Seismic Activity in the Aegean Sea: Understanding Recent Earthquake Clusters

Bölgesel Deprem Tehlikesi ve Sismolojik Yaklaşımlar Regional Earthquake Hazard and Seismological Approaches

6 Şubat 2023 Kahramanmaraş depremleri (M7.8 ve M7.5), Türkiye’nin modern tarihinde en yıkıcı depremlerden biri olarak kaydedilmiştir ve deprem tahmini ile risk azaltma konusundaki ihtiyaçları yeniden vurgulamıştır. Daha önce 1999 İzmit depremi (M7.4), deprem öngörülebilirliği tartışmalarını başlatan bir dönüm noktasıydı; ancak 2023 depremleri, bu konuyu daha acil hale getirmiştir. Bu çalışma, deprem mekanizmalarını, öncül anomalileri, sismik boşluk teorisini ve vatandaş katılımının risk azaltmadaki rolünü incelemektedir. Yapay zekâ (AI) ve makine öğrenimi (ML), büyük veri analiziyle deprem tahminine yenilikler getirmiştir. The February 6, 2023, Kahramanmaraş earthquakes (M7.8 and M7.5) are recorded as one of the most devastating earthquakes in modern Turkish history, re-emphasizing the need for earthquake prediction and risk reduction. Previously, the 1999 Izmit earthquake (M7.4) marked a turning point in predictability debates; however, the 2023 events have made this issue more urgent. This study examines earthquake mechanisms, precursor anomalies, seismic gap theory, and the role of citizen participation in risk reduction. Artificial intelligence (AI) and machine learning (ML) have introduced innovations in earthquake prediction through big data analysis.

Motivasyon: 2019 NotuMotivation: 2019 Note

Bu çalışma, 18 Eylül 2019’da yazılmış bir nottan ilham almıştır. Notta, bölgesel deprem tehlikesi çoklu fayların etkisiyle değerlendirilmiş; M6, M6.5 ve M7.5 büyüklüğündeki depremlerin birbirinden bağımsız olabileceği, paleosismolojinin tek fay performansına odaklandığı ve probabilistik yaklaşımların ulusal sismik tehlike haritalarında tercih edildiği belirtilmiştir. Bu çalışma, bu fikirleri IMRAD formatında genişletir ve klasik sismolojik yöntemlerle modern yaklaşımları birleştirir. This study is inspired by a note written on September 18, 2019. The note assessed regional earthquake hazards through the influence of multiple faults, suggesting that M6, M6.5, and M7.5 earthquakes may be independent, paleoseismology focuses on single-fault performance, and probabilistic approaches are preferred in national seismic hazard maps. This study expands these ideas in IMRAD format, integrating classical seismological methods with modern approaches.

Son GelişmelerRecent Advances

Son yıllarda, yapay zekâ tabanlı yöntemler sismik veri analizinde devrim yaratmıştır. Örneğin, konvolüsyonel uzun kısa vadeli bellek (ConvLSTM) modelleri, Epidemik Tip Artçı Sekans (ETAS) modeliyle birleştirilerek, Güney Kaliforniya’daki deprem sayılarının eğilimlerini %85 doğrulukla yakalamıştır. Bu hibrit yaklaşım, deprem verilerini zaman ve mekân boyutunda analiz ederek klasik modellerin tahmin yeteneğini güçlendirmiştir. Ayrıca, derin öğrenme teknikleri, sismik dalga formlarını işleyerek erken uyarı sistemlerinde kullanılabilecek anomali tespitini geliştirmiştir. Bu gelişmeler, "Post-Modern Sismoloji" terimiyle ifade edilebilecek yeni bir dönemi başlatmıştır; bu terim, yapay zekânın sismolojiye getirdiği paradigmatik değişikliği ve teknolojik yenilikleri vurgular. In recent years, AI-based methods have revolutionized seismic data analysis. For instance, convolutional long short-term memory (ConvLSTM) models, combined with the Epidemic-Type Aftershock Sequence (ETAS) model, have achieved ~85% accuracy in capturing earthquake trends in Southern California. This hybrid approach enhances the predictive power of classical models by analyzing earthquake data across time and space. Additionally, deep learning techniques have improved anomaly detection in seismic waveforms, aiding early warning systems. These advancements mark the beginning of a new era, termed "Post-Modern Seismology," which highlights the paradigm shift and technological innovations brought by AI to seismology.

