Bilimsel Metodoloji

Celestial Seismic Engine (CSE) v3.0 — Gel-git kuvvetleri, GNSS strain hızı ve fay geometrisi temelli istatistiksel deprem risk modeli.

Bugünkü Göksel Durum — 29 Mar 2026 Canlı

83%

Ay Evresi

965

Ay Mesafesi (km)

65%

Gel-git İndeksi

YÜKSEK

Risk Seviyesi

Aktif faktörler: perigee (Ay yakin noktada), yuksek birlesik risk skoru

1.000

ROC-AUC

1.000

Precision

1.000

Recall

v20260329_040100

Model Versiyonu

1. Hipotez

Gel-git kuvvetlerinin (tidal forces), önceden gerilmiş faylarda (pre-stressed faults) sismik tetikleyici etkisi vardır. Ay ve Güneş'in çekimsel diferansiyel kuvvetleri, tektonik gerilim birikimi (GNSS strain rate) ile eşleştiğinde deprem olasılığı artar.

Analoji: GNSS strain birikimi "barut", göksel gel-git stresi ise "kıvılcım" görevi görür.

Bilimsel Dayanak

Metivier et al. (2009): Gel-git stresi ile sismik aktivite korelasyonu
Cochran et al. (2004): Gel-git tetiklemesi ve büyük depremler
Tanaka (2010, 2012): Ay evresi—deprem istatistiksel anlamlılığı
Ide et al. (2016): Büyük depremlerde gel-git tetiklemesi kanıtı

2. Feature Seti (10 Değişken)

Fay Geometrisi (6 feature)

Feature	Açıklama	Kaynak
strike_sin, strike_cos	Fay doğrultu açısı (sin/cos)	Fault DB / USGS Moment Tensor
dip_sin, dip_cos	Fay eğim açısı (sin/cos)	Fault DB / USGS Moment Tensor
rake_sin, rake_cos	Kayma açısı (sin/cos)	Fault DB / USGS Moment Tensor

Açılar sin/cos dönüşümü ile ML'e verilir; 0°/360° süreksizliği çözülür.

Göksel Mekanik (3 feature)

Feature	Açıklama	Kaynak
lunar_phase	Ay evresi (0=yeni ay, 0.5=dolunay)	PyEphem (VSOP87)
moon_distance_au	Ay-Dünya mesafesi (AU)	PyEphem
tidal_stress_index	Birleşik gel-git indeksi: (F_moon + F_sun) × syzygy	PyEphem

Fizik: F_tidal ~ M/r³ | Ay payı %68.5, Güneş payı %31.5 (kütle/mesafe³ oranı) | Syzygy çarpanı: Yeni ay ve dolunayda gel-git amplitüdü ~%20 artar.

Jeofizik (1 feature)

Feature	Açıklama	Kaynak
regional_slip_rate_mm_yr	GNSS strain rate (mm/yıl)	Nevada Geodetic Lab (NGL)

500+ GPS istasyonundan KD-Tree ile en yakın 3–6 istasyon triangülasyonu.

3. Model Mimarisi

Parametre	Değer
Algoritma	Random Forest Classifier
Ağaç sayısı	200–500 (GridSearchCV ile optimize)
Maks. derinlik	12–20 (optimize)
Sınıf ağırlığı	balanced
Değerlendirme	ROC-AUC

Eğitim Verisi

Pozitif örnekler: Declustered tarihsel depremler (M≥5.0)
Negatif örnekler: 4× oran
• %50 Temporal: Aynı fay, farklı zaman (±5 yıl)
• %50 Spatial: Rastgele konum, düşük strain rate

4. Backtest Protokolü

O yıldaki depremler için model tahmini alınır

Risk skoru ≥ %30 ise "doğru tahmin" sayılır

Yıllık accuracy = doğru_tahmin / toplam_deprem × 100

Son 5 yıl vs önceki 5 yılın ortalamaları karşılaştırılır

%5'ten fazla düşüş → otomatik retrain tetiklenir

5. Otomatik İyileştirme Döngüsü

Her hafta otomatik:
1. USGS'den yeni deprem verisi çekilir (6 saatte bir)
2. Backtester aktif modeli tarihsel veriye karşı test eder
3. Accuracy degradasyonu tespit edilirse:
→ Trainer yeni eğitim verisi oluşturur
→ GridSearchCV ile optimize eder
→ Champion/Challenger karşılaştırması
→ Kazanan model aktif olur
4. Sonuçlar monitoring tablosuna loglanır

6. Veri Kaynakları

Kaynak	Veri	Güncelleme
USGS ComCat	Deprem kataloğu (M≥5.0, moment tensor)	6 saatte
Nevada Geodetic Lab	GPS istasyon hızları (MIDAS)	Günlük
PyEphem	Ay/Güneş pozisyonları, mesafeleri	Hesaplama
GEM Global Faults	Global aktif fay veritabanı	Statik (GeoJSON)
Tarihsel	447–2025 arası bölgesel depremler	Statik/seed

7. Bilinen Sınırlılıklar

Korelasyon ≠ Nedensellik: Gel-git stresi ile deprem arasındaki ilişki istatistiksel olup, fiziksel tetikleme mekanizması tartışmalıdır.

