İyonosfer bozulmaların derin öğrenme teknikleri kullanılarak modellenmesi

İyonosfer atmosferde ve dünyada önemli bir rol oynar. Koronal kütle atımı, sismik hareketler ve jeomanyetik aktiviteye bağlı güneş patlamaları iyonosferde sapmalara neden olur. İyonosferin yapısını araştırmak için ana parametre Toplam Elektron İçeriğidir (TEC). Bu tez, sismik olayları değerlendirmek için iyonosfer TEC verisinin önemini araştırmaktadır. Bu tezde, 2012-2019 yılları arasında Şili istasyonundaki orta ve yüksek şiddetli depremler sonucunda ortaya çıkan iyonosfer anomalilerini içeren bir veri seti değerlendirilmiştir. GPS istasyonlarından elde edilen TEC değerleri, depremlere ve güneş fırtınalarına karşı iyonosferik tepkiyi analiz etmek için güçlü bir yöntemdir. GPS istasyonlarından (çift frekanslı GPS alıcısı) elde edilen TEC verileri, orta ve yüksek şiddetli depremlerin sebep olduğu iyonosferik anomalileri araştırmak için kullanılır. Bu tezin modeli üç ana bölümden oluşmaktadır. İlk bölümdeki amaç, depremler ile TEC verileri arasındaki ilişkiyi analiz etmektir. Deprem verilerinden öznitelikler çıkarmaya ve iyonosferik TEC verisini sınıflandırmaya odaklanılmıştır. Bu aşamada depremleri önceki günlerin bilgisini kullanarak tahmin etmeye odaklanılmamıştır. Önerilen model, TEC verilerinden öznitelik çıkarmak için Derin Otomatik Kodlayıcı kullanmaktadır. İyonosferik TEC verisi yüksek boyutlu olduğundan, öznitelik çıkarma aşamasında boyut azaltma işlemi yalın öznitelik seti elde etmek için kritik öneme sahiptir. Çıkarılan öznitelikler, sınıflandırma yapmak için kullanılan sinir ağlarına girdi olarak verilmektedir. Sınıflandırma modelinin sonuçlarını değerlendirmek için, LDA (Doğrusal Diskriminant Analizi), SVM(Destek Vektör Makinesi) ve Random Forest (Rastgele Orman) sınıflandırma modelleri ile kıyaslama yapılmıştır. Elde edilen sonuçlar, önerilen modelin belirlenen hedef istasyonda 0.94 doğruluk oranı ile depremleri ayırt edebildiğini göstermektedir. İkinci bölümdeki amaç, geçmiş günlerdeki depremleri tespit etmek için bir sınıflandırma modeli önerilmiştir. LSTM yöntemleri, bu sorunu kısa süreli bellek(short-term memory) çözümü ile ele alır. Önerilen modeller, son yedi günün TEC değerlerini analiz ederek deprem günlerini sınıflandırmak için LSTM tabanlı (Uzun Kısa Süreli Bellek), derin öğrenme modellerini kullanır. LSTM modellerinin farklı versiyonları, bu araştırmanın doğruluğunu arttırmak için önerilmiştir. LSTM tabanlı sınıflandırma modelleri, önerilen modelleri değerlendirmek için SVM, LDA ve Random Forest sınıflandırıcı modelleri ile karşılaştırılır. Sonuçlar, önerilen modellerin depremleri yaklaşık yüzde 78-80 doğruluk oranında tespit etmede geliştiğini ve önceki günlere göre depremleri tespit etmek için başarılı bir araç olarak kullanılabileceğini ortaya koymaktadır. Bu tezin son kısmında, önceki günlerde depremleri tespit etmek için derin otomatik kodlayıcıların(deep autoencoders) ve LSTM'nin hibrit bir versiyonu geliştirildi. Bu model, ikinci modelde tanıtılan yığın LSTM(stacked LSTM) tabanlı deprem sınıflandırmasını geliştirmeyi önermektedir. Önerilen model, iyonosferik TEC verisinden faydalı özellikler çıkarmak için derin bir otokodlayıcı kullanır ve son 7 günün TEC değerlerini analiz ederek deprem günlerini sınıflandırmak için yığın LSTM uygular. Önerilen DAE-STCK-LSTM modelinin amacını analiz etmek için Yığın-LSTM, LDA ve SVM sınıflandırıcıları kullanıldı. Değerlendirme test sonuçları, orta ve şiddetli depremler dahil, iki test kümesinde yaklaşık yüzde 81-84 doğruluk tabanlı(accuracy-based) performans göstermiştir.