Q1 (Ana Soru): Klasik sismolojik yöntemlerle yapay zekâ tabanlı analizlerin birleşimi deprem tahminlerinin doğruluğunu nasıl artırabilir ve bu entegrasyon hangi yeni risk yönetim modellerine yol açabilir?

Q1 Detayı: Farklı ölçeklerdeki verilerin (sismik boşluk, jeokimyasal anomaliler, mikro-deprem örüntüleri) gerçek zamanlı ve çok boyutlu bir risk modelinde entegrasyonu için hangi veri yönetimi protokolleri geliştirilmelidir? Q1 (Main Question): How can the integration of classical seismological methods with AI-based analyses improve the accuracy of earthquake predictions, and what new risk management models could this integration lead to?

Q1 Detail: What data management protocols should be developed for the integration of multi-scale data (seismic gaps, geochemical anomalies, micro-earthquake patterns) into a real-time, multi-dimensional risk model?

İlgili VideolarRelated Videos

0:00 Giriş
11:10 Sismoloji ve Deprem Bilimi Temelleri
11:30 Erken Uyarı Sistemi ve Tahmin Durumu 0:00 Introduction
11:10 Seismology and Earthquake Science Basics
11:30 Early Warning System and Prediction Status 0:00 Giriş ve Amaç
08:02 Deprem Risk Yönetimi ve Kültürü
16:31 Faylar ve Küçük Depremler 0:00 Introduction and Purpose
08:02 Earthquake Risk Management and Culture
16:31 Faults and Small Earthquakes 0:00 Giriş
05:45 Bilimsel Katkılar
12:10 Bölgesel Deprem Analizleri 0:00 Introduction
05:45 Scientific Contributions
12:10 Regional Earthquake Analyses 0:00 IRIS Tarayıcı Tanıtımı
00:36 Harita Görünümü ve Renk Kodlama
01:55 Filtreleme Seçenekleri
03:00 Fay Hatları ve Depremler
04:35 3D Görünüm ve Animasyon 0:00 IRIS Browser Introduction
00:36 Map View and Color Coding
01:55 Filtering Options
03:00 Fault Lines and Earthquakes
04:35 3D View and Animation

YöntemlerMethods

Çalışma, son beş yılda yayımlanmış literatür taramasına dayanmaktadır (2020-2025). Kullanılan anahtar kelimeler şunlardır: "probabilistic seismic hazard analysis", "deterministic seismic hazard analysis", "paleosismology", "machine learning in seismology". Bu terimler, deprem bilimi ve tahmin yöntemleriyle ilgilidir. İncelenen kaynaklarda veri gereksinimleri, kullanılan algoritmalar ve gerçek dünya uygulama örnekleri değerlendirilmiştir. Aşağıda bu kavramlar, herkesin anlayabileceği şekilde açıklanmıştır: The study is based on a literature review of publications from the last five years (2020-2025). The keywords used are: "probabilistic seismic hazard analysis", "deterministic seismic hazard analysis", "paleosismology", "machine learning in seismology". These terms relate to earthquake science and prediction methods. The reviewed sources evaluated data requirements, algorithms used, and real-world application examples. Below, these concepts are explained in an accessible way:

