Deprem, yer kabuğunda depolanan enerjinin açığa çıkması sonucu yer yüzeyinin aniden sarsılmasıdır. Depremler genellikle yer altı kayalarının aniden kırılması ve bir fay boyunca hızlı etmesi nedeniyle meydana gelir. Binaların ve altyapının düzgün inşa edilmediği ve nüfusun hazırlıklı olmadığı bir ortamda, orta şiddette bile olsa bir deprem yıkıcı olabilir. Yapay zekâ yöntemleri, deprem tahmini gibi doğal afetlerin öngörülmesinde önemli bir rol oynamaktadır. Bu amaçla geliştirilen hibrit ConvLSTM modeli ile yer kabuğundaki karmaşık enerji dinamikleri ve hareketleri, büyük miktardaki jeolojik verilerden analiz edilerek deprem olasılıklarının tahmin edilmesi amaçlandı. ConvLSTM, LR, RF, SVM, XGBoost, MLP, CNN ve LSTM gibi popüler yöntemlerle USGS tarafından sunulan gerçek zamanlı deprem verileri kullanılarak karşılaştırıldı. Deneysel sonuçlar, ConvLSTM’in 0,9951 doğruluk ve 0,9993 AUC ile karşılaştırılan modellerden daha başarılı olduğunu göstermiştir
An earthquake is a sudden shaking of the earth's surface as a result of the release of energy stored in the earth's crust. Earthquakes usually occur due to sudden breaking of underground rocks and rapid movement along a fault. In an environment where buildings and infrastructure are not properly constructed and the population is not prepared, an earthquake of even moderate intensity can be devastating. Artificial intelligence methods play an important role in predicting natural disasters, such as earthquake prediction. The hybrid ConvLSTM model developed for this purpose aimed to predict earthquake probabilities by analyzing complex energy dynamics and movements in the earth's crust from large amounts of geological data. ConvLSTM was compared with popular methods such as LR, RF, SVM, XGBoost, MLP, CNN and LSTM using real-time earthquake data provided by USGS. Experimental results showed that ConvLSTM outperformed the compared models with 0.9951 accuracy and 0.9993 AUC.
Primary Language | Turkish |
---|---|
Subjects | Deep Learning |
Journal Section | Computer Engineering |
Authors | |
Publication Date | December 3, 2024 |
Submission Date | April 9, 2024 |
Acceptance Date | May 23, 2024 |
Published in Issue | Year 2024 |