Upload 4 files

README.md

@@ -1,14 +1,25 @@
 ---
-title: RaspShakeRandomForest
-emoji: 🦀
-colorFrom: gray
-colorTo: pink
+title: Sismik Siniflandirma
+emoji: 🌍
+colorFrom: red
+colorTo: blue
 sdk: gradio
-sdk_version: 6.19.0
-python_version: '3.13'
+sdk_version: 4.44.0
 app_file: app.py
 pinned: false
-short_description: raspberyshake sistemi deprem sınıflandırıcı
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# Sismik Sinyal Sınıflandırma
+
+Marmara bölgesi RaspberryShake istasyonlarından (RF9F7, R772A, R6080) toplanan
+verilerle eğitilmiş bir RandomForest modeli. MSEED dosyası yükleyin,
+DEPREM veya NOISE olarak sınıflandırsın.
+
+## Özellikler
+- 16 sismik özellik (STA/LTA, spektral oranlar, kurtosis, envelope şekli vb.)
+- Amplitüd-bağımsız özellikler kullanır (farklı istasyon sensör kazançlarından etkilenmez)
+- Ayarlanabilir karar eşiği
+
+## Kısıtlar
+- Şu an sınırlı veriyle eğitildi (~126 segment), gelişim aşamasında
+- Sadece Marmara bölgesi RaspberryShake verisiyle test edildi

