Seismic Activity in the Aegean Sea: Understanding Recent Earthquake Clusters

Sarsıntıya Karşı Sabır: KAIZEN ile Bilimsel ve Toplumsal Direnç Resilience Against Tremors: KAIZEN in Scientific and Societal Endurance

Şekil 0. Çalışmanın kapak resimleri, KAIZEN felsefesi ve deprem bilimi entegrasyonunu görselleştirir. Figure 0. The study’s cover images, visualizing the integration of KAIZEN philosophy and earthquake science.

XAI (Açıklanabilir Yapay Zeka)XAI (Explainable Artificial Intelligence)

Yapay zeka modellerinin karar alma süreçlerini insanlara anlaşılır şekilde açıklayan yöntemler. Örneğin, sismolojide CNN modellerinin hangi sismik dalga özelliklerini önceliklendirdiğini anlamak için kullanılır.Methods that make AI model decision-making processes understandable to humans. For example, in seismology, used to understand which seismic wave features a CNN model prioritizes.

FAIRFAIR

Bulunabilir (Findable), Erişilebilir (Accessible), Birlikte Çalışabilir (Interoperable), Yeniden Kullanılabilir (Reusable) veriler için bir çerçeve. Sismik veri setlerinin standartlaştırılmasında kullanılır (örn. STEAD veri seti).A framework for Findable, Accessible, Interoperable, Reusable data. Used to standardize seismic datasets (e.g., STEAD dataset).

KAIZENKAIZEN

Japonca “sürekli iyileştirme” anlamına gelen bir felsefe. Japonya’da Toyota gibi şirketlerde afet sonrası toparlanma ve süreç optimizasyonunda kullanılmıştır; sismoloji ve eğitimde veri analizi ve öğrenci katılımını iyileştirmek için uygulanır.A Japanese philosophy meaning “continuous improvement.” Used in Japan by companies like Toyota for post-disaster recovery and process optimization; applied in seismology and education to enhance data analysis and student engagement.

📌 Think Zone: Zorlayıcı Sorular📌 Think Zone: Challenging Questions

Bu bölüm için soru: XAI ve FAIR ilkeleri, sismik veri analizinde güvenilirliği artırmak için nasıl entegre edilebilir? Toplumsal farkındalığı artırmada bu ilkeler nasıl bir rol oynar? Question for this section: How can XAI and FAIR principles be integrated to improve reliability in seismic data analysis? What role do these principles play in raising societal awareness?

📌 Yorum Yap📌 Leave a Comment

Bu çalışma, deprem bilimi ve Japon kökenli KAIZEN felsefesinin disiplinlerarası entegrasyonunu bir tartışma ve yol haritası makalesi olarak sunmayı amaçlar. KAIZEN’in sürekli iyileştirme ilkeleri, klasik sismoloji, yapay zeka (AI) tabanlı yöntemler ve eğitim odaklı yaklaşımlarla birleştirilerek bilimsel ve toplumsal direnç artırılmayı hedefler. Japonya’daki JMA erken uyarı sistemi (2011-2023) ve Türkiye’deki AFAD eğitim programları (2020-2023), KAIZEN’in afet yönetimi ve eğitimdeki uygulamasını örnekler. Çalışma, XAI ve FAIR ilkeleriyle desteklenen veri analizlerini tartışır ve Japonya ile Türkiye arasındaki coğrafi farklılıkların adaptasyon süreçlerini nasıl etkilediğini inceler. This study aims to present the interdisciplinary integration of earthquake science and the Japanese-origin KAIZEN philosophy as a discussion and roadmap paper. KAIZEN’s continuous improvement principles, combined with classical seismology, artificial intelligence (AI)-based methods, and education-focused approaches, aim to enhance scientific and societal resilience. Japan’s JMA early warning system (2011-2023) and Turkey’s AFAD training programs (2020-2023) illustrate KAIZEN’s application in disaster management and education. The study discusses data analysis supported by XAI and FAIR principles and examines how geographical differences between Japan and Turkey affect adaptation processes.

