğrenimi algoritmaları yaygın olarak kullanılmıştır. Son yıllarda ise Evrişimli Sınır Ağları (CNN) mekansal özellikleri yakalamak, LSTM ve Bi-LSTM ağları ise zamansal bağımlılıkları öğrenmek için devreye sokulmuştur. Ancak mevcut literatür, bu iki boyutu (mekan ve zaman) entegre etmekte zorlanmakta ve modeller genellikle tek bir sismik bölgeye aşırı uyum (overfitting) göstermektedir. Ayrıca, sismik verilerin seyrekliği ve bölgeler arasındaki veri dengesizliği, modellerin genelleyebilirliğini kısıtlayan en önemli engeller olarak ele alınmaktadır.
Araştırma Tasarımı
- Evren veya inceleme alanı
- 1990-2023 yılları arasında küresel ölçekte kaydedilmiş deprem olaylarını içeren Birleşik Küresel Deprem Kataloğu (UGCS) ve USGS sismik kayıt veritabanı.
- Örneklem veya araştırma materyali
- 1990 ile 2023 yılları arasında Japonya, Kaliforniya, Endonezya ve Akdeniz kuşağı gibi farklı tektonik rejimlerden toplanan yaklaşık 34.800 deprem olayı.
- Veri toplama süreci
- UGCS ve USGS veritabanlarından enlem, boylam, derinlik, büyüklük (mag), büyüklük türü (magType), istasyon sayısı (nst), azimutal boşluk (gap) ve en yakın istasyona uzaklık (dmin) parametrelerini içeren sismik özniteliklerin derlenmesiyle gerçekleştirilmiştir.
- Veri analiz yöntemi
- Eksik verilerin ortalama ile doldurulması, StandardScaler ile ölçekleme, LabelEncoder ile kategorik kodlama, K-means kümeleme analizi, 5 katlı çapraz doğrulama, Bayesçi hiperparametre optimizasyonu (Optuna) ve bileşenlerin etkisini ölçen ablasyon analizi yapılmıştır.
Araştırmanın Bulguları
SeismoQuakeGNN hibrit modeli, bölgesel seviyedeki deprem büyüklüğü tahminlerinde %88,00 R2 skoru, 0,07 MSE ve %98,00 sınıflandırma doğruluğuna ulaşarak geleneksel makine öğrenimi ve bağımsız derin öğrenme modellerine üstünlük sağlamıştır(Leema et al., 2025).
Ablasyon analizinde Graf Sınır Ağı (GNN) bileşeninin modelden çıkarılması R2 skorunu %80,00 seviyesine düşürmüş, bu durum GNN katmanlarının yerel mekansal korelasyonları öğrenmedeki kritik rolünü kanıtlamıştır(Leema et al., 2025).
Transformatör dikkat modülünün modelden çıkarılması R2 skorunda %72,00 seviyesine kadar en büyük performans düşüşüne yol açmış, zamansal bağımlılıkların modellenmesinin sismik tahmin başarısı için zorunlu olduğunu göstermiştir(Leema et al., 2025).
Beslemeli Sınır Ağı (FNN) veri setindeki karmaşık ilişkileri açıklamada %98,00 gibi yüksek bir R2 değerine ulaşsa da, mekansal farkındalık gerektiren durumlarda GNN tabanlı yapılara kıyasla kısıtlı kalmaktadır(Leema et al., 2025).
Bulguların Tartışılması ve Araştırmanın Sonucu
Bulguların Yazarlar Tarafından Yorumlanışı
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.
Bulguların Önceki Araştırmalarla Karşılaştırılması
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).
Sonuç Bölümünün Sunduğu Çıkarımlar
SeismoQuakeGNN hibrit çerçevesi, hem mekansal graf yapılarını hem de zamansal Transformatör dikkat mekanizmalarını eşzamanlı olarak işleyerek deprem büyüklüğü tahmininde ve risk değerlendirmesinde geleneksel ve tekil derin öğrenme modellerine kıyasla önemli bir ilerleme kaydetmiştir. XGBoost gibi gereksiz bileşenlerin elenmesiyle hesaplama karmaşıklığı azaltılmış ve farklı sismik bölgelere aktarılabilir güvenilir bir tahmin altyapısı sunulmuştur(Leema et al., 2025).
Literatür Taraması İçin Sunduğu Çerçeve
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.
Kaynakça
- Gutenberg, B., & Richter, C. F. (1954). Frequency of earthquakes in California. Bulletin of the Seismological Society of America, 34, 185-188.
- Mousavi, S. M., Ellsworth, W. L., Zhu, W., Chuang, L. Y., & Beroza, G. C. (2019). Earthquake transformer: an attentive deep-learning model for simultaneous earthquake detection and phase picking. Geophysical Research Letters, 46, 6118-6127. https://doi.org/10.1029/2019GL083612
Tez ve Makale Araştırmalarında Kullanım
Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.
Tez veya makalede kullanım · literatüre-review
Derin öğrenme tabanlı sismik modellerde yalnızca mekansal ilişkileri veya yalnızca zamansal ilişkileri incelemek tahmin doğruluğunu kısıtlamaktadır.
