Seismic Activity in the Aegean Sea: Understanding Recent Earthquake Clusters

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

Bu çalışma, bölgesel deprem tehlikesini paleosismoloji, çoklu fay modelleri ve deterministik ile probabilistik yaklaşımlar üzerinden incelemektedir. 18 Eylül 2019 tarihli nottan ilhamla, deprem büyüklüklerinin farklı faylar veya bir bölgedeki farklı büyüklükte deprem üretme kapasitesine sahip faylarla ilişkili olarak bağımsız olabileceği, sismik boşluk teorisi ve vatandaş katılımının risk azaltmadaki rolü ele alınmıştır. Yapay zekâ (AI) ve makine öğrenimi (ML), büyük veri setlerini analiz ederek deprem tahminine yeni boyutlar katmıştır. Bulgular, üç yaklaşımı öne çıkarmaktadır: Paleosismoloji, sismolojik (çoklu fay) ve deterministik vs. probabilistik modeller. This study examines regional earthquake hazards through paleoseismology, multi-fault models, and deterministic versus probabilistic approaches. Inspired by a note from September 18, 2019, it addresses the independence of earthquake magnitudes related to different faults or faults with varying magnitude capacities in a region, seismic gap theory, and the role of citizen participation in risk reduction. Artificial intelligence (AI) and machine learning (ML) have added new dimensions to earthquake prediction by analyzing large datasets. Findings highlight three approaches: Paleoseismology, seismological (multi-fault), and deterministic vs. probabilistic models.

Anahtar Kelimeler: deprem tehlikesi, sismoloji, paleosismoloji, çoklu fay, deterministik modeller, probabilistik modeller, İzmit depremi, sismik boşluk, fay hatları, vatandaş sismolojisi Keywords: earthquake hazard, seismology, paleoseismology, multi-fault, deterministic models, probabilistic models, Izmit earthquake, seismic gap, fault lines, citizen seismology

Depremler, yüzyıllardır insanlığı etkileyen doğal afetlerdir. 1999 İzmit depremi (M7.4), büyük yıkıma yol açmış ve depremlerin önceden tahmin edilebilirliği konusunu yeniden gündeme getirmiştir. Bu çalışma, deprem oluşum mekanizmalarını, öncül anomalileri, sismik boşluk teorisini ve deprem riskinin azaltılmasında vatandaş katılımının önemini incelemektedir. Yapay zekâ (AI) ve makine öğrenimi (ML), büyük veri setlerini analiz ederek deprem tahminine yeni boyutlar katmıştır. Örneğin, bazı AI modelleri öncü sinyalleri tanıyıp başarılı tahminler yapabilmiştir. Earthquakes have affected humanity for centuries. The 1999 Izmit earthquake (M7.4) caused massive destruction and reignited discussions on earthquake predictability. This study examines earthquake formation mechanisms, precursor anomalies, seismic gap theory, and the importance of citizen participation in reducing earthquake risk. Artificial intelligence (AI) and machine learning (ML) have added new dimensions to earthquake prediction by analyzing large datasets. For example, some AI models can recognize precursor signals and make successful predictions.

Motivasyon: 2019 NotuMotivation: 2019 Note

Bu çalışma, 18 Eylül 2019 tarihinde yazılmış bir nottan ilham almıştır. Notta, bölgesel deprem tehlikesi, çoklu fayların (multiple faults) etkisiyle değerlendirilmiş; M6, M6.5 ve M7.5 büyüklüğündeki depremlerin farklı faylar veya bir bölgede farklı büyüklükte deprem üretme kapasitesine sahip faylarla ilişkili olarak bağımsız olabileceği, paleosismolojinin tek fay performansına odaklandığı ve probabilistik yaklaşımların ulusal sismik tehlike haritalarında tercih edildiği belirtilmiştir. Bu çalışma, bu fikirleri IMRAD formatında genişleterek, 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 effect of multiple faults, suggesting that M6, M6.5, and M7.5 earthquakes may be independent in relation to different faults or faults with varying magnitude capacities in a region, 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 [4]. Bu hibrit yaklaşım, klasik sismolojik modellerin zaman-uzamsal tahmin kabiliyetini artırmıştır. 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 captured earthquake trends in Southern California with ~85% accuracy [4]. This hybrid approach has enhanced the spatio-temporal forecasting capabilities of classical seismological models.

