YAPAY ZEKA TEKNİKLERİ VE TUSAGA-AKTİF GNSS İSTASYONLARININ İYONOSFERİK TOPLAM ELEKTRON İÇERİĞİ VERİLERİ İLE TÜRKİYE'DEKİ DEPREMLERİN ÖNCEDEN TAHMİN EDİLEBİLİRLİĞİNİN ARAŞTIRILMASI

Abstract

Depremler yıkıcı doğaları ve henüz tam anlamıyla çözülememiş mekanizmaları nedeniyle insanlık tarihi boyunca en gizemli doğa olaylarından birisi olmuştur. Günümüze değin sismoloji alanında gerçekleşen sayısız gelişmelere rağmen, bu fenomenin zamansal ve mekânsal evriminin kesin olarak belirlenmesi henüz mümkün olmamıştır. Bu tez çalışmasında, ilk defa yaklaşık 60 yıl önce ortaya atılan deprem-iyonosfer etkileşimi fikri, en temel bileşenlerinden başlanarak incelenmiş ve tespit edilen anlamlı bulgular paylaşılmıştır. Bunun için iyonosferik Toplam Elektron İçeriği (TEİ) ve Uzay İklim (Uİ) indeks verileri titizlikle toplanarak işlenmiş ve çeşitli yapay zekâ yöntemleriyle bu verilerin analizleri gerçekleştirilmiştir. TEİ verileri Türkiye'de yer alan TUSAGA-Aktif GNSS yer istasyonlarının sağlamış olduğu verilerden türetilmiştir. TEİ verileri elde edilirken birtakım önişlemler gerçekleştirilmiş ve eksiksiz bir veri kümesi oluşturulmuştur. Bu verilere ek olarak iyonosfer tabakası üzerindeki bilinen etkilerinden dolayı bazı önemli Uİ koşulları da dikkate alınmıştır. Bunlar küresel jeomanyetik indeks (Kp), jeomanyetik aktivite indeksi (Dst), güneş lekesi sayısı (R), jeomanyetik fırtına indeksi (Ap-index), güneş rüzgârı hız (Vsw) ve solar aktivite indeksi (F10.7) verileridir. Bu veriler deprem hazırlık alanı dikkate alınarak belli şartları sağlayan depremler için depremlerden önce ve sonra belirli süreleri kapsayacak şekilde etiketlendirilmiştir. Daha sonra bu verilerin sınıflandırılmasında, makine öğrenmesinin bir alt dalı olan ve son yılların en güçlü veri işleme yöntemlerinden biri haline gelen derin öğrenme teknikleri kullanılmıştır. İşlenecek veriler zaman ve zaman-frekans alanlarında ayrı ayrı modeller ile incelenmiştir. Ayrıca geleneksel makine öğrenimi yöntemleri de hesaplamalarda kullanılmıştır. Elde edilen bulguların literatürde yer alan bulguları destekler nitelikte olduğu gözlemlenmiştir ve deprem-iyonosfer ilişkisine dair yeni bakış açıları ve yeni veriler sunarak önemli katkılarda bulunması umulmaktadır.Earthquakes, due to their destructive nature and mechanisms that are not yet fully understood, have been one of the most mysterious natural phenomena throughout human history. Despite numerous advances in seismology to date, it has not yet been possible to precisely determine the temporal and spatial evolution of this phenomenon. In this thesis, the idea of earthquake-ionosphere interaction, first proposed approximately 60 years ago, is examined starting from its most fundamental components, and the significant findings are shared. For this purpose, ionospheric Total Electron Content (TEC) and Space Weather (SW) index data were meticulously collected and processed, and these data were analyzed using various artificial intelligence methods. TEC data were derived from data provided by the TUSAGA-Active GNSS ground stations located in Turkey. Several preprocessing steps were performed while obtaining the TEC data, and a complete dataset was created. In addition to this data, some important SW conditions were also considered due to their known effects on the ionosphere layer. These are data on the global geomagnetic index (Kp), disturbance storm time (Dst), sunspot number (R), geomagnetic storm index (Ap-index), solar wind speed (Vsw), and solar activity index (F10.7). These data were labeled for specific periods before and after earthquakes meeting certain conditions, considering earthquake preparedness. Deep learning techniques, a subfield of machine learning and one of the most powerful data processing methods in recent years, were then used to classify this data. The data were analyzed separately in time and time-frequency domains using different models. Traditional machine learning methods were also used in the calculations. The findings obtained were observed to support those in the literature, and it is hoped that they will make significant contributions by offering new perspectives and new data on the earthquake-ionosphere relationship.