TÜRKÇE

Bugün, dünyanın hiçbir yerinde — Türkiye dahil — bir depremin tam olarak ne zaman, nerede ve hangi büyüklükte olacağını önceden söyleyebilen bilimsel bir yöntem bulunmamaktadır. Deprem biliminin (sismolojinin) bugünkü mutabakatı bu yöndedir. Sunulan analiz, bu bilimsel sınırı reddetmez; aksine onun farkında olarak çalışan, geçmiş verideki desenleri görselleştirmeye yönelik eğitim ve farkındalık amaçlı bir çalışmadır. Amaç; halkın “olasılık” kavramının ne anlama geldiğini, yapay zekâ modellerinin neyi yapıp neyi yapamayacağını ve sismik risk kavramını daha doğru anlamasına katkı sağlamaktır.

ENGLISH

Currently, no scientific method anywhere in the world — including Turkey — can predict exactly when, where, or at what magnitude an earthquake will occur. This is the established consensus in modern seismology. The analysis presented here does not contradict that limitation; rather, it operates within it. It is an educational and awareness-oriented study that visualizes patterns in historical seismic data. Its purpose is to help the public better understand what “probability” actually means, what AI models can and cannot do, and how seismic risk should be interpreted responsibly.

TÜRKÇE

Model, kataloğa giren her M ≥ 4.0 büyüklüğündeki depremi bir “soru” olarak ele alır ve şunu sorar: “Bu depremin etrafındaki sismik durum, geçmişte 30 gün içinde 50 km içinde M ≥ 5.5’lik büyük bir ana şok ile sonuçlanan durumlara ne kadar benziyor?”

Yani üretilen değer, bir koşullu olasılıktır: “Eğer şu an burada M ≥ 4.0 bir hareketlilik gördüysek, önümüzdeki 30 gün içinde ve 50 km yarıçapında büyük bir depremin tetiklenmesi ne kadar olasıdır?” Bu, olasılıksal bir ön-haberdir (forecast) — kesin, deterministik bir tahmin (prediction) değildir.

ENGLISH

For every M ≥ 4.0 event entering the catalog, the model essentially asks: “How similar is the seismic context around this event to past situations that ended up producing an M ≥ 5.5 mainshock within 30 days and a 50 km radius?”

The output is therefore a conditional probability: “Given that we just observed an M ≥ 4.0 event here, how likely is it that a larger earthquake will follow within 30 days and 50 km?” This is a probabilistic forecast, not a deterministic prediction.

TÜRKÇE

Veri ayrımı: Veri seti zaman sırasına göre bölünmüştür — rastgele karıştırma yapılmamıştır. Bu önemlidir, çünkü rastgele bölme model performansını yapay olarak abartabilir. Verinin ilk %80’i eğitim, sonraki %20’si prospektif test olarak kullanılır; yani model, eğittiği zaman aralığından sonra gelen verilerde sınanmıştır.

Kullanılan özellikler: Her olay, 16 sismolojik göstergeyle tanımlanır: Gutenberg–Richter b-değeri, olay oranları, enerji oranı, en yakın aktif faya uzaklık ve benzer parametreler. Bunlar, depremlerin yer ve zaman içindeki istatistiksel davranışını özetleyen klasik sismolojik göstergelerdir.

Model mimarisi: Üç farklı algoritmanın birlikte çalıştığı bir topluluk (ensemble) kullanılır: XGBoost, Random Forest ve LSTM. Çıktı, Platt kalibrasyonu ile gerçek bir olasılık değerine kalibre edilir ve Monte Carlo Dropout ile bu olasılığın belirsizliği de tahmin edilir.

Performans ölçütleri: Model, deprem öngörüsünde standart olarak kabul edilen üç metrik ile değerlendirilir: Molchan beceri skoru (rastgele tahminden ne kadar iyi?), ROC-AUC (sınıflandırma kalitesi) ve Brier skoru (olasılıkların kalibrasyon kalitesi).

ENGLISH

Data split: The dataset is split temporally — no random shuffling. This matters, because random shuffling can artificially inflate model performance. The earliest 80% of the data is used for training, and the most recent 20% serves as a prospective test set, meaning the model is evaluated on data that comes after its training period.

Features: Each event is described by 16 seismological features: the Gutenberg–Richter b-value, event rates, energy rate, distance to the nearest active fault, and similar parameters — all classical indicators that summarize the statistical behavior of seismicity in space and time.

Model architecture: An ensemble of three algorithms works together: XGBoost, Random Forest, and LSTM. The raw output is then mapped to a calibrated probability via Platt scaling, and Monte Carlo Dropout is used to estimate the uncertainty around that probability.

Performance metrics: The model is evaluated using three metrics that are standard in earthquake forecasting research: the Molchan skill score (how much better than random?), ROC-AUC (classification quality), and the Brier score (calibration quality of probabilities).

TÜRKÇE

Bir olayın etrafındaki 50 km yarıçaplı bölgede, modelin güvenilir bir sonuç üretebilmesi için en az 20 önceki olay gereklidir. Bu eşik altında, hem b-değeri hem de olay oranı istatistiksel olarak güvenilir biçimde hesaplanamaz. Böyle durumlarda model, sayısal bir olasılık üretmek yerine “Veri Yetersiz” etiketini atar ve bilinçli olarak tahminden çekilir. Bu, modelin kasıtlı bir “bilmiyorum” tepkisidir ve önemli bir bilimsel dürüstlük göstergesidir.

ENGLISH

For the model to produce a reliable estimate around an event, at least 20 prior events must exist within a 50 km radius. Below this threshold, neither the b-value nor the event rate can be estimated with statistical confidence. In such cases the model does not return a numerical probability — instead it returns the label “Insufficient Data” and abstains from forecasting. This is a deliberate “I don’t know” response and an important indicator of scientific honesty.

TÜRKÇE

Sismolojide “forecast” (ön-haber) ve “prediction” (tahmin) aynı şey değildir. Tahmin, bir depremin yer, zaman ve büyüklüğünü kesin olarak belirtmek anlamına gelir — ki bugün bunu yapabilen hiçbir bilimsel yöntem yoktur. Ön-haber ise belirli bir bölgede, belirli bir zaman aralığında ve belirli bir büyüklük üstünde olayın gerçekleşme olasılığını ifade eder. Bu sayfadaki çalışma, ikinci kategoriye girer: bu bir ön-haber (forecast) çalışmasıdır, deterministik bir tahmin değildir.

ENGLISH

In seismology, a forecast and a prediction are not the same thing. A prediction would specify the exact location, time, and magnitude of an earthquake — something no scientific method can currently do. A forecast, by contrast, expresses the probability of an event of a certain magnitude occurring in a given region within a given time window. The work shown on this page falls into the second category: it is a probabilistic forecast, not a deterministic prediction.