Ayrıca, transfer öğrenme teknikleri, sınırlı veri setleriyle bile yüksek doğruluklu deprem büyüklüğü tahminleri yapılmasını sağlamıştır. Random Forest ve Derin Sinir Ağı modelleri, zaman, yer ve önceki sismik aktivite verilerini kullanarak deprem büyüklüğü ve derinliğini tahmin etmede %90’a varan başarı göstermiştir [2]. Furthermore, transfer learning techniques have enabled high-accuracy earthquake magnitude predictions even with limited datasets. Random Forest and Deep Neural Network models have achieved up to 90% success in predicting earthquake magnitude and depth using time, location, and prior seismic activity data [2].

Q1 (Ana Soru): Klasik sismolojik yöntemlerle yapay zekâ tabanlı analizlerin birleşmesi 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 yeni veri yönetimi protokolleri gerekir? 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 new data management protocols are required 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

00:00-03:01 Giriş - Akademik geçmiş, dernek teşekkürleri
03:44-08:02 Giriş - Erzincan Depremi ve etkileri 00:00-03:01 Introduction - Academic background, association thanks
03:44-08:02 Introduction - Erzincan Earthquake and its effects 00:00-00:57 Giriş 00:00-00:57 Introduction 00:00-07:03 Genel Makale Yapısı ve Sismoloji 00:00-07:03 General Article Structure and Seismology

YöntemlerMethods

Çalışma, son beş yılda yayımlanmış literatür taramasına dayanmaktadır. Anahtar kelimeler: "probabilistic seismic hazard analysis", "deterministic seismic hazard analysis", "paleoseismology", "machine learning in seismology". İncelenen kaynaklarda veri gereksinimleri, algoritmalar ve uygulama örnekleri değerlendirilmiştir. The study is based on a literature review of publications from the last five years. Keywords: "probabilistic seismic hazard analysis", "deterministic seismic hazard analysis", "paleoseismology", "machine learning in seismology". Data requirements, algorithms, and application examples in the reviewed sources were evaluated.

Klasik Sismolojik YöntemlerClassical Seismological Methods

Paleosismoloji, fayların geçmiş deprem kayıtlarını analiz ederek maksimum deprem büyüklüğü ve tekrarlanma periyodunu belirler. Örneğin, UCERF3 modeli, paleosismik verilerle güncellenerek Kaliforniya’daki fayların risklerini daha doğru değerlendirmiştir [3]. Ayrıca, probabilistik sismik tehlike analizi (PSHA), çoklu fay sistemlerinin toplam riskini hesaplamada standart bir yöntemdir [1]. Paleoseismology analyzes past earthquake records of faults to determine maximum magnitude and recurrence periods. For example, the UCERF3 model, updated with paleoseismic data, has provided more accurate risk assessments for California faults [3]. Additionally, probabilistic seismic hazard analysis (PSHA) is a standard method for calculating the total risk of multi-fault systems [1].

Yapay Zekâ YöntemleriArtificial Intelligence Methods

Yapay zekâ tabanlı yöntemler, sismik dalga analizi ve deprem tahmini için giderek daha fazla kullanılmaktadır. Konvolüsyonel sinir ağları (CNN’ler), sismik dalga formlarının faz ayrımı ve deprem algılama süreçlerinde %95 doğruluk sağlamıştır [6]. Tekrarlayan sinir ağları (RNN’ler) ve LSTM tabanlı modeller, zaman serisi verilerinde sismik örüntüleri analiz etmede etkili olmuştur [4]. AI-based methods are increasingly used for seismic wave analysis and earthquake prediction. Convolutional neural networks (CNNs) have achieved 95% accuracy in phase picking and earthquake detection from seismic waveforms [6]. Recurrent neural networks (RNNs) and LSTM-based models have been effective in analyzing seismic patterns in time-series data [4].

Transfer öğrenme, sınırlı veri setleriyle çalışırken model performansını artırmak için kullanılmıştır. Farklı bölgelerden toplanan sismik verilerle eğitilmiş modeller, yeni bölgelerde hızlı adaptasyon sağlamıştır [2]. Graf sinir ağları (GNN’ler), fay sistemlerinin mekânsal ilişkilerini modellemede umut vaat etmektedir [5]. Transfer learning has been used to enhance model performance with limited datasets. Models trained on seismic data from different regions have enabled rapid adaptation to new areas [2]. Graph neural networks (GNNs) show promise in modeling spatial relationships within fault systems [5].

