Tez No	İndirme	Tez Künye	Durumu
695392		Modeling of the ionosphere's disturbance using deep learning techniques / İyonosfer bozulmaların derin öğrenme teknikleri kullanılarak modellenmesi Yazar:RAHEM ABRI ZANGABAD Danışman: DOÇ. DR. HARUN ARTUNER Yer Bilgisi: Hacettepe Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgi Güvenliği Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Derin öğrenme = Deep learning	Onaylandı Doktora İngilizce 2021 149 s.
İyonosfer atmosferde ve dünyada önemli bir rol oynar. Koronal kütle atımı, sismik hareketler ve jeomanyetik aktiviteye bağlı güneş patlamaları iyonosferde sapmalara neden olur. İyonosferin yapısını araştırmak için ana parametre Toplam Elektron İçeriğidir (TEC). Bu tez, sismik olayları değerlendirmek için iyonosfer TEC verisinin önemini araştırmaktadır. Bu tezde, 2012-2019 yılları arasında Şili istasyonundaki orta ve yüksek şiddetli depremler sonucunda ortaya çıkan iyonosfer anomalilerini içeren bir veri seti değerlendirilmiştir. GPS istasyonlarından elde edilen TEC değerleri, depremlere ve güneş fırtınalarına karşı iyonosferik tepkiyi analiz etmek için güçlü bir yöntemdir. GPS istasyonlarından (çift frekanslı GPS alıcısı) elde edilen TEC verileri, orta ve yüksek şiddetli depremlerin sebep olduğu iyonosferik anomalileri araştırmak için kullanılır. Bu tezin modeli üç ana bölümden oluşmaktadır. İlk bölümdeki amaç, depremler ile TEC verileri arasındaki ilişkiyi analiz etmektir. Deprem verilerinden öznitelikler çıkarmaya ve iyonosferik TEC verisini sınıflandırmaya odaklanılmıştır. Bu aşamada depremleri önceki günlerin bilgisini kullanarak tahmin etmeye odaklanılmamıştır. Önerilen model, TEC verilerinden öznitelik çıkarmak için Derin Otomatik Kodlayıcı kullanmaktadır. İyonosferik TEC verisi yüksek boyutlu olduğundan, öznitelik çıkarma aşamasında boyut azaltma işlemi yalın öznitelik seti elde etmek için kritik öneme sahiptir. Çıkarılan öznitelikler, sınıflandırma yapmak için kullanılan sinir ağlarına girdi olarak verilmektedir. Sınıflandırma modelinin sonuçlarını değerlendirmek için, LDA (Doğrusal Diskriminant Analizi), SVM(Destek Vektör Makinesi) ve Random Forest (Rastgele Orman) sınıflandırma modelleri ile kıyaslama yapılmıştır. Elde edilen sonuçlar, önerilen modelin belirlenen hedef istasyonda 0.94 doğruluk oranı ile depremleri ayırt edebildiğini göstermektedir. İkinci bölümdeki amaç, geçmiş günlerdeki depremleri tespit etmek için bir sınıflandırma modeli önerilmiştir. LSTM yöntemleri, bu sorunu kısa süreli bellek(short-term memory) çözümü ile ele alır. Önerilen modeller, son yedi günün TEC değerlerini analiz ederek deprem günlerini sınıflandırmak için LSTM tabanlı (Uzun Kısa Süreli Bellek), derin öğrenme modellerini kullanır. LSTM modellerinin farklı versiyonları, bu araştırmanın doğruluğunu arttırmak için önerilmiştir. LSTM tabanlı sınıflandırma modelleri, önerilen modelleri değerlendirmek için SVM, LDA ve Random Forest sınıflandırıcı modelleri ile karşılaştırılır. Sonuçlar, önerilen modellerin depremleri yaklaşık yüzde 78-80 doğruluk oranında tespit etmede geliştiğini ve önceki günlere göre depremleri tespit etmek için başarılı bir araç olarak kullanılabileceğini ortaya koymaktadır. Bu tezin son kısmında, önceki günlerde depremleri tespit etmek için derin otomatik kodlayıcıların(deep autoencoders) ve LSTM'nin hibrit bir versiyonu geliştirildi. Bu model, ikinci modelde tanıtılan yığın LSTM(stacked LSTM) tabanlı deprem sınıflandırmasını geliştirmeyi önermektedir. Önerilen model, iyonosferik TEC verisinden faydalı özellikler çıkarmak için derin bir otokodlayıcı kullanır ve son 7 günün TEC değerlerini analiz ederek deprem günlerini sınıflandırmak için yığın LSTM uygular. Önerilen DAE-STCK-LSTM modelinin amacını analiz etmek için Yığın-LSTM, LDA ve SVM sınıflandırıcıları kullanıldı. Değerlendirme test sonuçları, orta ve şiddetli depremler dahil, iki test kümesinde yaklaşık yüzde 81-84 doğruluk tabanlı(accuracy-based) performans göstermiştir.
The ionosphere drives an essential role in the atmosphere and earth. Solar flares due to coronal mass ejection, seismic movements, and geomagnetic activity cause deviations in the ionosphere. The main parameter for investigating the structure of the ionosphere is Total Electron Content (TEC). This thesis converges the importance of ionosphere TEC data to evaluate seismic events. The dataset assessed in this thesis contains the ionospheric variability during moderate and severe earthquake events of varying strengths for 2012-2019 years in Chile station. TEC values obtained from GPS stations provide a powerful technique for analyzing the ionospheric response to earthquakes and solar storms. TEC data gathered from GPS stations (Dual-Frequency GPS receiver) is used to investigate the ionospheric variability through moderate and severe earthquakes. This thesis has three main contributions. In the first contribution, our goal is to analyze the relations between earthquakes and TEC data. We concentrate on extracting features from earthquakes and classification over the ionospheric TEC data. In this phase, we do not focus on predicting earthquakes with previous days. The proposed model uses Deep Autoencoders to extract features from TEC data. As the ionospheric TEC data is a high-dimensional factor, reducing dimensionality to obtain a compressed feature set is an essential step in the feature extraction phase. The collected features served as input to dense neural networks to perform classification. The classification model results are compared against the LDA(Linear Discriminant Analysis), SVM(Support Vector Machine) and Random Forest classifier models to evaluate the proposed model. The results report that the proposed model improves in distinguishing the earthquakes at an accuracy rate of about 0.94 in the target station zone. In the second contribution, we propose a classification model to detect earthquakes in previous days. The LSTM methods handle this issue with the solution to short-term memory. The proposed models use LSTM-based (Long Short-Term Memory), deep learning models to classify earthquakes days by analyzing TEC values of the last seven days. The variant versions of the LSTM models are proposed to enhance the contribution of this research. The LSTM-Based classification models are compared against the SVM, LDA and Random Forest classifier models to evaluate the proposed models. The results reveal that the proposed models improve in detecting the earthquakes at an accuracy rate of about 78-80 and can be used as a successful tool for detecting earthquakes based on the previous days. In the last contribution of this thesis, we develop a hybrid version of deep autoencoders and LSTM to detect earthquakes in previous days. This model proposes to improve the stacked LSTM-based earthquake classification introduced in the second model. The suggested model uses a deep autoencoder to derive beneficial features from ionospheric TEC data and perform Stacked LSTM to classify earthquakes days by analyzing TEC values of the last seven days. To analyze the contribution of the suggested DAE-STCK-LSTM model, we used Stacked-LSTM, LDA, and SVM classifiers. Our evaluation test results prove approximately 81-84 accuracy-based performance in the two test sets of the earthquakes, including moderate and severe earthquakes.