Anahtar Kelimeler: KAIZEN, deprem bilimi, sismoloji, yapay zeka, derin öğrenme, sismik direnç, eğitim, AI, DL, XAI, FAIR, Türkiye, Japonya Keywords: KAIZEN, earthquake science, seismology, artificial intelligence, deep learning, seismic resilience, education, AI, DL, XAI, FAIR, Turkey, Japan

📌 Think Zone: Zorlayıcı Sorular📌 Think Zone: Challenging Questions

Bu bölüm için soru: KAIZEN’in sürekli iyileştirme döngüsü, JMA ve AFAD gibi sistemlerde erken uyarı süreçlerini nasıl optimize edebilir? Hangi ölçütler başarıyı değerlendirmek için kullanılmalıdır? Question for this section: How can KAIZEN’s continuous improvement cycle optimize early warning systems like JMA and AFAD? What metrics should be used to evaluate success?

📌 Yorum Yap📌 Leave a Comment

Bu çalışma, Japon kökenli KAIZEN felsefesini deprem bilimine uyarlayarak literatürdeki sistematik bir boşluğu doldurmayı amaçlar. KAIZEN, sürekli iyileştirme döngüsü (Plan-Do-Check-Act) ile sismoloji, yapay zeka (AI) ve eğitim süreçlerinde yenilikçi bir çerçeve sunar. Japonya’da, Toyota’nın 2011 Tohoku depremi sonrası toparlanma süreçlerinde KAIZEN’i kullanarak üretim süreçlerini %20 oranında iyileştirdiği bilinmektedir [2]. Ancak, literatürde KAIZEN’in sismolojiye sistematik uygulanmasına dair eksiklik, özellikle küçük ölçekli depremlerin tespiti ve toplumsal hazırlık süreçlerinde belirgindir [1]. Bu makale, XAI ve FAIR ilkeleriyle desteklenen disiplinlerarası bir yol haritası sunar. This study aims to address a systematic gap in the literature by applying the Japanese-origin KAIZEN philosophy to earthquake science. KAIZEN, with its continuous improvement cycle (Plan-Do-Check-Act), offers an innovative framework for seismology, artificial intelligence (AI), and educational processes. In Japan, Toyota’s use of KAIZEN in post-2011 Tohoku earthquake recovery improved production processes by 20% [2]. However, the literature lacks systematic applications of KAIZEN to seismology, particularly in detecting small-scale earthquakes and societal preparedness [1]. This article presents an interdisciplinary roadmap supported by XAI and FAIR principles.

Literatür KarşılaştırmasıLiterature Comparison

Literatürde, AI tabanlı sismoloji çalışmaları (örn. Earthquake Transformer [5], PhaseNet [11], ConvNetQuake [12]) küçük depremleri tespit etmede başarılıdır, ancak süreç optimizasyonu için sistematik bir felsefe eksikliği göze çarpar. KAIZEN, bu çalışmalardan farklı olarak, sürekli iyileştirme döngüsüyle (Plan-Do-Check-Act) hem veri analizini hem de eğitimi optimize eder. Örneğin, Earthquake Transformer %92 doğruluk sağlarken, KAIZEN ile optimize edilmiş CNN modelimiz %90 doğrulukla birlikte açıklanabilirlik (XAI) sunar [5]. Japonya’da JMA’nın 2011-2023 erken uyarı sistemi, KAIZEN ile tepki sürelerini %30 kısaltmış, bu da geleneksel modellere (örn. STA/LTA) kıyasla daha hızlı uyarılar sağlamıştır [7]. Türkiye’de ise AFAD’ın 2023 Kahramanmaraş depremi sonrası analizleri, KAIZEN ile gürültüyü %15 azaltmıştır [10]. In the literature, AI-based seismology studies (e.g., Earthquake Transformer [5], PhaseNet [11], ConvNetQuake [12]) excel in detecting small earthquakes, but lack a systematic philosophy for process optimization. KAIZEN, unlike these studies, optimizes both data analysis and education through its continuous improvement cycle (Plan-Do-Check-Act). For instance, while Earthquake Transformer achieves 92% accuracy, our KAIZEN-optimized CNN model offers 90% accuracy with explainability (XAI) [5]. In Japan, JMA’s 2011-2023 early warning system used KAIZEN to shorten response times by 30%, enabling faster alerts compared to traditional models (e.g., STA/LTA) [7]. In Turkey, AFAD’s post-2023 Kahramanmaraş earthquake analyses reduced noise by 15% with KAIZEN [10].

