İtalya’da sismometrik verilerden makroseismik şiddetin hızlı tahmini için makine öğrenimi

Neden hızlı deprem değerlendirmeleri önemlidir

Zemin sallanmaya başladığında, acil müdahale ekiplerinin kurtarıcıları ve kaynakları nereye göndereceklerine karar vermeleri için sadece dakikaları vardır. Oysa bir depremin yüzeyde ne kadar şiddetli hissedildiğini tanımlamanın geleneksel yolu — İtalya’da kullanılan Mercalli ölçeği gibi makroseismik şiddet — genellikle saatler, günler veya hatta aylar sonra, insanlar anketleri doldurduktan ve uzmanlar hasarı inceledikten sonra elde edilir. Bu makale, modern makine öğreniminin ilk sismometre okumalarını, depremin ne kadar güçlü hissedildiğine dair hızlı ve makul düzeyde doğru haritalara nasıl dönüştürebileceğini, böylece yetkililerin daha hızlı ve daha emin tepki vermesine nasıl yardımcı olabileceğini inceliyor.

Hissedilen raporlardan hızlı tahminlere

İtalya’da geleneksel şiddet tahminleri iki ana veri akışına dayanır. Birincisi, resmi bir veritabanında kaydedilen uzman saha incelemeleridir; bunlar hasarlı konumlara odaklanır fakat düzenlenmesi zaman alır. Diğer kaynak, vatandaşların hissettiklerini ve gördüklerini bildirdiği çevrimiçi “Hai Sentito Il Terremoto” sistemidir; bu sistem birçok düşük ve orta şiddet gözlemi sağlar. Her iki kaynak da insan ve yapı tepkilerine dayalı olarak sallantıyı çok zayıftan yıkıcıya sıralayan Mercalli-Cancani-Sieberg ölçeğinde şiddeti ölçer. Bu insan merkezli ölçümleri alet okumalarıyla ilişkilendirmek için yazarlar iki veri kümesini her sismik istasyon etrafında birleştirdiler, o bölgedeki tüm bildirilen şiddetleri 5 km içinde ortaladılar ve bölge için tek temsilci bir değer elde etmek üzere 1’den 8’e kadar tam sayı sınıflarına yuvarladılar.

Sallantıyı okumayı öğrenen bir orman eğitmek

Araştırmacılar, şiddet tahminini bir sınıflandırma problemi olarak ele aldı: erken ölçümler verildiğinde, her istasyon çevresi için sekiz şiddet sınıfından hangisinin uygulanacağını tahmin etmek. Bir Random Forest kullandılar; her biri veriler üzerinde basit “eğer–ise” bölünmeleri yapan birçok karar ağacından oluşan bir topluluk. Bu bölünmeler; büyüklük, derinlik, kaynaktan uzaklık ve tepe yer ivmesi, hızı ve yer değiştirme gibi doğrudan zemin hareketi ölçümlerinin kombinasyonları gibi girdilere dayanıyordu. 2008–2020 arası İtalya’da 523 depreme ait 5.466 gözlem üzerinde eğitilen model, sismometrelerin kaydettikleri ile insanların bildirdikleri arasında karmaşık, doğrusal olmayan bağlantıları öğrendi. Güçlü sallantıların veride daha nadir olması gerçeğini ele almak için yazarlar eğitimi tüm şiddet seviyelerinin eşit sayılacağı şekilde ayarladılar; böylece model yalnızca en yaygın, daha zayıf olaylara odaklanmaktan korunmuş oldu.

Yerleşik kurallarla karşılaştırma

Makine öğrenimi yaklaşımının gerçekten değer katıp katmadığını görmek için ekip, tahminlerini iki yaygın kullanılan ampirik ilişki ailesiyle karşılaştırdı. Birincisi, Intensity Prediction Equations (Şiddet Tahmin Denklemleri) olarak adlandırılanlar, şiddeti ağırlıklı olarak depremin büyüklüğü, derinliği ve uzaklığından tahmin eder ve sallantının mesafe ile düzgün bir şekilde azaldığını varsayar. İkincisi, Ground Motion to Intensity Conversion Equations (Yer Hareketinden Şiddete Dönüşüm Denklemleri) alet okumalarındaki tepe hareketleri şiddet sınıflarına dönüştürür. Bu formüller kompakt ve uygulanması kolaydır, ancak yerel jeoloji, yapı stokları veya dalga yönünün insanların hissettiği sallantıyı nasıl etkilediğini tam olarak yakalayamazlar. Buna karşılık, Random Forest hem kaynak parametrelerini hem de zemin hareketi ölçülerini doğal olarak birleştirir ve önceden belirlenmiş katı bir matematiksel form belirtmeden İtalyan veri kümesindeki ince örüntülere uyum sağlayabilir.

