6 Şubat 2023 depremlerinin üzerinden iki yıl geçti. Ne o günü ne de sonrasında yaşananları unutmak mümkün. Ama bilimin öncülüğünde deprem vb afetlerin böylesi yıkıcı etkileri olmasını önlemek için çalışmak mümkün. İşte yapay zeka da bu noktada devreye giriyor.
Türkiye, büyük depremler üretme potansiyeli yüksek fay hatları üzerinde yer aldığı için her zaman depreme hazırlıklı olmak zorunda. Günümüzde teknolojinin ve bilimin geldiği noktada, yapay zekâ destekli tahmin sistemleri, kentsel dönüşüm projeleri, bina güçlendirme, afet eğitimi, acil durum planları bu riski azaltmada kritik rol oynuyor.
Son yıllarda deprem tahmini konusunda büyük bir bilimsel ilgi artışı yaşanıyor. Veri toplama, iletişim ağları, bulut bilişim, Nesnelerin İnterneti, büyük veri analizi ve makine öğrenmesi alanlarındaki teknolojik devrimle birlikte, riskli bölgeler için erken uyarı sağlayan akıllı bir deprem tahmin sistemi geliştirmek gitgide mümkün görünüyor.
Yüzde 90’ın üzerinde tahmin başarısı
İran, Tayvan, Filipinler, Endonezya, Tayland, Hindistan, Çin, Şili ve Japonya gibi sık deprem yaşayan ülkelerin verilerinin ve çeşitli algoritmaların kullanıldığı çok sayıda bilimsel çalışma mevcut. Bunlarda bir bölgede beklenen depremin büyüklüğü %60 ile %98 arasında doğruluk oranı ile tahmin edilmekte.
Yakın zamanda, ABD’deki Georgia Southern Üniversitesi’nden Türk araştırmacı Cemil Emre Yavaş ve ekibi, yapay zekâ algoritmalarıyla depremleri 30 gün önceden tahmin etme üzerine yaptıkları çalışmada, İstanbul’da %91,65, San Diego’da ise %98,53 doğruluk oranına ulaştılar. Bu çalışma, Scientific Reports by Nature dergisinde yayımlandı.
Ülkemizde ise Koç Üniversitesi Bilgisayar Mühendisliği ile İTÜ Jeoloji Mühendisliği’nden araştırmacılar halen makine öğrenmesi algoritmaları ile İstanbul depremini önceden tahmin etmek üzerine çalışmaktalar.
Henüz yapay zekâ ile deprem tahmini teknolojisini kullanan ülke yok. Ancak, özellikle Japonya, Şili ve Yeni Zelanda gibi sismik açıdan aktif ülkelerde, yapay zekâ tabanlı erken uyarı sistemlerinin kurulması düşünülüyor.
Yapay zekâ ile deprem tahmininde hangi veriler kullanılır?
Günümüzde yere gömülü sismik sensörler, gerçek zamanlı izleme yeteneklerine sahip dronlar ve gelişmiş sensör ağlarıyla donatılmış akıllı binalar gibi Nesnelerin İnterneti cihazları, yapay zekâ sistemlerine sürekli olarak büyük miktarda veri sağlayabilir. Farklı kaynaklardan gelen bu sürekli veri akışı, yapay zekâ algoritmalarının çok daha zengin bir veri setiyle öğrenmesini sağlayarak, depremin belirtilerini tespit etme yeteneklerini artırır.
Bilimsel çalışmalar için çeşitli açık kaynak veritabanlarında genellikle yer, zaman, büyüklük, derinlik ve diğer parametreler gibi depremle ilgili temel bilgilere ulaşılabilir. Örneğin, global çapta sismik verileri toplayan bir organizasyon olan IRIS Türkiye’deki sismik veriler de dahil olmak üzere geniş bir veri havuzuna sahiptir. Dünya çapında sismik veriler sağlayan bir diğer önemli kaynak ise USGS’dir. Türkiye’deki sismik olaylar da dahil olmak üzere tüm dünyadaki büyük depremlerle ilgili veriler bu veritabanında mevcuttur. EMSC ise depremler ve onların etkileri hakkında bilgileri, Akdeniz bölgesindeki ve dünya çapındaki sismoloji kurumları, vatandaş gözlemciler ve sosyal medya verilerinin analizinden elde ederek yayınlar.
