Deprem Tahmini Üzerine Yeni Gelişmeler
Bilim insanları, büyük depremlerin ne zaman ve nerede meydana geleceğini, ayrıca büyüklüklerini tahmin etme konusunda uzun yıllardır yoğun çaba sarf ediyor. Şu ana dek yapılan araştırmalar bazı sınırlamalara sahip olsa da, umut verici gelişmelerin yaşandığı da bir gerçek. New Mexico’daki Los Alamos Ulusal Laboratuvarı’nda görevli Dr. Paul Johnson, ekibinin deprem tahminini bir hayal olmaktan çıkarabilecek bir araç geliştirme sürecinde önemli bir rol oynadı. Günümüzde birçok bilimsel araştırma gibi, bu çalışmada da makine öğrenimi (ML) ve yapay zeka (AI) teknolojilerinden faydalanılıyor.
Ancak, sismologlar açısından makine öğreniminin kullanımı henüz emekleme aşamasında. Özellikle en yaygın deprem türü olan tutma-bırakma depremlerine dair mevcut verilerin (deprem büyüklükleri, sarsıntı şiddetleri gibi) eksikliği, bu süreci daha da karmaşık hale getiriyor. Büyük depremler, Dünya’nın tektonik plakaları arasındaki sınırlarda veya bu sınırlara yakın jeolojik fayların hareketinden kaynaklanıyor. Araştırmacılar, bu bölgelerde veri toplama çabasındalar. Ancak, tutma-bırakma depremleri için yıkıcı kaymadan önceki süreç genellikle oldukça uzun bir zaman dilimini kapsıyor ve gerinim birikimi sırasında bir fay üzerinde çok az hareket gerçekleşiyor. Bu nedenle, araştırmacıların depremleri etkin bir şekilde inceleyebilmeleri için, depremlerin meydana geldiği anda verileri kayıt altına almaları gerekiyor. Bu durum, veri setlerinin oldukça sınırlı kalmasına neden oluyor.
Dr. Johnson, farklı türde bir sismik aktiviteye yönelerek yenilikçi bir yaklaşım geliştirdi: Yavaş-kaymalı depremler. Tektonik levhaların hareketine dayanan bu olaylar, tutma-bırakma depremlerinin aksine saatler, günler hatta haftalar sürebiliyor. Bu olayların yavaş ilerleyişi, araştırmacılar için önemli bir fırsat sunuyor. Bu uzun zaman dilimlerinden, yapay sinir ağını sismik aktiviteyi tahmin etmek için daha etkili bir şekilde eğitebilecek bir dizi veri noktası elde edilebiliyor.
Dr. Johnson’ın araştırma ekibi, Kuzeybatı Pasifik bölgesindeki Cascadia Batma Bölgesi’nde tahmine dayalı yetenekler gösteren bir makine öğrenimi sistemi geliştirdi. Yavaş fay hareketlerinden kaynaklanan 12 yıllık sismik ses kaydını analiz eden bu sistem, geçmiş yavaş kayma olaylarını yansıtarak (geçmiş olayları yeniden oluşturmak) onlardan önce gelen sismik sinyalleri değerlendirebiliyor. Bu yansıma sayesinde, ekibin bir hafta kadar sonra ne olacağını tahmin etme kapasitesi ortaya kondu.
Dr. Johnson’ın çalışması, makine öğrenimi tekniklerinin sismik olaylarla (yavaş kayma) gerçekten kullanılabilir olduğunu göstermekte. Ancak, bu öngörülerin tutma-bırakma depremleri için geçerli olabilmesi adına veri eksikliğinin giderilmesi gerekecek. Araştırmacılar, bu eksikliği kapatmak amacıyla laboratuvar ortamında tutma-bırakma olaylarını simüle eden minyatür depremler gerçekleştirdiler. Toplanan veriler kullanılarak, laboratuvar depreminin ince ayarlanmış bir sayısal simülasyonu oluşturuldu ve bu simülasyon daha sonra gerçek olaylardan elde edilen verilerle birleştirildi. Sonuç olarak, laboratuvar depreminin ne zaman meydana geleceğini tahmin etmede etkili bir makine öğrenimi modeli geliştirildi.
Dr. Johnson’ın ekibi, bu gelişmeleri gerçek bir jeolojik fay olan San Andreas Fayı üzerinde uygulamayı planlıyor. Fayın sayısal simülasyonundan elde edilen veriler ile gerçek depremlerden toplanan verilerin bir kombinasyonu, ML sistemlerinin eğitimi için kullanılacak. Modelin eğitim verilerinde yer almayan sismik olayları ne ölçüde doğru bir şekilde tahmin edebileceğini görmek için daha fazla araştırma ve geliştirme yapılması gerekecek. Ancak her şey yolunda giderse, sismologlar çok yakında depremleri önceden tahmin edebilecek kadar kesin araçlara sahip olabilecekler.
