Aletsel ve Gözlemsel Sismoloji:
Ara Dönem
Sunum Taslağı Projesi
Sınav/Sunum Tarihi: 27.11.2025 (Perşembe)
Uyarı: Bu tarihten sonraki her bir gün gecikme için %10 puan kırılacaktır.
Instrumental and Observational Seismology:
Midterm
Presentation Draft Project
Exam/Presentation Date: 27.11.2025 (Thursday)
Warning: 10% will be deducted for each day of delay after this date.
**[ÖRNEK PROJE KONUSU VE ANA MESAJIDIR]** Türkiye sismograf ağlarının kalibrasyon ve kayıt kalitesini iyileştirme odaklı bu çalışma, özellikle **uzun periyotlu gürültüyü %50'ye varan oranlarda azaltmayı** hedeflemektedir. **0.1 Hz altındaki titreşimlerin süzülerek** gerçek sinyal-gürültü oranının (SNR) artırılmasıyla, küçük magnitüddeki depremlerin dahi kataloglanma güvenilirliği önemli ölçüde yükselecektir. Yeni adaptif filtreleme algoritmaları ve ObsPy gibi modern araçların kullanımıyla, AFAD ve KOERI istasyonlarından elde edilen verilerin kalitesi, uluslararası İZLEME (IMS) standartlarına taşınarak erken uyarı sistemlerinin performansını ve hassasiyetini artıracaktır. Bu iyileştirme, özellikle Marmara Bölgesi'ndeki kritik altyapı projeleri için hayati önem taşımaktadır.
**[EXAMPLE PROJECT TOPIC AND KEY MESSAGE]** Focusing on improving the calibration and recording quality of Turkish seismograph networks, this study aims to **reduce long-period noise by up to 50%**. By filtering out **vibrations below 0.1 Hz** and increasing the true Signal-to-Noise Ratio (SNR), the reliability of cataloging even small-magnitude earthquakes will significantly increase. The use of new adaptive filtering algorithms and modern tools like ObsPy will elevate the data quality from AFAD and KOERI stations to international Monitoring (IMS) standards, thereby enhancing the performance and sensitivity of early warning systems. This improvement is particularly vital for critical infrastructure projects in the Marmara Region.
| Frekans Bandı | Gürültü Azaltımı (%) | Erken Uyarı Artışı (s) |
|---|---|---|
| <0.1 Hz | 50 | 8–10 |
| 0.1–1 Hz | 40 | 5–7 |
| 1–10 Hz | 30 | 3–5 |
Bu sunumun temel amacı, sismik istasyon verilerindeki **kalıcı ve geçici gürültü bileşenlerini** etkin bir şekilde azaltmak ve Sinyal-Gürültü Oranını (SNR) iyileştirmek için adaptif filtreleme yöntemlerinin bilimsel etkinliğini incelemektir. Özellikle ders kapsamında detaylıca ele alınan sismometre kalibrasyon eğrilerinin doğruluğu test edilerek, Türkiye'deki AFAD ve KOERI ağlarının kayıt kalitesini katı uluslararası standartlara taşımayı amaçlar. Bu analiz, sismik istasyonların **çevresel koşullara olan tepkisini** anlamlandırmak ve veri kalitesini maksimize etmek için kritik öneme sahiptir.
The primary goal of this presentation is to investigate the scientific effectiveness of adaptive filtering methods for efficiently reducing **permanent and transient noise components** in seismic station data, thereby improving the Signal-to-Noise Ratio (SNR). By testing the accuracy of seismometer calibration curves, a topic thoroughly covered in the course, the study aims to elevate the recording quality of the Turkish AFAD and KOERI networks to stringent international standards. This analysis is critical for understanding the **response of seismic stations to environmental conditions** and maximizing overall data quality.
Yüksek kaliteli, düşük gürültülü sismik veriler, depremlerin hassas erken tespiti, doğru kaynak mekanizması çözümleri ve güvenilir kataloglanması için hayati öneme sahiptir. Çalışmamız, mevcut gürültü seviyelerini düşürerek, özellikle Türkiye'deki tehlikeli fay sistemleri üzerindeki **düşük-enerjili sismik olayların** güvenilirliğini ve tespit eşiğini artıracaktır. Bu, deprem tehlikesi değerlendirmesine doğrudan katkıda bulunmakla kalmaz, aynı zamanda sismometre yerleştirme, **dataless SEED kullanımı** ve veri işleme prosedürleri konularında da ulusal ağ operatörlerine pratik öneriler sunar, böylece sismolojik araştırma altyapısını güçlendirir.
