Seismic Activity in the Aegean Sea: Understanding Recent Earthquake Clusters

Yapay Zekâ ile Deprem Tahminleri AI for Earthquake Predictions

Bu çalışma, deprem tahminlerinde sismoloji ve yapay zekânın (AI) rolünü incelemektedir. 1999 İzmit depremi öncesi öncül anomaliler, sismik boşluk teorisi ve vatandaş katılımı vurgulanmıştır. Yeni eklenen veriler, 2020-2025 yılları arasında yayımlanan Q1-Q2 dergi makaleleriyle klasik sismoloji yöntemlerinin yanı sıra Yapay Zekâ (AI), Makine Öğrenimi (ML) ve Derin Öğrenme (DL) uygulamalarını da kapsamaktadır. Deprem enerjisinin risk tespitinde kullanımı, orta büyüklükteki depremlerin bina etkileri ve EMSC gibi araçlar analiz edilmiştir. Bulgular, erken uyarı sistemlerinin geliştirilmesini, hibrit yaklaşımların potansiyelini ve FAIR veri prensiplerinin önemini vurgulamaktadır [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]. This study examines the role of seismology and artificial intelligence (AI) in earthquake predictions. Precursor anomalies before the 1999 Izmit earthquake, seismic gap theory, and citizen participation are highlighted. The new data, from Q1-Q2 journal articles published between 2020-2025, covers classical seismology methods as well as Artificial Intelligence (AI), Machine Learning (ML) and Deep Learning (DL) applications. The use of earthquake energy in risk detection, building impacts from moderate earthquakes, and tools like EMSC are analyzed. Findings emphasize the development of early warning systems, the potential of hybrid approaches, and the importance of FAIR data principles [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11].

Anahtar Kelimeler: deprem tahminleri, sismoloji, yapay zekâ, makine öğrenimi, derin öğrenme, İzmit depremi, sismik boşluk, öncül anomali, fay hatları, deprem enerjisi, vatandaş sismolojisi, EMSC Keywords: earthquake predictions, seismology, artificial intelligence, machine learning, deep learning, Izmit earthquake, seismic gap, precursor anomaly, fault lines, earthquake energy, citizen seismology, EMSC

Depremler, yüzyıllardır insanlığı etkileyen doğal afetlerdir. 1999 İzmit depremi (M7.4), büyük yıkıma yol açmış ve önceden tahmin edilebilirliği tartışılmıştır. Bu çalışma, deprem oluşum fiziği, öncül anomaliler, sismik boşluk teorisi ve vatandaş katılımını incelemektedir. Ek olarak, son beş yılda yaşanan teknolojik ve bilimsel ilerlemeler, deprem tahminine yönelik yaklaşımları kökten değiştirmiştir. Earthquakes have affected humanity for centuries. The 1999 Izmit earthquake (M7.4) caused massive destruction and raised questions about predictability. This study examines earthquake formation physics, precursor anomalies, seismic gap theory, and citizen participation. Additionally, technological and scientific advances in the last five years have fundamentally changed approaches to earthquake prediction.

Video 1. Global Sismoloji I Ali Osman Öncel, sismolojik süreçlerin girişine dair bir video (0:00 - 6:00). Video 1. Global Seismology I Ali Osman Öncel, an introductory video on seismological processes (0:00 - 6:00).

Klasik sismoloji, hala deprem döngülerini ve potansiyel tehlikeleri anlamada temel bir rol oynamaktadır. Örneğin, sismik boşluk teorisi, uzun süredir büyük deprem üretmemiş fay hatlarının gelecekte büyük bir sarsıntı için riskli bölgeler olduğunu öne sürmektedir. 2025'teki M7.7 Myanmar depremi gibi olaylar, bilinen bir sismik boşluğun kırılmasıyla bu teoriyi doğrulamıştır [8, 9]. Ayrıca, öncül anomalilerin incelenmesi de devam etmektedir. Çalışmalar, bir deprem öncesinde ortaya çıkan anomal geoelektrik ve jeokimyasal sinyallerin (radon gazı, hidrojen konsantrasyonu vb.) fay hattı üzerindeki stres ve gerilme birikimini gösterdiğini teorik olarak desteklemektedir [7, 10]. Bu anomalilerin, depremin zamanını, büyüklüğünü ve yerini tahmin etmede kullanılabileceği düşünülmektedir. On the other hand, the study of precursor anomalies continues. Studies theoretically support that anomalous geoelectric and geochemical signals (radon gas, hydrogen concentration, etc.) that appear before an earthquake indicate stress and strain accumulation on the fault line [7, 10]. It's thought that these anomalies could be used to predict the time, magnitude, and location of an earthquake.

