Hibrit topluluk makine öğrenimine dayalı entegre bir yaklaşım: verimli sismik heyelan eğilimi değerlendirmesi ve CBS haritalaması

Yamaçların sallanması günlük yaşam için neden önemli

Bir deprem engebeli veya dağlık bölgelerde meydana geldiğinde zemin kendini bırakabilir. Evlerin, yolların ve enerji tesislerinin üzerindeki yamaçlar kayabilir ve sağlam zemin hızlı hareket eden enkaza dönüşebilir. Buna karşın, bir ülke çapında hangi yamaçların en çok risk altında olduğunu haritalamak genellikle o kadar hesaplama yoğunudur ki hızlı güncelleme yapılamaz. Bu makale, deprem kaynaklı yamaç kopmalarının en olası olduğu yerleri tahmin etmek için daha hızlı, veri odaklı bir yöntem sunuyor; bu sayede plancılar, geleneksel ve ağır simülasyonların doğruluğunu büyük ölçüde koruyan ulusal ölçekli risk haritaları oluşturabiliyor.

Gerçek heyelanlardan pratik bir başarısızlık ölçütüne

Yazarlar basit bir sorudan başlıyor: bir yamaç hangi şiddette sallandığında tehlike oluşturacak kadar hareket etmeye başlar? Geçmiş depremlere ait saha gözlemlerini kullanarak farklı yer değiştirme eşikleri test ediliyor ve ortaya çıkan başarısızlık eğrileri sahada gerçekten görülenlerle karşılaştırılıyor. Kalıcı hareket bir yamaç boyunca yaklaşık 14 santimetreye ulaştığında hasar verici bir kaymanın olasılığının keskin biçimde yükseldiğini buluyorlar. Bu 14 santimetrelik kayma, ortak bir ölçüt olarak “başarısızlık” seviyesi şeklinde benimseniyor; böylece farklı yamaç koşulları ortak bir ölçek üzerinde değerlendirilebiliyor ve ölçülen sarsıntı ile hasar olasılığı arasında net bir bağlantı kuruluyor.

Karmaşık zemin davranışını tek bir güvenlik sayısına dönüştürmek

Yamaçlardaki deprem kaynaklı hasar, zemin dayanımı, yamaç açısı, zemin derinliği, su içeriği ve zeminin ne kadar ve ne süreyle sallandığı gibi belirsiz pek çok faktörün dolambaçlı etkileşimlerine bağlıdır. Bu belirsizliği yakalamak için çalışma, bu faktörlerin birçok rastgele kombinasyonu altında bir yamaçın ne kadar hareket edeceğini simüle etmek amacıyla klasik bir kayma-blok modelini kullanıyor. Her sentetik yamaç için başarısızlık olasılığına karşı sarsıntı seviyesinin tam bir eğrisini izlemek üzere binlerce simülasyon çalıştırılıyor. Her eğriden ekip, HCLPF adını verdikleri tek bir özet değer çıkarıyor; bu değer, bir yamaç için başarısızlık olasılığının son derece düşük kalmasını sağlayan dayanılabilir sarsıntı şiddeti olarak düşünülebilir. Bu, karmaşık olasılıksal tanımı tek, sezgisel bir sayıda yoğunlaştırıyor; böylece depolanabilir, karşılaştırılabilir ve bir haritada gösterilebilir hale geliyor.

Ağır simülasyonları taklit etmeyi makinelere öğretmek

Böyle yüksek doğruluklu simülasyonları bir ülkenin her yamaçı için çalıştırmak pratik olmayan bir zaman gerektirir. Bunu aşmak için araştırmacılar, toprak ve geometrik özelliklerin gerçekçi aralıklarını kapsayan 10.000 yapay yamaçtan oluşan büyük bir eğitim veri seti üretiyor. Her biri için tam olasılıksal analiz kullanılarak HCLPF değeri hesaplanıyor. Ardından HCLPF’yi temel yamaç ve zemin girdilerinden doğrudan tahmin etmek üzere bir dizi makine öğrenimi modeli eğitiliyor. En iyi performans gösteren yöntem olarak hibrit bir topluluk (ensemble) yaklaşımı ortaya çıkıyor: bir artırma (boosting) yöntemi (birbiriyle hataları düzelten karar ağacı modelleri serisi oluşturan) ile bir çantalama (bagging) yöntemi (tahminleri kararlı hale getirmek için birçok hafifçe farklı modelin ortalamasını alan) birleştiriliyor. Zeki bir hiperparametre stratejisi, önceki ayarlama turlarından bilgiyi yeniden kullanıyor ve muhtemel ayarlardan verimli örneklem alarak model kalibrasyonunun tipik deneme-yanılma yükünü azaltıyor.

Kırılgan yamaçların ulusal haritasını çizmek

Eğitilmiş bu hibrit modelle yazarlar test vakası olarak Kore Cumhuriyeti’ne yöneliyor. Ulusal ölçekli sayısal yükseklik verileri ve zemin bilgileri kullanılarak her biri kendi açı, zemin derinliği, dayanımı ve nem aralığına sahip 100.000’den fazla konum hazırlanıyor. Her noktada binlerce simülasyonu yeniden çalıştırmak yerine makine öğrenimi modelinden HCLPF’yi doğrudan tahmin etmesi isteniyor. Bu nokta tahminleri daha sonra güçlü bir şekilde çözünür, düzgün bir harita oluşturmak için enterpolasyonla genişletiliyor ve hangi yamaçların güçlü sarsıntı altında daha olası olarak başarısız olacağı gösteriliyor. Tam simülasyonlardan oluşturulan referans bir harita ile karşılaştırıldığında makine öğrenimi haritası yaklaşık %95 oranında uyum sağlıyor; buna karşın yalnızca yaklaşık %4 kadar bir hesaplama süresi gerektiriyor.

Deprem tetikli heyelan riskine daha hızlı bir bakış

Basitçe söylemek gerekirse bu çalışma, bölgesel ölçekte deprem kaynaklı yamaç kopmalarını değerlendirirken son derece maliyetli simülasyonların yerine dikkatle tasarlanmış bir makine öğrenimi sisteminin geçebileceğini gösteriyor. Her yamaçtaki karmaşık davranışı tek bir güvenlik sayısına indirgemek ve bu sayıyı tahmin etmek için hibrit bir topluluk modeli eğitmek suretiyle yazarlar, ayrıntılı ulusal kırılganlık haritalarını günler yerine saatler içinde üretebilen bir araç oluşturuyor. Yerine özgü mühendislik kararları hâlâ ayrıntılı çalışmalar gerektirse de bu yaklaşım, acil durum planlayıcıları ve altyapı yöneticilerine hassas olmayan ama yeterince doğru bir şekilde savunmasız yamaçları tespit etme, izleme ve güçlendirme önceliklendirmesi yapma ve yeni arazi veya zemin verileri ortaya çıktıkça risk değerlendirmelerini yeniden gözden geçirme imkanı sunuyor.

Atıf: Mostafizur, R.M., Go, C., Kwag, S. et al. An integrated approach of hybrid ensemble machinelearning-based efficient seismic slope fragilityassessment and GIS mapping. Sci Rep 16, 9190 (2026). https://doi.org/10.1038/s41598-026-38171-w

Anahtar kelimeler: deprem kaynaklı heyelanlar, yamaç kararlılığı, sismik risk haritalaması, makine öğrenimi topluluğu, coğrafi tehlike analizi