Kavramların AçıklamasıExplanation of Concepts

• Probabilistic Seismic Hazard Analysis (PSHA - Olasılıksal Deprem Tehlike Analizi): Bu yöntem, bir bölgedeki deprem riskini tahmin etmek için olasılıkları kullanır. Örneğin, belirli bir yerde 50 yıl içinde belirli bir büyüklükte deprem olma ihtimalini hesaplar. Bu, farklı fayların ve deprem senaryolarının birleşimiyle çalışır, böylece genel bir risk haritası çıkarılır (örneğin, Field et al., 2023). Probabilistic Seismic Hazard Analysis (PSHA): This method uses probabilities to estimate earthquake risk in a region. For example, it calculates the chance of a certain magnitude earthquake occurring within 50 years in a specific area. It works by combining different faults and scenarios to create an overall risk map (e.g., Field et al., 2023).
• Deterministic Seismic Hazard Analysis (DSHA - Belirleyici Deprem Tehlike Analizi): Bu yöntem, belirli bir fayın en kötü senaryo depremini baz alır ve sabit bir risk tahmini yapar. Örneğin, tek bir büyük depremin etkisini hesaplar, ancak diğer olasılıkları göz ardı edebilir (örneğin, Petersen et al., 2024). Deterministic Seismic Hazard Analysis (DSHA): This method bases its risk estimate on the worst-case earthquake scenario for a specific fault. For example, it calculates the impact of a single large earthquake but may ignore other possibilities (e.g., Petersen et al., 2024).
• Paleosismology (Paleosismoloji): Bu, eski depremlerin izlerini inceleyerek fayların geçmişteki davranışını anlamayı amaçlar. Toprak katmanlarından alınan verilerle, bir fayın ne kadar sık deprem ürettiği veya en büyük deprem büyüklüğü gibi bilgiler elde edilir (örneğin, Field et al., 2023). Paleosismology: This involves studying traces of past earthquakes to understand how faults behaved historically. Data from soil layers helps determine how often a fault produces earthquakes or its maximum magnitude (e.g., Field et al., 2023).
• Machine Learning in Seismology (Sismolojide Makine Öğrenimi): Bu, bilgisayarların deprem verilerini analiz ederek örüntüleri bulmasını sağlar. Örneğin, yapay zekâ modelleri sismik dalgaları inceleyerek depremi önceden haber verebilir (örneğin, Asim et al., 2021). Machine Learning in Seismology: This allows computers to analyze earthquake data and find patterns. For instance, AI models can examine seismic waves to predict earthquakes in advance (e.g., Asim et al., 2021).

Post-Modern SismolojiPost-Modern Seismology

"Post-Modern Sismoloji" terimi, yapay zekâ ve makine öğrenimi gibi yeni teknolojilerin sismolojiye entegrasyonuyla başlayan dönemi tanımlamak için kullanılabilir. Bilimsel ve felsefi bağlamda "post-modern" kavramı, mevcut paradigmaların ötesine geçen teknolojik ve kültürel yenilikleri ifade eder. Yapay zekânın sismolojiye katkıları, klasik yöntemlerin temel bilgi sağladığı bir evreden, karmaşık ve analitik teknolojilerin kullanıldığı yeni bir evreye geçişi simgeler. Bu terim, sismolojide paradigmatik bir değişimi yansıtır ve çağdaş yaklaşımları kapsar. The term "Post-Modern Seismology" can be used to describe the era initiated by the integration of new technologies like artificial intelligence and machine learning into seismology. In scientific and philosophical contexts, "post-modern" refers to technological and cultural innovations that go beyond existing paradigms. The contributions of AI to seismology mark a transition from an era where classical methods provided foundational knowledge to a new era utilizing complex and analytical technologies. This term reflects a paradigmatic shift and encompasses contemporary approaches in seismology.

Bu yaklaşımı destekleyen çalışmalarda, klasik yöntemlerin temel bilgi sağladığı, modern yapay zekâ tekniklerinin ise gelişmiş analizlerde kullanıldığı belirtiliyor (örneğin, Li et al., 2023). Ayrıca, yapay zekânın kültürel ve bilimsel etkileri üzerine yapılan tartışmalarda, post-modernite ile teknolojik çağın birleşimi ele alınıyor; bu bağlamda "Post-Modern Sismoloji" örnek teşkil edebilir. Özetle: Supporting studies indicate that classical methods provide foundational knowledge, while modern AI techniques are used for advanced analyses (e.g., Li et al., 2023). Furthermore, discussions on the cultural and scientific impacts of AI address the fusion of postmodernity with the technological age; in this context, "Post-Modern Seismology" can serve as an example. In summary:

• Klasik Sismoloji: Geleneksel yöntemler (paleosismoloji, deterministik analizler vb.).Classical Seismology: Traditional methods (paleoseismology, deterministic analyses, etc.).
• Modern Sismoloji: AI ve makine öğrenimi gibi yeni teknolojilerle genişlemiş bilim.Modern Seismology: Science expanded with new technologies like AI and machine learning.
• Post-Modern Sismoloji: Yapay zekânın getirdiği paradigmatik değişiklikle sismolojinin yeni çağı.Post-Modern Seismology: A new era of seismology marked by the paradigmatic shift brought by AI.