Video 2. Nepal Depremi Görselleştirmesi, deprem dinamikleri ve yer hareketlerine giriş (0:00 - 0:40). Video 2. Nepal Earthquake Visualization, an introduction to earthquake dynamics and ground motion (0:00 - 0:40).

Diğer yandan, yapay zekâ (AI) ve makine öğrenimi (ML) modelleri, devasa sismik veri setlerini analiz etme ve karmaşık örüntüleri tanıma yetenekleri sayesinde deprem tahminine yeni bir boyut katmıştır. Bu modeller, geleneksel yöntemlerle tespit edilemeyen, sismik aktivitedeki ince değişiklikleri belirleyebilir. Örneğin, bir çalışmada yapay zekâ destekli bir sistemin 14 depremi başarılı bir şekilde, merkeze yakın ve doğru büyüklükte tahmin ettiği gösterilmiştir [6]. Bu yaklaşım, deprem oluşum mekanizmalarına dair daha derin bir anlayış sunarak, erken uyarı sistemlerini saniyelerden dakikalara varan bir uyarı süresiyle güçlendirme potansiyeline sahiptir [11]. On the other hand, artificial intelligence (AI) and machine learning (ML) models have added a new dimension to earthquake prediction with their ability to analyze massive seismic datasets and recognize complex patterns. These models can identify subtle changes in seismic activity that are undetectable by traditional methods. For example, one study showed that an AI-powered system successfully predicted 14 earthquakes with accurate magnitude and location close to the epicenter [6]. This approach offers a deeper understanding of earthquake formation mechanisms and has the potential to strengthen early warning systems with warning times ranging from seconds to minutes [11].

Video 3. Deprem Varış-Zaman Eğrileri, sismik dalga yayılımına giriş (0:00 - 0:30). Video 3. Earthquake Travel-time Curves, an introduction to seismic wave propagation (0:00 - 0:30).

Bu kapsamda, bu çalışma deprem enerjisinin risk tespitinde kullanımı, erken uyarı sistemleri ve teknolojinin rolünü vurgulamaktadır. Amacımız, deprem tahminlerini geliştirmek ve toplum hazırlığını artırmaktır [1, 2, 3, 4, 6]. Within this scope, this study emphasizes the use of earthquake energy in risk detection, early warning systems, and the role of technology. Our goal is to improve earthquake predictions and enhance community preparedness [1, 2, 3, 4, 6].

Düşünce Alanı: Klasik sismolojik yöntemlerin (sismik boşluk, öncül anomaliler) ve yapay zekâ tabanlı analizlerin ortak bir veri platformunda nasıl bir araya getirilebileceğini düşünün. Bu sinerjistik entegrasyon, deprem tahmin modellerinin doğruluğunu, güvenilirliğini ve uygulanabilirliğini nasıl radikal bir şekilde artırabilir? Think Zone: How can classical seismological methods (seismic gaps, precursor anomalies) and AI-based analyses be integrated within a common data platform? How can this synergistic integration radically enhance the accuracy, reliability, and practical applicability of earthquake prediction models?

Klasik Sismoloji YöntemleriClassical Seismology Methods

Veriler, USGS, EMSC ve KOERI gibi güvenilir sismoloji merkezlerinin kataloglarından toplanmıştır. Sismik boşluk tespiti için tarihsel deprem verileri analiz edilmiş, öncül anomaliler tiltmetre ve istasyon verileriyle izlenmiştir. Vatandaş raporları EMSC uygulamalarıyla toplanmış, deprem enerjisi bina etkileri için Pearson korelasyonuyla değerlendirilmiştir. Data were collected from reliable seismology centers like USGS, EMSC, and KOERI catalogs. Seismic gap detection used historical earthquake data, while precursor anomalies were monitored via tiltmeters and station data. Citizen reports were gathered through EMSC apps, and earthquake energy was evaluated for building impacts using Pearson correlation.

