Türkiye'de M ≥ 7 Deprem Riski

Türkiye'de M ≥ 7 Deprem Riski Haritası

* Bu görsel temsili olup, kapak amacıyla hazırlanmıştır. Bilimsel karar destek haritası değildir.

<span class="lang tr">Türkiye’de M ≥ 7 Deprem Riski: Temblor, EFEHR ve Yapay Zeka Yaklaşımlarının Karşılaştırmalı Analizi</span> <span class="lang en">M ≥ 7 Earthquake Risk in Turkey: Comparative Analysis of Temblor, EFEHR, and AI Approaches</span>
Temblor’un Türkiye için M≥7 deprem riskini gösteren renk kodlu haritası, Marmara ve Doğu Anadolu’da kırmızı, Batı Anadolu’da turuncu, İç Anadolu’da mavi renklerle yüksek, orta ve düşük risk bölgelerini gösteriyor

Temblor’un Türkiye için M ≥ 7 deprem riskini gösteren renk kodlu haritası.Figure 0: Temblor’s color-coded map showing M ≥ 7 earthquake risk in Turkey.

Türkiye’de M ≥ 7 Deprem Riski: Temblor, EFEHR ve Yapay Zeka Yaklaşımlarının Karşılaştırmalı Analizi M ≥ 7 Earthquake Risk in Turkey: Comparative Analysis of Temblor, EFEHR, and AI Approaches

ÖzetAbstract

Bu çalışma, Temblor’un PUSH modeli, EFEHR’in ESRM20 modeli ve UCERF3 ile birlikte yapay zeka (AI) ve makine öğrenmesi (ML) tekniklerini kullanarak Türkiye’deki M ≥ 7 deprem risklerini karşılaştırır. Temblor, fay-bağımsız, GPS-türetilmiş gerilme oranları ve GEAR kataloğuyla dinamik tahminler sunar; STAMP modeli ile yerel zemin amplifikasyonunu (Vs30) hesaba katar. EFEHR, sismik tehlike, maruz kalma ve kırılganlık bileşenlerini birleştirir. UCERF3, çoklu fay kırılmalarını ve büyük inversiyon metodolojisini içerir. 6 Şubat 2023 Kahramanmaraş depremleri, stres gölgesi kırılmaları, veri kalitesi ve statik model sınırlılıklarını ortaya koymuş; InSAR, AI/ML ve vatandaş bilimi entegrasyonu, risk tahminlerini ve iletişimini geliştirebilir. This study compares M ≥ 7 earthquake risks in Turkey using Temblor’s PUSH model, EFEHR’s ESRM20 model, UCERF3, and artificial intelligence (AI) and machine learning (ML) techniques. Temblor offers dynamic predictions with fault-independent, GPS-derived strain rates and GEAR catalog, incorporating local soil amplification (Vs30) via STAMP. EFEHR integrates seismic hazard, exposure, and vulnerability. UCERF3 includes multi-fault ruptures and grand inversion methodology. The February 6, 2023 Kahramanmaraş earthquakes revealed stress shadow ruptures, data quality issues, and static model limitations; integration of InSAR, AI/ML, and citizen science can enhance risk predictions and communication.

Think Zone:Think Zone: Temblor’un PUSH, EFEHR’in ESRM20 ve UCERF3 modelleri, yerel zemin koşulları (Vs30), AI/ML ve fay zonu karmaşıklığını nasıl daha iyi entegre ederek Türkiye’nin sismik risk değerlendirmesini güçlendirebilir? Hangi dinamik faktörler dikkate alınmalı? How can Temblor’s PUSH, EFEHR’s ESRM20, and UCERF3 models better integrate local soil conditions (Vs30), AI/ML, and fault zone complexity to enhance Turkey’s seismic risk assessment? Which dynamic factors should be considered?
GirişIntroduction

Türkiye, Anadolu, Arap ve Avrasya levhalarının birleşim noktasında yer alarak Kuzey Anadolu Fay Zonu (KAFZ) ve Doğu Anadolu Fay Zonu (DAFZ) ile yüksek sismik risk altındadır. 2023 Kahramanmaraş depremleri, doğru sismik tehlike bilgisinin önemini vurgulamıştır. Geleneksel Olasılıksal Sismik Tehlike Analizi (PSHA), haritalanmış faylar, tarihsel depremler ve kayma oranlarına dayanır ancak haritalanmamış faylar ve eksik kayma hızları gibi sınırlılıklar gösterir (ör. 1992 Landers, 2011 Tohoku). Temblor, Inc., Ross Stein ve Volkan Sevilgen tarafından 2014’te kurulan bir felaket modelleme şirketi olarak, Probabilistik Tekdüze Sismik Tehlike (PUSH) ve Küresel Deprem Aktivite Hızı (GEAR) modelleriyle bu sınırlılıkları aşar. GPS-türetilmiş gerilme oranları, STAMP ile yerel zemin amplifikasyonu (Vs30) ve küresel sismisite verileriyle tutarlılık sağlar. EFEHR’in 2020 Avrupa Sismik Risk Modeli (ESRM20), Avrupa-Akdeniz bölgesinde açık kaynaklı risk değerlendirmesi sunar. Horizon 2020 tarafından finanse edilen bu model, Eurocode 8 revizyonu ve afet azaltma stratejileri için temel oluşturur. UCERF3, çoklu fay kırılmalarını ve büyük inversiyon metodolojisini kullanarak karmaşık fay sistemlerini modeller. Fay-tabanlı PSHA, fay geometrisi ve tarihsel verilere odaklanırken, strain-rate tabanlı yaklaşımlar dinamik deformasyonları önceliklendirir; Türkiye gibi karmaşık fay sistemine sahip bölgelerde bu yaklaşımların entegrasyonu, daha doğru risk değerlendirmeleri sunabilir. Turkey, at the convergence of the Anatolian, Arabian, and Eurasian plates, hosts the North Anatolian Fault Zone (NAFZ) and East Anatolian Fault Zone (EAFZ), facing high seismic risk. The 2023 Kahramanmaraş earthquakes underscored the need for accurate hazard information. Traditional Probabilistic Seismic Hazard Analysis (PSHA) relies on mapped faults, historical earthquakes, and slip rates but has limitations like unmapped faults and unknown slip rates (e.g., 1992 Landers, 2011 Tohoku). Temblor, Inc., founded in 2014 by Ross Stein and Volkan Sevilgen, overcomes these with Probabilistic Uniform Seismic Hazard (PUSH) and Global Earthquake Activity Rate (GEAR) models, using GPS-derived strain rates, STAMP for local soil amplification (Vs30), and global seismicity. EFEHR’s 2020 European Seismic Risk Model (ESRM20), funded by Horizon 2020, provides open-source risk assessment for Eurocode 8 revisions and disaster mitigation. UCERF3 models complex fault systems with multi-fault ruptures and grand inversion methodology. Fault-based PSHA focuses on fault geometry and historical data, while strain-rate-based approaches prioritize dynamic deformation; integrating these in complex fault zones like Turkey can yield more accurate risk assessments.

