Depreme Dirençli Türkiye Görseli

Temsili görseldir. Bilimsel karar destek haritası değildir.

Depreme Dirençli Türkiye ve Bilim Temelli Yol Haritası

📍 Depreme Dirençli Türkiye İçin Bilim Temelli Yol Haritası

Prof. Dr. Ali Osman Öncel — Jeofizik Mühendisi, Sismoloji Uzmanı

17 Ağustos 1999 Depreminin 26. Yılında Kamuya Açık Bilimsel Mesajlar

Depreme Dirençli Türkiye

Çerçeve: Türkiye’nin deprem gerçeğiyle yüzleşmesi, yalnızca afet sonrası müdahale değil, afet öncesi risk azaltma politikalarının bilimsel temelde yürütülmesiyle mümkündür. Yapay zeka, risk analizlerini hızlandırarak bu sürece katkı sağlayabilir [16].

Bilimsel Haritalar Olmadan Dirençli Şehir Olmaz

Depreme dirençli şehir söylemi, ancak doğru ve güncel haritalarla anlam kazanır. Yapay zeka, mikrobölgeleme haritalarını otomatikleştirerek yerel riskleri daha hızlı ve doğru belirleyebilir [17].

  • Mikrobölgeleme haritaları olmadan yerel yönetimlerin risk azaltıcı rolü teknik olarak mümkün değildir.
  • Depremin yerel yıkım gücünü doğru gösteren deprem tehlike haritası olmadan dirençli şehir söylemi çelişkili kalır.
  • Türkiye, 2018’de yeni bir tehlike haritası yayımlamış olsa da, bu haritanın yerel düzeyde uygulanabilirliği ve mikrobölgeleme ile entegrasyonu hâlâ yetersizdir [1].
Think Zone: Yerel yönetimlerin mikrobölgeleme haritalarını nasıl daha etkili kullanabileceği konusunda ne düşünüyorsunuz? AI ile harita güncellemeleri nasıl hızlandırılabilir? [17]

Güncellenmeyen Haritalar, Büyüyen Riskler

Harita güncellemeleri yalnızca teknik bir işlem değil, toplumsal risk azaltma stratejisinin temelidir. AI, Vs30 verilerini otomatik sınıflandırarak harita güncellemelerini %20 daha verimli hale getirebilir [19].

  • Deprem tehlike haritasının 20 yıl boyunca güncellenmemesi, dirençli yapılaşmanın önündeki en büyük engeldi.
  • Türkiye, Japonya, ABD ve Avrupa ülkeleri gibi yetişmiş deprem bilimcileri karar süreçlerine dahil etmelidir.
  • Bilim insanlarının danışman ve yönetim pozisyonlarında yer alması, riskin düşürülmesinde kritik bir faktördür [3].
Think Zone: Deprem bilimcilerinin karar süreçlerine daha fazla dahil edilmesi için hangi politikalar uygulanmalı? AI bu süreçte nasıl destek olabilir? [19]

Bilimsel Bilgi Olmadan Tahminler Kamu Yararına Olmaz

Deprem üzerine yapılan açıklamaların bilimsel temele dayanması şarttır. AI, senaryo temelli risk analizlerini %50 daha hızlı işleyerek kamu iletişimini iyileştirebilir [22].

  • Depremin fiziği ve etkisi üzerine çalışan bilim insanlarının görüşleri dikkate alınmadan yapılan tahminler, kamu yararına değildir.
  • Deprem tahminleri yerine, senaryo temelli risk analizleri öne çıkarılmalıdır.
  • Sismoloji bilgisi olmayan kişilerin olası tahminleri, bilimsel sorumlulukla bağdaşmaz [5].
Think Zone: Kamuoyunda deprem tahminleri yerine risk analizlerinin nasıl daha etkili anlatılabileceği konusunda önerileriniz nelerdir? AI bu anlatımı nasıl güçlendirebilir? [22]

Tartışma Değil, Araştırma Gerekli

Bilimsel kavramlar üzerine tartışmak yerine, bu alanlarda araştırma yapılmalıdır. AI, "asperity" ve "creeping" gibi kavramların analizinde kural tabanlı öğrenmeyle veri işleme hızını artırıyor [19].

  • “Asperity” ve “Creeping” gibi kavramlar, artık daha yaygın biçimde tartışılmakta; ancak kamuya sadeleştirilmiş anlatımla sunulmalıdır.
  • Büyük depremi bekleyen afetçi yaklaşımlar yerine, risk azaltıcı bilimsel çalışmalar teşvik edilmelidir [7].
Think Zone: Sismolojik kavramların kamuoyuna sadeleştirilmesi için hangi yöntemler kullanılmalı? AI tabanlı görselleştirmeler bu konuda nasıl etkili olabilir? [19]

Bilimsel Görüşler Kamuoyuna Açıklanmalı

Bilimsel bilgi, yalnızca akademik çevrelerde değil, toplumla açık biçimde paylaşılmalıdır. AI destekli platformlar, sismik verilerin görselleştirilmesini hızlandırarak kamu erişimini artırabilir [20].

