Sismik Analiz.
Negatif sonuç da bir bulgudur.
Deprem büyüklüğü, yalnızca geçmiş büyüklüklerden tahmin edilebilir mi?
Doğru soru, doğru metrik.
Deprem büyüklüğünün yalnızca geçmiş büyüklüklerden tahmin edilebilir olup olmadığını derin öğrenme modelleriyle inceledim.
Benim katkım.
PyTorch ile Bi-LSTM ve dikkat mekanizmalı LSTM.
Bu kurulum büyüklüğü tahmin edemiyor.
Her iki model de test setinde düşük açıklama gücü elde etti. Geçmiş deprem büyüklükleri tek başına gelecek deprem büyüklüğünü tahmin etmek için yeterli görünmüyor.
Öğrendiğim.
Veri sızıntısını önlemek, iyi görünen bir skordan daha değerli.
Teknolojiler.
Python
PyTorch
Jupyter
- Bi-LSTM
- Attention
Teknik notlar ve projenin kapsamı
Problem ve sorumluluğum
Deprem kayıtları bir zaman serisidir. Zaman serisi tahmininde iyi bilinen mimariler var. Soru şuydu: bu mimariler, geçmiş büyüklük değerlerine bakarak bir sonrakini tahmin edebilir mi?
Dört kişilik ekipteki kendi notebook’um PyTorch tabanlıdır. Ekip deposundaki TensorFlow ve Bi-GRU çalışmaları başka üyelere ait; onları kendi işim gibi göstermiyorum.
Uygulama kararları
- 31.915 kayıtlık veri setini 20 adımlık pencerelere böldüm.
- PyTorch ile iki model kurdum: çift yönlü LSTM ve dikkat mekanizmalı LSTM.
- Başarıyı doğruluk (accuracy) ile değil R² ile ölçtüm — sürekli bir değeri tahmin ederken doğruluk anlamsız bir metriktir.
Sonuç ve öğrenim
Bi-LSTM R² = 0.10, dikkat mekanizmalı LSTM R² = 0.02. Yani her iki model de varyansın neredeyse tamamını açıklamakta başarısız. Sonuç: tek değişkenli bir kurulum deprem büyüklüğünü tahmin edemiyor.
Bu sayıları yukarı çekmek zor değildi — pencereleri örtüştürüp eğitim ve test setleri arasında sızıntı bırakmak, ya da metriği doğrulukla değiştirmek yeterdi. İkisi de rapora güzel bir grafik koyardı ve ikisi de yalan olurdu. Bir modelin çalışmadığını göstermek de bir bulgudur; asıl mühendislik, işe yaramayan sonucu işe yarıyor gibi göstermemektir.