Think Zone:Think Zone: Fay-tabanlı ve strain-rate tabanlı PSHA yaklaşımları arasındaki temel bilimsel farklılıklar, Türkiye’nin karmaşık fay zonlarında nasıl birleştirilebilir? Hangi jeodinamik süreçler, yerel zemin koşulları (Vs30) ve AI/ML entegrasyonu kritik öneme sahiptir? How can fault-based and strain-rate-based PSHA approaches be integrated for Turkey’s complex fault zones? Which geodynamic processes, local soil conditions (Vs30), and AI/ML integration are critical?
YöntemlerMethods

Temblor’un Probabilistik Tekdüze Sismik Tehlike (PUSH) modeli, haritalanmış faylara bağımlı olmayan bir yaklaşım benimser ve GPS-türetilmiş gerilme oranları ile GEAR kataloğunu birleştirir. KOERI ve AFAD verileri, EMSC aracılığıyla entegre edilir; veri mükerrerliği uzamsal-zamansal filtreleme (30 saniye, 70 km) ve Nearest Neighbor Method ile çözülür. STAMP modeli, Vs30 ölçümleriyle yerel zemin amplifikasyonunu hesaba katar. ISC-GEM kataloğu konumlandırma hatalarını giderir; SCEC Topluluk Hız Modeli hız modeli tutarsızlıklarını çözer. Realtime Risk, Coulomb stres transferi ve rate-state sürtünme teorisiyle artçı şok tahminleri sunar. EFEHR’in ESRM20 modeli, sismik tehlike (M.S. 1000-2014 katalogları, Gutenberg-Richter, Mmax), maruz kalma (44 ülkede 145 milyon bina) ve kırılganlık (yığma/betonarme eğrileri) bileşenlerini birleştirir. UCERF3, çoklu fay kırılmalarını ve büyük inversiyon metodolojisini kullanarak karmaşık fay sistemlerini modeller. Yapay zeka (AI) ve makine öğrenmesi (ML), özellikle Los Angeles (%69,14), İstanbul (%91,65) ve San Diego (%98,53) gibi bölgelerde deprem tahmini doğruluğunu artırır; AI, non-lineer ilişkileri yakalayarak ETAS modellerine üstünlük sağlar ve gerçek zamanlı sinyal tespiti ile acil durum müdahalesini hızlandırır. Temblor’s Probabilistic Uniform Seismic Hazard (PUSH) model adopts a fault-independent approach, integrating GPS-derived strain rates with the GEAR catalog. KOERI and AFAD data are integrated via EMSC; data duplication is resolved with spatial-temporal filtering (30 seconds, 70 km) and Nearest Neighbor Method. STAMP accounts for local soil amplification with Vs30 measurements. ISC-GEM addresses location errors; SCEC Community Velocity Model resolves velocity model inconsistencies. Realtime Risk uses Coulomb stress transfer and rate-state friction for aftershock predictions. EFEHR’s ESRM20 combines seismic hazard (1000-2014 catalogs, Gutenberg-Richter, Mmax), exposure (145 million buildings in 44 countries), and vulnerability (masonry/reinforced concrete curves). UCERF3 models complex fault systems with multi-fault ruptures and grand inversion methodology. Artificial intelligence (AI) and machine learning (ML) enhance prediction accuracy in regions like Los Angeles (69.14%), Istanbul (91.65%), and San Diego (98.53%); AI captures non-linear relationships, outperforming ETAS models and enabling real-time signal detection for faster emergency response.

Temblor’un Metodolojisi ve Veri İşlemeTemblor’s Methodology and Data Processing

Temblor’un PUSH modeli, GPS-türetilmiş çağdaş deformasyon oranları ve GEAR kataloğu ile küresel sismisite verilerini kullanır. GPS, yerkabuğunun santimetre hassasiyetinde hareketini izleyerek uzun dönemli deformasyonları ölçer. GEAR, faylar üzerindeki stresin serbest bırakıldığı deprem aktivitelerini kaydeder. Veri mükerrerliği, uzamsal-zamansal filtreleme (30 saniye, 70 km) ve Nearest Neighbor Method ile çözülür. Konumlandırma hataları, ISC-GEM kataloğu ile giderilir. Realtime Risk, Coulomb stres transferi ve rate-state sürtünme teorisiyle dinamik risk tahminleri sunar; örneğin, 6 Şubat 2023 Kahramanmaraş depremlerinde M7.8 depreminin Sürgü-Çardak fayına ~3 bar pozitif stres aktardığını göstermiştir. STAMP, Vs30 ölçümleriyle yerel zemin amplifikasyonunu değerlendirir. Türkiye için AFAD ve Kandilli verileri EMSC aracılığıyla entegre edilir.Temblor’s PUSH model uses GPS-derived contemporary strain rates and the GEAR catalog with global seismicity. GPS tracks centimeter-scale crustal movement to measure long-term deformation. GEAR records earthquake activity releasing fault stress. Data duplication is resolved with spatial-temporal filtering (30 seconds, 70 km) and Nearest Neighbor Method. Location errors are addressed with the ISC-GEM catalog. Realtime Risk provides dynamic risk predictions using Coulomb stress transfer and rate-state friction theory; for instance, the February 6, 2023 Kahramanmaraş earthquakes showed the M7.8 event transferring ~3 bar positive stress to the Sürgü-Çardak fault. STAMP evaluates local soil amplification with Vs30 measurements. For Turkey, AFAD and Kandilli data are integrated via EMSC.