Video 4. Global Sismoloji I Ali Osman Öncel, sismolojik yöntemleri detaylandıran bir video (6:00 - 14:00). Video 4. Global Seismology I Ali Osman Öncel, a video detailing seismological methods (6:00 - 14:00).

Yapay Zekâ ve Hibrit YöntemlerArtificial Intelligence and Hybrid Methods

Son yıllardaki bilimsel çalışmalar, bu klasik yöntemleri yeni tekniklerle harmanlamıştır. Örneğin, Singüler Spektrum Analizi (SSA) gibi istatistiksel yöntemler, sismik zaman serilerindeki trend ve periyodik bileşenleri ayırt ederek deprem aktivitesindeki döngüsellikleri analiz etmek için kullanılmıştır [12]. Ayrıca, uydu verileri ve jeokimyasal sinyaller de potansiyel öncü göstergeler olarak değerlendirilmiştir. Swarm uydu verileri ve küresel navigasyon uydu sistemlerinden (GNSS) elde edilen toplam elektron içeriği (TEC) verileri, deprem öncesindeki iyonosferik ve manyetik anormallikleri tespit etmek için analiz edilmiştir [13]. Recent scientific studies have blended these classical methods with new techniques. For instance, statistical methods like Singular Spectrum Analysis (SSA) have been used to analyze periodicities in earthquake activity by distinguishing trends and periodic components in seismic time series [12]. Additionally, satellite data and geochemical signals have been evaluated as potential precursor indicators. Swarm satellite data and total electron content (TEC) data from global navigation satellite systems (GNSS) were analyzed to detect ionospheric and magnetic anomalies before an earthquake [13].

Video 5. Makine Öğrenimi ve Deprem Erken Uyarı Sistemleri, yöntemlerin teknolojik uygulamalarını açıklayan bir video (14:20 - 16:00). Video 5. Machine Learning and Earthquake Early Warning Systems, a video explaining technological applications of methods (14:20 - 16:00).

AI ve ML uygulamaları için, çeşitli modeller kullanılmıştır. Konvolüsyonel Sinir Ağları (CNN), sismik dalga formlarındaki karmaşık örüntüleri tanımak ve P-dalgası tespiti yapmak için kullanılmıştır. Hibrit modeller (CNN+LSTM), hem uzamsal hem de zamansal özellikleri bir araya getirerek tahmin doğruluğunu artırmıştır [14]. Bu modeller, büyük veri kümeleri üzerinde eğitilerek deprem büyüklüğünü ve lokasyonunu tahmin etme yeteneği kazanmıştır [15]. Analizler, Python SciPy kütüphanesi ve TensorFlow gibi ML platformları kullanılarak yapılmış, tüm süreç boyunca FAIR (Bulunabilir, Erişilebilir, Birlikte Çalışabilir, Yeniden Kullanılabilir) prensiplerine uyulmuştur [1, 2, 3, 5, 11]. For AI and ML applications, various models have been used. Convolutional Neural Networks (CNN) were used to recognize complex patterns in seismic waveforms and perform P-wave detection. Hybrid models (CNN+LSTM) have improved prediction accuracy by combining both spatial and temporal features [14]. These models have gained the ability to predict earthquake magnitude and location by being trained on large datasets [15]. Analyses were performed using the Python SciPy library and ML platforms like TensorFlow, adhering to FAIR (Findable, Accessible, Interoperable, Reusable) principles throughout the process [1, 2, 3, 5, 11].

Video 6. Nepal Depremi Görselleştirmesi, yer hareketi verilerinin nasıl analiz edildiğini gösteren bir video (0:40 - 1:40). Video 6. Nepal Earthquake Visualization, a video showing how ground motion data is analyzed (0:40 - 1:40).

Video 7. Deprem Varış-Zaman Eğrileri, dalga yayılım yöntemlerini anlatan bir video (0:30 - 1:50). Video 7. Earthquake Travel-time Curves, a video explaining wave propagation methods (0:30 - 1:50).