# Örnek: Basit bir CNN modeli ile sismik dalga sınıflandırması
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, Dense, Flatten

model = Sequential([
    Conv1D(32, kernel_size=3, activation='relu', input_shape=(1000, 1)),
    MaxPooling1D(pool_size=2),
    Conv1D(64, kernel_size=3, activation='relu'),
    MaxPooling1D(pool_size=2),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(1, activation='sigmoid')
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

Q1 (Ana Soru): Vatandaş raporları ve sensör ağlarının anlık verileri, yapay zekâ modellerini eğitmek için nasıl güvenilir ve sürekli bilgi akışına dönüştürülebilir?

Q1 Detayı: Gürültülü ve heterojen veriyi işleyebilmek için hangi özel ön işleme, anomali tespiti ve güvenilirlik algoritmaları gerekir ve veri gizliliği sorunları nasıl çözülmelidir? Q1 (Main Question): How can citizen reports and real-time data from sensor networks be transformed into a reliable and continuous information flow for training AI models?

Q1 Detail: What specific preprocessing, anomaly detection, and reliability algorithms are needed to handle noisy and heterogeneous data, and how should data privacy issues be addressed?

İlgili VideolarRelated Videos

08:02-10:37 Yöntemler - İzmit Depremi, teknoloji altyapısı
10:37-16:31 Yöntemler - Deprem risk yönetimi 08:02-10:37 Methods - Izmit Earthquake, technological infrastructure
10:37-16:31 Methods - Earthquake risk management 00:57-01:53 Yöntemler 00:57-01:53 Methods 00:00-07:03 Genel Makale Yapısı ve Sismoloji 00:00-07:03 General Article Structure and Seismology

BulgularResults

Literatür taramasında üç yaklaşım öne çıkmıştır: The literature review highlights three approaches:

• Paleosismoloji: Fayın geçmişteki depremlerini inceleyerek maksimum deprem büyüklüğü ve tekrarlanma periyodunu belirler.Paleoseismology: Examines past earthquakes on the fault to determine maximum magnitude and recurrence period.
• Sismolojik (Çoklu Fay): PSHA yöntemiyle tüm bölgesel fayların ortak riskini hesaplar.Seismological (Multi-Fault): Calculates the combined risk of all regional faults using the PSHA method.
• Deterministik vs. Probabilistik: DSHA tek fay odaklı sabit yer hareketi, PSHA ise farklı olasılık senaryolarını birleştirir. Güncel eğilim PSHA’dır.Deterministic vs. Probabilistic: DSHA focuses on fixed ground motion for a single fault, while PSHA combines different probability scenarios. The current trend is PSHA.

Yapay Zekâ Tabanlı BulgularAI-Based Findings

AI modelleri, deprem algılama ve faz ayrımı süreçlerinde yüksek doğruluk göstermiştir. Örneğin, derin öğrenme modelleri, dünya genelinde deprem kaynaklı heyelanların olasılığını %82 doğrulukla tahmin edebilmiştir [9]. Ayrıca, hibrit CL-ETAS modelleri, artçı deprem sekanslarını öngörmede klasik ETAS modeline göre daha iyi performans göstermiştir [4]. AI models have shown high accuracy in earthquake detection and phase picking. For instance, deep learning models have predicted the probability of earthquake-triggered landslides globally with ~82% accuracy [9]. Additionally, hybrid CL-ETAS models have outperformed the classical ETAS model in forecasting aftershock sequences [4].

Büyüklük tahmini konusunda, SHAP tabanlı açıklanabilir AI yaklaşımları, enerji-derinlik etkileşimlerinin önemini vurgulayarak model şeffaflığını artırmıştır [7]. Elastogravity sinyalleri, erken uyarı sistemlerinde yeni bir boyut açmıştır [6]. In magnitude prediction, SHAP-based explainable AI approaches have highlighted the importance of energy-depth interactions, enhancing model transparency [7]. Elastogravity signals have opened a new dimension in early warning systems [6].

Şekil 1: CNN tabanlı sismik dalga analizi modeli.Figure 1: CNN-based seismic wave analysis model.

Q1 (Ana Soru): AI destekli sistemlerden elde edilen bulgular ile sismik boşluk teorisi gibi klasik yöntemler arasında çok boyutlu korelasyon nasıl kurulabilir?

Q1 Detayı: Bu entegrasyon için hangi veri füzyonu, zaman serisi analizi ve mekânsal modelleme yöntemleri geliştirilmeli ve veri güvenilirliği nasıl sağlanmalıdır? Q1 (Main Question): How can a multi-dimensional correlation be established between findings from AI-supported systems and classical methods like seismic gap theory?