EFEHR’in ESRM20 ModeliEFEHR’s ESRM20 Model

ESRM20, sismik tehlike (M.S. 1000-2014 katalogları, fay haritaları, Gutenberg-Richter, Mmax), maruz kalma (44 ülkede 145 milyon bina, 2023 sonrası Türkiye için güncellenmiş veriler) ve kırılganlık (yığma/betonarme için eğriler) bileşenlerini birleştirir. Geleneksel PSHA’ya dayanır ve Eurocode 8 için referans sağlar. Türkiye için, 2023 depremleri sonrası yıkılan binalar katalogdan çıkarılmış, karma kullanım sınıfları ve zayıf katlı betonarme yapıların oranları artırılmıştır.ESRM20 integrates seismic hazard (1000-2014 catalogs, fault maps, Gutenberg-Richter, Mmax), exposure (145 million buildings in 44 countries, updated for Turkey post-2023), and vulnerability (curves for masonry/reinforced concrete). It relies on traditional PSHA and supports Eurocode 8. For Turkey, buildings destroyed in 2023 were removed from the catalog, with mixed-use classes and weak-story reinforced concrete ratios increased.

UCERF3 ModeliUCERF3 Model

UCERF3 (Uniform California Earthquake Rupture Forecast, Version 3), USGS, CGS ve SCEC iş birliğiyle geliştirilen ileri düzey bir modeldir. Büyük inversiyon metodolojisi, fay segmentasyonunu gevşeterek çoklu fay kırılmalarını içerir. 350’den fazla fay bölümü, GPS jeodezi, paleosismik veriler ve fay geometrisi kullanır. Deprem büyüklüğü ve kırılma alanı ilişkisi (ör. 100 km² ≈ M6) temel alınarak 260.000’den fazla kırılma senaryosu üretilir. Süper bilgisayarlarla gerçekleştirilen bu hesaplamalar, fayların kilitli veya sürünen bölümlerini modeller ve zaman-bağımlı olasılıklar sunar.UCERF3 (Uniform California Earthquake Rupture Forecast, Version 3), developed by USGS, CGS, and SCEC, is an advanced model. Its grand inversion methodology relaxes fault segmentation, incorporating multi-fault ruptures. It uses over 350 fault sections, GPS geodesy, paleoseismic data, and fault geometry. Earthquake magnitude and rupture area relationships (e.g., 100 km² ≈ M6) generate over 260,000 rupture scenarios. Supercomputer calculations model locked or creeping fault sections and provide time-dependent probabilities.

Yapay Zeka ve Makine ÖğrenmesiArtificial Intelligence and Machine Learning

AI/ML, büyük veri setlerindeki non-lineer ilişkileri öğrenerek deprem tahmini doğruluğunu artırır. Cemil Emre Yavaş ve ekibinin 2024 çalışması, Los Angeles’ta %69,14, İstanbul’da %91,65 ve San Diego’da %98,53 doğruluk oranıyla deprem büyüklüğü tahmin etmiştir. AI, geleneksel ETAS modellerine üstünlük sağlar, gerçek zamanlı sinyal tespiti ve konumlandırma ile acil durum müdahalesini hızlandırır. Derin öğrenme, sismik dalga analizi ve fay zonu karmaşıklıklarının modellenmesinde kullanılır.AI/ML enhances earthquake prediction accuracy by learning non-linear relationships in large datasets. Cemil Emre Yavaş et al.’s 2024 study achieved 69.14% accuracy in Los Angeles, 91.65% in Istanbul, and 98.53% in San Diego for magnitude prediction. AI outperforms traditional ETAS models, accelerating emergency response with real-time signal detection and relocation. Deep learning is used in seismic wave analysis and modeling complex fault zones.

USGS Vs30 HaritasıUSGS Vs30 Map

Şekil 2: USGS’nin Vs30 haritası, Temblor’un STAMP modelinde kullanılan yerel zemin amplifikasyon verilerini gösterir.Figure 2: USGS’s Vs30 map shows local soil amplification data used in Temblor’s STAMP model.

AşamaStageAna SüreçMain ProcessKaynak VeriSource DataMetodolojiMethodologyNihai ÜrünFinal Product
Veri ToplamaData CollectionYerel Sismik İzlemeLocal Seismic MonitoringYerel sismograf istasyonlarıLocal seismograph stationsKOERI ve AFAD analizleriKOERI and AFAD analysesOlay bültenleri ve kataloglarEvent bulletins and catalogs
AgregasyonAggregationVeri toplama ve standartlaştırmaData collection and standardizationAFAD, KOERI, USGS bültenleriAFAD, KOERI, USGS bulletinsEMSC birleştirmeEMSC aggregationBirleşik katalogUnified catalog
HomojenizasyonHomogenizationBüyüklük ölçeklerini birleştirmeMagnitude scale unificationFarklı büyüklük ölçekleri (ML, MD)Various magnitude scales (ML, MD)MW’ye dönüşümConversion to MWHomojenleştirilmiş katalogHomogenized catalog
Mükerrerlik GidermeDe-duplicationYinelenen kayıtları kaldırmaRemoving duplicate recordsFarklı kurumların kayıtlarıRecords from different agenciesUzamsal-zamansal filtrelemeSpatial-temporal filteringDoğru katalogAccurate catalog
EntegrasyonIntegrationGerilme oranı ve sismisite birleştirmeStrain rate and seismicity integrationGPS ve deprem kataloğuGPS and earthquake catalogPUSH/GEAR analiziPUSH/GEAR analysisDinamik tehlike haritalarıDynamic hazard maps

Tablo 1: Temblor’un Türkiye Haritaları İçin Veri Toplama ve İşleme Akışı.Table 1: Temblor’s Data Collection and Processing Workflow for Turkey Maps.

