---
type: "Akademik Makale Analizi"
title: "SeismoQuakeGNN: Transformatör Destekli Modellerle Spasyo-Temporal Deprem Tahmini İçin Hibrit Bir Çerçeve"
description: "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 ç"
resource: "https://makaleanalizi.com/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/seismoquakegnn-transformator-destekli-modellerle-spasyo-temporal-deprem-tahmini-icin-hibrit-bir-cerceve"
doi: "10.3389/frai.2025.1690476"
authors: ["A. Anny Leema", "P. Balakrishnan", "G. Kiruba", "Ganesarathinam Rajarajan", "Stuti Goel", "Prisha Aggarwal"]
citation: "Leema, A. A., Balakrishnan, P., Kiruba, G., Rajarajan, G., Goel, S., Aggarwal, P. (2025). SeismoQuakeGNN: a hybrid framework for spatio-temporal earthquake prediction with transformer-enhanced models. Frontiers in Artificial Intelligence, 8, 1690476-1690476. https://doi.org/10.3389/frai.2025.1690476"
publicationType: "computational"
discipline: "Doğa Bilimleri"
subDiscipline: "Fizik, Kimya ve Yaşam Bilimleri"
evidenceCount: 11
tags: ["sismik veri", "rastgele orman regresyonu", "graf sınır ağı", "Uzun Kısa-Süreli Bellek", "SeismoQuakeGNN"]
timestamp: "2026-09-10T02:46:04.464Z"
---

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

Özgün başlık: SeismoQuakeGNN: a hybrid framework for spatio-temporal earthquake prediction with transformer-enhanced models
DOI: https://doi.org/10.3389/frai.2025.1690476
Künye (APA 7): Leema, A. A., Balakrishnan, P., Kiruba, G., Rajarajan, G., Goel, S., Aggarwal, P. (2025). SeismoQuakeGNN: a hybrid framework for spatio-temporal earthquake prediction with transformer-enhanced models. Frontiers in Artificial Intelligence, 8, 1690476-1690476. https://doi.org/10.3389/frai.2025.1690476

Bilim alanı: [Doğa Bilimleri](/okf/doga-bilimleri/index.md) › Fizik, Kimya ve Yaşam Bilimleri

# Alan bağlamı

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. Bunun temel nedeni, depremlerin hem coğrafi konumlar arasındaki mekansal etkileşimleri hem de zaman serisi niteliğindeki zamansal korelasyonları barındırmasıdır. Alandaki güncel tartışmalar, bu spasyo-temporal (mekansal-zamansal) bağımlılıkların eş zamanlı olarak nasıl modelleneceği ve farklı sismik bölgelere genelleştirilebilecek yüksek doğruluğa sahip modellerin nasıl geliştirileceği sorusuna odaklanmaktadır.

# Akademik özet

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.

# Yöntem ve tasarım

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.

# Bulgular ve önermeler

1. 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.
2. 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.
3. 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.
4. 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.

# Yazarın tartışması

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.

# Yazarın sonucu

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.

# Literatürdeki işlevi

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.

Önceki çalışmalarla ilişkisi: 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.

Literatür taramasına katkısı: 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.

# Tez ve makale araştırmalarında kullanım

- **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.
- **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.
- **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.

# Türetilebilir araştırma soruları

- **Aktif fay hatları boyunca sismometrelerden elde edilen sismik dalga formlarının GNN-Transformer hibrit modeli ile sismik büyüklük tahmini üzerindeki doğruluk düzeyi nedir?**
  - Desen: 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.
  - Gerekçe: 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.
- **Sismik risk bölgelerinin belirlenmesinde K-Means sismik kümeleme yaklaşımı ile GraphSAGE sismik komşuluk graf sarmallama yaklaşımı arasındaki mekansal sismik risk sınıflandırma tutarlılığı ne düzeydedir?**
  - Desen: 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.
  - Gerekçe: 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.
- **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?**
  - Desen: 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.
  - Gerekçe: Yazarların sismik bölgeler arası transfer yeteneğini saptamak üzere kullandığı çapraz bölgesel doğrulama metodolojisinden ve SeismoQuakeGNN modelinin alan dışı genelleştirilebilirlik başarısından esinlenilmiştir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | 1 Introduction | 1 | — | To overcome this issue, we propose SeismoQuakeGNN, a novel Graph Neural Network (GNN) and Transformer-based hybrid framework that integrates spatial and temporal learning for impro |
| ev-s-1 | 1 Introduction | 1 | — | To overcome this issue, we propose SeismoQuakeGNN, a novel Graph Neural Network (GNN) and Transformer-based hybrid framework that integrates spatial and temporal learning for impro |
| ev-s-2 | 4.1 A seismic data collection and preprocessing | 7 | — | This compilation of data includes about 34,800 earthquake events from 1990 to 2023, with the first 1,000 events being representative of different tectonic environments practically  |
| ev-s-3 | 6 Conclusion | 21 | — | Updated model SeismoQuakeGNN has the advantage over traditional and deep learning models as a result of the fact that it incorporates integration of spatial learning and transforme |
| ev-s-4 | 5.7 Inference from the ablation study: impact of removing components | 19 | — | The elimination of GNN contributed to the model obtaining an R 2 value of ~0.80, which demonstrates well the fact that GNNs are the ones that actually learn the local spatial corre |
| ev-s-5 | 5.7 Inference from the ablation study: impact of removing components | 19 | — | Removing the Transformer led to the largest drop in performance, with an R 2 score of approximately 0.72, emphasizing its critical role in capturing temporal dependencies. |
| ev-s-6 | 5.9 Comparative analysis of earthquake magnitude prediction models | 20 | — | The Feedforward Neural Network (FNN) has the highest R 2 score of 98%, which suggests that it is very effective in identifying the intricate relationships in the dataset. |
| ev-s-7 | 6 Conclusion | 22 | — | SeismoQuakeGNN has now proved itself to be a better model, having a real handle on both spatial and temporal information, thus being a new leap forward in forecasting earthquakes. |
| ev-l-1 | Abstract | 1 | — | To overcome this issue, we propose SeismoQuakeGNN, a novel Graph Neural Network (GNN) and Transformer-based hybrid framework that integrates spatial and temporal learning for impro |
| ev-l-2 | 6 Conclusion | 21 | — | Updated model SeismoQuakeGNN has the advantage over traditional and deep learning models as a result of the fact that it incorporates integration of spatial learning and transforme |
| ev-l-3 | 5.7 Inference from the ablation study: impact of removing components | 19 | — | Removing the Transformer led to the largest drop in performance, with an R 2 score of approximately 0.72, emphasizing its critical role in capturing temporal dependencies. |