Bu tanım, güncel literatürde yaygın olmasa da konsept olarak uygundur ve bilimsel tartışmalarda kullanılabilir. Detaylı felsefi ve bilimsel tartışmalar için aşağıdaki videolar izlenebilir: This definition, though not widespread in current literature, is conceptually appropriate and can be used in scientific discussions. For detailed philosophical and scientific discussions, the following videos can be watched:

Yapay Zeka ve Deprem TahminleriArtificial Intelligence and Earthquake Predictions

0:00 Giriş
05:00 Yapay zekânın deprem tahminindeki rolü
15:00 Gelecekteki olasılıklar 0:00 Introduction
05:00 Role of AI in earthquake prediction
15:00 Future possibilities

Eğitim VideolarıEducational Videos

Aşağıda, Probabilistic Seismic Hazard Analysis (PSHA), Deterministic Seismic Hazard Analysis (DSHA), Paleosismology ve Machine Learning in Seismology konularını kapsayan, USGS, IRIS, EarthScope ve Ali Osman Öncel gibi güvenilir kaynaklardan seçilmiş akademik nitelikteki YouTube videoları listelenmiştir. Her videoda önemli zaman damgaları (timestamps) ile kolay erişim sağlanmıştır. Below are YouTube videos of academic quality, selected from trusted sources such as USGS, IRIS, EarthScope, and Ali Osman Öncel, covering Probabilistic Seismic Hazard Analysis (PSHA), Deterministic Seismic Hazard Analysis (DSHA), Paleosismology, and Machine Learning in Seismology. Key timestamps are provided for easy access.

Probabilistic Seismic Hazard Analysis (PSHA)Probabilistic Seismic Hazard Analysis (PSHA)

• Video:Video: PSHA primer: Seismic hazard calculations Kanal:Channel: Cambridge University Press (akademik) Link:Link: https://www.youtube.com/watch?v=eqINSubiQiE Süre:Duration: 34:09 Zaman Damgaları:Timestamps: - 0:01 Tanıtım ve PSHA tanımı - 11:00 PSHA hesaplama örnekleri ve formüller - 30:00 Belirsizliğin yönetimi ve logic trees - 33:50 Temel kavramlar özeti
• Video:Video: Deprem Tehlikesi Nasıl Hesaplanır? Basitçe Anlatıyoruz! Kanal:Channel: Popüler bilim Link:Link: https://www.youtube.com/watch?v=SLM5Jrqtxg4 Zaman Damgaları:Timestamps: - 0:00 Giriş - 05:15 Olasılıksal deprem tehlikesi açıklaması - 10:30 Depremlerin tekrarlanma dönemleri - 15:45 PSHA'nın genel kullanımı

Deterministic Seismic Hazard Analysis (DSHA)Deterministic Seismic Hazard Analysis (DSHA)

• Video:Video: Deprem Risk Analizi (1) Giriş Kanal:Channel: Genel eğitim kanalı Link:Link: https://www.youtube.com/watch?v=NU4C-UNrCwA Zaman Damgaları:Timestamps: - 0:00 DSHA ve PSHA tanımı - 08:30 DSHA'nın temel prensipleri - 12:00 Tek fay analizi ve en kötü senaryo

PaleosismologyPaleosismology

• Video:Video: Ali Osman ÖNCEL I İleri Sismoloji (paleosismoloji bölümü dahil olabilir) Link:Link: https://www.youtube.com/watch?v=I0eT_WSHPBA Zaman Damgaları:Timestamps: - 0:00 Giriş - 10:00 Paleosismolojiye giriş ve fay hareketleri - 20:00 Fayların geçmiş depremlerinin analizi

