Yapay Zekâ, Deprem Tahminlerine Yardımcı Olacak

Deprem, insanlık tarihi boyunca çok büyük yıkımlara sebep olmuş bir doğal afet ve günümüzde de hâlâ insanlığı tehdit eden unsurlar arasında yer alıyor. Depremle ilgilenen isimlerden bir tanesi olan jeofizikçi Paul Johnson, yeni bir deprem tahmini çalışması üzerine odaklandı.

Johnson’ın ekibi, deprem fiziğini aydınlatmaya ve olası depremlerin uyarıcı işaretlerini açıklığa kavuşturmaya çalışan bir makine öğrenme kullanıyorlar. İki yıl önce görüntü ve ses tanıma ve diğer yapay zekâ formlarının arkasındaki algoritmalara benzer bir model kullanarak kendisi ve iş arkadaşları, model laboratuvar sisteminde depremi başarılı bir şekilde tahmin ettiler.

arxiv.org’da bu hafta bir araştırma yayınlandı. Johnson ve ekibi Kuzeybatı Pasifik’teki yavaş kaymalı depremler üzerinde algoritmalarını test ettiklerini raporladılar. Johnson’a göre algoritma, yavaş kaymalı depremin başlangıcını birkaç gün içerisinde öngörebildi.

Rice Üniversitesi’nde deprem bilimci olan ve çalışmada yer almayan Maarten de Hoop, bunun gerçekten heyecan verici bir gelişme olduğunu söylerken ilk kez ilerleme kaydedildiğini belirtti. Stanford Üniversitesi’nde jeofizikçi olan Mostafa Mousavi ise sonuçları “heyecan verici ve motive edici” bulduğunu söyledi.

Tutma ve bırakma

Depremlerin önceden tahmin edilemeyeceğiyle ilgili çeşitli bilim insanlarının ve jeofizikçilerin açıklamaları, bu alanda yapılan başarısız girişimler olsa da Johnson, depremlerin fiziksel bir süreç olduğunu, ölmekte olan bir yıldızın çökmesinden ya da rüzgârın değişmesinden farkının olmadığını biliyor. Kendisi, asıl önceliğini fay fiziğini anlamak olarak konumlandırıyor ve tahmin probleminden de çekinmiyor.

Johnson, on yıldan uzun bir süre önce tanecikli materyalli ince katmanlar tarafından ayrılmış kayan bloklarla yapılmış “laboratuvar depremleri” üzerinde çalışmaya başladı. Tıpkı tektonik plakalardaki gibi bloklar gelişi güzel bir şekilde sallanıyorlar, teğetsel gerilme yeterince büyüdüğünde bir anda kayıyorlar. Laboratuvar ortamında gerçekleştirilen deneydeki bu kayma, gerilim açığa çıkarıyor ve tutma-bırakma döngüsü yeniden başlıyor.

Johnson ve meslektaşları, bu tutma-bırakma döngüsü sırasında yayılan akustik sinyali kaydederken her bırakma öncesinde keskin bir yükseliş fark ettiler. Bu öncü olay, deprem öncesi gerçekleşen öncü şoklar tarafından oluşturuluyordu. Ancak deprem bilimciler, bu öncü şokları asıl depremin ne zaman meydana geleceğine dair tahminlere dönüştürmekte zorlanıyordu. Johnson, “Bir tür çıkmaz sokaktaydık, ilerleyecek herhangi bir yol göremiyordum”diyor.

Birkaç yıl önce Los Alamos’taki bir toplantıda Johnson, arada kaldığı bu ikilemi bir grup teorisyene açıkladı. Teorisyenler ise makine öğrenme kullanarak verilerini yeniden analiz etmesini tavsiye ettiler. Birlikte bilim insanları bir plan oluşturdular. Her deney sırasında yaklaşık beş dakikalık ses kayıtları alacaklardı ve birçok küçük parçaya böleceklerdi.

Her parça için araştırmacılar 80’den fazla istatistiksel özellikler hesapladılar. Bunlara alçak sinyaller, bu alçak sinyallerin çeşitleri ve parçanın öncü olayla alakalı bilgi içerip içermediği de dâhildi.

Araştırmacılar “random forest” olarak bilinen bir makine öğrenme algoritmasını yıkımdan önce kalan zaman miktarıyla güçlü bir şekilde bağlı özelliklerin kombinasyonuna sistematik olarak bakmak için kullandılar. Daha sonra algoritma, sadece akustik emisyon özelliklerini baz alarak yıkım zamanını tahmin etmeye başladı.

Başarılı geçen testlerin ve analizlerin ardından Johnson, makine öğrenmenin gerçek depremleri tahmin edebileceğini göstermek için gerçek yıkımlarda denemesi gerekiyordu. Bunun içinse en uygun yer Kuzeybatı Pasifik’ti.

Laboratuvarın dışında

Sismik katalog, Johnson’ın laboratuvardaki deprem deneylerindeki akustik kayıtların gerçek dünyadaki karşılığı. Johnson ve ekibi, tıpkı akustik kayıtlarda olduğu gibi sismik verileri de küçük parçalara böldüler, her parçayı istatistiksel özelliklerle karakterize ettiler. Daha sonra eğitme verilerini makine öğrenme algoritmasıyla beslediler.

Algoritma, 2007 ile 2013 arasında eğitildikten sonra her olaydan aylar öncesinde kayıt edilen verilere dayanarak 2013 ve 2018 arasında meydana gelen yavaş kayma tahminlerini yapabilmeye başladı. Buradaki kilit özellik ise sismik enerjiydi.

Cascadia tahminleri, laboratuvar depremlerindeki kadar doğru değildi. Algoritma hâlen tahminler yapabiliyordu ancak 2013 ile 2018 arasında meydana gelen beş yavaş kaymadan bir tanesini kesin olarak bilmişti.

de Hoop “makine öğrenme tekniği bize bir koridor verdi, daha önce hiç belirleyemediğimiz ya da görmediğimiz şeylere bakmak için verilerde arama için bir giriş verdi” derken yapılması gereken daha çok fazla iş olduğu konusunda da uyardı.

Büyük depremler

Daha büyük ve yıkıcı depremler çok daha nadir gerçekleşiyor. Peki makine öğrenme algoritması bunları tahmin etmek için nasıl eğitilecek? Los Alamos grubuna göre algoritmanın büyük depremleri öngörmesi için eğitilmesine gerek yok. Yapılan son çalışmalara göre ufak depremlerden önceki sismik modeller, istatistiksel olarak büyüklerle oldukça benzer. Küçük depremleri öngörmesi için eğitilen bir bilgisayar, büyükleri tahmin etmesi için de yeterince çok yönlü olabilir.

Johnson, bu teknikle ilgili son olarak ise şunları söylüyor: “Depremler, benim ömrüm içerisinde öngörebileceğimizi söylemiyorum. Ancak oldukça büyük bir yol kat ediyoruz”

Kaynak: Webtekno