Derin sinir temsilleri kullanılarak tsunami tersine mühendisliği

Bu neden kıyı güvenliği için önemli

Deniz kenarında yaşayanlar, yaklaşan tsunamilerden kaçmak için erken uyarılara güvenir; ancak bugünkü sistemler olağandışı bir olayda veya sensör arızası olduğunda hâlâ zorlanıyor. Bu çalışma, modern yapay zekâdan gelen yaklaşımların uyarı merkezlerinin açık deniz dalgalarını daha esnek ve hızlı yorumlamasına yardımcı olabileceğini; hangi kıyıların en fazla risk altında olduğuna dair daha net rehberlik sağlamayı amaçladığını gösteriyor.

Deniz tabanı sarsıntısından kıyıya gelen dalgaya

Büyük bir deprem, heyelan veya volkanik patlama deniz yüzeyini rahatsız ettiğinde ortaya çıkan tsunami tüm havzaları geçebilir. Nerede ve ne kadar şiddetle çarpacağını tahmin etmek için bilim insanlarının, rahatsız olan suyun başlangıç şeklini bilmesi gerekir. Bu “başlangıç görüntüsü” şaşırtıcı derecede zor yeniden oluşturulur. Kaynağın belirsiz ayrıntılarına, deniz tabanının şekline, gelgitlere ve hatta sensör kayıtlarındaki boşluklara veya kırpmaya bağlıdır. Geleneksel yöntemler genellikle belirli bir deprem fayı türünü varsayar ve çok büyük senaryo kütüphanelerini önceden hesaplar; bunlar büyük depolama gerektirir ve gerçek olay beklentilerle uyuşmadığında zorlanabilir.

Faya değil okyanusa kulak vermek

Yazarlar farklı bir bakış açısı öneriyor: deniz tabanının nasıl kaydığına odaklanmak yerine okyanusun nasıl yanıt verdiğine doğrudan bakmak. Okyanusu, basitçe “Suyun bu tek noktada kısa süreli kaldırılması halinde her bir sensör hangi dalgaları görürdü?” sorusunu yanıtlayan bir Green fonksiyonu aracıyla tanımlıyorlar. Pratikte, birçok böyle noktanın yanıtlarını birleştirmek, açık deniz sensörlerinde ölçülen dalgalardan geriye doğru giderek orijinal kaldırılmış veya çökertilmiş su yamasını bulmayı mümkün kılar. Bu yama daha sonra tsunaminin kıyıya doğru nasıl evrileceğini tahmin eden ayrıntılı simülasyonlar için başlangıç noktası olarak kullanılır.

Sinir ağlarıyla okyanus davranışını sıkıştırmak

Uygulamada, gerçekçi bir okyanus bölgesini ince bir ızgarayla kaplamak büyük sayıda olası kaynak noktası ve sensör konumu üretir. Her Green fonksiyonunu doğrudan depolamak yüzlerce gigabayt gerektirir ve acil bir tahmini yavaşlatır. Bunu önlemek için ekip, derin sinir ağlarını kompakt fonksiyon “sıkıştırıcıları” olarak kullanıyor. Bu ağlar bir kaynak ve bir alıcının konumlarını, ayrıca çevredeki deniz tabanının küçük haritalarını alır ve aralarından geçecek tam dalga sinyalini çıktı olarak verir. Japonya çevresindeki birçok bilgisayar simülasyonlu tsunamiler üzerinde eğitilerek, ağlar bu sinyalleri büyük veri tablolarını birkaç milyon parametre içeren bir modele dönüştürürken doğru şekilde yeniden üretmeyi öğrenirler.

Sensör verilerinden geriye çalışma

Bu kompakt okyanus modeli hazır olduğunda araştırmacılar ana sorunu ele alıyor: gerçek veya simüle edilmiş sensör kayıtlarından başlangıçtaki su bozukluğunu çıkarmak. Her ızgara hücresinin kaldırma gücünü, sensörlerde tahmin edilen dalgalar gözlemlenenlerle olabildiğince uyuşana kadar ayarlayan yinelemeli bir arama kuruyorlar. Aynı zamanda yöntem, gerçek tsunamilerin başlangıçta eğilimli olduğu gibi alan olarak yoğun ve düzgün değişen bozuklukları tercih ediyor. Sinir ağı her sensör konumu için dalga yanıtını anında üretebildiğinden, aynı eğitilmiş model yeniden eğitim gerektirmeden çalışan ve arızalı sensörlerin farklı kombinasyonlarıyla başa çıkabiliyor.

Gerçek ve varsayımsal tsunamilerle test etmek

Yazarlar yöntemlerini Japonya yakınlarındaki geçmiş depremlerin yaygın olarak kullanılan bir veritabanından çekilen çok sayıda olay üzerinde test ediyorlar. Japonya’nın yoğun S-net deniz tabanı sensörlerinden gelen verileri kullanarak, yöntemlerinin yalnızca bir sensör fraksiyonu mevcut olduğunda veya sensör gürültüsü eklendiğinde bile başlangıç su desenini simüle edilmiş gerçeklikle yüksek korelasyonla yeniden oluşturabildiğini gösteriyorlar. Ardından yeniden oluşturulan paterni kıyı yakınındaki açık deniz dalga yüksekliklerini birkaç saat boyunca tahmin etmek için ikinci bir sinir ağına veriyorlar. Bu tahminler daha az model parametresi kullanırken mevcut bir makine öğrenmesi yöntemine eşit veya daha iyi doğruluk sunuyor ve sabit bir sensör düzenine bağlı değil. Son olarak aynı çerçevenin hipotezik bir volkanik tsunamiyi de işleyebileceğini göstererek yalnızca depremlerle sınırlı olmadığını ortaya koyuyorlar.

Gelecekteki uyarı sistemleri için anlamı

Çalışma, derin sinir ağlarının ağır sayısal modeller için verimli vekiller olarak hizmet edebileceğini, böylece tsunami tersine mühendisliğini okyanusun başlangıç durumuna odaklanan hızlı ve esnek bir hale getirebileceğini gösteriyor. Bu başlangıç görüntüsündeki belirsizliği azaltarak ve değişen sensör ağlarını tolere ederek, bu tür yöntemler gelecekteki uyarı merkezlerinin hangi kıyı kesimlerinin tehlikeli dalgalarla karşılaşma olasılığı olduğunu daha iyi değerlendirmesine yardımcı olabilir; böylece tahliye ve müdahale için değerli zaman kazandırabilir.

Atıf: Morssy, A., Teal, P.D. & Kleijn, W.B. Tsunami inversion using deep neural representations. Sci Rep 16, 15925 (2026). https://doi.org/10.1038/s41598-026-38002-y

Anahtar kelimeler: tsunami tahmini, açık deniz sensörleri, sinir ağları, okyanus dalgaları, erken uyarı