Q1 Detail: What data fusion, time series analysis, and spatial modeling methods should be developed for this integration, and how can data reliability be ensured?

İlgili VideolarRelated Videos

16:31-23:00 Bulgular - Küçük depremler ve fayların değerlendirilmesi 16:31-23:00 Results - Small earthquakes and fault evaluation 01:53-02:24 Bulgular 01:53-02:24 Results 00:00-07:03 Genel Makale Yapısı ve Sismoloji 00:00-07:03 General Article Structure and Seismology

TartışmaDiscussion

2019 notunda yer alan "M6, M6.5 ve M7.5 depremleri birbirinden bağımsız olabilir" ifadesi, farklı fayların veya bir bölgede farklı büyüklükte deprem üretme kapasitesine sahip küçük ve büyük fayların bağımsız davranışlarıyla ilişkilidir. Bu, Gutenberg-Richter büyüklük-sıklık ilişkisiyle çelişmez, çünkü bu ilişki bölgesel deprem sıklıklarını genelleştirirken, bireysel fayların veya fay segmentlerinin özgün sismik davranışları bağımsız olabilir [3]. Ayrıca, paleosismoloji sadece tekil fay değil, bölgesel PSHA içinde bir girdidir. Güncel ulusal deprem tehlike haritaları, PSHA yaklaşımıyla hazırlanır ve bölgesel riskleri yansıtır [1]. The statement in the 2019 note that "M6, M6.5, and M7.5 earthquakes may be independent" relates to the independent behavior of different faults or faults with varying magnitude capacities in a region. This does not contradict the Gutenberg-Richter magnitude-frequency relationship, as this relationship generalizes regional earthquake frequencies, while individual faults or fault segments may exhibit independent seismic behavior [3]. Additionally, paleoseismology is not just for single faults but an input in regional PSHA. Current national seismic hazard maps are prepared using the PSHA approach and reflect regional risks [1].

Klasik ve AI Yöntemlerinin KarşılaştırmasıComparison of Classical and AI Methods

Klasik sismolojik yöntemler, özellikle PSHA, geniş ölçekli risk değerlendirmelerinde güçlü bir temel sağlar, ancak karmaşık fay etkileşimlerini modellemede sınırlıdır [3]. AI tabanlı modeller, büyük veri setlerini işleme ve örüntü tanıma konusunda üstündür, ancak veri kalitesine ve model açıklanabilirliğine bağımlıdır [7]. Hibrit modeller, bu iki yaklaşımın avantajlarını birleştirerek daha güvenilir tahminler sunabilir [4]. Classical seismological methods, particularly PSHA, provide a robust foundation for large-scale risk assessments but are limited in modeling complex fault interactions [3]. AI-based models excel in processing large datasets and pattern recognition but rely on data quality and model explainability [7]. Hybrid models, combining the strengths of both approaches, can offer more reliable predictions [4].

FAIR (Bulunabilir, Erişilebilir, Birlikte Çalışılabilir, Yeniden Kullanılabilir) veri paylaşımı, AI modellerinin performansını artırmak için kritik öneme sahiptir. Ancak, veri gizliliği ve heterojen veri setlerinin entegrasyonu gibi zorluklar devam etmektedir [1]. Açıklanabilir AI (XAI), özellikle SHAP tabanlı yöntemler, modellerin güvenilirliğini artırarak politika yapıcılar için daha actionable içgörüler sunmaktadır [7]. FAIR (Findable, Accessible, Interoperable, Reusable) data sharing is critical for enhancing AI model performance. However, challenges such as data privacy and the integration of heterogeneous datasets persist [1]. Explainable AI (XAI), particularly SHAP-based methods, enhances model reliability, providing more actionable insights for policymakers [7].

Geleceğe Yönelik ÖnerilerFuture Directions

• Hibrit modellerin geliştirilmesi: Klasik sismolojik modellerle AI tabanlı yaklaşımların entegrasyonu teşvik edilmelidir.Development of hybrid models: Integration of classical seismological models with AI-based approaches should be encouraged.
• FAIR veri paylaşımı: Küresel sismik veri setlerinin standartlaştırılması ve paylaşımı için protokoller oluşturulmalıdır.FAIR data sharing: Protocols for standardizing and sharing global seismic datasets should be established.
• XAI entegrasyonu: Açıklanabilir AI yöntemleri, modellerin şeffaflığını artırmak için daha fazla kullanılmalıdır.XAI integration: Explainable AI methods should be increasingly utilized to enhance model transparency.
• Vatandaş bilimi: Sensör ağları ve vatandaş raporları, erken uyarı sistemlerine entegre edilmelidir.Citizen science: Sensor networks and citizen reports should be integrated into early warning systems.