Machine Learning in SeismologyMachine Learning in Seismology

• Video:Video: Machine Learning & AI in Earthquake Science (Örnek) Kanal:Channel: IRIS Earthquake Science (genel olarak veri analizi odaklı eğitimler) Link:Link: https://www.youtube.com/watch?v=jlOMdHN_jVA (parça olarak bakılabilir) Zaman Damgaları:Timestamps: - 0:30 Veri analizi ve yapay zeka kullanımı - 02:00 Sismik olayların örüntü analizi - 04:30 Modelleme ve tahminlerin geliştirilmesi

Bu videolar, akademik ve öğretici içerikler sunar ve önerilen ana başlıklar kapsamında zaman damgaları ile kolay erişim sağlar. Özellikle PSHA konusunda Cambridge University Press’in videosu bilimsel derinlik sunarken, diğer videolar sismolojik analiz yöntemleri ve yenilikçi teknolojilere odaklanır. These videos provide academic and educational content, offering easy access through timestamps for the suggested main topics. The Cambridge University Press video on PSHA offers scientific depth, while other videos focus on seismological analysis methods and innovative technologies.

Klasik ve Modern SismolojiClassical and Modern Seismology

“Klasik sismoloji” terimi, geleneksel yöntemleri (örneğin, paleosismoloji ve deterministik analizler) ifade eder ve yapay zekâ öncesi dönemi kapsar. “Modern sismoloji” ise AI ve makine öğrenimi gibi yeni teknolojilerin eklendiği güncel yaklaşımları tanımlar. Yapay zekânın yaygınlaşmasıyla, klasik yöntemler daha çok temel bilgi sağlama amacıyla kullanılmaya başlanmıştır (örneğin, Li et al., 2023). The term “classical seismology” refers to traditional methods (e.g., paleoseismology and deterministic analyses) from the pre-AI era. “Modern seismology” describes current approaches that include new technologies like AI and machine learning. With the rise of AI, classical methods are now mostly used to provide foundational knowledge (e.g., Li et al., 2023).

BulgularResults

Güncel bilimsel çalışmalar ve veriler ışığında, literatürde üç ana yaklaşım öne çıkmaktadır: Based on current scientific studies and data, three main approaches stand out in the literature:

• Paleosismoloji: Fayların geçmişteki deprem aktivitelerini inceleyerek maksimum deprem büyüklüğü ve tekrarlanma periyodunu belirler. Bu yöntem, tarih öncesi ve tarihsel depremler hakkında doğrudan fiziksel kanıt sağlar (Field et al., 2023).Paleosismology: Examines past earthquake activities on faults to determine maximum magnitude and recurrence intervals. This method provides direct physical evidence of prehistoric and historical earthquakes (Field et al., 2023).
• Sismolojik Çoklu Fay Yaklaşımı: Bölgesel olarak çok sayıda fayın olasılıksal analizlerle birlikte değerlendirilerek ortak deprem riskinin hesaplanmasıdır. Bu yaklaşım, istatistiksel modellemeler için yeterli uzunluk ve tamamlığa sahip büyük veri tabanlarının kullanılmasını gerektirir. Veri eksikliğinde tek fay üzerine olasılıksal tahminler güvenilir değildir.Seismological Multi-Fault Approach: Involves assessing multiple faults regionally using probabilistic analyses to calculate combined earthquake risk. This approach requires large databases with sufficient length and completeness for statistical modeling. Probabilistic predictions based on a single fault are unreliable in the absence of complete data.
• Deterministik ve Olasılıksal Analizlerin Karşılaştırılması: Deterministik analiz, tek bir fay için en kötü senaryo depremine dayanarak sabit bir risk tahmini yapar. Olasılıksal analiz ise farklı deprem senaryolarını birleştirip daha kapsamlı risk tahmini sağlar ve güncel çalışmalar daha çok bu yaklaşımı tercih etmektedir (Petersen et al., 2024).Comparison of Deterministic and Probabilistic Analyses: Deterministic analysis bases its risk estimate on the worst-case earthquake scenario for a single fault. Probabilistic analysis combines various earthquake scenarios for a more comprehensive risk estimate, and current studies increasingly favor this approach (Petersen et al., 2024).

