Anomaly detection in diverse sensor networks using machine learning

Deprem öncül tespiti, insan hayatını kurtarma potansiyeline sahip olan en eski araştırma alanlarından biridir. Yapılan son çalışmalar, güçlü sismik aktivitelerin ve depremlerin iyonosferin elektron dağılımını etkilediğini göstermiştir. İyonosferdeki bu etkiler, Küresel Konum Belirleme Sistemlerinin uydu pozisyonu verileri kullanılarak ölçülebilen, Toplam Elektron İçeriği (TEİ) üzerinde açıkça gözlemlenmektedir. Bu tezde, çeşitli deprem öncül tespit teknikleri önerilmiş, önerilen bu tekniklerin öncül tespit başarımları farklı sensör ağlarından elde edilen TEİ verileri üzerinde irdelenmiştir. İlk olarak, Türkiye ve çevresinde meydana gelmiş 5 şiddeti üzerindeki depremlerin öncüllerinin tespit edilmesi amacıyla, model tabanlı bir deprem öncül tespit tekniği önerilmiştir. TEİ değişimleri kullanılarak deprem öncül tespit ve TEİ güvenilirlik sinyalleri oluşturulmuştur. Oluşturulan bu sinyallerin eşiklendirilmesi ile deprem öncülü kararları elde edilmiştir. Elde edilen deprem öncülü kararları üzerinde Parçacık Sürüsü Optimizasyonu (PSO) tekniği kullanılarak deprem öncül tespitleri üretilmektedir. Başarım değerlendirmeleri, önerilen tekniğin Richter ölçeğinde 5 şiddeti üzerinde meydana gelmiş 23 depremden 14 tanesine ait öncülleri doğru tespit ederken 8 yanlış öncül kararı verdiğini göstermektedir. İkinci olarak, İtalya ve çevresinde meydana gelmiş 4 şiddeti üzerindeki depremlerin öncüllerinin tespit edilmesi amacıyla, makine öğrenimi tabanlı bir deprem öncül tespit tekniği olan EQ-PD önerilmiştir. Sismik aktivitenin olduğu zamanlara ait TEİ değişim istatistikleri kullanılarak, uzaysal ve uzay-zamansal anomali tespit eşikleri elde edilmiş ve öncül kararlarının oluşturulması amacıyla, TEİ değişimi tabanlı anomali tespit sinyaline uygulanmıştır. Elde edilen uzaysal ve uzay-zamansal öncül kararları, deprem öncül tespitlerinin oluşturulması için Destek Vektör Makinesi (DVM) sınıflandırıcısına beslenmiştir. EQ-PD tekniğinin deprem öncül tespit performansı incelendiğinde, tekniğinin 24 deprem öncülünden 22'sini doğru tespit ederken 147 sismik aktivite olmayan günde 13 yanlış alarm ürettiği gözlemlenmiştir. Son olarak, Anadolu bölgesinde meydana gelmiş 5.4 şiddeti üzerindeki depremlerin öncüllerinin tespit edilmesi amacıyla, derin öğrenme tabanlı bir deprem öncül tespit tekniği olan DL-PD önerilmiştir. DL-PD tekniği uzay-zamansal Küresel İyonosferik Harita (KİH)-TEİ veri kestirimi kabiliyetine sahip bir yapay sinir ağı kullanmaktadır. KİH -TEİ kestirimleri ve KİH -TEİ ölçümleri karşılaştırılarak, KİH -TEİ anomali skorları elde edilmiştir. Deprem öncül tespitleri KİH -TEİ anomali skorlarının eşiklendirilmesi ile oluşturulmuştur. Öncül tespit başarımları incelendiğinde, DL-PD tekniğinin 7 deprem öncülünden 5'ini doğru tespit ederken 416 sismik aktivite olmayan günde 1 yanlış alarm ürettiği gözlemlenmiştir.