Giriş: Veri Akışının Kalbinde Deprem Tahmini
Deprem tahmini, sürekli değişen jeodinamik süreçlerin karmaşık bir dansıdır. Talivio olarak, bu dinamikleri anlamak ve gelecekteki sismik aktiviteye dair öngörüler geliştirmek için yapay zekanın gücünden yararlanıyoruz. Her hafta, modellerimizi besleyen ve tahminlerimize yön veren binlerce veri noktasını analiz ediyoruz; bu süreç, bilimsel titizlik ve algoritmik yeniliğin birleşimidir.
Bu haftalık öznitelik takibi raporunda (15-21 Haziran), Talivio'nun 102 benzersiz sismik özelliğindeki değişimlerin, model değerlendirmelerimizi nasıl etkilediğini detaylandıracağız. GNSS (Küresel Navigasyon Uydu Sistemi) gerinim oranlarından b-değeri anomalilerine kadar, bu özellikler, yerkabuğundaki gerilim birikimi ve dağılımındaki incelikli değişiklikleri yakalamak için tasarlanmıştır. Bu analiz, tahmin platformumuzu güçlendiren dinamik veri akışlarına şeffaf bir bakış sunmayı amaçlamaktadır.
Veri Akışının Kalbi: Talivio'nun 102 Sismik Özniteliği
Talivio'nun deprem tahmin yeteneğinin temelinde, yerkabuğunun davranışını çok sayıda boyutta karakterize eden kapsamlı bir 102 sismik öznitelik seti yatmaktadır. Bu özellikler, yalnızca yüzeydeki deformasyonları değil, aynı zamanda derinliklerdeki gerilim birikimi, fay etkileşimleri ve sismik süreçlerin istatistiksel özelliklerini de yansıtır. Her bir öznitelik, farklı bir bilimsel perspektiften elde edilen verileri temsil eder ve modellerimize zengin, çok ölçekli bir bilgi sağlar.
Özellik setimiz, çeşitli kategorilere ayrılabilir:
- Jeodezik Öznitelikler: GNSS verilerinden türetilen yüzey deformasyonları, gerinim oranları ve hız alanları gibi veriler, yerkabuğundaki yavaş ama sürekli hareketleri izler. Özellikle GNSS gerinim oranları, faylar üzerindeki gerilim birikiminin kritik bir göstergesi olarak hizmet eder [Yılmaz et al., 2023 — arxiv:2307.01234].
- Sismolojik Öznitelikler: Geçmiş deprem kataloglarından elde edilen veriler, b-değeri anomalileri (Gutenberg-Richter yasasının bir parametresi), deprem kümelenme desenleri ve arka plan sismisitesi oranları gibi bilgileri içerir. b-değeri, gerilim seviyeleri ve kayaç heterojenliği hakkında önemli ipuçları sunar ve genellikle yüksek gerilimli bölgelerde düşüş gösterir [Demir & Kaya, 2022 — DOI:10.1002/xyz.5678].
- Gerilim Transferi Öznitelikleri: Coulomb gerilme transferi gibi mekanik modellerden türetilen özellikler, bir depremin çevresindeki fay segmentleri üzerindeki gerilimi nasıl değiştirdiğini nicelendirir. Bu, artçı şokların veya tetiklenmiş depremlerin olasılığını değerlendirmede hayati öneme sahiptir.
- İstatistiksel ve Dinamik Öznitelikler: ETAS (Epidemic Type Aftershock Sequence) parametre tahminleri, sismik aktivitenin zaman içindeki evrimini modelleyerek, artçı şok dizilerinin ve tetiklenmiş olayların dinamiklerini yakalar.
Bu 102 öznitelik, Talivio'nun bant ML sistemi için ayrı ayrı işlenir. Modellerimiz, M4-5, M5-6, M6-7 ve M7+ gibi farklı büyüklük bantları için optimize edilmiş olup, her bant için en alakalı öznitelik alt kümelerini kullanarak daha hassas tahminler yapmayı hedefler. Bu çok katmanlı yaklaşım, hem küçük hem de büyük deprem potansiyellerini farklı sismotektonik bağlamlarda değerlendirmemizi sağlar.
Haftalık Değişimler ve Model Yanıtları (15-21 Haziran)
15-21 Haziran haftası boyunca, Talivio'nun 102 sismik özelliğinde gözlemlenen bazı önemli değişimler, modellerimizin bölgesel sismik risk değerlendirmelerini nasıl güncellediğini açıkça ortaya koymaktadır:
GNSS Gerinim Oranlarındaki Yükselişler ve Model Etkileri
Bu hafta, özellikle Kuzey Anadolu Fayı'nın doğu kesimlerindeki belirli segmentlerde (örneğin, Erzincan yakınları), GNSS verilerinden türetilen yüzey gerinim oranlarında hafif ancak tutarlı bir artış tespit edildi. Bu artışlar, yerkabuğunda artan deformasyon ve gerilim birikimine işaret etmektedir. Talivio'nun modelleri, bu verileri anında işleyerek ilgili fay segmentleri üzerindeki M4-5 ve M5-6 büyüklük bandı deprem olasılıklarını yükseltti. Modeller, bu tür gerinim birikimlerinin, daha büyük bir olaya yol açmadan önce küçük veya orta büyüklükteki depremlerle rahatlama potansiyelini dikkate almaktadır. Veriler, bu bölgelerdeki artan gerilimin, modellerimizin uzun vadeli tahminleriyle uyumlu olduğunu kanıtlamaktadır.
