Yeni Zelanda’da uç cihazlarda gerçek zamanlı deprem P-dalgası tespiti için hafif konvolüsyonel sinir ağı

Hayat Kurtarabilecek Saniyeler

Bir deprem olduğunda, birkaç saniyelik önceden uyarı güvenlik ile felaket arasındaki farkı yaratabilir. Bu çalışma, akıllı algoritmalarla eşleştirilmiş küçük, düşük maliyetli bilgisayarların bir depremin ilk dalgacıklarını yeterince hızlı tespit edip en kuvvetli sarsıntı gelmeden önce insanlara ve otomatik sistemlere uyarı gönderebileceğini araştırıyor. Yeni Zelanda’nın hareketli zeminine göre uyarlanan yaklaşımla, yazarlar yüksek teknolojili erken uyarının devasa veri merkezlerine bağlı kalmak zorunda olmadığını; sahadaki bir sensöre doğrudan takılabilecek kadar küçük cihazlarda çalıştırılabileceğini gösteriyor.

Neden İlk Nazik Sarsıntılar Önemli

Depremler birkaç farklı tür dalga gönderir. En erken olanlar genellikle hafif olan ancak daha yıkıcı dalgaların önünde hızla ilerleyen P-dalgalarıdır. Bu ilk nazik sarsıntıları hızlı ve güvenilir biçimde tespit edebilirsek, masa altına saklanmak, treni durdurmak, ameliyatı duraklatmak veya gaz vanalarını kapatmak için hâlâ zaman varken uyarılar gönderilebilir. Geleneksel yöntemler sinyaldeki basit değişiklikleri arar, ancak genellikle trafik, makineler veya rüzgâr kaynaklı gürültüyle karışır ve çok yavaş tepki verebilir. Daha yeni derin öğrenme yöntemleri daha isabetli olsa da genellikle güçlü bilgisayarlar ve uzun veri aralıkları gerektirir; bu da sensörlerin yakınındaki küçük cihazlarda çalıştırılmasını zorlaştırır.

Küçük Bir Modeli Akıllıca Dinlemeyi Öğretmek

Araştırmacılar bu sorunu ele almak için konvolüsyonel sinir ağı adı verilen kompakt bir derin öğrenme modeli tasarladı. Hareketin otuz saniye veya daha fazlasına ihtiyaç duymak yerine, sistemleri sadece iki saniyelik bir zemin sarsıntısı dilimiyle çalışıyor ve bu sayede özellikle hızlı oluyor. Modeli sadece P-dalgalarını değil aynı zamanda daha güçlü S-dalgalarını ve sıradan arka plan gürültüsünü de tanıyacak şekilde eğittiler. Bunu yapmak için, sensörlere yaklaşık 100–150 kilometre mesafe içindeki olaylara ve 3.0 üzeri büyüklüklere odaklanarak Yeni Zelanda’nın güçlü hareket ölçer ağından yaklaşık 89.000 kaydı kullandılar. Her 90 saniyelik kayıt temizlendi, filtrelendi ve ardından P-dalgaları, S-dalgaları ve gürültüyü temsil eden kısa pencerelere bölündü; böylece model gerçek dünya koşullarının geniş bir yelpazesinden, sinyalin neredeyse gürültüyle aynı olduğu pek çok vaka dahil olmak üzere öğrenme fırsatı buldu.

Gücü Küçük Bir İzde Toplamak

Düşük maliyetli donanım için tasarlamak modelin son derece verimli olmasını gerektirdi. Ekip, katman ve filtre sayısını ayarlayarak birçok ağ versiyonunu inceledi ve hem doğruluğu hem de gerekli hesaplama miktarını ölçtü. Bu faktörleri ekstra karmaşıklığın gerçek fayda sağlamayı kestiği noktaları görmelerini sağlayan tek bir puanda birleştirdiler. Bu arama yaklaşık 38.000 ayarlanabilir parametreye sahip nihai bir tasarıma ulaştırdı—mevcut birçok deprem modelinden çok daha az—yine de test segmentlerinin yaklaşık %97’sini ve P-dalga örneklerinin %98’ini doğru etiketledi. Yaygın bir hobi bilgisayarı olan Raspberry Pi 5 üzerinde yapılan denemelerde, her karar yaklaşık 6,5 milisaniye sürdü, yalnızca tek bir işlemci çekirdeğinin küçük bir dilimini kullandı ve bir haftalık sürekli çalışmada güvenli sıcaklık sınırları içinde kaldı.

Büyük depremler ve ucuz sensörlerde işe yaradığını kanıtlamak

Sistemin en önemli depremlerle başa çıkıp çıkamayacağını test etmek için yazarlar, eğitme verilerinden hariç tuttukları güçlü 2016 Kaikōura depremini uyguladılar. Örtüşen iki saniyelik pencereler ve gelen sinyalin yalnızca basit yeniden ölçeklendirmesini kullanarak model, istasyonlarda güçlü sarsıntı doruğundan genellikle onlarca saniye önce 200 kilometreye kadar uzaklıktaki ilk P-dalgalarını seçti. Ayrıca profesyonel cihazlardan daha gürültülü ama yaygın konuşlandırılması çok daha kolay olan düşük maliyetli Raspberry Shake sensörlerinden gelen verilerde de iyi performans gösterdi. Yeniden eğitme olmadan model, bir büyüklük 3.6 olayında birkaç Raspberry Shake istasyonunda P- ve S-dalgalarını hâlâ net biçimde buldu; bu da modelin “dinleme yeteneğinin” farklı cihazlar arasında taşınabildiğini düşündürüyor.

Günlük Güvenlik Açısından Ne Anlama Geliyor

Çalışma, güvenilir ve hızlı deprem tespitini ülke çapında dağıtılacak ucuz uç cihazlarda çalıştırılabilecek kadar küçük ve verimli bir modele sığdırmanın mümkün olduğunu gösteriyor. Her sensörde saniyeler içinde tepki veren bir ilk aşama tetikleyici olarak hareket ederek, sistem daha büyük ağlara veya sarsıntının ne kadar güçlü olacağını ve nerede en çok hissedileceğini tahmin eden daha ayrıntılı analizlere veri sağlayabilir. Yeni Zelanda gibi deprem riski yüksek bölgelerde yaşayan insanlar için bu yaklaşım, yalnızca pahalı, merkezi altyapıya güvenmeyen daha erken uyarı vaatleri getiriyor—bir gün duman alarmları kadar yaygın olabilecek daha erişilebilir ve dayanıklı erken uyarı sistemlerinin yolunu açıyor.

Atıf: Ravishan, D., Prasanna, R., Herath, P. et al. Lightweight convolutional neural network for real-time earthquake P-wave detection on edge devices in New Zealand. Sci Rep 16, 11536 (2026). https://doi.org/10.1038/s41598-026-42568-y

Anahtar kelimeler: deprem erken uyarısı, P-dalgası tespiti, uç bilişim, derin öğrenme, Yeni Zelanda sismolojisi