EGE BÖLGESİ DEPREMLERİNİN MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE TAHMİN EDİLMESİ ve SONUÇLARININ KARŞILAŞTIRILMASI

Bu proje, yapay zekâ alanında makine öğrenmesi modelleri kullanılarak, Türkiye’nin Ege Bölgesinde gerçekleşen depremlerin tahmin modelidir. Ayrıca LSTM (Uzun Kısa Vadeli Bellek) tabanlı bir model kullanarak deprem büyüklüğü tahmini yapmak için bir makine öğrenimi yaklaşımı geliştirildi. Deprem aktivitesinin zaman içindeki değişimini analiz etmek ve gelecekteki deprem büyüklüklerini tahmin etmek, deprem riskinin anlaşılması ve önlemlerin alınması açısından büyük önem taşımaktadır. Veri seti olarak 1923-2023 yılları arasındaki Türkiye’de gerçekleşen depremlerin büyüklükleri ve bazı depremle ilgili özellikler içeren kapsamlı bir veri seti kullanıldı. İlk olarak, veri seti incelendi ve gerekiyorsa düzenlemeler yapıldı. Eksik veya anormal değerler düzeltilerek, veri seti doğrulandı ve kullanıma hazır hale getirildi. Özellik mühendisliği aşamasında, depremle ilgili bilgileri içeren özellikler seçildi ve düzenlendi. Tarih, enlem, boylam ve derinlik gibi depremle ilgili önemli faktörler, tahmin modeline dahil edildi. Ayrıca, özelliklerin uygun şekilde ölçeklendirilmesi ve gerektiğinde yeni özelliklerin türetilmesi için ön işleme adımları da uygulandı. Veri
seti, eğitim ve test veri kümeleri olarak bölündü. Eğitim veri seti, modelin eğitimi için
kullanıldı ve test veri seti, modelin performansını değerlendirmek için kullanıldı.
LSTM tabanlı bir model oluşturuldu ve eğitim veri seti üzerinde eğitildi. Ardından,
test veri seti üzerinde modelin performansı değerlendirildi. Diğer makine öğrenimi
algoritmaları da uygulandı ve tahmin sonuçları ve hata metrikleri karşılaştırıldı. Çoklu
Doğrusal Regresyon, Polinomal Regresyon ve Karar Ağaçları gibi popüler
algoritmalar kullanıldı. MSE (ortalama karesel hata) ve R² (determinasyon katsayısı)
gibi hata metrikleri kullanılarak performans değerlendirmesi yapıldı.
Sonuçlar, LSTM tabanlı modelin diğer algoritmalara kıyasla daha iyi bir performans
sergilediğini gösterdi. MSE değeri ve R² skoru açısından en düşük hata ve en yüksek
açıklama gücü sağlandı. Bu sonuçlar, LSTM modelinin deprem büyüklüğü tahmininde
etkili bir araç olduğunu ve gelecekteki depremleri öngörmek için potansiyel bir değer
taşıdığını göstermektedir. Bu tez, LSTM tabanlı deprem büyüklüğü tahmini modelinin
geliştirilmesi ve performansının değerlendirilmesiyle ilgili kapsamlı bir çalışmadır.
Modelin doğruluğu ve kullanılabilirliği, deprem riskinin anlaşılması, önlemlerin
alınması ve felaket yönetimi gibi alanlarda uygulanabilir ve faydalı bilgiler
sağlayabilir.