Dronlar da depremle ilgili araştırmalarda ve veri toplamaya yönelik çalışmalarda giderek daha fazla kullanılıyor. Yer radarı (GPR), LiDAR ve termal sensörlerle donatılmış dronlar, fay hatlarını, arazi deformasyonlarını ve deprem riski taşıyan bölgelerdeki gerilim birikimlerini tespit edebilir. Büyük alanları hızlıca tarayarak, artan sismik aktiviteye işaret eden topografik değişiklikleri belirleyebilirler. Bu veriler, uydu görüntüleri ve sismik sensörlerle birleştirilerek deprem tahmin modellerinin iyileştirilmesine katkıda bulunur.
Japonya ve Türkiye fay hareketlerini izlemek ve deprem riski taşıyan bölgeleri değerlendirmek için dronları kullanıyor.
Yapay zekâ ile deprem tahmini nasıl yapılabilir?
Deprem tahmini üzerine yapılan araştırmaların çoğu, makine öğrenmesi (ML) algoritmalarını kullanır. Genellikle deprem tahmini için sensör verilerindeki sismik sinyaller ayrıştırılarak frekans, dalga boyu, entropi (enerji dağılma derecesini ifade eder), ortalama güç gibi özelliklerden geçmişten gelen ya da laboratuvar ortamında oluşturulan test verilerinden deprem ya da diğer sismik oluşum sınıflandırması yapılır.
Hindistan’dan Bilgisayar Bilimleri araştırmacısı Bhatia ve çalışma arkadaşlarının 2023 tarihli makalesinde, gerçek zamanda çalışan bir erken uyarı sistemi tasarlandı. Nesnelerin İnterneti teknolojisi ile gerçek zamanlı sensör verilerini bir modele aktararak test verilerinde %90 üzerinde doğru tahmine ulaştılar. Ayrıca, bulut katmanında depremlerin büyüklüğünü tahmin etmek için Uyarlanabilir Sinirsel-Bulanık Çıkarım Sistemi mekanizmasını kullandılar.
Katar Üniversitesi’nde İnşaat ve Çevre Mühendisliği bölümünden Dr. Plevris de 2024 tarihli çalışmasında, yapay zekânın yapı tasarımı alanında kullanılmasına dikkat çekiyor ve dayanıklı yapı tasarımı ve kişiselleştirilmiş sanal gerçeklikle eğitim gibi farklı alanlarda devrim niteliğinde bir dönüşüm yaratma potansiyeli olduğunu belirtiyor.
Yapay zekâ ile tahmin sistemlerinin doğruluğunun büyük ölçüde, modellerin eğitimi için kullanılan verilerin kalitesine ve çeşitliliğine bağlı olduğunu belirtmek önemli. Her ne kadar geliştirilen tahmin yöntemleri umut verici olsa da, deprem tahmini halen zorlu bir alan ve daha fazla araştırma ve geliştirme gerektiriyor.
Depremi önceden tahmin etmek yeterli mi?
Bir depremin meydana gelmesinden birkaç gün veya hafta önce tahmin edilmesi özellikle tahliye süreci için faydalıdır. Erken uyarı verildiğinde o bölgedeki kişilerin paniğe kapılmadan kısa sürede tahliyesi için önceden ne yapmaları gerektiğini bilmeleri ve kuralları takip etmeleri gerekir.
Önceliklerin ve tahliye rotalarının belirlenmesi için de deprem simülasyonları ile planlama yapmak gereklidir. Bu noktada matematiksel modelleme ve algoritmalar ile en hızlı şekilde hangi yolların kullanılacağına karar verilebilir.