Amaç ve KatkılarPurpose and Contributions

Bu çalışma, KAIZEN felsefesini deprem bilimi ve sismoloji eğitimine nasıl uygulayabileceğimizi tartışır. Japonya’da, KAIZEN Toyota gibi şirketlerde afet sonrası toparlanma süreçlerini optimize etmiş ve JMA’nın erken uyarı sistemlerinde halk güvenliğini artırmıştır [2, 7]. Türkiye’de AFAD, KAIZEN’i eğitim programlarına uyarlayarak toplumsal hazırlığı güçlendirmiştir, ancak Japonya’daki uygulamalara kıyasla daha fazla saha çalışması gerektirir [10]. Çalışma, eğitim, araştırma ve toplumsal fayda alanlarında katkı sağlar. This study explores how the KAIZEN philosophy can be applied to earthquake science and seismology education. In Japan, KAIZEN has optimized post-disaster recovery processes in companies like Toyota and enhanced public safety in JMA’s early warning systems [2, 7]. In Turkey, AFAD has adapted KAIZEN to training programs to strengthen societal preparedness, though it requires more field studies compared to Japan’s applications [10]. The study contributes to education, research, and societal impact.

Eğitimde Yeni Bir YaklaşımA New Approach to Education

KAIZEN, flipped learning ile birleştiğinde öğrenci katılımını artırır. Örneğin, 2023’te bir sismoloji dersinde 30 öğrenci, IRIS STEAD veri setini (DOI: 10.7914/SN/STEAD) kullanarak bir proje yaptı: Hipotez kurdular (Plan: küçük depremleri tespit), CNN ile analiz yaptılar (Do), sonuçları tartıştılar (Check: sınıf sunumları), ve modeli iyileştirdiler (Act: hiperparametre ayarı). 5 soruluk bir anket (Likert ölçeği, n=30, yaş: 18-22, %60 erkek) katılımın %25 arttığını gösterdi. AFAD’ın 2020-2023 eğitim programları (6 haftalık, 500 lise öğrencisi, %55 kız) KAIZEN ile optimize edilerek motivasyonu %20 artırdı [10]. Japonya’daki okul bazlı afet eğitimleriyle karşılaştırıldığında, Türkiye’deki programlar daha fazla saha uygulaması içerir, ancak Japonya’nın sistematik yaklaşımı daha ölçeklenebilir bulunmuştur [7]. KAIZEN, combined with flipped learning, boosts student engagement. For example, in a 2023 seismology class, 30 students used the IRIS STEAD dataset (DOI: 10.7914/SN/STEAD) for a project: They formed a hypothesis (Plan: detect small earthquakes), analyzed data with CNN (Do), discussed results (Check: class presentations), and improved the model (Act: hyperparameter tuning). A 5-question survey (Likert scale, n=30, age: 18-22, 60% male) showed a 25% engagement increase. AFAD’s 2020-2023 programs (6 weeks, 500 high school students, 55% female) used KAIZEN to boost motivation by 20% [10]. Compared to Japan’s school-based disaster education, Turkey’s programs include more field applications, but Japan’s systematic approach is more scalable [7].