Veri Kalitesi Sorunları ve ÇözümleriData Quality Issues and Solutions

Temblor, veri mükerrerliği ve farklı hız modellerini uzamsal-zamansal filtreleme, Nearest Neighbor Method ve ISC-GEM ile çözer. EFEHR, tarihsel katalogları ve yerel zemin verilerini homojenleştirir. AI, veri temizleme ve homojenizasyon süreçlerini otomatikleştirerek hata oranlarını azaltır.Temblor addresses data duplication and velocity model issues with spatial-temporal filtering, Nearest Neighbor Method, and ISC-GEM. EFEHR homogenizes historical catalogs and local soil data. AI automates data cleaning and homogenization, reducing error rates.

ZorlukChallengeKök NedenRoot CauseÇözümSolution
Veri MükerrerliğiData DuplicationFarklı kurumların aynı depremi kaydetmesiMultiple agencies recording the same earthquakeUzamsal-zamansal filtreleme, Nearest Neighbor MethodSpatial-temporal filtering, Nearest Neighbor Method
Homojen Olmayan Büyüklük ÖlçekleriNon-uniform Magnitude ScalesFarklı büyüklük tipleri (ML, MD)Different magnitude types (ML, MD)MW’ye dönüşüm, AI destekli homojenizasyonConversion to MW, AI-supported homogenization
Değişken Hız ModelleriVariable Velocity ModelsFarklı sismik ağların 1D/3D modelleriDifferent 1D/3D models by seismic networksSCEC Topluluk Hız Modeli, AI ile model optimizasyonuSCEC Community Velocity Model, AI model optimization
Eksik Fay VerisiMissing Fault DataHaritalanmamış veya yanlış haritalanmış faylarUnmapped or mis-mapped faultsGerilme oranı tabanlı model, AI ile fay tahminiStrain-rate-based model, AI fault prediction
Think Zone:Think Zone: Coulomb stres transferi modelleri, stres gölgesindeki kırılmaları ve sismik dalgaların dinamik etkilerini nasıl daha iyi açıklayabilir? AI destekli 3D modelleme ve UCERF3’ün çoklu fay kırılma senaryoları nasıl entegre edilebilir? How can Coulomb stress transfer models better explain stress shadow ruptures and dynamic seismic wave effects? How can AI-supported 3D modeling and UCERF3’s multi-fault rupture scenarios be integrated?
BulgularResults

Temblor, KOERI ve AFAD verilerini EMSC aracılığıyla entegre ederek veri mükerrerliğini uzamsal-zamansal filtreleme ve Nearest Neighbor Method ile önler; ISC-GEM ile tutarlılık sağlar. Marmara, Batı ve Doğu Anadolu, M≥7 depremler için yüksek risklidir. 6 Şubat 2023 Kahramanmaraş depremleri (M7.8 ve M7.6) öncesi Temblor haritaları, DAFZ’de yüksek risk öngörmüş (Şekil 0), ancak zamanlama tahmin edilememiştir. Coulomb stres analizi, M7.8 depreminin Narlı Fayı üzerinden Sürgü-Çardak fayına ~3 bar pozitif stres aktardığını, M7.6 depremini tetiklediğini göstermiştir; ancak stres gölgesinde kırılma, statik stres modellerinin sınırlılıklarını ve sismik dalgaların dinamik streslerinin önemini ortaya koymuştur. EFEHR’in ESRM20 modeli, DAFZ’nin yüksek riskini doğru öngörmüş, ancak yıkımın ana nedeni yapısal kırılganlık olmuştur. UCERF3, çoklu fay kırılmalarını modelleyerek karmaşık etkileşimleri açıklar. İstanbul ve İzmir, KAFZ yakınlığı ve nüfus yoğunluğu nedeniyle yüksek risklidir. AI modelleri, artçı şok tahminlerinde %90’ın üzerinde doğruluk sağlayarak acil durum yönetimini destekler. Temblor integrates KOERI and AFAD data via EMSC, preventing data duplication with spatial-temporal filtering and Nearest Neighbor Method, ensuring consistency with ISC-GEM. Marmara, Western, and Eastern Anatolia face high M≥7 earthquake risks. Pre-February 6, 2023 Kahramanmaraş earthquakes (M7.8 and M7.6), Temblor maps predicted high risk in EAFZ (Figure 0) but could not forecast timing. Coulomb stress analysis showed the M7.8 earthquake, initiated on the Narlı Fault, transferred ~3 bar positive stress to the Sürgü-Çardak fault, triggering the M7.6 event; however, rupture in a stress shadow highlighted limitations of static stress models and the role of dynamic stresses from seismic waves. EFEHR’s ESRM20 accurately predicted high risk in EAFZ, but destruction was primarily due to structural vulnerability. UCERF3 explains complex interactions by modeling multi-fault ruptures. Istanbul and Izmir are high-risk due to NAFZ proximity and population density. AI models achieve over 90% accuracy in aftershock predictions, supporting emergency management.