Türkiye’de, Afet ve Acil Durum Yönetimi Başkanlığı (AFAD), Deprem Ön Hasar ve Kayıp Tahmini Sistemi’nde (AFAD-RED) yapay zekâdan yararlanarak olası bir depremde hasar ve kayıp tahminleri yapıyor. Bu tahminler afet öncesi planlama için önemlidir.
Afet lojistiğinde yapay zekanın yeri
Afet lojistiğinde kararların en etkin şekilde alınması için akıllı algoritmalarının kullanılması, daha hızlı, adil ve ekonomik bir yardım süreci sağlar, bu da hayat kurtarıcı olabilir. Bu tip algoritmaların geliştirilmesinde Türkiye’de endüstri mühendisliği alanında dünya çapında tanınan başarılı araştırmacılar çeşitli üniversitelerde uzun süredir çalışıyor.
Afet öncesinde planlama ve sonrasında müdahale çalışmalarında kaynak yönetimi için gerçek zamanda çeşitli kaynaklardan gelen verinin doğrulanarak optimizasyon algoritmalarına beslenmesi ile arama kurtarma ve tıbbi yardım ekipleri, ambulanslar, iş makinaları, enerji kaynakları, ilaç, su, gıda, hijyen malzemesi, battaniye ve çadır gibi kaynakların en hızlı sürede ve hakkaniyetli şekilde ihtiyaç noktalarına ulaştırılmasında etkin çözümler oluşturur.
Afet sonrası yardım lojistiği operasyonlarında acil müdahale tesislerinin ve geçici barınma yerlerinin belirlenmesi ve yardım malzemelerinin dağıtımı gibi önemli kararları desteklemek amacıyla bilimsel çalışmalarda önerilen optimizasyon modellerine örnekler Kamyabniya v.d. (2024) makalesinde bulunabilir.
Yardımları doğru yere yönlendirebilmek
Afet bölgesindeki ihtiyaçlar zamanla değişebilir ve afet lojistiği karar alıcıları, çoğu zaman belirsizlik ve kısıtlamalar altında çalışmak zorundadır. Optimizasyon algoritmaları, talep ve ihtiyaçları analiz ederek kaynakların doğru yerlere yönlendirilmesini sağlar.
Optimizasyon araçları, doğru verilere dayalı kararlar almayı kolaylaştırarak süreçleri daha sistematik hale getirir.
Afet riski azaltılmasında teknoloji kullanımı, veri toplama, analiz ve karar destek sistemlerinin gücünden yararlanarak daha hızlı, etkili ve doğru müdahaleler sağlar ve afetlere karşı daha dayanıklı topluluklar inşa edilmesine önemli katkılar sunar.
Afet lojistiğinde optimizasyon ve simülasyon modellerinden faydalanan karar destek sistemleri, başta ABD’de olmak üzere, afet yöneticileri ve Birleşmiş Milletler Dünya Gıda Programı gibi çeşitli organizasyonlar tarafından da kullanılıyor.
Kaynaklar
- E. Yavas, L. Chen, C. Kadlec, C., Y. Ji (2024). “Improving earthquake prediction accuracy in Los Angeles with machine learning”, Scientific Reports, 14(1), 24440.
- Bhatia, T. A. Ahanger, A. Manocha (2023). “Artificial intelligence based real-time earthquake prediction”, Engineering Applications of Artificial Intelligence, sayı 120, 105856.
- Plevris (2024), “AI-driven innovations in earthquake risk mitigation: a future-focused perspective.” Geosciences,14.9:244.
- Kamyabniya, A. Sauré, F. S. Salman, N. Bénichou, J. Patrick (2024), “Optimization models for disaster response operations: a literature review”, OR Spectrum, 1-47.
Bu makalede yer alan fikirler yazara aittir ve Fikir Turu’nun editöryel politikasını yansıtmayabilir.
Bu yazı ilk kez 6 Şubat 2025’te yayımlanmıştır.