Bu kapsamda, bu çalışma deprem enerjisinin risk tespitinde kullanımı, erken uyarı sistemleri ve teknolojinin rolünü vurgulamaktadır. Amacımız, deprem tahminlerini geliştirmek ve toplum hazırlığını artırmaktır [1, 2, 3, 4, 6]. Within this scope, this study emphasizes the use of earthquake energy in risk detection, early warning systems, and the role of technology. Our goal is to improve earthquake predictions and enhance community preparedness [1, 2, 3, 4, 6].

Düşünce Alanı: Klasik sismolojik yöntemlerin (sismik boşluk, öncül anomaliler) ve yapay zekâ tabanlı analizlerin ortak bir veri platformunda nasıl bir araya getirilebileceğini düşünün. Bu sinerjistik entegrasyon, deprem tahmin modellerinin doğruluğunu, güvenilirliğini ve uygulanabilirliğini nasıl radikal bir şekilde artırabilir? Think Zone: How can classical seismological methods (seismic gaps, precursor anomalies) and AI-based analyses be integrated within a common data platform? How can this synergistic integration radically enhance the accuracy, reliability, and practical applicability of earthquake prediction models?

1999 İzmit öncesi 2.5 yıl öncül anomaliler tespit edilmiş, sismik boşluklar büyük depremle doğrulanmıştır. Yapılan yeni analizler, bu klasik bulguların modern yöntemlerle desteklendiğini göstermektedir. Vatandaş raporları, M4-6 depremlerde bina riskini %80 doğrulukla belirlemiştir. EMSC verileri katılımı artırmış, deprem enerjisi risk tespitinde etkili bulunmuştur [2, 3, 4]. Precursor anomalies were detected 2.5 years before 1999 Izmit, and seismic gaps were confirmed with a major earthquake. New analyses show that these classical findings are supported by modern methods. Citizen reports identified building risks in M4-6 earthquakes with 80% accuracy. EMSC data increased participation, and earthquake energy was found to be effective in risk detection [2, 3, 4].

Video 8. Global Sismoloji I Ali Osman Öncel, sismolojik bulguları gösteren bir video (14:00 - 22:00). Video 8. Global Seismology I Ali Osman Öncel, a video showing seismological results (14:00 - 22:00).

Yeni bulgular, klasik ve AI yöntemlerinin birleşiminin daha güçlü sonuçlar ortaya koyduğunu kanıtlamaktadır.

• Klasik Bulgular: 2025'teki M7.7 Myanmar depremi, uzun süredir büyük bir deprem geçirmemiş bir sismik boşlukta meydana gelmiş ve bu durum, teorinin hala geçerli olduğunu göstermiştir [8, 9]. Ayrıca, bazı çalışmalarda, belirli depremlerden önce hidrojen ve radon gibi gazların konsantrasyonlarında kısa süreli (birkaç saatten birkaç güne) anomaliler tespit edilmiştir [10].
• Yapay Zekâ Bulguları: Yapay zekâ destekli sistemler, sismik dalgalardaki P-dalgası sinyallerini yüksek bir başarı oranıyla (%94.1 doğruluk) tespit ederek erken uyarı sistemlerinin performansını önemli ölçüde artırmıştır [11]. Farklı derinliklerdeki depremlerin öncü sinyallerinin farklı olduğunu gösteren çalışmalar da yapılmış ve bu, yapay zekâ modellerinin daha karmaşık örüntüleri öğrenebildiğini ortaya koymuştur [16].
• Hibrit Yaklaşımlar: Hibrit CNN+LSTM modelleri, yalnızca klasik yöntemlere veya sadece AI modellerine göre daha düşük hata payı (RMSE: 0.090) ve daha yüksek belirleme katsayısı (R²: 0.58) elde ederek deprem büyüklüğü tahmininde önemli bir gelişme sağlamıştır [14]. Bu, klasik sismolojik verilerin (fay geometrisi, tarihsel depremler) yapay zekâ ile birleştirilmesinin ne kadar etkili olduğunu göstermektedir.

New findings prove that the combination of classical and AI methods yields more powerful results.