Bu tez çalışmasında, sismik modellemede tekil yaklaşımların yetersizliğini kanıtlamak amacıyla, ablasyon çalışmasındaki GNN veya Transformatör bileşenlerinin çıkarılmasıyla ortaya çıkan sismik doğruluk düşüşleri referans gösterilecektir(Leema et al., 2025).
Aktif Fay Hatlarındaki Spasyo-Temporal Sismik Aktivitenin Çok Modlu GNN-Transformer Hibrit Modeli ile Modellenmesi
- Araştırma sorusu
- Aktif fay hatları boyunca sismometrelerden elde edilen sismik dalga formlarının GNN-Transformer hibrit modeli ile sismik büyüklük tahmini üzerindeki doğruluk düzeyi nedir?
- Yöntem taslağı
- Mevcut çalışmanın SeismoQuakeGNN mimarisi temel alınarak; sismik istasyonlardan sismik dalga formları (10.000 sismogram) toplanacak, sismik ağlar graf düğümleri olarak modellenecek, veri doygunluğuna ulaşıncaya dek toplanan sismik zaman serisi verileri Transformer-Encoder dikkat katmanında işlenip hata analizleri R2 ve MSE metrikleriyle değerlendirilecektir.
Makaleyle bağlantısı: Yazarların makalenin sonuç kısmında, sismik tahmin modellerinin performansını daha da geliştirmek amacıyla gelecek çalışmalarda dalga formu sismik sinyalleri gibi çok modlu verilerin entegrasyonuna yönelik yaptığı çağrıdan türetilmiştir(Leema et al., 2025).
Tez veya makalede kullanım · Tartışma
Sismik verilerdeki spasyo-temporal (mekansal-zamansal) korelasyonların bütünleşik sismik kodlayıcılarla modellenmesi tahmin başarısını artırmaktadır.
SeismoQuakeGNN modelinin %88,00 R2 skoru ve %98,00 doğruluk başarısı sunan güncel sürümü, önerilen tezin spasyo-temporal sismik modelleme yaklaşımlarını tartışırken referans veri ve benchmark olarak kullanılacaktır(Leema et al., 2025).
Bölgesel Sismik Hotspot Analizlerinde K-Means ve GraphSAGE Tabanlı Spasyo-Temporal Kümeleme Performanslarının Kıyaslanması
- Araştırma sorusu
- Sismik risk bölgelerinin belirlenmesinde K-Means sismik kümeleme yaklaşımı ile GraphSAGE sismik komşuluk graf sarmallama yaklaşımı arasındaki mekansal sismik risk sınıflandırma tutarlılığı ne düzeydedir?
- Yöntem taslağı
- Küresel sismik veri tabanlarından elde edilen 30.000 sismik olay; K-Means sismik hotspot analizi ve 3 katmanlı, 64 gizli üniteli GraphSAGE graf sınır ağı sismik komşuluk modellerine ayrı ayrı tabi tutulacaktır. Modellerin sınıflandırma kararlılığı ve sismik risk gradyanları coğrafi bilgi sistemleri (Folium sismik haritalandırma) yardımıyla görselleştirilerek istatistiksel hata metrikleriyle sınanacaktır.
Makaleyle bağlantısı: Çalışmanın sismik hotspot tespiti için K-Means sismik kümeleme ve mekansal öğrenme için GraphSAGE graf sınır ağı modellerinin sismik doğruluk ve tahmin kararlılığını test ettiği bulgularından türetilmiştir(Leema et al., 2025).
Tez veya makalede kullanım · Kavramsal çerçeve
Graf Sınır Ağları ile Transformatör mimarilerinin hibrit entegrasyonu, deprem sismolojisindeki karmaşık doğrusal olmayan ilişkileri çözebilir.
SeismoQuakeGNN çerçevesinin genel mimarisi ve veri işleme akışı, kurulacak kavramsal sismik tahmin modelinin spasyo-temporal kodlama katmanını doğrulamak için teorik dayanak olarak entegre edilecektir(Leema et al., 2025).
Farklı Sismik Tektonik Alanlarda Spasyo-Temporal Sismik Modellerin Alan Dışı Transfer Edilebilirlik Performansının Sınanması
- Araştırma sorusu
- Aktif bir sismik tektonik bölgede (örneğin Doğu Anadolu Fay Hattı) eğitilen SeismoQuakeGNN modelinin, farklı sismik özelliklere sahip sismik bölgelere (örneğin Ege Graben Sistemi) transfer edilebilirliği ve sismik büyüklük tahmin performansı ne ölçüdedir?
- Yöntem taslağı
- Sismik veri seti alanlar arası çapraz doğrulama (cross-regional validation) ilkelerine göre ikiye ayrılacaktır. GNN-Transformer tabanlı sismik tahmin modeli bir bölgenin deprem kataloğu ile eğitildikten sonra, güç analiziyle belirlenen diğer sismik bölge verileriyle test edilecek; transfer performansı R2 skoru ve alan dışı genelleştirilebilirlik sınırları üzerinden nicel olarak incelenecektir.
Makaleyle bağlantısı: Yazarların sismik bölgeler arası transfer yeteneğini saptamak üzere kullandığı çapraz bölgesel doğrulama metodolojisinden ve SeismoQuakeGNN modelinin alan dışı genelleştirilebilirlik başarısından esinlenilmiştir(Leema et al., 2025).