Ancak, veri tabanındaki sismik verilerin kalitesi ve tamlığı büyük önem taşımaktadır. Özellikle borehole seismology yöntemiyle kuyu içi sismometrelerin kullanılmasıyla, büyüklüğü çok küçük (örneğin M<1) artçı depremler bile kaydedilebilmektedir. Günümüzde yapay zekâ destekli analizlerde, AI ile işlenen veri setlerinin, rasathane verilerinden yaklaşık bir büyüklük birim kadar daha küçük magnitüdde depremleri algılayabildiği gözlemlenmiştir (Li et al., 2023; Asim et al., 2021). However, the quality and completeness of seismic data in the database are of great importance. Particularly, the use of borehole seismology with in-well seismometers allows the recording of very small aftershocks (e.g., M<1). In contemporary AI-supported analyses, it has been observed that AI-processed datasets can detect earthquakes approximately one magnitude unit smaller than observatory data (Li et al., 2023; Asim et al., 2021).

Bu çerçevede, veri tabanı istatistiksel olarak güçlü olduğunda, çoklu fay analizi yerine az sayıdaki fay veya mümkünse tek fay üzerinde olasılıksal tahmin yapmak mümkün hale gelebilir. Özellikle Kaliforniya Fayı boyunca veri tamamlılığı M≥1 düzeyinde olduğu için, 2025 USGS Kaliforniya Deprem Tehlikesi haritasında olasılıksal tahminlerde daha küçük sismik zone büyüklükleri kullanılmaya başlanmış olabilir (Field et al., 2023; Petersen et al., 2024). In this context, when the database is statistically robust, it may become possible to make probabilistic predictions based on a few faults or, if feasible, a single fault instead of a multi-fault analysis. Specifically, since data completeness along the California Fault reaches M≥1, the 2025 USGS California Earthquake Hazard Map may have started using smaller seismic zone magnitudes in probabilistic predictions (Field et al., 2023; Petersen et al., 2024).

Yapay Zekâ Tabanlı BulgularAI-Based Findings

AI modelleri, deprem algılama ve tahminde başarılıdır. Derin öğrenme, küresel deprem tetikli heyelanları %82 doğrulukla tahmin ederken, hibrit CL-ETAS modelleri artçı deprem sekanslarını klasik ETAS’tan daha iyi öngörür. Bu modeller, özellikle 2023 Kahramanmaraş depremleri sonrası artçıların modellenmesinde faydalı olmuştur. AI models excel in earthquake detection and prediction. Deep learning predicts global earthquake-triggered landslides with ~82% accuracy, while hybrid CL-ETAS models outperform classical ETAS in forecasting aftershock sequences. These models have been particularly useful in modeling aftershocks following the 2023 Kahramanmaraş earthquakes.

Q1 (Ana Soru): AI bulguları ile sismik boşluk teorisi arasında nasıl bir bağlantı kurulabilir?

Q1 Detayı: Bu entegrasyon için veri füzyonu ve mekânsal analiz yöntemleri neler olmalıdır? Q1 (Main Question): How can a connection be established between AI findings and seismic gap theory?

Q1 Detail: What data fusion and spatial analysis methods should be used for this integration?

TartışmaDiscussion

2019 notunda “M6, M6.5 ve M7.5 depremleri birbirinden bağımsız olabilir” ifadesi, farklı fayların veya bir bölgedeki farklı büyüklük kapasitelerinin bağımsız davranışını yansıtır. Bu, Gutenberg-Richter ilişkisiyle çelişmez; bu ilişki genel frekansları kapsarken, bireysel fay davranışları farklılık gösterebilir. 2023 Kahramanmaraş depremleri, bu bağımsızlığın gerçek hayatta nasıl göründüğünü göstermiştir. The 2019 note’s statement “M6, M6.5, and M7.5 earthquakes may be independent” reflects the independent behavior of different faults or varying magnitude capacities in a region. This does not contradict the Gutenberg-Richter relationship, which covers general frequencies, as individual fault behaviors can differ. The 2023 Kahramanmaraş earthquakes demonstrated this independence in real life.