• Classical Findings: The 2025 M7.7 Myanmar earthquake occurred in a seismic gap that had not experienced a major earthquake in a long time, demonstrating that the theory is still valid [8, 9]. Furthermore, some studies have detected short-term (from a few hours to a few days) anomalies in the concentration of gases like hydrogen and radon before certain earthquakes [10].
• AI Findings: AI-powered systems have significantly improved the performance of early warning systems by detecting P-wave signals in seismic waves with a high success rate (94.1% accuracy) [11]. Studies have also shown that precursor signals for earthquakes at different depths are different, revealing that AI models can learn more complex patterns [16].
• Hybrid Approaches: Hybrid CNN+LSTM models have achieved a lower error margin (RMSE: 0.090) and a higher coefficient of determination (R²: 0.58) compared to classical methods or AI-only models, providing a significant improvement in earthquake magnitude prediction [14]. This demonstrates how effective the combination of classical seismological data (fault geometry, historical earthquakes) with AI can be.

BölgeRegion	Anomali SüresiAnomaly Duration	Doğruluk (%)Accuracy (%)
İzmit	2.5 yıl	80
Yedisu	Belirsiz	75
Japonya (Offshore)	4-10 gün	Ortalama %85 (Yeni modeller)
Myanmar	-	Sismik Boşluk Doğrulandı

Video 9. Deprem Makinesi Modeli, sismik süreçlerin sonuçlarını açıklayan bir video (0:02 - 5:00). Video 9. Earthquake Machine Model, a video explaining the results of seismic processes (0:02 - 5:00).

Video 10. Nepal Depremi Görselleştirmesi, deprem bulgularını gösteren bir video (2:30 - 3:00). Video 10. Nepal Earthquake Visualization, a video showing earthquake results (2:30 - 3:00).

Video 11. Deprem Varış-Zaman Eğrileri, bulguları anlatan bir video (2:40 - 2:52). Video 11. Earthquake Travel-time Curves, a video explaining the results (2:40 - 2:52).

Düşünce Alanı: Yapay zekâ destekli sistemlerden elde edilen bulgular (P dalgası tespiti, iyonosferik anomaliler) ile sismik boşluk teorisi gibi klasik bulgular arasında çok boyutlu bir korelasyon nasıl kurulabilir ve bu korelasyon, deprem tahmin modellerinin doğruluğunu nasıl artırabilir? Think Zone: How can a multi-dimensional correlation be established between findings from AI-powered systems (P-wave detection, ionospheric anomalies) and seismic gap theory, and how might this correlation enhance the accuracy of earthquake prediction models?

Bulgular, deprem tahminlerinde teknolojinin kritik rolünü doğrulamaktadır. Vatandaş katılımı veri kalitesini artırır, ancak ulusal destek eksikliği sınırlamadır. Findings validate the critical role of technology in earthquake predictions. Citizen participation enhances data quality, but a lack of national support is a limitation.

Video 12. Global Sismoloji I Ali Osman Öncel, deprem tahminlerinin geleceğine dair bir tartışma (22:00 - 28:00). Video 12. Global Seismology I Ali Osman Öncel, a discussion on the future of earthquake predictions (22:00 - 28:00).

Klasik sismoloji yöntemleri (sismik boşluk, öncül anomaliler) ve yapay zekâ (AI) uygulamaları arasındaki karşılaştırma, her iki yaklaşımın da birbirini tamamlayıcı nitelikte olduğunu göstermektedir. Klasik yöntemler, fiziksel temellere dayalı makro ölçekli risk değerlendirmesi yaparken, AI algoritmaları mikro ölçekteki karmaşık ve gizli örüntüleri ortaya çıkarabilmektedir.

