Sürekli olarak sorulan ve cevabı hemen hemen tüm deprem bilimciler tarafından “hayır” olarak verilen “depremler önceden bilinebilir mi?” sorusu şu ana kadar muhakkak herkesin aklına takılan bir soru olmuştur. Mevcuttaki teknoloji bu tür bir tahminlemeye ne yazık ki izin vermemekle birlikte böyle bir yöntemin tam olarak nasıl geliştirilebileceği de bilim adamları tarafından halen net değildir. Ancak bu sorunun cevabı “Makine Öğrenmesi” sayesinde yakında “belki” veya “evet” olarak değişebilir!
Makine öğrenmesinin günümüzdeki “veri analitiği” temelli bilimlere yaptığı katkı olağanüstü boyutlardır. Konuşmaları yazılı metinlere dökmekten tomografik görüntü üzerinden kanser teşhislerine kadar oldukça geniş bir alanda bu teknoloji kullanılmaktadır. Bu denli geniş bir yelpazeye sahip bir teknolojinin deprem tahminlerinde kullanılmaya başlanması pek de şaşırtıcı sayılmaz. Her ne kadar ümit vaat etse de AI-destekli makine öğrenmesinin de ne yazık ki deprem hususunda henüz ciddi kısıtları vardır. Zira makine öğrenmesi olukça yüklü verileri işleyerek anlamlı sonuçlar çıkarırken depremler için bu bilgiler henüz oldukça azdır.
Her ne kadar tektonik plaka sınırlarında/fay hatları civarında depremlerin oluştuğu bilinse de fayların birbirleri ile sürtünmeleri ve buradan veri girdisi oluşturabilecek anlamlı sismik hareketler üretebilmeleri onlarca yılı ve hatta yüzlerce yılı bulabilmektedir. Makine öğrenmesini besleyebilmek için belki aynı bölgedeki en az onlarca deprem döngüsüne ait bilgiyi sisteme yedirmek gerekmektedir. Ancak sismoloji bilimi oldukça yeni bir alan olup ilgili geçmiş depremler hakkında bu denli bilgiyi bulmak neredeyse imkansızdır. Örnek olarak dünyanın en ünlü ve tehlikeli fay hatlarından biri kabul edilen San Andreas fay hattı takriben her 40 yılda bir büyük deprem üretmektedir ve buna ilişkin onlarca deprem verisi girilmek istenirse bu rakam yüzlerce belki de binlerce yıllık döngüsel verilerin tek tek tespit edilip girilmesini gerektirir ki sismoloji biliminin oldukça yeni bir dal olması sebebiyle bu pek mümkün değildir.
2017 yılında, Los Alamos Ulusal Laboratuvarında görevli Dr. Paul Johnson’ın ekibi farklı bir sismik aktiviteye ait veri setini makine öğrenmesine tabi tuttu. Buna göre “sessiz depremler” olarak adlandırılan ve normalde birkaç saniye süren depremlere nazaran çok daha yavaşça ama haftalarca ve hatta aylarca süren “kayma hareketlerine” ait verileri işleme aldı. Makine öğrenmesi açısından bu durum mükemmel bir olanaktır zira ihtiyaç duyulan bolca sismik bilgiyi bu tür fay hareketleri ziyadesiyle sağlamaktadır.
Bu yöntem henüz gerçek hayatta denenmek için test aşamasında olsa da düzenli döngülerde üretilen sismik hareketlerin takibi ve tahmini için ışık tutmaktadır. Şimdilik deney sonuçları umut vericidir zira Dr. Jonhson’ın ekibi laboratuvarda deney ortamında fay hareketlerini taklit eden yapılar oluşturmuş, bu yapıların ürettiği hareketleri kayda almış ve ilgili bilgisayar programında tüm verileri tahmine tabi tutmuştur. Deney sonucu elde edilen bulgular oldukça başarılıdır ve daha umut verici olan bir nokta ise laboratuvarda taklit edilen veriler ile gerçek hayattaki sismik veriler karıştırıldığında tahmin verilerinin doğruluğunun da arttığı gözlemlenmiştir.
Her ne kadar bu deneyler henüz somut olarak bir sonuç vermiş olmasa da depremin ne zaman olacağı tahmini kadar fayın nerede kırılacağı ve bu kırılmanın ne büyüklükte bir deprem yaratacağı henüz tahminlenememektedir. Ancak deprem zamanı doğru bir şekilde tahmin edilebildiği takdirde makine öğrenmesine dayalı bu metodun yer ve büyüklük konusunda geliştirilmesi ve akabinde bizlere yol göstermesi aşikardır.
Yine makine öğrenmesine dayalı benzer bir metot İsrail’de Ariel Üniversitesi araştırmacıları tarafından incelenmektedir. Buna göre fay hatlarındaki sismik hareketler yerine depremlerde açığa çıkan iyonosferdeki elektron seviyeleri incelenerek tahminler yürütülmektedir.
Dr. Yuvel Reuveni tarafından yürütülen araştırmalarda İyonosferdeki Toplam Elektron Kontenti (TEC) ile jeodinamik aktiviteler arasındaki ilişki incelendiğinde arada ciddi bir korelasyon olduğu ve TEC verileri sayesinde deprem tahminlerinin isabetli bir şekilde gerçekleştirilebileceği öngörüldü. Bu metot kullanıldığında 6 ve üzeri büyüklüğündeki depremler için Negatif Prediktif %85 isabetlilikte, Pozitif Prediktif ise %80 isabetlilikle ölçümlenmiştir.
Ayrıca GPS verileri ile iyonosferdeki TEC oranlarını takip etmek ve ölçmek kullanılan diğer metotlara göre de daha ucuz ve kullanışlı olduğundan bu metot ilgili makamlar tarafından oldukça cazip görülmektedir.
Her ne kadar her iki yöntemde henüz emekleme aşamasında olsa da gelecekte deprem tahminlerine yönelik ciddi katkılar verme potansiyeli taşımaktadır. Bu sayede riskli bölgeler ve tahmini deprem zamanları daha isabetli verilebilir ve belki de önlemlerin alınması hususunda önceliğin nereye ve ne zaman verilebileceği konusunda hükümetleri yönlendirebilir ve bu sayede de can ve mal kayıplarının en aza indirgenmesi sağlanabilir!
Yesugay OBA
Yesugay OBA küresel bir danışmanlık şirketinde, yönetici danışman olarak çalışmakta va dijital
strateji ve dönüşüm alanında hizmet vermektedir. Yesugay günümüz teknolojilerine ve
teknolojinin kullanım alanlarına özel bir ilgi duymaktadır.