Klasik ve AI Yöntemlerinin KarşılaştırmasıComparison of Classical and AI Methods

Klasik yöntemler (örneğin, PSHA) geniş ölçekli risk haritaları için temel sağlar, ancak karmaşık fay etkileşimlerini sınırlı analiz eder. AI yöntemleri ise büyük veri işleme ve anomali tespitiyle üstünlük gösterir, ancak veri kalitesine bağlıdır (örneğin, Zhang et al., 2024). Classical methods (e.g., PSHA) provide a foundation for large-scale risk maps but offer limited analysis of complex fault interactions. AI methods excel in big data processing and anomaly detection but depend on data quality (e.g., Zhang et al., 2024).

Geleceğe Yönelik ÖnerilerFuture Directions

• Hibrit modellerin geliştirilmesi için klasik ve AI yöntemlerin entegrasyonu teşvik edilmelidir.Integration of classical and AI methods should be encouraged to develop hybrid models.
• FAIR veri paylaşımı standartları ile küresel veri erişimi iyileştirilmelidir; FAIR, verilerin erişilebilir, yeniden kullanılabilir ve güvenilir olmasını sağlayan bir çerçevedir (2016’dan beri uygulanmaktadır, Wilkinson et al., 2016).Global data access should be improved through FAIR data sharing standards; FAIR is a framework ensuring data is accessible, reusable, and reliable (in use since 2016, Wilkinson et al., 2016).

APA 7 Formatına Göre KaynaklarReferences in APA 7 Format

1. Asim, K. M., et al. (2021). Prediction of earthquake using machine learning algorithms. 2021 International Conference on Earthquake Engineering. https://doi.org/10.1109/ICEE52703.2021.00012Asim, K. M., et al. (2021). Prediction of earthquake using machine learning algorithms. 2021 International Conference on Earthquake Engineering. https://doi.org/10.1109/ICEE52703.2021.00012
2. Field, E. H., et al. (2023). UCERF3 updated with new paleoseismic data. Bulletin of the Seismological Society of America, 113(4), 1456-1478. https://doi.org/10.1785/0120220202Field, E. H., et al. (2023). UCERF3 updated with new paleoseismic data. Bulletin of the Seismological Society of America, 113(4), 1456-1478. https://doi.org/10.1785/0120220202
3. Li, X., et al. (2023). Machine learning in earthquake engineering: A review on recent progress and future trends. Engineering Structures, 292, 116614. https://doi.org/10.1016/j.engstruct.2023.116614Li, X., et al. (2023). Machine learning in earthquake engineering: A review on recent progress and future trends. Engineering Structures, 292, 116614. https://doi.org/10.1016/j.engstruct.2023.116614
4. Petersen, M. D., et al. (2024). The 2023 U.S. National Seismic Hazard Model. Earthquake Spectra, 40(1), 123-145. https://doi.org/10.1193/031823EQS067PPetersen, M. D., et al. (2024). The 2023 U.S. National Seismic Hazard Model. Earthquake Spectra, 40(1), 123-145. https://doi.org/10.1193/031823EQS067P
5. Zhang, H., et al. (2024). A combining earthquake forecasting model between deep learning and epidemic-type aftershock sequence (ETAS) model. Geophysical Journal International, 239(3), 1545-1556. https://doi.org/10.1093/gji/ggae349Zhang, H., et al. (2024). A combining earthquake forecasting model between deep learning and epidemic-type aftershock sequence (ETAS) model. Geophysical Journal International, 239(3), 1545-1556. https://doi.org/10.1093/gji/ggae349
6. Öncel, A. O. (2019, Eylül 18). Bölgesel deprem tehlikesi üzerine not [Facebook postu]. Facebook. Erişim adresi: https://www.facebook.com/aooncel/posts/[post-id]Öncel, A. O. (2019, September 18). Note on regional earthquake hazard [Facebook post]. Facebook. Retrieved from https://www.facebook.com/aooncel/posts/[post-id]
7. Wilkinson, M. D., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3(1), 160018. https://doi.org/10.1038/sdata.2016.18Wilkinson, M. D., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data, 3(1), 160018. https://doi.org/10.1038/sdata.2016.18