• Klasik Yaklaşımların Güçlü Yönleri: Sismik boşluk teorisi, uzun vadeli risk analizi için sağlam bir çerçeve sunar ve fay hatlarının genel davranışını anlamamıza yardımcı olur. Ancak bu yaklaşım, kısa vadeli tahminler için yetersizdir.
• Yapay Zekânın Güçlü Yönleri: Yapay zekâ, büyük veri setlerini işleyerek öncül sinyalleri (geokimyasal, geoelektrik, iyonosferik) hızlı ve doğru bir şekilde belirleyebilir [13]. Özellikle P-dalgası tespiti gibi konularda, geleneksel eşik tabanlı algoritmaların ötesine geçerek saniyelerle ifade edilen erken uyarı süreleri sağlayabilir. Bununla birlikte, AI modelleri "kara kutu" sorununu beraberinde getirir ve elde edilen sonuçların fiziksel açıklamaları her zaman net olmayabilir.
• Hibrit Yaklaşımlar: Deprem tahmininin geleceği, bu iki yaklaşımın entegrasyonuna dayanmaktadır. Örneğin, sismik boşluk analizinden elde edilen veriler (fay üzerindeki gerilim birikimi vb.), bir yapay zekâ modelinin girdi parametrelerinden biri olarak kullanılabilir. Bu hibrit yaklaşım, hem fiziksel süreçlerin anlaşılmasını hem de veri odaklı tahminlerin doğruluğunu artırabilir [14].

The comparison between classical seismology methods (seismic gap, precursor anomalies) and artificial intelligence (AI) applications shows that both approaches are complementary. While classical methods perform macro-scale risk assessments based on physical principles, AI algorithms can reveal complex and hidden micro-scale patterns.

• Strengths of Classical Approaches: Seismic gap theory provides a solid framework for long-term risk analysis and helps us understand the general behavior of fault lines. However, this approach is insufficient for short-term predictions.
• Strengths of AI: AI can process large datasets to identify precursor signals (geochemical, geoelectric, iyonosferik) quickly and accurately [13]. Especially for tasks like P-wave detection, it can go beyond traditional threshold-based algorithms to provide early warning times measured in seconds. However, AI models bring a "black box" problem, and the physical explanations for the results are not always clear.
• Hybrid Approaches: The future of earthquake prediction relies on the integration of these two approaches. For example, data from seismic gap analysis (like stress accumulation on the fault) can be used as one of the input parameters for an AI model. This hybrid approach can improve both the understanding of physical processes and the accuracy of data-driven predictions [14].

Video 13. İleri Sismoloji I Ali Osman Öncel, deprem tahminlerinde tartışmaları destekleyen bir video (34:00 - 37:00). Video 13. Advanced Seismology I Ali Osman Öncel, a video supporting discussions on earthquake predictions (34:00 - 37:00).

Video 14. Nepal Depremi Görselleştirmesi, deprem tartışmalarını gösteren bir video (2:30 - 3:00). Video 14. Nepal Earthquake Visualization, a video showing earthquake discussions (2:30 - 3:00).

Video 15. Deprem Varış-Zaman Eğrileri, tartışma ve sonuçları anlatan bir video (2:40 - 2:52). Video 15. Earthquake Travel-time Curves, a video discussing conclusions and results (2:40 - 2:52).

Gelecek çalışmalar, AI entegrasyonu ve elastogravity sinyalleri gibi yeni veri türlerini içermelidir. FAIR prensipleri, küresel işbirliğini güçlendirerek bu yenilikçi çalışmaların daha geniş kitlelere ulaşmasını ve doğrulanmasını sağlayacaktır [1, 3, 5, 17]. Deprem enerjisi ve vatandaş verilerinin birleşimi, risk yönetimini sadece bilimsel değil, aynı zamanda toplumsal dayanıklılığı da artıran bir boyuta taşımaktadır. Future work should include AI integration and elastogravity signals like new data types. FAIR principles will strengthen global collaboration, enabling these innovative studies to reach and be validated by a wider audience [1, 3, 5, 17]. The combination of earthquake energy and citizen data takes risk management to a new level, not only scientifically but also by increasing societal resilience.

Düşünce Alanı (Etik): Deprem tahmininde yapay zekâya aşırı güvenmek, yanlış alarm ve panik gibi ciddi toplumsal sonuçlara yol açabilir. Bu potansiyel riskleri en aza indirerek bilimsel bilgiyi toplumla nasıl sorumlu bir şekilde paylaşabiliriz? Think Zone (Ethics): Over-reliance on artificial intelligence in earthquake prediction can lead to serious societal consequences like false alarms and panic. How can we responsibly share scientific knowledge with the public while minimizing these potential risks?