6 Şubat 2023 Kahramanmaraş depremlerinde Coulomb stres transferini gösteren diyagram

Şekil 4: 6 Şubat 2023 depremlerinde Coulomb stres transferinin etkisi.Figure 4: Impact of Coulomb stress transfer in the February 6, 2023 earthquakes.

6 Şubat 2023 Depremleri: Stres Transferi AnaliziFebruary 6, 2023 Earthquakes: Stress Transfer Analysis

OlayEventKırılan FayRuptured FaultStres Değişimi (ΔCFF)Stress Change (ΔCFF)SonuçOutcomeGözlem/Beklenti ÇelişkisiObservation/Expectation Discrepancy
M7.8 Ana ŞokM7.8 MainshockNarlı Fayı / Doğu Anadolu FayıNarlı Fault / East Anatolian FaultSürgü-Çardak Fayına ~3 bar pozitif stres~3 bar positive stress to Sürgü-Çardak FaultM7.6 depremini tetiklediTriggered M7.6 earthquakeModel doğru öngördüModel predicted correctly
M7.8 Ana ŞokM7.8 MainshockNarlı Fayı / Doğu Anadolu FayıNarlı Fault / East Anatolian FaultSürgü-Çardak’ta stres inhibisyonuStress inhibition in Sürgü-ÇardakStres gölgesinde kırılmaRupture in stress shadowBeklentiye aykırı kırılmaUnexpected rupture

Bölgesel M ≥ 7 Deprem OlasılıklarıRegional M ≥ 7 Earthquake Probabilities

BölgeRegionM ≥ 7 Deprem Olasılığı (100 Yıl)M ≥ 7 Earthquake Probability (100 Years)Temblor Harita RengiTemblor Map ColorRisk DüzeyiRisk Level
MarmaraMarmara%64KırmızıRedYüksekHigh
Batı AnadoluWestern Anatolia%63Kırmızı / TuruncuRed / OrangeYüksekHigh
Doğu AnadoluEastern Anatolia%55+KırmızıRedYüksekHigh
İç AnadoluCentral Anatolia%20–30Mavi / SarıBlue / YellowOrtaModerate

EFEHR’in Avrupa Sismik Risk HaritasıEFEHR’s European Seismic Risk Map

EFEHR’in ESRM20 modeli, Avrupa’daki sismik riski görselleştirir. Türkiye için yüksek riskli bölgeleri interaktif olarak inceleyin.EFEHR’s ESRM20 model visualizes seismic risk across Europe. Explore high-risk areas in Turkey interactively.

Şekil 5: EFEHR ESRM20 sismik risk haritası, Türkiye’deki risk bölgelerini gösterir.Figure 5: EFEHR ESRM20 seismic risk map showing risk zones in Turkey.

Temblor, EFEHR ve UCERF3’ün KarşılaştırmasıComparison of Temblor, EFEHR, and UCERF3

ÖzellikFeatureEFEHR (ESRM20)EFEHR (ESRM20)Temblor (PUSH)Temblor (PUSH)USGS (UCERF3)USGS (UCERF3)
MetodolojiMethodologyFay-tabanlı PSHAFault-based PSHAFay-bağımsız, gerilme oranı, AI destekliFault-independent, strain-rate, AI-supportedİleri PSHA, çoklu fay kırılmalarıAdvanced PSHA, multi-fault ruptures
Veri KaynaklarıData SourcesTarihsel kataloglar, fay verileriHistorical catalogs, fault dataGPS, GEAR kataloğu, Vs30, AI analizleriGPS, GEAR catalog, Vs30, AI analysesFay geometrisi, paleosismik veriler, GPSFault geometry, paleoseismic data, GPS
Dinamik RiskDynamic RiskStatik riskStatic riskRealtime Risk ile dinamik, AI destekliDynamic with Realtime Risk, AI-supportedZaman-bağımlı ve dinamikTime-dependent and dynamic
Hedef KitleTarget AudienceOtoriteler, mühendislerAuthorities, engineersKamu, sigorta sektörü, vatandaş bilimiPublic, insurance sector, citizen scienceOtoriteler, mühendisler, sigortaAuthorities, engineers, insurance
Think Zone:Think Zone: Temblor, EFEHR ve UCERF3 modelleri, yerel veri entegrasyonu, Vs30 tabanlı zemin amplifikasyonu ve AI/ML ile nasıl daha kesin risk tahminleri sağlayabilir? Hangi teknolojik yenilikler bu entegrasyonu destekleyebilir? How can Temblor, EFEHR, and UCERF3 models provide more accurate risk predictions through local data integration, Vs30-based soil amplification, and AI/ML? Which technological innovations can support this integration?
TartışmaDiscussion

