Deep learning of aftershock patterns following large earthquakes

Bu tez, büyük depremleri izleyen artçı şokların mekânsal dağılımı, sayısı ve büyüklüğünü tahmin etmeye yönelik veri odaklı modelleme stratejileri sunmaktadır. Klasik fizik tabanlı yaklaşımların sınırlılıklarını aşmak amacıyla, yapay sinir ağları, XGBoost algoritması ve kernel tabanlı olasılıksal modelleme gibi makine öğrenimi yöntemleri kullanılarak hem sınıflandırma hem de regresyon görevleri için alternatif model yapıları geliştirilmiştir. Çalışmada, stres tensörlerinden türetilen statik bileşenler, komşuluk bilgileri, gradyan tabanlı türevsel nicelikler, mekânsal koordinatlar ve merkez üssüne olan mesafe gibi çeşitli girdi kombinasyonları sistematik biçimde test edilmiş; ayrıca sınıf dengesizliğini azaltmak için örnekleme stratejileri uygulanmış ve kernel tabanlı sürekli etiketleme yaklaşımıyla artçı şok olasılıklarının mekânsal sürekliliği modellenmiştir. Bu geniş kapsamlı deneysel analiz, farklı veri yapıları ve modelleme stratejilerine dayalı olarak artçı şokların oluşumu, sayısı ve büyüklüğüne ilişkin tahmin performanslarını karşılaştırmış ve stres tabanlı makine öğrenimi modellerinin artçı şok öngörüsündeki potansiyelini ortaya koymuştur. Elde edilen sonuçlar, kernel tabanlı olasılıksal modellerin artçı şok bölgelerini daha gerçekçi ve tutarlı biçimde temsil ettiğini, sınıflandırma görevlerinde XGBoost modellerinin ayrım gücünü artırdığını ve sayısal regresyon görevlerinde çok katmanlı yapay sinir ağlarının daha dengeli performans sunduğunu göstermektedir. Genel olarak bulgular, stres tensörlerinden türetilen statik niteliklerin artçı şok davranışına ilişkin geniş ölçekli uzamsal desenleri başarılı bir şekilde yansıttığını, ancak ince ölçekli varyasyonların modellenebilmesi için daha zengin zamansal ve jeolojik veri setlerine ihtiyaç bulunduğunu ortaya koymaktadır.