Türkiye, Avrasya, Anadolu ve Arap tektonik plakalarının buluştuğu noktada yer alır ve dünyanın sismik olarak en aktif ülkelerinden biridir. 1999 İzmit depremi 17.000'den fazla insanın ölümüne yol açtı. 2023 Kahramanmaraş depremleri 50.000'den fazla can aldı. Burada sismik risk teorik bir mesele değil; milyonlarca insanın nerede yaşayacağına, ne inşa edeceğine ve nasıl hazırlanacağına dair kararlarını etkileyen, bugün var olan ve tekrar eden bir gerçek.

Earthquake AI'ı belirli bir soruyu sormak için geliştirdik: Tarihsel sismik veriyle eğitilmiş bir makine öğrenmesi modeli, farklı bölgelerde deprem olma olasılığına dair anlamlı tahminler üretebilir mi; üretebiliyorsa bu model, mevcut küresel sismik tehlike çerçeveleriyle karşılaştırıldığında nasıl bir performans gösterir?

Ne Geliştirdik

Sistem, Türkiye'yi ve çevresindeki sismik coğrafyayı kapsayan 10 bölge için deprem olasılığı tahminleri sunan bir web uygulaması. Her tahmin büyüklük aralıklarına dayanıyor: model tek bir büyüklük öngörmek yerine M4–M5, M5–M6, M6–M7 ve M7+ aralıkları üzerinde olasılık dağılımları üretiyor. Bu, sismik tehlikenin mühendislik ve politika bağlamlarında gerçekte nasıl ele alındığını ve kullanıldığını yansıtıyor.

Kişisel risk raporu özelliği, bölgesel olasılık tahminlerini, tarihsel sıklık verisini ve faya uzaklık bilgisini belirli bir konum için kullanıcının okuyabileceği bir risk profilinde topluyor. Amaç, teknik olasılık tahminlerini bireyler ve kurumlar için harekete geçirilebilir bir şeye çevirmek.

Model Mimarisi

Sistemin çekirdeğinde bir şampiyon-rakip model mimarisi var. Tek bir modeli yayına almak yerine, gelen sismik veriye karşı sürekli değerlendirilen bir aday model havuzu çalıştırıyoruz. "Şampiyon" model, tanımlanmış bir isabet metriğinde o an en iyi performansı gösteren model. Rakip modeller ise ya şampiyonun güncellenmiş sürümleri ya da paralel olarak değerlendirilen alternatif yaklaşımlar.

Bir rakip model, son olaylardan oluşan istatistiksel olarak anlamlı bir örneklemde şampiyondan daha iyi performans gösterdiğinde şampiyonun yerini alıyor. Bu da sistemin, elle yeniden eğitim kararı gerektirmeden, yeni sismik veri toplandıkça sürekli iyileşmesini sağlıyor.

Havuzdaki her model girdi olarak 102 öznitelik alıyor. Bunlar arasında sismik öznitelikler (çevre bölgelerdeki yakın tarihli mikro deprem sıklığı, son aktivitenin derinlik dağılımı, gerinim hızı tahminleri, her fay segmenti için son önemli olaydan bu yana geçen süre), coğrafi öznitelikler (bilinen fay sistemlerine yakınlık, kabuk kalınlığı tahminleri, bölgesel jeolojik sınıflandırmalar) ve zamansal öznitelikler (bazı bölgelerde tarihsel kayıtta görülen, sismik aktivitedeki mevsimsel örüntüler) var.

On Bölge, Farklı Veri Yoğunlukları

Kapsanan 10 bölgenin veri kalitesi eşit değil. İstanbul'u da içine alan Marmara Bölgesi, Türkiye'nin en yoğun sismik izleme ağına sahip: Kandilli Rasathanesi ve AFAD kapsamlı bir cihaz altyapısı işletiyor ve her mikro deprem kaydedilip kataloglanıyor. Buradaki tarihsel kayıtlar büyük olaylar için yüzyıllar, aletsel olarak kaydedilen olaylar için on yıllar öncesine uzanıyor.

Diğer bölgeler, özellikle Doğu Anadolu ve Suriye sınırı boyunca uzanan kuşak, daha seyrek bir cihaz ağına ve daha eksik tarihsel kayıtlara sahip. Bu da gerçek bir modelleme sorunu yaratıyor: tahmin isabetinin en çok önem taşıdığı bölgeler (tarihsel olarak yıkıcı olaylar yaşanmış yüksek riskli bölgeler) çoğu zaman verisi en eksik olan bölgeler.

