Veri madenciliği yöntemleriyle depremlerin analizi

Bu tez çalışmasında, deprem hareketliliklerinin veri madenciliği yöntemlerini kullanarak analiz edilmesi ve gelecekte meydana gelebilecek depremlerin tahmininde kullanılabilecek bir yazılım tasarlanması amaçlanmıştır. Bu kapsamda, tez içerisinde deprem verileri ile ilgili dört farklı uygulama gerçekleştirilmiştir.Birinci uygulama, deprem verileri üzerinde istatistiksel, sorgulama ve veri madenciliği çalışmalarını yürütmek için hazırlanan Türkiye Deprem Portalı(TDEP) yazılımı ve deprem verilerine ait bazı istatistiksel çalışmalardan oluşmaktadır. Deprem verilerine ait istatistiksel bilgilerin yorumlanması ile gelecekte oluşabilecek depremlerin tahmini amaçlanmıştır. Hazırlanan uygulamanın, kullanım ve uygulama bakımından büyük avantajlara sahip olduğu görülmüştür.İkinci uygulama, deprem alanları üzerinde gizli kalmış birlikteliklerin tespit edilmesine yönelik geliştirilen çalışmayı kapsamaktadır. Bu uygulamada, veri madenciliği tekniklerinden birliktelik kuralları deprem verileri üzerine başarılı bir şekilde uygulanmış ve çeşitli kurallar bulunmuştur. Üretilen bu kurallar değerlendirildiğinde, sistemin başarılı sonuçlar ürettiği gözlemlenmiştir.Üçüncü uygulamada, deprem verileri üzerine yapılan birçok çalışmanın ortak noktası olan deprem tahmini için kural tabanlı yeni bir yaklaşım sunulmuştur. Bu yaklaşım paralelinde bir tahmin algoritması tasarlanarak deprem verileri üzerine başarılı bir şekilde uygulanmıştır. Elde edilen tahmin sonuçları değerlendirildiğinde, algoritmanın başarılı sonuçlar verdiği gözlemlenmiştir.Dördüncü uygulama, deprem verilerinin kümelendirilmesine yönelik geliştirilen çalışmayı kapsamaktadır. Bu bölümde, Türkiye genelinde oluşmuş deprem verilerinin kümelendirilmesi işlemleri yapılmıştır. Depremlerin kümelendirilmesinde k-Means ve KNN algoritmaları veriler üzerinde başarılı bir şekilde uygulanmıştır. Klasik k-Means algoritmasının başlangıç küme merkezi seçme işlemine, deprem verileri için alternatif bir yaklaşım bu bölüm altında sunulmuştur. Bu yaklaşımın verileri kümelendirmede klasik k-Means algoritmasından daha hızlı bir performans gösterdiği tespit edilmiştir.