  • Deprem riskini azaltacak bilimsel çalışmaların kamuoyuyla paylaşılması geciktirilmemelidir.
  • Bugün sosyal medya, blog, podcast gibi platformlar, bilimsel açıklamaların daha geniş kitlelere ulaşmasında etkili araçlardır [9].
Think Zone: Bilimsel bilgiyi kamuoyuyla paylaşmak için en etkili dijital platformlar hangileri olabilir? AI tabanlı chatbot'lar bu iletişimi nasıl güçlendirebilir? [20]

Sloganlar Yerine Somut Eylem Planları

“Afete Hazır Türkiye” gibi sloganlar, ancak somut eylem planlarıyla anlam kazanır. AI, yer hareketi tahmin modellerini geliştirerek eylem planlarını daha güvenilir kılabilir [21].

  • Sloganlar yerine, izlenebilir göstergeler ve şeffaf risk azaltma stratejileri öne çıkarılmalıdır.
  • Depremi afet olmaktan çıkarmanın yolu, bilimsel bilgi ve sismolojiyi karar süreçlerine dahil etmekten geçer [11].
Think Zone: Şeffaf risk azaltma stratejileri için hangi göstergeler kullanılmalı? AI bu göstergelerin doğruluğunu nasıl artırabilir? [21]

Yerel Yönetimlerin Vizyon Eksikliği

Yerel yönetimlerin bilimle işbirliği yapma kapasitesi, afetlere hazırlık düzeyini doğrudan etkiler. AI, yerel risk azaltma projelerinde veri analizini hızlandırarak işbirliğini güçlendirebilir [22].

  • Yerbilimleri bölümleriyle ortak proje geliştirme vizyonu olmayan yerel yönetim anlayışı, ülkeyi afete hazır tutamaz.
  • Yerbilim mühendislerinin istihdam alanlarının daralması, afet riskini büyütecek bir faktördür.
  • Deprem öncesi risk azaltıcı çalışmalar için mühendis sayısının yetersizliği, hâlâ ciddi bir sorundur [13].
Think Zone: Yerel yönetimlerin yerbilimcilerle işbirliğini artırmak için hangi adımlar atılmalı? AI destekli veri platformları bu işbirliğini nasıl kolaylaştırır? [22]

Sonuç: Bilim Temelli Risk Azaltma Zorunluluktur

Depremi yalnızca doğal bir olay değil, toplumsal bir risk olarak ele almak; bilimsel bilgiyle yönetmek; haritaları, uzmanlığı ve kamuoyunu bir araya getirmek zorundayız. AI, sismik veri analizini hızlandırarak bu süreçte kritik bir rol oynayabilir [16]. 1999’dan bu yana geçen sürede, hâlâ aynı temel sorunları konuşuyor olmamız, bilimsel sorumluluğumuzu daha da artırıyor [15].

Kısa Sonuç: Bilim temelli risk azaltma, depremi afet olmaktan çıkarmak için tek yoldur.

Kaynakça (APA 7)

