Bu makale, Los Angeles’ta meydana gelen depremleri tahmin etmek için makine öğrenimi ve sinir ağı tekniklerini kullanarak yapılan bir araÅŸtırmayı detaylandırıyor. Çalışma, depremler için maksimum büyüklük tahminini geliÅŸtirmeye odaklanıyor ve bu amaçla kapsamlı bir özellik matrisi oluÅŸturulmuÅŸ. Bu özellikler arasında derinlik, süre, önceki depremin büyüklüğü, ve artan b-deÄŸerleri gibi detaylı analizler var. En baÅŸarılı tahmin modelinin “Random Forest” algoritması olduÄŸu belirlenmiÅŸ ve bu model %97.97’lik bir doÄŸruluk oranıyla gelecekteki depremleri 30 günlük bir süre içinde tahmin etmede en yüksek performansı sergilemiÅŸ.

Araştırmada, Los Angeles çevresinde farklı makine öğrenimi algoritmaları değerlendirilmiş ve çeşitli modelleme teknikleri denenmiş. Veri seti, 2012-2024 yılları arasındaki tüm kayıtlı depremleri içeriyor. Bu veriler üzerinden yapılan analizlerde, özellikle depremlerin meydana geldiği yer ve derinlik, geçmiş depremlerin büyüklükleri gibi özellikler tahmin doğruluğunu artırmada önemli rol oynamış. Çalışma ayrıca verilerin bütünlüğünü sağlamak için depremlerin büyüklüğünü tek bir ölçekte standardize etmiş.

Tahmin sürecinde, elde edilen verilerin dengeli bir ÅŸekilde sınıflandırılması için “Jenks Natural Breaks” yöntemi kullanılmış, bu sayede verilerin doÄŸal dağılımına uygun sınıflandırmalar yapılmış. Yine bu sınıflandırmanın geçerliliÄŸini doÄŸrulamak amacıyla Shannon entropi, mutual bilgi gibi istatistiksel testler yapılmış.

Bu araştırmanın sonuçları, makine öğrenimi tekniklerinin büyük deprem risklerinin azaltılması ve deprem öncesi hazırlık stratejilerinin geliştirilmesi için büyük potansiyel taşıdığını ortaya koyuyor. Çalışmanın sonucunda, Los Angeles gibi deprem riski yüksek şehirlerde daha yüksek doğrulukta deprem tahminleri yapılabileceği, dolayısıyla bu bilgilerin afet yönetimi ve hazırlık açısından çok değerli olduğu vurgulanmış.

Kaynak :
Yavas, C.E., Chen, L., Kadlec, C. et al. Improving earthquake prediction accuracy in Los Angeles with machine learning. Sci Rep 14, 24440 (2024). https://doi.org/10.1038/s41598-024-76483-x