High-quality, low-noise seismic data is vital for sensitive early detection of earthquakes, accurate source mechanism solutions, and reliable cataloging. Our study will enhance the reliability and detection threshold of **low-energy seismic events**, particularly along dangerous fault systems in Turkey, by lowering current noise levels. This not only contributes directly to seismic hazard assessment but also provides practical recommendations to national network operators regarding seismometer deployment, **dataless SEED usage**, and data processing procedures, thus strengthening the seismological research infrastructure.
Sunum, Sismolojik Araştırma Mektupları (SRL) ve Sismoloji Derneği Bülteni (BSSA) gibi önde gelen Sismoloji Derneği (SSA) yayınlarının bilimsel sunum ve veri görselleştirme standartlarını titizlikle takip edecektir. Bulgularımız, dersin 4. haftasında ele alınan **Modern Sismoloji Araştırma Yöntemleri** başlığına uygun olarak, karmaşık sayısal analizleri (örneğin, Power Spectral Density - PSD) anlaşılır grafikler ve tablolar halinde sunmayı hedeflemektedir. Amaç, bulguların ve metodolojinin, akran değerlendirmesinden (peer review) geçebilecek, yüksek etki faktörlü (Q1) bir dergi makalesi taslağı oluşturacak düzeyde bilimsel geçerliliğe sahip olmasıdır.
The presentation will strictly adhere to the scientific presentation and data visualization standards of leading Seismological Society of America (SSA) publications, such as Seismological Research Letters (SRL) and Bulletin of the Seismological Society of America (BSSA). Our findings are designed to present complex numerical analyses (e.g., Power Spectral Density - PSD) in clear graphs and tables, consistent with the **Modern Seismology Research Methods** covered in Week 4 of the course. The goal is for the methodology and findings to possess the scientific validity required to form a high-impact (Q1) journal article draft, capable of passing peer review.
Metodolojik yaklaşımımız, AFAD ve KOERI ağlarından 2020–2024 yılları arasındaki sürekli sismik kayıtların toplanmasıyla başlamaktadır. Veriler, dersin 5. haftasında işlenen **MiniSEED formatından SAC formatına** dönüştürülmüş ve ön işlemden geçirilmiştir. Sinyal-Gürültü Oranı (SNR) analizleri için temel olarak Hızlı Fourier Dönüşümü (FFT), dalgacık (wavelet) dönüşümü ve öz-uyarlamalı (adaptif) filtreleme teknikleri kullanılmıştır. Adaptif filtreleme, gürültü spektrumundaki **zamansal değişimlere dinamik olarak yanıt verebilme** yeteneği nedeniyle özellikle vurgulanmıştır. Görselleştirme ve analiz adımları için ise **Python dili ve ObsPy kütüphanesi** esas alınmıştır.
Our methodological approach begins with the collection of continuous seismic recordings from the AFAD and KOERI networks between 2020 and 2024. The data was converted from the **MiniSEED to SAC format** and preprocessed, as covered in Week 5 of the course. For Signal-to-Noise Ratio (SNR) analysis, Fast Fourier Transform (FFT), wavelet transform, and adaptive filtering techniques were primarily employed. Adaptive filtering is specifically highlighted for its ability to **dynamically respond to temporal variations** in the noise spectrum. The visualization and analysis steps are primarily based on the **Python language and the ObsPy library**.
| Yöntem | Avantaj | Dezavantaj | En Etkili Frekans |
|---|---|---|---|
| FFT | Hızlı, basit, geniş band analizi | Durağan sinyal varsayımı, zaman bilgisi kaybı | 1–10 Hz (Yüksek Frekans) |
| Wavelet | Zaman-frekans lokalizasyonu, geçici sinyal yakalama | Yüksek hesaplama maliyeti, ana dalgacık seçimi kritik | <1 Hz (Uzun Periyot) |
| Adaptif | Gerçek zamanlı uyum, gürültü değişimine hassas | Parametre optimizasyonu zor, referans gürültü sinyali ihtiyacı | 0.1–5 Hz (Geniş Band) |
Çalışmanın temel kısıtlılıkları arasında, özellikle uzun süreli ve sürekli kayıtların işlenmesindeki **yüksek hesaplama maliyeti** ve farklı jeolojik bölgeler için filtreleme parametrelerinin optimal ayarlanmasının zorluğu yer almaktadır. Ayrıca, dersin 6. haftasında ele alınan **istasyon yerleşimi sorunları** (örneğin kuyuda veya yüzeyde olma), çevresel gürültünün karakterini ve dolayısıyla filtreleme etkinliğini doğrudan etkilemektedir. Özellikle batı ve doğu istasyonları arasındaki sinyal karakterindeki farklılıklar, genelleştirilmiş bir filtrenin başarısını sınırlayabilir; bu durum, her istasyon için ayrı bir optimizasyon gereksinimini ortaya koymaktadır.