Bunu, verisi seyrek bölgeler için belirsizlik aralıklarını genişleterek ve olasılık tahminlerinin yanında tahmin güvenini açıkça raporlayarak ele alıyoruz. Verisi zengin bir bölgede dar güven aralığına sahip bir tahmin, tarihsel kaydı boşluklu bir bölgedeki aynı nominal olasılıktan farklı bir şey ifade eder.

Küresel Modellerle Karşılaştırma

Projenin bir kısmı karşılaştırmalıydı: yerel olarak eğitilmiş bir makine öğrenmesi modeli, aynı bölgeler için yerleşik küresel sismik tehlike çerçeveleriyle karşılaştırıldığında nasıl duruyor?

Türkiye için olasılıksal sismik tehlike değerlendirmeleri yayımlayan iki referans çerçeveyle karşılaştırdık: Global Earthquake Model (GEM) Vakfı'nın tehlike verisi ve USGS PAGER bölgesel tehlike tahminleri. Bu çerçeveler fizik tabanlı yaklaşımlar kullanıyor; tarihsel veriden istatistiksel olarak öğrenmek yerine fay geometrisini, kayma hızlarını ve kırılma yayılımı mekaniğini doğrudan modelliyorlar.

Karşılaştırma basit değil, çünkü bu çerçeveler farklı türde çıktılar üretiyor ve farklı olasılık pencereleri kullanıyor. Çıktıları ortak bir biçime normalleştirdik: 50 yıllık bir pencerede büyüklük eşiklerinin aşılma olasılığı, bizim kullandığımız bölge sınırlarına göre ayrıştırılmış olarak.

Sonuçlar öğreticiydi. Tarihsel verinin yoğun ve fay sistemlerinin iyi tanımlanmış olduğu Marmara ve Ege bölgelerinde, makine öğrenmesi modelimizin tahminleri fizik tabanlı çerçevelerle yakından örtüştü. 2023 depremlerinin yaşandığı Doğu Anadolu bölgelerinde ise daha belirgin sapmalar vardı. Bu da sapmanın, yaklaşımların o fay sistemini modelleme biçimlerindeki gerçek farkları mı yansıttığı, yoksa makine öğrenmesi modelinin aşamadığı eğitim verisi boşluklarını mı yansıttığı sorusunu gündeme getirdi.

Kişisel Risk Raporları

Uygulama, bölgesel olasılık tahminlerinin ötesinde belirli konumlar için kişisel risk raporları da üretiyor. Kullanıcı bir adres ya da koordinat giriyor; sistem de bölgesel sismik olasılık tahminlerini konuma özgü etkenlerle birleştiren bir rapor oluşturuyor: en yakın büyük faya uzaklık, verinin bulunduğu yerlerde yerel zemin koşulları ve belirli mesafeler içindeki önemli olayların tarihsel sıklık sayısı.

Rapor bilinçli olarak yönlendirici değil. Öneriler değil, olasılık tahminleri ve bağlam sunuyor. Sismik risk iletişimi, aşırı basitleştirmenin kendi zararlarını doğurduğu bir alan; belirsizliği sahte bir kesinliğin arkasına saklamak yerine açıkça göstermek istedik.

Bu Proje Ne ve Ne Değil

Earthquake AI bir Talivio Labs projesi; yayındaki bir SaaS ürünü değil, bir araştırma ve geliştirme çalışması. Belirli depremlerin ne zaman ya da nerede olacağını tahmin ettiği iddiasında değil. Bugünkü bilimsel bilgiyle böyle bir tahmin mümkün değil. Yaptığı şey, tarihsel örüntülere ve güncel sismik koşullara dayanarak olasılık dağılımları tahmin etmek; deprem yönetmeliklerinin ve sigortacılığın aktüeryal modellerinin temelinde yatan olasılıksal akıl yürütmenin aynısı.

Şampiyon-rakip mimarisi, sistemin veri biriktikçe iyileşecek şekilde tasarlandığı anlamına geliyor. Yerleşik küresel modellerle yapılan karşılaştırma da makine öğrenmesi modelindeki iyileşmelerin tahmin isabetinde gerçek kazanımlar mı olduğunu, yoksa yalnızca yakın tarihli veriye aşırı uyum mu olduğunu değerlendirmemiz için bir zemin sağlıyor.

Modeli geliştirmeye ve bölgesel kapsamı genişletmeye devam ediyoruz. Türkiye'de ya da çevre bölgede sismik risk değerlendirmesi, acil durum planlaması veya deprem yönetmeliği politikası alanında çalışıyorsanız ve bu tür makine öğrenmesi destekli bir yaklaşımın geleneksel tehlike modellemesinin yanında neler sunabileceğini keşfetmek istiyorsanız, bu konuyu konuşmaya açığız.