• [1] Oncel, A. O., & Wilson, T. H. (2007). Anomalous seismicity prior to the 1999 İzmit earthquake, Turkey. https://doi.org/10.1007/s10950-007-9049-0
• [2] Atkinson, G. M., & Wald, D. J. (2007). "Did you feel it?" intensity data. https://doi.org/10.1785/gssrl.78.3.362
• [3] European-Mediterranean Seismological Centre. (2023). Citizen Seismology. https://www.emsc-csem.org/service/citizen/
• [4] Wald, D. J., et al. (1999). Utilization of the Internet for rapid community intensity maps. https://www.doi.org/10.1785/gssrl.70.6.680
• [5] Çevre, Şehircilik ve İklim Değişikliği Bakanlığı. (2019). Riskli Yapıların Tespit Edilmesine İlişkin Esaslar. https://altyapi.csb.gov.tr/riskli-yapi-sureci-i-104285
• [6] It's Prodigy. (2025). AI-Powered Earthquake Prediction. It's Prodigy News. https://www.itsprodigy.com/en/news/2025-06-20-ai-powered-earthquake-prediction/
• [7] Wang, J. H. (2025). A Theory of Earthquake Prediction. EGUsphere Preprints. https://egusphere.copernicus.org/preprints/2025/egusphere-2025-3192/
• [8] Brenguier, F., et al. (2025). Breaching a seismic gap: the 2025 magnitude 7.7 Myanmar earthquake. PNAS. https://www.pnas.org/doi/10.1073/pnas.2514378122
• [9] Rao, M. S., & Singh, R. P. (2025). The 2025 Mw7.7 Mandalay, Myanmar, earthquake reveals a complex earthquake cycle with clustering and variable segmentation on the Sagaing Fault. PNAS. https://www.pnas.org/doi/10.1073/pnas.2514378122
• [10] Zgonnik, V. (2020). Short-Term Seismic Precursor Anomalies of Hydrogen Concentration in Luojishan Hot Spring Bubbling Gas, Eastern Tibetan Plateau. Frontiers in Earth Science, 8, 586279. https://doi.org/10.3389/feart.2020.586279
• [11] Hegy, M., & Elsayed, A. (2025). Detecting Earthquake Precursors Using Swarm Satellite Data. ResearchGate Preprints. https://www.researchgate.net/publication/395303099_Detecting_Earthquake_Precursors_Using_Swarm_Satellite_Data
• [12] Yadav, A., et al. (2023). Earthquake magnitude prediction in Turkey: a comparative study of deep learning methods, ARIMA and singular spectrum analysis. Environmental Earth Sciences, 82(387), 1-25. https://doi.org/10.1007/s12665-023-11111-9
• [13] Ouzounov, D., et al. (2025). Precursory anomalies in the seismo-ionospheric-atmospheric domain associated with offshore earthquakes of magnitude greater than 7.0. ResearchGate Preprints. https://www.researchgate.net/publication/395272836_Precursory_anomalies_in_the_seismo-ionospheric-atmospheric_domain_associated_with_offshore_earthquakes_of_magnitude_greater-than-70
• [14] Dergipark. (2025). Enhanced Earthquake Magnitude Prediction Using Hybrid Machine Learning and Deep Learning Models. Dumlupinar University Journal of Engineering, 12(3), 1663473. https://dergipark.org.tr/en/pub/dumf/issue/92987/1663473
• [15] Kurnaz, H. Ç., et al. (2025). AI Supported Early Warning Systems in Smart Disaster Management: The Case of Kahramanmaraş Earthquakes. Pamukkale Journal of Law and Social Science, 4(1), 128-139. https://www.pjlss.edu.pk/pdf_files/2025_2/128-139.pdf
• [16] Shestakov, A. V., et al. (2025). Clarification of the Nature of Typical Precursor Anomalies for Different-Depth Earthquakes in the Kuril-Kamchatka Region. Geodynamics & Tectonophysics, 16(1), 0811. https://doi.org/10.5800/GT-2025-16-1-0811
• [17] Noda, H., & Lapusta, N. (2012). The earthquake machine: a simple model for the study of earthquake physics. AGU Fall Meeting Abstracts, 2012, T23A-2580.

X’te Paylaş Share on X WhatsApp’ta Paylaş Share on WhatsApp LinkedIn’de Paylaş Share on LinkedIn Telegram’da Paylaş Share on Telegram