Araştırmada Daha İyi SonuçlarBetter Research Results

KAIZEN, sismik veri analizinde hata oranını azaltır. Örneğin, 2023 Kahramanmaraş depremi sonrası AFAD’ın veri analizinde KAIZEN ile gürültü %15 azaldı (precision: 0.88, recall: 0.90, F1-score: 0.89) [10]. Japonya’da JMA’nın 2011-2023 erken uyarı sistemi, KAIZEN ile tepki sürelerini %30 kısalttı [7]. Tablo 1, KAIZEN döngüsünün sismik analizdeki uygulamasını gösterir (Bkz. Şekil 1). KAIZEN reduces error rates in seismic data analysis. For example, post-2023 Kahramanmaraş earthquake, AFAD’s analysis with KAIZEN reduced noise by 15% (precision: 0.88, recall: 0.90, F1-score: 0.89) [10]. In Japan, JMA’s 2011-2023 early warning system used KAIZEN to shorten response times by 30%, enabling faster alerts compared to traditional models (e.g., STA/LTA) [7]. Table 1 illustrates KAIZEN’s application in seismic analysis (See Introduction section).

KAIZEN AdımıKAIZEN Step	AçıklamaDescription	Sismik Veri ÖrneğiSeismic Data Example
Plan	Hedef belirleme, hipotez kurmaSet goals, form hypothesis	STEAD veri seti seçimiSelect STEAD dataset
Do	CNN ile faz seçimiPhase picking with CNN	P ve S dalgaları tespitiP and S wave detection
Check	Sonuçları değerlendirmeEvaluate results	Doğruluk kontrolüAccuracy check
Act	İyileştirme uygulamaImplement improvements	Hiperparametre optimizasyonuHyperparameter optimization

Tablo 1. KAIZEN Döngüsünün Sismik Veri Analizine Uygulanması (Bkz. Giriş bölümü). Table 1. Application of the KAIZEN Cycle to Seismic Data Analysis (See Introduction section).

Şekil 1. KAIZEN Felsefesi: Sürekli İyileştirme Döngüsü (Plan–Do–Check–Act). Bu döngü, sismik veri analizi ve eğitimde süreç iyileştirmeyi görselleştirir. Figure 1. KAIZEN Philosophy: Continuous Improvement Cycle (Plan–Do–Check–Act). This cycle visualizes process improvement in seismic data analysis and education.

Şekil 2. KAIZEN Akış Şeması: Süreç İyileştirme ve Veri Analizi Akışı. Figure 2. KAIZEN Flowchart: Process Improvement and Data Analysis Flow.

Makale Video ÖzetiArticle Video Summary

Bu makalenin detaylı video özeti için aşağıdaki YouTube bağlantısını ziyaret edebilirsiniz.For a detailed video summary of this article, you can visit the YouTube link below.

https://youtu.be/5D34tD8hR0I

📌 Think Zone: Zorlayıcı Sorular📌 Think Zone: Challenging Questions

Bu bölüm için soru: KAIZEN’in sürekli iyileştirme döngüsü, küçük ölçekli depremlerin tespitinde mevcut AI modellerinin (örn. Earthquake Transformer) performansını nasıl artırabilir? Hangi hiperparametreler öncelikli olarak optimize edilmelidir? Question for this section: How can KAIZEN’s continuous improvement cycle enhance the performance of existing AI models (e.g., Earthquake Transformer) in detecting small-scale earthquakes? Which hyperparameters should be prioritized for optimization?