Siyah kutunun içini görmek ve sınırları

Acil durum yöneticilerinin otomatik kararların temelini anlaması gerektiği için yazarlar Random Forest’ın davranışını taklit eden daha basit “surrogate” (kâşif) karar ağaçları oluşturdu. Bu daha küçük ağaçlar diyagram olarak çizilebilir; hangi zemin hareketi eşiklerinin düşük ile yüksek şiddeti ayırdığını ve ivme ile hız gibi değişkenlerin nerede baskın olduğunu gösterir. Bu analiz, doğrudan zemin hareketi ölçülerinin — özellikle tepe ivmesi ve hızın — yalnızca büyüklük veya derinlikten daha fazla ağırlık taşıdığını ortaya koydu. Yazarlar ayrıca her surrogate-ağaç tahmininin ne kadar belirsiz olduğunu işaretlemenin basit bir yolunu sundular; bunun için her son dal içindeki eğitim örneklerinin ne kadar karışık olduğuna dair ölçüler kullanıldı. Aynı zamanda, çok güçlü şiddet seviyelerinin tahmin edilmesinin zor kaldığını, bunun kısmen tarihsel kayıtlarda doğal olarak nadir olmalarından dolayı en yüksek sallantı düzeylerinin bazen düşük tahmin edilmesine yol açtığını buldular.

Yakın tarihteki bir İtalyan depreminde gerçek dünya testi

Ekip, çerçevelerini dikkat çekici bir gerçek olayda değerlendirdi: 2022’de Pesaro-Urbino yakınlarında Adriyatik kıyısında meydana gelen 5,5 büyüklüğündeki deprem. Yaklaşık 15 dakika içinde sismologlar gerekli kaynak ve zemin hareketi bilgilerini elde etmişti, ancak yalnızca yaklaşık 90 kamu şiddet bildirimi kaydedilmişti ve bu çok yamaçlı bir görüntü sunuyordu. Yalnızca enstrümantal veriyi kullanarak, Random Forest ve onun surrogate ağacı sıradan bir bilgisayarda iki saniyenin altında yüzlerce istasyon etrafında ayrıntılı şiddet tahminleri üretti. Daha sonra günler içinde toplanan 12.000’den fazla vatandaş raporundan oluşturulan çok daha yoğun harita ile karşılaştırıldığında, makine öğrenimi haritaları hem genel hissedilen alanı hem de orta dereceli sallantının yayılımını dikkat çekici biçimde iyi yakaladı ve klasik denklemlerle eşleşti ya da onları geride bıraktı.

Depremle yaşayan insanlar için bunun anlamı

Genel olarak çalışma, dikkatle eğitilmiş bir makine öğrenimi sisteminin sismometre verilerinin ilk dakikalarını alıp depremin etkisine dair hızlı, makul derecede şeffaf haritalar üretebileceğini gösteriyor. Bu haritalar ayrıntılı saha araştırmalarının veya kitle kaynaklı raporların yerini almaz, ancak yetkililerin çok sınırlı bilgiyle ambulansları, itfaiyeyi ve yapı denetçilerini nereye göndereceklerine karar verirken tehlikeli erken boşluğu kapatmaya yardımcı olabilir. Gelişmiş algoritmaları yorumlanabilir basitleştirilmiş modeller ve temel belirsizlik işaretleriyle birleştirerek, çerçeve İtalya’da daha hızlı, daha bilinçli deprem müdahalesine doğru pratik bir adım sunuyor ve benzer sismik risklerle karşı karşıya olan diğer bölgelere de uyarlanabilir.

Atıf: Patelli, L., Cameletti, M., De Rubeis, V. et al. Machine learning for prompt estimation of macroseismic intensity from seismometric data in Italy. Sci Rep 16, 7265 (2026). https://doi.org/10.1038/s41598-026-35740-x

Anahtar kelimeler: deprem şiddeti, makine öğrenimi, random forest, sismik tehlike, İtalya