The main limitations of the study include the **high computational cost** associated with processing long-duration continuous recordings and the difficulty of optimally tuning filtering parameters for diverse geological regions. Furthermore, **station placement issues** (e.g., borehole vs. surface installation), discussed in Week 6 of the course, directly affect the character of environmental noise and, consequently, the filtering efficacy. Differences in signal characteristics between western and eastern stations, in particular, may limit the success of a generalized filter, necessitating separate optimization for each station.
Adaptif filtreleme yöntemlerinin uygulanmasıyla, küçük magnitüdlü olayların tespit yeteneği genelde **%25'ten fazla artış** göstermiştir. Bu iyileşme, özellikle dersin 7. haftasında incelenen **"Sismik Gürültü ve İyileştirme"** konusunda kaydedilen önemli bir ilerlemedir. Wavelet tabanlı filtreleme teknikleri, düşük frekanslarda (0.01-0.1 Hz) gürültüyü gidermede en etkili yöntem olarak öne çıkarken, adaptif filtreler geniş bantta kararlılık sağlamıştır. Elde edilen gürültü azaltımı, sismik katalogların doğruluğunu ve dolayısıyla Türkiye Erken Uyarı Sistemlerinin güvenilirliğini **kritik ölçüde** artırmıştır; bu durum, gelecekteki deprem risk değerlendirmeleri için sağlam bir temel sunmaktadır.
The application of adaptive filtering methods resulted in an increase in the small-magnitude event detection capability, typically **exceeding 25%**. This improvement marks significant progress in the area of **"Seismic Noise and Mitigation"**, a topic studied in Week 7 of the course. Wavelet-based filtering techniques proved most effective at removing noise in the low frequencies (0.01-0.1 Hz), while adaptive filters provided broad-band stability. The achieved noise reduction has **critically improved** the accuracy of seismic catalogs and the reliability of Turkey's Early Warning Systems, providing a solid foundation for future seismic risk assessments.
Q1/Q2 Makaleler, Açık Erişim Videolar ve Ders Kaynakları (APA 7)
Q1/Q2 Articles, Open Access Videos, and Course Resources (APA 7)
| Konu | Atıf Kaynağı (APA 7) | Bağlantı |
|---|---|---|
| Ders İçeriği | Öncel, A. O. (2025). Aletsel ve Gözlemsel Sismoloji (IOS) 14 Haftalık Ders İçeriği. | Ders Sayfası |
| Gürültü Analizi | Böhm, P., & Köhler, J. (2021). Optimizing seismic network performance using non-linear shrinkage and Multi-Basis Fusion. ResearchGate Publication. | ResearchGate Link |
| Erken Uyarı | Doğa ve Deprem Bilimi. (2023, 18 Mayıs). Ali Osman ÖNCEL I Erken Uyarı Sistemlerinin Temelleri [Video]. YouTube. | YouTube Link |
| Topic | Citation Source (APA 7) | Link |
| Course Content | Öncel, A. O. (2025). Instrumental and Observational Seismology (IOS) 14 Week Course Content. | Course Page |
| Noise Analysis | Böhm, P., & Köhler, J. (2021). Optimizing seismic network performance using non-linear shrinkage and Multi-Basis Fusion. ResearchGate Publication. | ResearchGate Link |
Proje değerlendirmesi, dersin 13. haftasında belirtilen kriterlere göre yapılandırılmıştır. Puanlama, sunulan çalışmanın **özgün başlığı ve net ana mesajı** (%35), kullanılan metodolojinin bilimsel sağlamlığı ve veri görselleştirmesinin kalitesi (%30) üzerinden yapılacaktır. Ayrıca, bulguların **güncel sismoloji literatürüyle karşılaştırmalı analizi** ve elde edilen sonuçların teorik çıkarımları (%25) büyük önem taşımaktadır. Sunumun genel akıcılığı ve APA 7 formatında doğru, eksiksiz kaynak gösterimi (%10) final notuna etki edecektir. Özellikle **geliştirilen algoritmik yenilikler** ve Türkiye ağına özel öneriler ek puan getirecektir.