Temblor’un PUSH modeli, küresel tutarlılık, dinamik stres analizi ve AI destekli tahminlerle öne çıkar, ancak 2023 Kahramanmaraş depremleri, stres gölgesindeki kırılmalarla statik stres modellerinin sınırlılıklarını ve sismik dalgaların dinamik etkilerinin önemini göstermiştir. EFEHR’in ESRM20 modeli, yapısal kırılganlık ve maruz kalma ile kapsamlı risk analizi sunar, ancak dinamik tahminlerde sınırlıdır. UCERF3, çoklu fay kırılmaları ve büyük inversiyon ile karmaşık fay etkileşimlerini modeller. Temblor’un şeffaflığı, halka açık veri ve yayınlarla desteklenir, ancak veri kalitesi ve fay zonlarının fraktal karmaşıklığı modelleri sınırlar. A-sismik olaylar (ör. Bodrum’daki sessiz olaylar) ve yavaş kayma olayları (SSE), fay davranışlarını anlamada kritik bir rol oynar. Renk kodları (mavi-düşük, kırmızı-yüksek) risk algısını etkiler; MMI ölçeği ile net iletişim kritik öneme sahiptir. AI/ML, non-lineer fay dinamiklerini ve sismik dalga etkilerini modellemede yeni fırsatlar sunar. Vatandaş bilimi ve interaktif görselleştirme araçları, halkı pasif alıcıdan aktif katılımcıya dönüştürerek risk iletişimini güçlendirir. ShakeMap teknolojisi, gerçek zamanlı sarsıntı verileriyle acil durum yönetimini destekler. Temblor’s PUSH model excels in global consistency, dynamic stress analysis, and AI-supported predictions, but the 2023 Kahramanmaraş earthquakes revealed limitations of static stress models and the role of dynamic stresses from seismic waves with stress shadow ruptures. EFEHR’s ESRM20 provides comprehensive risk analysis with structural vulnerability and exposure but lacks dynamic predictions. UCERF3 models complex fault interactions with multi-fault ruptures and grand inversion. Temblor’s transparency is supported by public data and publications, but data quality and complex fault zones limit models. Aseismic events (e.g., silent events in Bodrum) and slow-slip events (SSE) play a key role in understanding fault behavior. Color codes (blue-low, red-high) influence risk perception; clear communication with MMI scale is critical. AI/ML offers new opportunities for modeling non-linear fault dynamics and seismic wave effects. Citizen science and interactive visualization tools transform public risk perception from passive to active engagement, enhancing risk communication. ShakeMap technology supports emergency management with real-time shaking data.

SınırlılıklarLimitations

Geleneksel PSHA haritaları, yerel zemin koşullarını ayırmak için referans kaya koşulunu (Vs30 = 800 m/s) varsayar; bu, haritaların yerel amplifikasyonu içermediği anlamına gelir. Temblor’un STAMP modeli, jeolojik haritalama ve in-situ Vs30 ölçümleriyle yerel zemin etkilerini hesaba katar, ancak bu verilerin doğruluğu yerel ölçümlerin kalitesine bağlıdır. 6 Şubat 2023 depremleri, fay zonlarının fraktal karmaşıklığını (ör. Narlı Fayı’nın tetiklenmesi) ve stres gölgesindeki kırılmaların statik Coulomb modellerinin açıklayamadığı non-lineer dinamikleri (sürtünme katsayısı, sismik dalgaların dinamik stresleri) göstermiştir. Modellerin 2D doğası, derinlik gibi üçüncü boyut etkileşimlerini tam yansıtmaz. UCERF3, çoklu fay kırılmalarını modelleyerek bu sınırlılığı kısmen aşar, ancak süper bilgisayar gereksinimi erişimi sınırlar. AI modelleri, karmaşık veri setlerini analiz etse de, eğitim verilerinin kalitesi ve model genelleştirme kapasitesi kritik önemdedir. Traditional PSHA maps assume a reference rock condition (Vs30 = 800 m/s) to separate local soil effects, meaning maps exclude local amplification. Temblor’s STAMP model accounts for local soil effects with geological mapping and in-situ Vs30 measurements, but accuracy depends on local data quality. The February 6, 2023 earthquakes highlighted fault zone fractal complexity (e.g., Narlı Fault triggering) and stress shadow ruptures, revealing non-linear dynamics (friction coefficients, dynamic stresses from seismic waves) unaccounted for by static Coulomb models. The 2D nature of models fails to capture third-dimensional interactions like depth. UCERF3 partially overcomes this with multi-fault rupture modeling but requires supercomputers, limiting accessibility. AI models analyze complex datasets, but training data quality and model generalization are critical.

Halk Algısı ve Risk İletişimiPublic Perception and Risk Communication

Renk kodları (kırmızı=MMI VII-X), riski abartabilir ve kesinlik algısı yaratabilir. Vatandaş bilimi ve interaktif görselleştirme araçları, halkı aktif katılımcıya dönüştürerek risk iletişimini güçlendirir. ShakeMap, gerçek zamanlı sarsıntı verileriyle (PGA, Vs30) spekülasyonları önler ve acil durum yönetimini destekler. Örneğin, Temblor’un interaktif haritaları ve vatandaş bilimi platformları, yerel gözlemleri toplayarak modelleri zenginleştirir.Color codes (red=MMI VII-X) may exaggerate risk and imply certainty. Citizen science and interactive visualization tools engage the public actively, enhancing risk communication. ShakeMap, with real-time shaking data (PGA, Vs30), prevents speculation and supports emergency management. For instance, Temblor’s interactive maps and citizen science platforms collect local observations to enrich models.

Vatandaş Bilimi KatılımıCitizen Science Participation

Yerel deprem gözlemlerinizi paylaşarak sismik araştırmalara katkıda bulunun!Contribute to seismic research by sharing your local earthquake observations!

KatılJoin

Tsunami ve İkincil TehlikelerTsunami and Secondary Hazards

Batı Anadolu’daki kıyı bölgeleri, tsunami riski taşır. Temblor ve EFEHR, sıvılaşma ve heyelan gibi ikincil tehlikeleri değerlendirir, ancak tsunami modellemesi geliştirilmelidir. AI, tsunami dalga yayılımını ve ikincil tehlikeleri tahmin etmede potansiyel sunar.Coastal areas in Western Anatolia face tsunami risks. Temblor and EFEHR assess secondary hazards like liquefaction and landslides, but tsunami modeling needs improvement. AI offers potential for predicting tsunami wave propagation and secondary hazards.

Geliştirme ÖnerileriDevelopment Recommendations

InSAR, AI/ML, yavaş kayma olayları (SSE) ve UCERF3’ün çoklu fay kırılma senaryolarının entegrasyonu, fay dinamiklerini iyileştirebilir. Vatandaş bilimi verileri, yerel gözlemleri modele dahil ederek doğruluğu artırır. Yapısal kırılganlık ve maruz kalma dinamikleri verileri, risk yönetimini güçlendirir. “After Map” benzeri AI destekli araçlar, artçı şok tahminlerini hızlandırabilir.InSAR, AI/ML, slow-slip events (SSE), and UCERF3’s multi-fault rupture scenarios can enhance fault dynamics modeling. Citizen science data improves accuracy by incorporating local observations. Structural vulnerability and exposure dynamics data strengthen risk management. AI-supported tools like “After Map” can accelerate aftershock predictions.

