Yapay Sinir Ağı Kullanarak Deprem Eğiliminin Kestirimi

Umut FIRAT
ufirat@yahoo.com

Öz: Depremler yeryüzünde en çok yıkıma neden olan doğal afetlerdir. Bu

durum, depremlerin önceden tahmin edilmesi fikrini çekici kılmaktadır. Bu
çalışmada, depremlerin önceden tahmini için bir ön çalışma yapılmıştır. Bu ön
çalışma depremlerin nasıl bir eğilim izlediği üzerinedir. Veri kümesi olarak
İstanbul ve çevresinde 1997–2003 yılları arasında gerçekleşen deprem verileri
kullanılmıştır. Bu veri kümesiyle genelleştirilmiş regresyon sinir ağı(GRNN)
eğitilmiştir. Test sonucunda GRNN ile eğilimi kestirmede önemli başarı oranları
elde edilmiştir. Sonuçlar henüz yeterli ve kapsamlı olmasa da, gelecek
çalışmalar için umut vericidir.

Anahtar Kelimeler: Deprem Kestirimi, Yapay Sinir Ağı, GRNN

Giriş

Her bir elemanı belirli bir t anında kaydedilen xt gözlem setine zaman serisi adı verilir. Gözlem ayrık
zamanlarda gerçekleştirilirse zaman serisi ayrık zaman serisi adını alır. Gözlem, belirli zaman aralıklarında
sürekli yapıldığında ise zaman serisi sürekli zaman serisi olur.

Zaman serilerinin analizi, zaman serilerini bileşenlere ayrıştırmaya götürmüştür. Her bileşen, zaman serisini
etkileyen önemli birer faktör olarak ortaya çıkar. Zaman serileri için üç önemli bileşen tanımlanmıştır.
Trend(eğilim), zaman serisinin uzun vadeli iniş-çıkış eğilimini işaret eder. Seasonality(mevsimsellik), zaman
serisinin belirli bir zaman aralığındaki peryodik davranışını belirtir. Eğilim ve mevsimsel bileşen
kaldırıldığında, geriye kalan dalgalanma zaman serisinin irregular(düzensiz) bileşeni olarak adlandırılır.

Eğer bir zaman serisi geçmiş değerlerinden tam olarak kestirilebiliyorsa, bu zaman serisi deterministik(tayin
edilebilir) olarak adlandırılır. Aksi halde, yani, geçmiş değerlerin sadece gelecekteki davranışın olasılığını
işaret ettiği durumda zaman serisi istatistikseldir. Belirli gözlem aralıkları için değeri değişmeyen zaman
serileri ise durağandır.

Bu bilgiler ışığında, bu çalışmada veri kümesi olarak kullanılan 1997–2003 yılları arasında İstanbul ve
çevresinde gerçekleşen depremlerin oluşturduğu zaman serisi, ayrık, tayin edilemez(deterministik olmayan),
durağan olmayan bir zaman serisidir. Ancak daha da önemlisi bu zaman serisi kaotik bir zaman serisidir. Bir
başka deyişle, başlangıç koşullarına aşırı hassas, alabileceği değerler belli olasılıklar dâhilinde olan, ancak
hiçbir zaman tam olarak kestirilemeyen bir zaman serisi (Golovko, Savitsky, Maniakov, 2003). Burada
’İstanbul ve çevresi’ derken 28°-30° doğu meridyenleri ve 40°-42° kuzey paralelleri arasında kalan bölge
kastedilmektedir.

Kullanılan Yöntem

Veri Kümesi
Bu bölümde çalışmada kullanılan veri kümesi ve yapay sinir ağı hakkında bilgi verilmektedir. Bilindiği üzere
depremler farklı büyüklük ölçüleriyle ifade edilirler. Bu çalışmada bu ölçülerden zamana bağlı büyüklük
değeri(Md) kullanılmıştır. Bu veriler Boğaziçi Üniversitesi Kandilli Rasathanesi’nden temin edilmiştir[2].
İstanbul ve çevresinde 1997 ile 2003 yılları arasında gerçekleşen tüm depremlerin Md değerleri veri kümesini
oluşturmaktadır. Bir başka deyişle, 7 yıl üzerinden hesaplanırsa veri kümesi toplam 2740 örnekten
oluşmaktadır. Örnek değerleri 0 ile 7,4 arasında değişmektedir. Bu değerler işlem kolaylığı açısından 0 ile 1
arasına ölçeklenmiştir. Şekil 1’de kullanılan veri kümesi görülmektedir.
Şekil 1 – Veri kümesi

Ağ Yapısı
Bu çalışmada yapay sinir ağı olarak genelleştirilmiş regresyon ağı(GRNN) kullanılmıştır. GRNN, radyal
tabanlı ağların genellikle fonksiyon yaklaştırma problemi için kullanılmakta olan özel bir halidir ve giriş ve
çıkış arasında eğitim kümesinden elde ettiği bulgularla herhangi sıradan bir fonksiyona yaklaşabilir
(Yıldırım, Ciğizoğlu, 2002).

Giriş vektörü 3, 4, 5, 6 ve 7 uzunluklu seçilerek her bir giriş için bir sonraki çıkış değeri ağa öğretilmiştir. Bir
diğer deyişle, örneğin 3 uzunluklu giriş vektörü için 3 deprem büyüklüğü ağa girilmiş, bir sonraki depremin
büyüklüğü ise eğitme hedefi olarak kullanılmıştır. Bu durum Şekil 2’de gösterilmiştir. Bu problem bir
fonksiyon yaklaştırma problemidir. Dolayısıyla GRNN bu problemin çözümünde kullanılabilecek uygun
ağlardan biridir.