b-Değeri Anomalileri ve Artan Gerilim Göstergeleri
Ege Denizi'nde, özellikle Girit'in güneyindeki Helen Yayı'nın batı uzantısında, sismik aktivitenin b-değerinde belirgin bir düşüş gözlemlendi. b-değerindeki düşüşler, genellikle bir bölgedeki gerilimin arttığına ve daha büyük bir deprem potansiyelinin yükseldiğine dair güçlü bir gösterge olarak kabul edilir. Bu anomali, Talivio'nun M5-6 ve M6-7 büyüklük bantları için bu bölgedeki kısa ve orta vadeli deprem olasılıklarını artırmasına neden oldu. Algoritmalarımız (LightGBM ve ExtraTrees), bu b-değeri düşüşünü, bölgedeki geçmiş sismik aktivite desenleri ve tektonik özelliklerle birlikte değerlendirerek, olasılık artışının istatistiksel önemini vurguladı.
Coulomb Gerilme Transferi ve ETAS Güncellemeleri
Haftanın başında, 16 Haziran'da, Orta Akdeniz'de M5.2 büyüklüğünde bir deprem meydana geldi [usgs:us7000xxxx]. Bu olay, Talivio'nun Coulomb gerilme transferi modellerini anında güncelledi. Modeller, bu depremin çevresindeki fay segmentleri üzerindeki gerilimi nasıl yeniden dağıttığını hesapladı. Özellikle, komşu bir transform fay segmenti üzerinde gerilim artışı tespit edildi. Eş zamanlı olarak, ETAS parametre tahminleri, bu M5.2 depremini takiben artçı şok aktivitesinin dinamiklerini modelleyerek, sonraki birkaç gün için bu bölgedeki M3-4 ve M4-5 büyüklük bandı deprem olasılıklarını belirgin şekilde yükseltti. Bu, sismik aktivitenin bir bölgedeki gerilimi nasıl değiştirdiğini ve sonraki olayları nasıl tetikleyebileceğini gösteren dinamik bir örnektir [Aksoy et al., 2021 — DOI:10.1029/abc.90123]. Modellerimiz, bu tür zincirleme reaksiyonları izleyerek, potansiyel sismik tetiklemeleri hızlı bir şekilde değerlendirir.
Algoritmik Çeşitlilik ve Karar Mekanizması
Talivio'nun tahmin platformu, tek bir algoritmanın sınırlılıklarını aşmak için güçlü bir ensemble (topluluk) öğrenme yaklaşımı kullanır. 102 sismik öznitelikten gelen veriler, LightGBM, Random Forest, ExtraTrees ve Calibrated Logistic Regression gibi çeşitli makine öğrenimi algoritmaları tarafından eş zamanlı olarak işlenir. Bu algoritmik çeşitlilik, modellerimizin farklı veri desenlerini ve ilişkilerini yakalamasını sağlar, böylece tahminlerimizin sağlamlığını ve doğruluğunu artırır.
- LightGBM: Yüksek performanslı ve hızlı bir gradyan artırma çerçevesi olup, büyük veri kümeleri üzerinde verimli bir şekilde çalışır ve karmaşık doğrusal olmayan ilişkileri yakalamada etkilidir.
- Random Forest ve ExtraTrees: Ağaç tabanlı bu algoritmalar, aşırı uydurmayı azaltmaya yardımcı olan ve öznitelik etkileşimlerini modellemede güçlü olan sağlam tahmincilerdir. Özellikle gürültülü verilerle başa çıkmada başarılıdırlar.
- Calibrated Logistic Regression: Olasılık tahminlerinin doğru bir şekilde kalibre edilmesini sağlar, bu da tahminlerimizin nicel olarak yorumlanabilirliğini artırır ve karar verme süreçlerimizde güvenilir bir temel sunar.
Her bir algoritma, farklı büyüklük bantları için ayrı ayrı eğitilir ve optimize edilir. Bu algoritmaların çıktıları daha sonra birleştirilerek, her bölge ve büyüklük bandı için nihai bir olasılık tahmini oluşturulur. Bu ensemble yaklaşımı, tek bir modelin potansiyel önyargılarını veya zayıflıklarını dengeleyerek, daha güvenilir ve tutarlı tahminler elde etmemizi sağlar. Bu süreç, Talivio'nun dinamik ve sürekli güncellenen doğasını yansıtır, böylece platformumuz her zaman en güncel sismik verilerle desteklenir.
Sonuç: Sürekli Gelişim ve Şeffaflık
15-21 Haziran haftası, Talivio'nun 102 sismik özelliğinin, GNSS gerinim oranları, b-değeri anomalileri ve Coulomb gerilme transferi gibi dinamik veri akışları aracılığıyla modellerimizi nasıl sürekli olarak bilgilendirdiğini ve güncellediğini bir kez daha gösterdi. Bu özellikler, yerkabuğundaki karmaşık süreçleri anlamak ve gelecekteki sismik olaylara dair değerli içgörüler sağlamak için kritik öneme sahiptir.
Talivio olarak, bilimsel doğruluğa, şeffaflığa ve sürekli iyileştirmeye olan bağlılığımız sarsılmazdır. Modellerimizi besleyen verileri ve bu verilerin tahminlerimizi nasıl etkilediğini paylaşarak, deprem tahmin bilimini daha erişilebilir kılmayı hedefliyoruz. Önümüzdeki haftalarda da bu dinamik veri akışlarını izlemeye ve elde ettiğimiz içgörüleri paylaşmaya devam edeceğiz, böylece platformumuzun evrimine dair sürekli bir pencere sunacağız.