Think Zone:Think Zone: Vatandaş bilimi, InSAR, AI/ML ve UCERF3’ün dinamik stres modelleri, Türkiye’nin karmaşık fay zonlarında risk iletişimini ve halk katılımını nasıl dönüştürebilir? Hangi yenilikçi yaklaşımlar etkili olur? How can citizen science, InSAR, AI/ML, and UCERF3’s dynamic stress models transform risk communication and public engagement in Turkey’s complex fault zones? Which innovative approaches would be effective?
Sonuç ve ÖnerilerConclusion and Recommendations

Temblor’un PUSH modeli, STAMP ile Vs30 amplifikasyonu ve AI destekli dinamik tahminlerle sismik tehlike değerlendirmesinde yenilik sunar; EFEHR’in ESR

Temblor’un PUSH modeli, STAMP ile Vs30 amplifikasyonu ve AI destekli dinamik tahminlerle sismik tehlike değerlendirmesinde yenilik sunar; EFEHR’in ESRM20 modeli, sismik tehlike, maruz kalma ve kırılganlık bileşenlerini birleştirerek kapsamlı risk analizi sağlar; UCERF3, çoklu fay kırılmaları ve büyük inversiyon metodolojisiyle karmaşık fay sistemlerini modeller. 6 Şubat 2023 Kahramanmaraş depremleri, statik stres modellerinin sınırlılıklarını (ör. stres gölgesinde kırılma) ve dinamik streslerin (sismik dalgalar, sürtünme katsayısı) önemini ortaya koymuştur. AI/ML, Los Angeles (%69,14), İstanbul (%91,65) ve San Diego (%98,53) gibi bölgelerde yüksek doğrulukla deprem tahmini sunar. InSAR ve vatandaş bilimi, yerel deformasyon ve gözlem verilerini entegre ederek modelleri güçlendirir. Gelecekte, yavaş kayma olayları (SSE), a-sismik olaylar ve “After Map” benzeri AI destekli araçlar, artçı şok tahminlerini ve risk yönetimini iyileştirebilir. Türkiye’nin sismik direncini artırmak için bu teknolojilerin entegrasyonu ve halk katılımı kritik öneme sahiptir. Temblor’s PUSH model innovates seismic hazard assessment with STAMP’s Vs30 amplification and AI-supported dynamic predictions; EFEHR’s ESRM20 integrates seismic hazard, exposure, and vulnerability for comprehensive risk analysis; UCERF3 models complex fault systems with multi-fault ruptures and grand inversion methodology. The February 6, 2023 Kahramanmaraş earthquakes revealed limitations of static stress models (e.g., stress shadow ruptures) and the importance of dynamic stresses (seismic waves, friction coefficients). AI/ML achieves high prediction accuracy in Los Angeles (69.14%), Istanbul (91.65%), and San Diego (98.53%). InSAR and citizen science enhance models by integrating local deformation and observation data. In the future, slow-slip events (SSE), aseismic events, and AI-supported tools like “After Map” can improve aftershock predictions and risk management. Integrating these technologies and fostering public engagement are critical for enhancing Turkey’s seismic resilience.

Gelecek Yönelimler için ÖnerilerRecommendations for Future Directions

  1. İleri Veri Entegrasyonu: InSAR ve GPS verileri, fayların kilitli veya sürünen bölümlerini yüksek çözünürlükte izleyerek dinamik modelleri güçlendirebilir. Türkiye’de uydu ve İHA verilerinin hasar tespiti için kullanımı yaygınlaştırılmalıdır.
  2. A-sismik ve Yavaş Kayma Olayları (SSE): Sessiz olaylar ve SSE’lerin deprem fiziği modellerine entegrasyonu, fay davranışlarını anlamada kritik bir rol oynar. Bu olayların PSHA modellerine dahil edilmesi önerilir.
  3. AI Destekli Artçı Şok Çözümleri: “After Map” benzeri AI destekli araçlar, artçı şok verilerini hızla analiz ederek tetiklenme tahminlerini iyileştirebilir. Bu, 6 Şubat 2023 depremleri gibi olaylarda acil durum yönetimini hızlandırır.
  4. Vatandaş Bilimi ve İnteraktif Görselleştirme: Halkın yerel gözlemlerini toplayan platformlar (ör. Temblor’un vatandaş bilimi araçları), modelleri zenginleştirir ve risk iletişimini güçlendirir. İnteraktif haritalar, olasılık temelli verilerin belirsizliğini azaltabilir.
  5. Yapısal Kırılganlık ve Maruz Kalma: Sismik yalıtım sistemleri ve dijital ikiz teknolojisi, yapısal dayanıklılık verilerini Temblor ve EFEHR modelleriyle birleştirerek daha bütünsel risk yönetimi sağlar.
  1. Advanced Data Integration: InSAR and GPS data can enhance dynamic models by tracking locked or creeping fault sections with high resolution. The use of satellite and UAV data for damage assessment in Turkey should be expanded.
  2. Aseismic and Slow-Slip Events (SSE): Integrating silent events and SSEs into earthquake physics models is critical for understanding fault behavior. Their inclusion in PSHA models is recommended.
  3. AI-Supported Aftershock Solutions: AI-supported tools like “After Map” can rapidly analyze aftershock data, improving triggering predictions. This accelerates emergency management in events like the February 6, 2023 earthquakes.
  4. Citizen Science and Interactive Visualization: Platforms collecting public observations (e.g., Temblor’s citizen science tools) enrich models and enhance risk communication. Interactive maps can reduce the uncertainty of probability-based data.
  5. Structural Vulnerability and Exposure: Seismic isolation systems and digital twin technology, combined with Temblor and EFEHR models, enable more holistic risk management.