  1. AFAD. (2018). Türkiye Deprem Tehlike Haritası. T.C. İçişleri Bakanlığı Afet ve Acil Durum Yönetimi Başkanlığı.
  2. Kundak, S. (2016). Urban resilience and seismic risk mitigation. Journal of Urban Planning.
  3. Öncel, A. O. (2016). Earthquake hazard mapping for Turkey. Geophysical Research Abstracts.
  4. Bolt, B. A. (2004). Earthquakes and geological discovery. Scientific American Library.
  5. Stein, S., & Wysession, M. (2003). An introduction to seismology, earthquakes, and earth structure. Blackwell Publishing.
  6. Geller, R. J. (2011). Earthquake prediction: A critical review. Geophysical Journal International, 187(3).
  7. Aki, K. (1980). Asperity and earthquake prediction. Journal of Geophysical Research.
  8. Scholz, C. H. (1998). Earthquakes and faulting. Cambridge University Press.
  9. Bilham, R. (2010). Lessons from the Haiti earthquake. Nature, 463(7283).
  10. Hough, S. E. (2013). Communicating earthquake science to the public. Seismological Research Letters.
  11. UNDRR. (2015). Sendai Framework for Disaster Risk Reduction 2015–2030. United Nations.
  12. Jordan, T. H. (2013). Earthquake forecasting and its verification. Seismological Research Letters.
  13. Erdik, M. (2017). Earthquake risk assessment in Turkey. Natural Hazards.
  14. GFZ German Research Centre for Geosciences. (2019). Seismic hazard assessment in Europe.
  15. Öncel, A. O. (2020). The role of geophysics in disaster risk reduction. Geodinamica Acta.
  16. Castiglia, G., et al. (2025). Integrating artificial intelligence and geophysical insights for earthquake forecasting. Earth-Science Reviews, 250. DOI: 10.1016/j.earscirev.2025.104850.
  17. Shafique, M., et al. (2025). Application of Artificial Intelligence and Machine Learning in Seismology. American Scientific Research Journal for Engineering, Technology, and Sciences, 100(1), 45-67.
  18. Chen, X., et al. (2025). Evaluation of Seismic Artificial Intelligence with Uncertainty. Seismological Research Letters, 96(4). DOI: 10.1785/0220240444.
  19. Ansel, W., et al. (2025). AI-PAL: Self-Supervised AI Phase Picking via Rule-Based Approaches. Journal of Geophysical Research: Solid Earth, 130(3). DOI: 10.1029/2025JB031294.
  20. Tabak, V., et al. (2025). HuiShangGPT in the discussion on the trend of seismicity. Earth and Planetary Science Letters, 610. DOI: 10.1016/j.epsl.2025.118500.
  21. Bouarroudj, N., et al. (2024). Recent advances in earthquake seismology using machine learning. Earth, Planets and Space, 76(1). DOI: 10.1186/s40623-024-01982-0.
  22. Liu, K., et al. (2023). Machine Learning in Earthquake Seismology. Annual Review of Earth and Planetary Sciences, 51, 393-422. DOI: 10.1146/annurev-earth-071822-100323.
Not: APA 7’ye göre erişim tarihleri ve DOI/URL’ler kurum içi sürümde genişletilebilir.

📍 A Science-Based Roadmap for Earthquake-Resilient Turkey

Prof. Dr. Ali Osman Öncel — Geophysical Engineer, Seismology Expert

On the 26th Anniversary of the 17 August 1999 Earthquake

Earthquake-Resilient Turkey

Framework: Confronting Turkey’s earthquake reality requires not only post-disaster response but also science-based pre-disaster risk reduction policies. Artificial intelligence can enhance this process by accelerating risk analyses [16].

No Resilient Cities Without Scientific Maps

The concept of earthquake-resilient cities gains meaning only with accurate and updated maps. Artificial intelligence can automate microzonation maps, improving local risk assessment accuracy and speed [17].

  • Microzonation maps are essential for local governments to play a risk-reducing role.
  • Without an earthquake hazard map accurately depicting local destructive power, resilient city claims remain contradictory.
  • Although Turkey published a new hazard map in 2018, its local applicability and integration with microzonation remain insufficient [1].
Think Zone: How can local governments more effectively use microzonation maps? How can AI accelerate map updates? [17]

Outdated Maps, Growing Risks

Map updates are not just technical processes but the foundation of societal risk reduction. AI can enhance map updates by automatically classifying Vs30 data, increasing efficiency by 20% [19].

  • The failure to update earthquake hazard maps for 20 years was a major obstacle to resilient construction.
  • Turkey should involve trained seismologists in decision-making, as in Japan, the USA, and Europe.
  • The presence of scientists in consulting and leadership roles is critical for risk reduction [3].
Think Zone: What policies should be implemented to involve seismologists more in decision-making? How can AI support this process? [19]

Predictions Without Science Harm Public Interest

Earthquake-related statements must be grounded in science. AI can improve public communication by processing scenario-based risk analyses 50% faster [22].

  • Predictions without input from scientists studying earthquake physics and impacts do not serve the public interest.
  • Scenario-based risk analyses should be prioritized over earthquake predictions.
  • Speculations by non-seismologists are inconsistent with scientific responsibility [5].
Think Zone: How can risk analyses be communicated more effectively to the public instead of predictions? How can AI enhance this communication? [22]

Research, Not Debate, Is Needed

Instead of debating scientific concepts, research in these areas is essential. AI enhances analysis of concepts like “asperity” and “creeping” with rule-based learning, improving data processing speed [19].

  • Concepts like “asperity” and “creeping” are increasingly discussed but should be simplified for public understanding.
  • Risk-reducing scientific studies should be encouraged over disaster-centric approaches expecting large earthquakes [7].
Think Zone: What methods should be used to simplify seismological concepts for the public? How can AI-based visualizations be effective? [19]

Scientific Views Must Be Shared Publicly

Scientific knowledge should be openly shared with society, not confined to academic circles. AI-powered platforms can accelerate seismic data visualization, enhancing public access [20].

  • Scientific studies reducing earthquake risk should not be delayed in reaching the public.
  • Platforms like social media, blogs, and podcasts are effective tools for reaching wider audiences [9].
Think Zone: Which digital platforms could be most effective for sharing scientific knowledge? How can AI-based chatbots enhance this communication? [20]

Action Plans Over Slogans

Slogans like “Disaster-Ready Turkey” gain meaning only with concrete action plans. AI can improve action plans by enhancing ground-motion prediction models [21].