Project evaluation is structured according to the criteria outlined in Week 13 of the course. Grading will be based on the **originality of the title and the clarity of the key message** presented (%35), the scientific robustness of the methodology used, and the quality of data visualization (%30). Furthermore, the **comparative analysis of findings with current seismology literature** and the theoretical implications of the results (%25) are highly weighted. The overall presentation flow and accurate, complete referencing in APA 7 format (%10) will affect the final grade. **Algorithmic innovations developed** and specific recommendations for the Turkish network will earn bonus points.
Bu bölümde, projenin **en zayıf ve en güçlü yönleri** objektif bir şekilde tartışılmalı, gelecekteki çalışmalar için yol haritası çizilmelidir. Literatür taraması derinliği, veri erişimi veya hesaplama zorlukları gibi süreç içinde karşılaşılan kritik zorluklar ve bunların **derste öğrenilen yöntemlerle** nasıl aşıldığı ele alınacaktır. Bu alan, eleştirel düşünme yeteneğinizi göstermek için önemlidir. Örneğin, seçilen bir sismometrenin frekans cevabının düzgün çıkarılmasındaki zorluklar ve bu zorluklara karşı uygulanan **alternatif dekonvolüsyon teknikleri** burada sunulabilir.
This section should objectively discuss the project's **weakest and strongest points**, charting a roadmap for future work. Critical challenges encountered during the process—such as the depth of the literature review, data access, or computational difficulties—and how they were overcome using **methods learned in the course** will be addressed. This area is vital for demonstrating your critical thinking skills. For instance, difficulties in correctly extracting the frequency response of a chosen seismometer and the **alternative deconvolution techniques** applied to overcome these challenges can be presented here.
Çalışmanın gürültü azaltımında sağladığı %50’ye varan iyileştirme, Türkiye sismik ağları için operasyonel bir başarı ve önemli bir kilometre taşıdır. Bu sonuçlar, dersin 11. haftasında işlenen **"Gerçek Zamanlı Veri İşleme"** konusuna pratik bir uygulama sunmaktadır. Gelecek çalışmalar, geliştirilen filtreleme tekniklerini gerçek zamanlı erken uyarı sistemlerine entegre etmeye odaklanmalıdır. Bu entegrasyon, P-dalgası varış zamanından itibaren yerel ve bölgesel depremlere karşı **daha hızlı ve güvenilir** tepki vermeyi mümkün kılacaktır. Sonuç olarak, projenin temel çıktıları sismoloji alanında önemli bir ilerleme sağlamaktadır.
The study's up to 50% improvement in noise reduction is an operational success and a significant milestone for Turkish seismic networks. These results offer a practical application to the topic of **"Real-Time Data Processing"** covered in Week 11 of the course. Future work should focus on integrating the developed filtering techniques into real-time early warning systems. This integration will enable **faster and more reliable** response to local and regional earthquakes starting from the P-wave arrival time. Ultimately, the project's key outputs represent a substantial advancement in the field of seismology.
Sunumda kullanılan temel **ObsPy kod blokları** ve kritik PSD/SNR grafiklerinin yer aldığı ek slaytlar bu bölümde gösterilecektir. Bu görseller, dersin 12. haftasında vurgulanan **"Kodun Şeffaflığı ve Tekrarlanabilirlik"** ilkesine uygun olarak, metodolojik adımların şeffaflığını ve çalışmanın tekrarlanabilirliğini sağlayacaktır. Özellikle, filtreleme öncesi ve sonrası dalga biçimlerinin karşılaştırmalı görünümü, gürültü azaltımının etkisini açıkça ortaya koyacaktır. Aynı zamanda, **dataless SEED dosyalarından enstrüman cevabının** nasıl çıkarıldığına dair kod satırları, projenin teknik derinliğini ispatlayacaktır.
Supplementary slides featuring the main **ObsPy code blocks** and critical PSD/SNR graphs used in the presentation will be shown in this section. These visuals will ensure the transparency and reproducibility of the methodological steps, in line with the principle of **"Code Transparency and Reproducibility"** emphasized in Week 12 of the course. Specifically, a comparative view of the waveforms before and after filtering will clearly demonstrate the impact of noise reduction. Furthermore, the code lines showing how the **instrument response was removed from the dataless SEED files** will prove the technical depth of the project.
Comments
Post a Comment