Yapısal Tekrarlayan Sinir Ağları ile Zaman-Mekansal Deprem Tahmini

The earthquake prediction problem can be defined as a given a minimum Richter magnitude scale and a specified geographic region, predicting the possibility of an earthquake in that region within a time interval. This is a long time studied research problem, but not much progress is achieved until the last decade. With the advancement of computational systems and deep learning models, significant results are achieved. In this thesis, we introduce novel models using the structural recurrent neural network (SRNN) that capture the spatial proximity and structural properties such as the existence of faults in regions. Experimental results are carried out in two distinct regions such as Turkey and China, where the scale and earthquake zones differ greatly. SRNN models achieve better performance results compared with the baseline and the state of the art models. Especially SRNNClass_near model, which captures first-order spatial neighborhood and structural classification based on fault lines, results in the highest F_1 score.Deprem tahmin problemi, belirli bir bölgede, minimum Richter büyüklüğünde ve bir zaman aralığında depremin meydana gelme olasılığının tahmini olarak tanımlanabilir. Bu uzun süredir üzerinde çalışılan bir araştırma problemidir, ancak son on yıla kadar çok fazla ilerleme kaydedilememiştir. Hesaplama sistemlerinde ve derin öğrenme modellerindeki gelişmeler ile birlikte önemli sonuçlar elde edilmeye başlanmıştır. Bu tezde, mekansal yakınlığı ve bölgelerdeki fay hatlarının varlığı gibi ön bilgileri dikkate alan, bu bilgileri sistematik olarak işleyen yapısal tekrarlayan sinir ağını (SRNN) kullanan modeller sunulmuştur. Türkiye ve Çin gibi ölçek ve deprem bölgelerinin büyük ölçüde farklı olduğu iki ayrı bölgede deneyler gerçekleştirilmiştir. SRNN modelleri, kıyaslama yapılan baz model ve bilinen en iyi modellere göre daha iyi performans sonuçları elde etmiştir. Özellikle birinci dereceden mekansal komşuluğa ve fay hatlarına dayalı yapısal sınıflandırmaya göre kurgulanan SRNNClass_near modeli, en yüksek F_1 skoruna ulaşmıştır