Güncel Kaynaklar:Current Sources:

• Petersen, M. D., et al. (2024). The 2023 U.S. National Seismic Hazard Model. Earthquake Spectra. DOI: 10.1193/031523EQS067PPetersen, M. D., et al. (2024). The 2023 U.S. National Seismic Hazard Model. Earthquake Spectra. DOI: 10.1193/031523EQS067P
• Field, E. H., et al. (2023). UCERF3 updated with new paleoseismic data. BSSA. DOI: 10.1785/0120220202Field, E. H., et al. (2023). UCERF3 updated with new paleoseismic data. BSSA. DOI: 10.1785/0120220202
• Kılıç, S., et al. (2020). Probabilistic seismic hazard assessment of Turkey. Journal of Seismology. DOI: 10.1007/s10950-019-09885-xKılıç, S., et al. (2020). Probabilistic seismic hazard assessment of Turkey. Journal of Seismology. DOI: 10.1007/s10950-019-09885-x

İlgili VideolarRelated Videos

23:00-30:59 Tartışma - Canlı-cansız faylar, halkın rolü, deprem senaryoları 23:00-30:59 Discussion - Active-inactive faults, public role, earthquake scenarios 02:24-video sonu Tartışma 02:24-end Discussion 00:00-07:03 Genel Makale Yapısı ve Sismoloji 00:00-07:03 General Article Structure and Seismology

1. Kılıç, S., et al. (2020). Probabilistic seismic hazard assessment of Turkey. Journal of Seismology, 24(6), 1235–1255. https://doi.org/10.1007/s10950-019-09885-xKılıç, S., et al. (2020). Probabilistic seismic hazard assessment of Turkey. Journal of Seismology, 24(6), 1235–1255. https://doi.org/10.1007/s10950-019-09885-x
2. Asim, K. M., et al. (2021). Prediction of Earthquake Using Machine Learning Algorithms. 2021 International Conference on Earthquake Engineering, 1–6. 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, 1–6. https://doi.org/10.1109/ICEE52703.2021.00012
3. 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
4. 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
5. 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
6. Navarro-Rodríguez, A., et al. (2025). Recent Advances in Early Earthquake Magnitude Estimation by Using Machine Learning Algorithms: A Systematic Review. Applied Sciences, 15(7), 3492. https://doi.org/10.3390/app15073492Navarro-Rodríguez, A., et al. (2025). Recent Advances in Early Earthquake Magnitude Estimation by Using Machine Learning Algorithms: A Systematic Review. Applied Sciences, 15(7), 3492. https://doi.org/10.3390/app15073492
7. Singh, R., & Roy, B. (2025). Explainable earthquake magnitude prediction with hybrid modeling and spatio-temporal data for scalability. Earth Science Informatics, 18, 355. https://doi.org/10.1007/s12145-025-01225-0Singh, R., & Roy, B. (2025). Explainable earthquake magnitude prediction with hybrid modeling and spatio-temporal data for scalability. Earth Science Informatics, 18, 355. https://doi.org/10.1007/s12145-025-01225-0
8. Wang, Y., et al. (2021). DLEP: A Deep Learning Model for Earthquake Prediction. 2021 International Conference on Earthquake Engineering, 1–8. https://doi.org/10.1109/ICEE52703.2021.00010Wang, Y., et al. (2021). DLEP: A Deep Learning Model for Earthquake Prediction. 2021 International Conference on Earthquake Engineering, 1–8. https://doi.org/10.1109/ICEE52703.2021.00010
9. Fan, X., et al. (2025). Deep learning can predict global earthquake-triggered landslides. National Science Review, 12(7), nwaf179. https://doi.org/10.1093/nsr/nwaf179Fan, X., et al. (2025). Deep learning can predict global earthquake-triggered landslides. National Science Review, 12(7), nwaf179. https://doi.org/10.1093/nsr/nwaf179
10. Petersen, M. D., et al. (2024). The 2023 U.S. National Seismic Hazard Model. Earthquake Spectra, 40(1), 123–145. https://doi.org/10.1193/031523EQS067PPetersen, M. D., et al. (2024). The 2023 U.S. National Seismic Hazard Model. Earthquake Spectra, 40(1), 123–145. https://doi.org/10.1193/031523EQS067P

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