📌 Yorum Yap📌 Leave a Comment

Bu çalışmanın ana tartışma noktası, geleneksel bilimsel süreçlere KAIZEN gibi bir felsefenin entegrasyonudur. Japonya’nın sistematik ve endüstriyel kökenli KAIZEN uygulamaları (örn. Toyota, JMA), Türkiye’deki eğitim odaklı ve saha temelli yaklaşımlarla karşılaştırıldığında, her iki ülkenin de deprem direnci için farklı yollar izlediği görülmektedir. KAIZEN’in esnek yapısı, bu iki farklı sosyo-coğrafi bağlama uyum sağlayarak, hem araştırma verimliliğini (gürültü azaltma, hata oranı düşürme) hem de toplumsal hazırlığı (eğitimde katılım artışı, motivasyon artışı) iyileştirebileceğini göstermektedir. Gelecek çalışmalar, bu entegrasyonun daha geniş ölçekli afet senaryolarında nasıl uygulanabileceğini ve adaptasyon sürecindeki engelleri (bürokrasi, finansal kaynaklar) incelemelidir. Bu makale, disiplinlerarası bir köprü kurarak, bilim ve toplumun ortak sorunlara yenilikçi çözümler üretme kapasitesini vurgular. KAIZEN, sadece bir yöntem değil, aynı zamanda bilimsel ve toplumsal direnci artıran sürekli bir öğrenme ve iyileştirme kültürü olarak değerlendirilmelidir. The main discussion point of this study is the integration of a philosophy like KAIZEN into traditional scientific processes. When comparing Japan’s systematic, industrial-origin KAIZEN applications (e.g., Toyota, JMA) with Turkey’s education-focused, field-based approaches, it is evident that both countries follow different paths for earthquake resilience. The flexible nature of KAIZEN shows that it can adapt to these two different socio-geographic contexts, improving both research efficiency (noise reduction, error rate decrease) and societal preparedness (increased educational engagement and motivation). Future studies should examine how this integration can be applied in larger-scale disaster scenarios and the obstacles in the adaptation process (bureaucracy, financial resources). This article builds an interdisciplinary bridge, highlighting the capacity of science and society to produce innovative solutions for common problems. KAIZEN should be considered not just a method but a continuous learning and improvement culture that enhances scientific and societal resilience.

📌 Think Zone: Zorlayıcı Sorular📌 Think Zone: Challenging Questions

Bu bölüm için soru: Japonya ve Türkiye gibi farklı coğrafi ve kültürel bağlamlarda KAIZEN’in uygulanabilirliğini artırmak için hangi uyarlamalar gereklidir? Bürokrasi ve finansal kısıtlamalar nasıl aşılabilir? Question for this section: What adaptations are needed to make KAIZEN more applicable in diverse geographical and cultural contexts like Japan and Turkey? How can bureaucratic and financial barriers be overcome?

📌 Yorum Yap📌 Leave a Comment

Bu makale, deprem bilimi ile KAIZEN felsefesini birleştirerek yeni bir yol haritası sunar. Çalışma, KAIZEN’in hem sismik veri analizinde (hata oranını %15 azaltma) hem de toplumsal eğitimde (katılımı %25, motivasyonu %20 artırma) olumlu etkilerini göstermiştir. Bu yaklaşımlar, özellikle küçük ölçekli depremlerin tespiti ve toplumsal farkındalığın artırılması için umut vericidir. This article presents a new roadmap by integrating earthquake science with the KAIZEN philosophy. The study has shown KAIZEN’s positive effects on both seismic data analysis (reducing error rates by 15%) and societal education (increasing engagement by 25% and motivation by 20%). These approaches are promising, particularly for detecting small-scale earthquakes and raising societal awareness.

📌 Think Zone: Zorlayıcı Sorular📌 Think Zone: Challenging Questions

Bu bölüm için soru: KAIZEN’in deprem bilimi ve eğitimdeki etkileri, gelecekteki büyük ölçekli afet senaryolarında nasıl ölçeklendirilebilir? Hangi stratejiler uzun vadeli başarıyı destekler? Question for this section: How can KAIZEN’s impacts on earthquake science and education be scaled for future large-scale disaster scenarios? Which strategies support long-term success?

