Deprem bir hafta önceden tahmin edilebilir mi?
PARA YAPAY ZEKA/ ŞULE GÜNER Bildiğimiz üzere en ölümcül afet deprem. Biz de yakınlarda böyle bir trajedi yaşamış bir deprem ülkesi olarak, bu doğal afete en kısa zamanda çözüm bulunmasını istiyoruz. ABD'deki Teksas Üniversitesi'nden geçtiğimiz günlerde yapılan araştırmaysa depremi bir hafta öncesinden yüzde 70 oranında tahmin edebileceğini iddia ediyor. Bu, şimdiye kadar "zamanı bilinmeyen ama büyüklüğünün tahmin edilmesi çok daha mümkün" olan bu doğa olayının vereceği hasarı önlemek adına çok ama çok iyi bir oran.
Bulletin of the Seismological Society of America bilimsel sismoloji bülteninde yayınlanan araştırma, Çin'de yedi ay boyunca yapılan çalışma ve ölçümlerin ardından bu sonuca varıldığını söylüyor.
Deprem bilimine ilişkin bilgileri baz alınarak istatiksel bazı verilerin ve beş yıllık sismik kayıtlarla eğitilen algoritmanın haftalık tahminlerinde, 320 kilometreye kadar uzaklıktaki 14 depremin nerede olacağını ve büyüklüğünü doğru tahmin ettiği belirtildi. Algoritma buna karşın, bir depremi tahmin edemedi ve sekiz kere de yanlış uyarı verdi.
Araştırma ekibi, bundan sonraki adımda 300'den fazla gözlem istasyonuyla Teksas'taki sismik faaliyetleri kaydeden TexNet'in verilerini kullanarak algoritmayı eyalet çapında test etmek istiyor.
Araştırmacılar, coğrafi bölgelere özgü olmayan fizik temelli modelleri kendi sistemlerine entegre ederek algoritmayı dünya çapında deprem tahmini yapacak şekilde geliştirmeyi hedefliyor
"KISA VADELİ DEPREMLERİN TAHMİNİ İÇİN OLUMLU"
Prof. Dr. Abdussamet ARSLAN / Gazi Üniversitesi Deprem Mühendisliği Uygulama ve Araştırma Merkezi Müdürü
Son zamanlarda "Büyük Veri ve Yapay Zeka Kullanarak Deprem Tahmini" üzerine yapılmış çalışmalar var. Bunlardan biri, 'Çin'de 30 Haftalık Gerçek Zamanlı Bir Vaka Çalışması' olarak yapılmıştır. Büyük veri kullanarak, temel bileşen analizi ve yapay zeka teknikleri kullanılarak tahmin yapıyor.
Örneğin, bir grup bilim insanı 2019'da akustik zaman serisi verilerin başarılı bir şekilde eğitildiğini ve hata bölgelerinden yayılan bir sinyali tahmin ederek hata başarısızlığını öngörebildiğini rapor etmiştir. Daha önce istatistiksel gürültü olarak kabul edilen tanımlanan sinyalin, kayma olayı sırasında ani bir serbest bırakmadan önce enerji yayılmasının artmasını yansıttığını öne sürmüştür.
Ayrıca derin öğrenme yöntemleri, deprem tahminine de uygulanmıştır. Bath yasası ve Omori yasası deprem artçılarının büyüklüğünü ve zamanla değişen özelliklerini açıklarken, 'artçık depremlerin mekansal dağılımının' tahmin edilmesi hala açık bir araştırma sorunudur.
Bir grup bilim insanı, Theano ve TensorFlow yazılım kütüphanelerini kullanarak, Coulomb başarısızlık gerilme değişiminin önceden belirlenmiş metodolojisinden daha yüksek doğrulukta deprem artçıklarının mekansal dağılımlarının tahmin edildiği bir sinir ağı eğitmiştir.
Bazı bilim insanları da yapay sinir ağlarının deprem tahminine uygulanması konusunda analizler yaptı. Yapılan çalışmalarda, yapay sinir ağlarını kullanan deprem tahmini araştırmalarının daha sofistike modellere doğru kaydığı ve artan ilgiyle birlikte daha basit modellerle benzer performansa sahip olduğu bulunmuştur.
Özet olarak, depremlerin tahmin edilmesi, insan hayatını kurtarmayı ve felaketin yol açabileceği hasarları azaltmayı amaçlayan en zorlu mühendislik işlerinden biridir. Son zamanlarda değerlendirme giriş verileri olarak, çok bileşenli akustik ve elektromanyetik sensörler vasıtası içeren sismik izleme sistemlerinden elde edilen veriler kullanılmaktadır. Temel amaç, mevcut veriler verildiğinde daha sonraki günlerde oluşabilecek depremin konumunu ve büyüklüğünü tahmin etmektir. Hazırlanan algoritma, geçmiş dört-altı yıllık veriler kullanılarak eğitilmiş ve daha sonra elde edilen gerçek veriler kullanılarak değerlendirilmiştir. Ancak algoritmanın test doğruluğu en iyi halde ancak yüzde 70'e ulaşabilmiştir. Yöntemin başka bölgelerde kullanılabilirliği ile ilgili henüz bir değerlendirme bulunmamaktadır.
Kısaca, kısa vadeli deprem tahminlerinin yapılabilmesinin faydalı olacağı muhakkak, ancak kişisel görüşüm bunun çok hassas bir şekilde ve tüm coğrafik bölgelere uygulanabilecek şekilde geliştirilmesinin şimdilik kolay mümkün olamayacağı yönündedir."