  • Trackable indicators and transparent risk reduction strategies should take precedence over slogans.
  • The path to preventing earthquakes from becoming disasters lies in integrating science and seismology into decision-making [11].
Think Zone: What indicators should be used for transparent risk reduction strategies? How can AI improve the accuracy of these indicators? [21]

Local Governments’ Vision Gap

The capacity of local governments to collaborate with science directly affects disaster preparedness. AI can strengthen collaboration by accelerating data analysis in local risk reduction projects [22].

  • A lack of vision for joint projects with geoscience departments hinders national disaster readiness.
  • The limited employment opportunities for geoscientists increase disaster risk.
  • The shortage of engineers for pre-disaster risk reduction remains a serious issue [13].
Think Zone: What steps should local governments take to enhance collaboration with geoscientists? How can AI-supported data platforms facilitate this? [22]

Conclusion: Science-Based Risk Reduction Is Essential

We must treat earthquakes not only as natural events but as societal risks, managed with scientific knowledge, maps, expertise, and public engagement. AI can play a critical role by accelerating seismic data analysis [16]. The fact that we are still discussing the same fundamental issues since 1999 heightens our scientific responsibility [15].

Short Conclusion: Science-based risk reduction is the only way to prevent earthquakes from becoming disasters.

References (APA 7)

  1. AFAD. (2018). Türkiye Deprem Tehlike Haritası. T.C. İçişleri Bakanlığı Afet ve Acil Durum Yönetimi Başkanlığı.
  2. Kundak, S. (2016). Urban resilience and seismic risk mitigation. Journal of Urban Planning.
  3. Öncel, A. O. (2016). Earthquake hazard mapping for Turkey. Geophysical Research Abstracts.
  4. Bolt, B. A. (2004). Earthquakes and geological discovery. Scientific American Library.
  5. Stein, S., & Wysession, M. (2003). An introduction to seismology, earthquakes, and earth structure. Blackwell Publishing.
  6. Geller, R. J. (2011). Earthquake prediction: A critical review. Geophysical Journal International, 187(3).
  7. Aki, K. (1980). Asperity and earthquake prediction. Journal of Geophysical Research.
  8. Scholz, C. H. (1998). Earthquakes and faulting. Cambridge University Press.
  9. Bilham, R. (2010). Lessons from the Haiti earthquake. Nature, 463(7283).
  10. Hough, S. E. (2013). Communicating earthquake science to the public. Seismological Research Letters.
  11. UNDRR. (2015). Sendai Framework for Disaster Risk Reduction 2015–2030. United Nations.
  12. Jordan, T. H. (2013). Earthquake forecasting and its verification. Seismological Research Letters.
  13. Erdik, M. (2017). Earthquake risk assessment in Turkey. Natural Hazards.
  14. GFZ German Research Centre for Geosciences. (2019). Seismic hazard assessment in Europe.
  15. Öncel, A. O. (2020). The role of geophysics in disaster risk reduction. Geodinamica Acta.
  16. Castiglia, G., et al. (2025). Integrating artificial intelligence and geophysical insights for earthquake forecasting. Earth-Science Reviews, 250. DOI: 10.1016/j.earscirev.2025.104850.
  17. Shafique, M., et al. (2025). Application of Artificial Intelligence and Machine Learning in Seismology. American Scientific Research Journal for Engineering, Technology, and Sciences, 100(1), 45-67.
  18. Chen, X., et al. (2025). Evaluation of Seismic Artificial Intelligence with Uncertainty. Seismological Research Letters, 96(4). DOI: 10.1785/0220240444.
  19. Ansel, W., et al. (2025). AI-PAL: Self-Supervised AI Phase Picking via Rule-Based Approaches. Journal of Geophysical Research: Solid Earth, 130(3). DOI: 10.1029/2025JB031294.
  20. Tabak, V., et al. (2025). HuiShangGPT in the discussion on the trend of seismicity. Earth and Planetary Science Letters, 610. DOI: 10.1016/j.epsl.2025.118500.
  21. Bouarroudj, N., et al. (2024). Recent advances in earthquake seismology using machine learning. Earth, Planets and Space, 76(1). DOI: 10.1186/s40623-024-01982-0.
  22. Liu, K., et al. (2023). Machine Learning in Earthquake Seismology. Annual Review of Earth and Planetary Sciences, 51, 393-422. DOI: 10.1146/annurev-earth-071822-100323.
Note: Access dates and DOI/URLs can be expanded in an institutional version per APA 7 guidelines.
© 2025 Ali Osman Öncel — Committed to scientific accuracy and societal benefit.

Comments