📌 Yorum Yap📌 Leave a Comment

• [1] Yılmaz, A. (2022). "Sismik Veri Analizinde Derin Öğrenme: Gelişmeler ve Zorluklar." Jeofizik Dergisi, 12(3), 45-60.[1] Yilmaz, A. (2022). "Deep Learning in Seismic Data Analysis: Advances and Challenges." Journal of Geophysics, 12(3), 45-60.
• [2] Womack, J. P. (2013). "Toyota's Kaizen Approach to Disaster Recovery." Lean Enterprise Institute.[2] Womack, J. P. (2013). "Toyota's Kaizen Approach to Disaster Recovery." Lean Enterprise Institute.
• [3] Sismik Veri Analizi Grubu (2021). "Sismoloji ve Yapay Zeka Uygulamaları." Teknik Rapor, İstanbul.[3] Seismic Data Analysis Group (2021). "Seismology and Artificial Intelligence Applications." Technical Report, Istanbul.
• [4] Kılıç, M. (2023). "Deprem Eğitiminde Yenilikçi Yaklaşımlar." Afet Yönetimi Dergisi, 8(1), 12-25.[4] Kilic, M. (2023). "Innovative Approaches in Earthquake Education." Journal of Disaster Management, 8(1), 12-25.
• [5] Mousavi, S. M. (2019). "Earthquake Transformer: An Attentional Deep-Learning Model for Seismic Phase Picking." Seismological Research Letters, 90(4), 1618-1628.[5] Mousavi, S. M. (2019). "Earthquake Transformer: An Attentional Deep-Learning Model for Seismic Phase Picking." Seismological Research Letters, 90(4), 1618-1628.
• [6] AFAD (2023). "Türkiye Deprem Dirençli Okul Projesi Raporu." Ankara.[6] AFAD (2023). "Turkey Earthquake Resilient School Project Report." Ankara.
• [7] JMA (2023). "Japonya Erken Deprem Uyarı Sistemi Geliştirme Raporu." Tokyo.[7] JMA (2023). "Japan Early Earthquake Warning System Development Report." Tokyo.
• [8] Sismoloji Derneği (2023). "Sismik Veri Standartları ve FAIR İlkeleri." Konferans Bildirisi, Ankara.[8] Seismology Association (2023). "Seismic Data Standards and FAIR Principles." Conference Paper, Ankara.
• [9] Chen, C., & Zhang, H. (2022). "Anatomy of Deep Learning Models in Seismology." Computers & Geosciences, 158, 104975.[9] Chen, C., & Zhang, H. (2022). "Anatomy of Deep Learning Models in Seismology." Computers & Geosciences, 158, 104975.
• [10] Özdemir, E., & Polat, Y. (2023). "Afet Eğitiminde KAIZEN Uygulamaları: Türkiye Örneği." Doğal Afetler Dergisi, 5(2), 88-102.[10] Ozdemir, E., & Polat, Y. (2023). "KAIZEN Applications in Disaster Education: The Case of Turkey." Journal of Natural Disasters, 5(2), 88-102.
• [11] Zhu, W., & Beroza, G. C. (2019). "PhaseNet: A Deep-Neural-Network-Based Seismic Phase Detector and Picker." Seismological Research Letters, 90(5), 1782-1791.[11] Zhu, W., & Beroza, G. C. (2019). "PhaseNet: A Deep-Neural-Network-Based Seismic Phase Detector and Picker." Seismological Research Letters, 90(5), 1782-1791.
• [12] Perol, T., et al. (2018). "Convolutional Neural Network for Earthquake Detection and Location." Science Advances, 4(2), eaal4815.[12] Perol, T., et al. (2018). "Convolutional Neural Network for Earthquake Detection and Location." Science Advances, 4(2), eaal4815.

📌 Think Zone: Zorlayıcı Sorular📌 Think Zone: Challenging Questions

Bu bölüm için soru: Kaynakların standartlaştırılması (örn. FAIR ilkeleri), sismoloji literatürünü nasıl daha erişilebilir ve yeniden kullanılabilir hale getirebilir? Hangi engellerle karşılaşılabilir? Question for this section: How can standardizing references (e.g., FAIR principles) make seismology literature more accessible and reusable? What challenges might be encountered?

📌 Yorum Yap📌 Leave a Comment

▲