Base Rate Problemi: Büyük depremler nadir olaylardır. Model yüksek recall hedefler ancak false positive oranı yüksek olabilir.

Coğrafi Bias: Eğitim verisi ağırlıklı olarak Türkiye'den gelmektedir. Global genelleme sınırlı olabilir.

GNSS Kapsamı: NGL istasyonları global dağılımlı ancak bazı bölgelerde seyrek. Seyrek bölgelerde strain rate tahmini düşük güvenilirlikte.

Fokal Mekanizma Eksikliği: Tarihsel depremlerin (~1900 öncesi) fokal mekanizma verileri bulunmamaktadır. Bu depremler için en yakın fay geometrisi kullanılır.

Zamansal Çözünürlük: Model günlük çözünürlükle çalışır. Saat bazlı gel-git varyasyonları yakalanmaz.

8. Artçı Süzme — Gardner-Knopoff (1974)

Model eğitiminde kullanılan deprem kataloğuna Gardner-Knopoff (1974) artçı ayıklama algoritması uygulanır. Bu adım olmadan, büyük bir depremin ardından gelen artçı dizisi yanlışlıkla göksel parametrelerle ilişkilendirilebilir ve başarı oranı yapay olarak şişebilir.

Mesafe Penceresi

D(M) = 10^{(0.1238·M + 0.983)} km

M7.0 → ~240 km, M5.0 → ~50 km

Zaman Penceresi

T(M) = 10^{(0.032·M + 2.738)} gün

M7.0 → ~790 gün, M5.0 → ~120 gün

Kural

Ana şoktan daha küçük ve pencere içinde kalan olay → artçı

Referans: Gardner J.K. & Knopoff L. (1974), BSSA 64(5), 1363-1367. Endpoint: POST /api/v1/ml/decluster

9. Kontrol Grubu — Poisson Null Model

Modelin rastgelelikten ne kadar üstün olduğunu ölçmek için Poisson tabanlı bir null model (kontrol grubu) kullanılır. Sadece "%60 başarı" demek yeterli değildir; rastgele bir model de aynı başarıya ulaşabilir.

# Heidke Skill Score (HSS)

HSS = (Model_Accuracy − Null_Accuracy) / (100% − Null_Accuracy)

Null_Accuracy = modelin atadığı ortalama risk skoru (rastgele beklenti)

HSS < 0

Rastgeleden kötü

0 ≤ HSS < 0.10

Sınırda anlamlı

HSS ≥ 0.10

İstatistiksel anlamlı

10. Çapraz Doğrulama — Rolling Window (TimeSeriesSplit)

Geçmiş 40 yılın verisini tek parçada eğitip test etmek aşırı öğrenme (overfitting) yaratabilir. Model, hiç görmediği dönemlerde çok daha düşük performans gösterebilir. Bu riski ölçmek için scikit-learn'ün TimeSeriesSplit yapısı kullanılır: eski verilerle eğit, daha yeni verilerle test et.

ROLLING WINDOW CV — 5 FOLD

F1:

TST

F2:

TRN

TST

F3:

TRN

TST

F4:

TRN

TST

F5:

TRN

TST

TRNEğitim bloğu TSTTest bloğu

Overfitting sinyali: Eğitim AUC - CV AUC > 0.10. Bu durumda sistem otomatik uyarı loglar ve model regülarizasyonu artırılır. Endpoint: POST /api/v1/ml/retrain

11. Değişken Etki Ağırlıkları (Explainable AI)

Random Forest modelinin her değişkene verdiği önem (Gini impurity azalması) aşağıda gösterilmektedir. Bu grafik modeli "kara kutu" olmaktan çıkarıp açıklanabilir yapay zekaya dönüştürür.

Henüz eğitilmiş model verisi yok. POST /api/v1/ml/retrain ile modeli eğitin.

12. Akademik Veri Dışa Aktarımı

Tüm tarihsel katalog, göksel stres skoru ve is_mainshock etiketiyle birlikte CSV veya JSON olarak indirilebilir. SPSS, R veya Python/pandas gibi araçlarla bağımsız analiz için uygundur.

GET /api/v1/data/export/catalog?format=csv&min_mag=4.0
GET /api/v1/data/export/catalog?format=json&mainshocks_only=true
# Kolonlar: event_date, mag, lat, lon, depth_km,
# lunar_phase, moon_dist_au, tidal_stress_raw,
# is_mainshock, source

⬇ CSV İndir ⬇ JSON İndir

13. API Erişimi

Platform tüm tahmin, göksel, bölge ve ML endpoint'lerini RESTful JSON API aracılığıyla sunar. Endpoint listesi, örnek istek/yanıtlar ve interaktif deneme ortamı için API Dokümantasyonu sayfasını ziyaret edin.

📄 API Dokümantasyonu →

14. Sistem Durumu

✓

ML Model

✓

Veritabanı

✓

GNSS Servisi

✓

Fay Servisi

✗

Scheduler