Şekil 2 - Zaman serisi tahmini için kullanılan üç girişli yapı

GRNN popüler olarak kullanılan çok katmanlı algılayıcı(MLP) gibi iteratif bir eğitme işlemine gerek
duymaz. Bu ağın bir diğer özelliği ise, eğitme verisinin boyutları arttıkça kestirim hatasının sıfıra
yaklaşmasıdır. GRNN, radyal tabanlı fonksiyon ağının(RBF) özel bir halidir ve istatistiksel bir teknik olan
kernel regresyonuna dayanır. Regresyon(gerileme) yöntemi sayesinde ortalama karesel hata minimuma
indirilerek çıkış değeri kestirilir(Yıldırım, 2004).
 Sonuçlar

Uygulama
Eğitme başarısı hesaplanırken gerçek değerin ve kestirilen değerin aynı olması şartı koşulmuştur. Test
başarısı hesaplanırken ise %10’luk bir hata payı kabul edilmiştir. Bir başka deyişle, örneğin gerçek değeri 3.0
olan bir büyüklük %10’luk yanılma payıyla kestirildiğinde (2.7 – 3.3 arası) bu doğru kabul edilmiştir.
Sonuçlar Tablo 1’de görülmektedir. Satırlar giriş vektörünün 3 ile 7 arasında değişen uzunluğunu
göstermektedir. Sütunlar ise farklı test kümesi boyutları için eğitme ve test başarı yüzdelerini içermektedir.
Bu tabloya göre giriş vektörünün uzunluğu arttıkça eğitme başarısı ciddi oranlarda artmaktadır. Test başarısı
ise giriş vektörü uzunluğundan bağımsız görünmektedir. Ancak düşük boyutlu giriş vektörü durumunda
genellikle daha başarılı test sonuçları elde edilmiştir. Tabloya bir de veri kümesi büyüklüğü açısından
bakılabilir. Veri kümesi büyüdükçe eğitme başarısında önemli bir değişme olmamaktadır. Test başarısı ise
dalgalı bir seyir izlemektedir. Bu da en uygun test kümesi büyüklüğünü saptamayı zorlaştıran bir durumdur.
Şekil 3 ve Şekil 4’te 4 uzunluklu giriş vektörü ve 300 değerlik test kümesi için sırasıyla eğitme ve test
grafikleri görülmektedir. Mavi grafikler depremin zaman içindeki gerçek seyrini, kırmızı olanlar ise yapay
sinir ağının kestirdiği eğilimi göstermektedir.

Tablo 1 – GRNN’in eğitme ve test sonuçları (yüzde olarak)

TEST
7 30 60 90 180 300
Gir. Vek.
Uzn. eğitme test eğitme test eğitme test eğitme test eğitme test eğitme test

3 19.96 71.43 20.1 50 20.22 51.7 20.41 60 20.96 68.9 21.01 67

4 54.6 71.43 54.66 43.3 54.93 45 54.8 45.6 55.24 59.4 56.61 62.7

5 84.71 71.43 84.84 46.7 84.79 50 84.69 44.4 84.62 52.2 84.97 57

6 96.26 57.14 96.3 33.3 96.34 46.7 96.29 41.1 96.16 53.3 96.06 40.7

7 99.16 85.71 99.15 23.3 99.14 33.3 99.13 32.2 99.1 35 99.05 40.7
Şekil 3 – 4 uzunluklu giriş vektörü ve 300 değerlik test kümesi için eğitme grafiği

Şekil 4 – 4 uzunluklu giriş vektörü ve 300 değerlik test kümesi için test grafiği
Sonuç
Sonuç olarak, bu çalışmada yapay sinir ağlarıyla depremlerin önceden kestirimi için istatistiksel anlamda bir
ön çalışma yapılmıştır. Bu çalışma göstermiştir ki en azından depremlerin uzun vadeli eğilimi makul başarı
oranlarıyla kestirilebilir. Buna rağmen sonuçlar henüz yeterli düzeyde değildir. Önemli olan orta ve yüksek
şiddetteki (Md değeri 4,0’dan yukarı) depremlerin kısa vadeli kestirimindeki başarıdır. Bunun için veri
kümesi boyutlarının arttırılması, yapay sinir ağı için en uygun giriş vektör uzunluğunun belirlenmesi, eğitme-
test verisi dağılımının iyi yapılması vs. gibi konulara dikkat edilmelidir. Ayrıca kestirimin değeri büyüklüğün
yanında zamanında tahmin edilebilmesiyle artacaktır. Tüm bu sorunlara rağmen, istatistiksel yöntemler ve
yapay sinir ağlarının depremlerin tahmininde kullanılabilecek önemli araçlar olduğu açıktır.

Teşekkür

Bu çalışmada kullanılan veri kümesinin alındığı Boğaziçi Üniversitesi Kandilli Rasathanesi’ne teşekkürü bir
borç bilirim.

KAYNAKLAR

[1] YILDIRIM, T., CİGİZOGLU, H. K.(2002), ‘Comparison of generalized regression neural network and
MLP performances on hydrologic data forecasting’

[2] Boğaziçi Üniversitesi Kandilli Rasathanesi, http://www.koeri.boun.edu.tr

[3] GOLOVKO, V. , SAVITSKY, Y. , MANIAKOV, N.(2003), Neural Networks for Signal Processing in
Measurement Analysis and Industrial Applications: the Case of Chaotic Signal Processing
[4] YILDIRIM, T. , “Yapay Sinir Sistemleri Tasarımı Ders Notları” (Teksir, Yıldız Teknik
Üniversitesi, Elektrik-Elektronik Fakültesi, 2004)