Erişime Açık
Görüntülenme
15
14.07.2023 tarihinden bu yana
İndirme
2
14.07.2023 tarihinden bu yana
Son Erişim Tarihi
09 Ekim 2024 14:16
Google Kontrol
Tıklayınız
Tam Metin
Tam Metin İndirmek için tıklayın Ön izleme
Detaylı Görünüm
Eser Adı
(dc.title)
EGE BÖLGESİ DEPREMLERİNİN MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE TAHMİN EDİLMESİ ve SONUÇLARININ KARŞILAŞTIRILMASI
Eser Sahibi
(dc.contributor.author)
Çağlar Özkören
Tez Danışmanı
(dc.contributor.advisor)
Femin Yalçın Küçükbayrak
Yayıncı
(dc.publisher)
İzmir Katip Çelebi Üniversitesi Fen Bilimleri Enstitüsü
Tür
(dc.type)
Diğer
Açıklama
(dc.description)
Yüksek Lisans Bitirme Projesi
Özet
(dc.description.abstract)
Bu proje, yapay zekâ alanında makine öğrenmesi modelleri kullanılarak, Türkiye’nin Ege Bölgesinde gerçekleşen depremlerin tahmin modelidir. Ayrıca LSTM (Uzun Kısa Vadeli Bellek) tabanlı bir model kullanarak deprem büyüklüğü tahmini yapmak için bir makine öğrenimi yaklaşımı geliştirildi. Deprem aktivitesinin zaman içindeki değişimini analiz etmek ve gelecekteki deprem büyüklüklerini tahmin etmek, deprem riskinin anlaşılması ve önlemlerin alınması açısından büyük önem taşımaktadır. Veri seti olarak 1923-2023 yılları arasındaki Türkiye’de gerçekleşen depremlerin büyüklükleri ve bazı depremle ilgili özellikler içeren kapsamlı bir veri seti kullanıldı. İlk olarak, veri seti incelendi ve gerekiyorsa düzenlemeler yapıldı. Eksik veya anormal değerler düzeltilerek, veri seti doğrulandı ve kullanıma hazır hale getirildi. Özellik mühendisliği aşamasında, depremle ilgili bilgileri içeren özellikler seçildi ve düzenlendi. Tarih, enlem, boylam ve derinlik gibi depremle ilgili önemli faktörler, tahmin modeline dahil edildi. Ayrıca, özelliklerin uygun şekilde ölçeklendirilmesi ve gerektiğinde yeni özelliklerin türetilmesi için ön işleme adımları da uygulandı. Veri seti, eğitim ve test veri kümeleri olarak bölündü. Eğitim veri seti, modelin eğitimi için kullanıldı ve test veri seti, modelin performansını değerlendirmek için kullanıldı. LSTM tabanlı bir model oluşturuldu ve eğitim veri seti üzerinde eğitildi. Ardından, test veri seti üzerinde modelin performansı değerlendirildi. Diğer makine öğrenimi algoritmaları da uygulandı ve tahmin sonuçları ve hata metrikleri karşılaştırıldı. Çoklu Doğrusal Regresyon, Polinomal Regresyon ve Karar Ağaçları gibi popüler algoritmalar kullanıldı. MSE (ortalama karesel hata) ve R² (determinasyon katsayısı) gibi hata metrikleri kullanılarak performans değerlendirmesi yapıldı. Sonuçlar, LSTM tabanlı modelin diğer algoritmalara kıyasla daha iyi bir performans sergilediğini gösterdi. MSE değeri ve R² skoru açısından en düşük hata ve en yüksek açıklama gücü sağlandı. Bu sonuçlar, LSTM modelinin deprem büyüklüğü tahmininde etkili bir araç olduğunu ve gelecekteki depremleri öngörmek için potansiyel bir değer taşıdığını göstermektedir. Bu tez, LSTM tabanlı deprem büyüklüğü tahmini modelinin geliştirilmesi ve performansının değerlendirilmesiyle ilgili kapsamlı bir çalışmadır. Modelin doğruluğu ve kullanılabilirliği, deprem riskinin anlaşılması, önlemlerin alınması ve felaket yönetimi gibi alanlarda uygulanabilir ve faydalı bilgiler sağlayabilir.
Kayıt Giriş Tarihi
(dc.date.accessioned)
2023-07-14
Açık Erişim Tarihi
(dc.date.available)
2023-07-14
Yayın Tarihi
(dc.date.issued)
2023
Tek Biçim Adres
(dc.identifier.uri)
https://hdl.handle.net/11469/3469
Yayın Dili
(dc.language.iso)
tr
Konu Başlıkları
(dc.subject)
Makine Öğrenmesi
Konu Başlıkları
(dc.subject)
LSTM (Uzun Kısa Vadeli Bellek)
Analizler
Yayın Görüntülenme
Yayın Görüntülenme
Erişilen ülkeler
Erişilen şehirler
6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamında yükümlülüklerimiz ve çerez politikamız hakkında bilgi sahibi olmak için alttaki bağlantıyı kullanabilirsiniz.

creativecommons
Bu site altında yer alan tüm kaynaklar Creative Commons Alıntı-GayriTicari-Türetilemez 4.0 Uluslararası Lisansı ile lisanslanmıştır.
Platforms