# İlgili kavramlar

- [Kuzeydoğu Pasifik Okyanusu'nda Zamana Bağlı Epipelajik Topluluk Deniz Manzaraları: Tür Kompozisyonunun Uzaktan Algılama ile Tahmin Edilmesi ve Değerlendirilmesi](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/kuzeydogu-pasifik-okyanusunda-zamana-bagli-epipelajik-topluluk-deniz-manzaralari-tur-kompozisyonunun-uzaktan-algilama-ile-tahmin-edilmesi-ve-degerlendirilmesi.md)
- [İran'da Tarımsal Sulama İçin Dizel ve Şebeke Elektriğinin Karşılaştırmalı Yaşam Döngüsü Değerlendirmesi: Fosil Yakıt Bağımlı Şebekelerde Dizelin Üstünlüğü](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/iranda-tarimsal-sulama-icin-dizel-ve-sebeke-elektriginin-karsilastirmali-yasam-dongusu-degerlendirmesi-fosil-yakit-bagimli-sebekelerde-dizelin-ustunlugu.md)
- [Fotometrik JWST Faz Eğrileri ile Kayalık Ötegezegenlerde Atmosferlerin Güvenilir Şekilde Saptanması](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/fotometrik-jwst-faz-egrileri-ile-kayalik-otegezegenlerde-atmosferlerin-guvenilir-sekilde-saptanmasi.md)
- [LP 890-9 Gezegen Sisteminin Tarihi ve Yaşanabilirliği: Hesaplamalı Modellemelerle Çok Yönlü Bir İnceleme](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/lp-890-9-gezegen-sisteminin-tarihi-ve-yasanabilirligi-hesaplamali-modellemelerle-cok-yonlu-bir-inceleme.md)
- [Gevşek Rassal Yürüyüş Modeli ve Ekolojik Niş Modellemesi ile Bir Neotropikal Savan Ağaç Türünün Geç Kuvaterner Dönemi Dağılım Dinamiğinin Çözümlenmesi](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/gevsek-rassal-yuruyus-modeli-ve-ekolojik-nis-modellemesi-ile-bir-neotropikal-savan-agac-turunun-gec-kuvaterner-donemi-dagilim-dinamiginin-cozumlenmesi.md)
- [ETNA Görev Konsepti: Aktif Bir Okyanus Dünyasının Yaşanabilirliğinin Değerlendirilmesi](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/etna-gorev-konsepti-aktif-bir-okyanus-dunyasinin-yasanabilirliginin-degerlendirilmesi.md)
- [Yaşanabilirlik İçin Çoklu Evren Öngörüleri: Gezegensel Özellikler](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/yasanabilirlik-icin-coklu-evren-ongoruleri-gezegensel-ozellikler.md)
- [VLT/SPHERE Enstrümanı ile 51 Eridani b Ötegezegeninin Atmosferinin Yeniden İncelenmesi](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/vltsphere-enstrumani-ile-51-eridani-b-otegezegeninin-atmosferinin-yeniden-incelenmesi.md)

# Şeffaflık

- Analiz tarihi: 2026-09-10T02:46:04.464Z
- Kanıt sayısı: 11
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/seismoquakegnn-transformator-destekli-modellerle-spasyo-temporal-deprem-tahmini-icin-hibrit-bir-cerceve