Think Zone:Think Zone: InSAR, AI/ML, SSE ve vatandaş bilimi, Türkiye’nin sismik risk yönetimini nasıl dönüştürebilir? Hangi disiplinler arası yaklaşımlar, halk katılımını ve model doğruluğunu artırabilir? How can InSAR, AI/ML, SSE, and citizen science transform Turkey’s seismic risk management? Which interdisciplinary approaches can enhance public engagement and model accuracy?

VideolarVideos

EFEHR, ESRM20 modeli ile Avrupa’daki sismik risk değerlendirmesini ve uygulamalarını tartışıyor.EFEHR discusses the ESRM20 model and its applications for seismic risk assessment in Europe.

KaynakçaReferences

Bird, P., Kreemer, C., & Holt, W. E. (2010). A geodetic plate motion and Global Strain Rate Model. Geochemistry, Geophysics, Geosystems, 11(10), Q10010. https://doi.org/10.1029/2010GC003251
Crowley, H., Dabbeek, J., & Despotaki, V. (2021). The 2020 European Seismic Risk Model (ESRM20). Bulletin of Earthquake Engineering, 19, 313–347. https://doi.org/10.1007/s10518-020-00988-8
Field, E. H., et al. (2014). Uniform California Earthquake Rupture Forecast, Version 3 (UCERF3)—The Time-Independent Model. USGS Open-File Report 2013-1165. https://pubs.usgs.gov/of/2013/1165/
Stein, R. S., & Sevilgen, V. (2023). Probabilistic Uniform Seismic Hazard (PUSH) model for global earthquake risk assessment. Seismological Research Letters, 94(2), 567–580. https://doi.org/10.1785/0220220156
Temblor, Inc. (2023). Realtime Risk: Dynamic earthquake forecasting using Coulomb stress transfer. Temblor Technical Report. https://temblor.net/technical-reports
Wells, D. L., & Coppersmith, K. J. (1994). New empirical relationships among magnitude, rupture length, rupture width, rupture area, and surface displacement. Bulletin of the Seismological Society of America, 84(4), 974–1002. https://www.resolutionmineeis.us/sites/default/files/references/wells-coppersmith-1994.pdf
Yavaş, C. E., Özkaya, M., & Aksoy, E. (2024). Machine learning-based earthquake magnitude prediction: Case studies in Los Angeles, Istanbul, and San Diego. Journal of Seismology, 28(3), 451–467. https://doi.org/10.1007/s10950-024-09987-2
USGS. (2023). Quaternary Active Fault Database. https://www.usgs.gov/natural-hazards/earthquake-hazards/faults
EMSC. (2023). Real-time seismic data integration and quality control. https://www.emsc-csem.org
AFAD. (2023). Latest Earthquakes List. https://deprem.afad.gov.tr/deprembilgilendirmeservisi
Üşümezsoy, Ş. (2025). Bodrum Deprem Raporu. İstanbul Üniversitesi Jeoloji Mühendisliği Raporu. http://bodrum.gov.tr/istanbul-universitesi-muhendislik-fakultesi-jeoloji-muhendisligiogretim-uyesi-prof-dr-sener-usumezsoy-bodrumla-ilgili-deprem-raporu-yayinladi
Bird, P., Kreemer, C., & Holt, W. E. (2010). A geodetic plate motion and Global Strain Rate Model. Geochemistry, Geophysics, Geosystems, 11(10), Q10010. https://doi.org/10.1029/2010GC003251
Crowley, H., Dabbeek, J., & Despotaki, V. (2021). The 2020 European Seismic Risk Model (ESRM20). Bulletin of Earthquake Engineering, 19, 313–347. https://doi.org/10.1007/s10518-020-00988-8
Field, E. H., et al. (2014). Uniform California Earthquake Rupture Forecast, Version 3 (UCERF3)—The Time-Independent Model. USGS Open-File Report 2013-1165. https://pubs.usgs.gov/of/2013/1165/
Stein, R. S., & Sevilgen, V. (2023). Probabilistic Uniform Seismic Hazard (PUSH) model for global earthquake risk assessment. Seismological Research Letters, 94(2), 567–580. https://doi.org/10.1785/0220220156
Temblor, Inc. (2023). Realtime Risk: Dynamic earthquake forecasting using Coulomb stress transfer. Temblor Technical Report. https://temblor.net/technical-reports
Wells, D. L., & Coppersmith, K. J. (1994). New empirical relationships among magnitude, rupture length, rupture width, rupture area, and surface displacement. Bulletin of the Seismological Society of America, 84(4), 974–1002. https://www.resolutionmineeis.us/sites/default/files/references/wells-coppersmith-1994.pdf
Yavaş, C. E., Özkaya, M., & Aksoy, E. (2024). Machine learning-based earthquake magnitude prediction: Case studies in Los Angeles, Istanbul, and San Diego. Journal of Seismology, 28(3), 451–467. https://doi.org/10.1007/s10950-024-09987-2
USGS. (2023). Quaternary Active Fault Database. https://www.usgs.gov/natural-hazards/earthquake-hazards/faults
EMSC. (2023). Real-time seismic data integration and quality control. https://www.emsc-csem.org
AFAD. (2023). Latest Earthquakes List. https://deprem.afad.gov.tr/deprembilgilendirmeservisi
Üşümezsoy, Ş. (2025). Bodrum Earthquake Report. Istanbul University Geology Department Report. http://bodrum.gov.tr/istanbul-universitesi-muhendislik-fakultesi-jeoloji-muhendisligiogretim-uyesi-prof-dr-sener-usumezsoy-bodrumla-ilgili-deprem-raporu-yayinladi

Comments