app.py

@@ -0,0 +1,262 @@
+#!/usr/bin/env python3
+"""
+Sismik Sınıflandırma - HuggingFace Space (Gradio)
+===================================================
+RandomForest modeliyle MSEED dosyalarını DEPREM / NOISE olarak sınıflandırır.
+
+HF Spaces kurulumu:
+    1. huggingface.co/new-space -> SDK: Gradio, Hardware: CPU basic (ücretsiz)
+    2. Bu dosyayı app.py olarak yükle
+    3. requirements.txt'i yükle
+    4. rf_model.pkl dosyasını da Space'e yükle (aynı dizine)
+"""
+
+import os
+import json
+import tempfile
+import warnings
+warnings.filterwarnings("ignore")
+
+import numpy as np
+import joblib
+import gradio as gr
+from obspy import read
+from obspy.signal.trigger import classic_sta_lta, trigger_onset
+from obspy.signal.filter import envelope as obspy_envelope
+from scipy import signal as scipy_signal
+from scipy.stats import kurtosis, skew
+
+import matplotlib
+matplotlib.use("Agg")
+import matplotlib.pyplot as plt
+
+# ---------------------------------------------------------------------------
+# Özellik çıkarımı — train_rf2.py ile BİREBİR AYNI
+# ---------------------------------------------------------------------------
+BANDPASS = (0.5, 15.0)
+STA_S    = 2.0
+LTA_S    = 20.0
+MIN_NPTS = 200
+MODEL_PATH = "rf_model.pkl"
+
+
+def extract_features(tr) -> dict:
+    data = tr.data.astype(np.float64)
+    n    = len(data)
+    df   = tr.stats.sampling_rate
+    if n < MIN_NPTS:
+        return None
+
+    data -= np.mean(data)
+    sos   = scipy_signal.butter(4, BANDPASS, btype="bandpass", fs=df, output="sos")
+    fdata = scipy_signal.sosfiltfilt(sos, data)
+
+    rms = np.sqrt(np.mean(fdata**2))
+    if rms < 1e-10:
+        return None
+
+    max_amp  = np.max(np.abs(fdata))
+    peak_rms = max_amp / rms
+    zcr      = ((fdata[:-1] * fdata[1:]) < 0).sum() / n
+
+    env            = obspy_envelope(fdata)
+    env_smooth     = scipy_signal.savgol_filter(env, min(51, n // 4 * 2 + 1), 3)
+    env_smoothness = np.std(np.diff(env_smooth)) / (np.mean(env_smooth) + 1e-10)
+
+    cum_e = np.cumsum(env ** 2)
+    idx90 = np.searchsorted(cum_e, 0.9 * cum_e[-1])
+    dur90 = idx90 / df
+
+    kurt_val = kurtosis(fdata)
+    skew_val = skew(fdata)
+
+    try:
+        cft = classic_sta_lta(fdata, int(STA_S * df), int(LTA_S * df))
+        sta_lta_max  = np.max(cft)
+        sta_lta_mean = np.mean(cft)
+        triggers     = trigger_onset(cft, 4.0, 1.5)
+        num_triggers = len(triggers)
+    except Exception:
+        cft = np.zeros_like(fdata)
+        sta_lta_max, sta_lta_mean, num_triggers = 0.0, 0.0, 0
+
+    nperseg = min(256, n // 2)
+    freqs, psd = scipy_signal.welch(fdata, df, nperseg=nperseg)
+    total_power = np.sum(psd) + 1e-30
+
+    def band_ratio(f_low, f_high):
+        mask = (freqs >= f_low) & (freqs < f_high)
+        return np.sum(psd[mask]) / total_power
+
+    low_ratio  = band_ratio(0.5, 2.0)
+    mid1_ratio = band_ratio(2.0, 5.0)
+    mid2_ratio = band_ratio(5.0, 10.0)
+    high_ratio = band_ratio(10.0, 25.0)
+
+    dom_freq_idx = np.argmax(psd[freqs <= 25])
+    dom_freq     = freqs[dom_freq_idx]
+
+    psd_norm       = psd / total_power
+    spec_entropy   = -np.sum(psd_norm * np.log(psd_norm + 1e-30))
+    spec_mean_freq = np.sum(freqs * psd_norm)
+    spec_bandwidth = np.sqrt(np.sum(((freqs - spec_mean_freq) ** 2) * psd_norm))
+
+    is_rf9f7 = 1 if "RF9F7" in (tr.stats.station or "").upper() else 0
+
+    feats = {
+        "peak_rms":       peak_rms,
+        "zcr":            zcr,
+        "kurt":           kurt_val,
+        "skewness":       skew_val,
+        "env_smoothness": env_smoothness,
+        "dur90_s":        dur90,
+        "sta_lta_max":    sta_lta_max,
+        "sta_lta_mean":   sta_lta_mean,
+        "num_triggers":   num_triggers,
+        "dom_freq":       dom_freq,
+        "low_ratio":      low_ratio,
+        "mid1_ratio":     mid1_ratio,
+        "mid2_ratio":     mid2_ratio,
+        "high_ratio":     high_ratio,
+        "spec_entropy":   spec_entropy,
+        "spec_bandwidth": spec_bandwidth,
+        "is_rf9f7":       is_rf9f7,
+    }
+    # Grafik için ek veriler (feature dict'ine karışmaması için ayrı döndürülür)
+    return feats, fdata, cft, df
+
+
+# ---------------------------------------------------------------------------
+# Model yükleme (bir kere, global)
+# ---------------------------------------------------------------------------
+_bundle = None
+
+def get_model():
+    global _bundle
+    if _bundle is None:
+        _bundle = joblib.load(MODEL_PATH)
+    return _bundle
+
+
+def make_plot(fdata, cft, df, label, deprem_proba):
+    t = np.arange(len(fdata)) / df
+    fig, axes = plt.subplots(2, 1, figsize=(9, 5), sharex=True)
+
+    color = "#d64545" if label == "DEPREM" else "#3b6fd6"
+    axes[0].plot(t, fdata, color=color, linewidth=0.6)
+    axes[0].set_ylabel("Genlik (filtrelenmiş)")
+    axes[0].set_title(f"Tahmin: {label}  (DEPREM olasılığı: %{deprem_proba*100:.1f})")
+
+    axes[1].plot(t, cft, color="purple", linewidth=0.8)
+    axes[1].axhline(4.0, color="black", linestyle=":", linewidth=1, label="Tetik eşiği")
+    axes[1].set_ylabel("STA/LTA")
+    axes[1].set_xlabel("Zaman (s)")
+    axes[1].legend(loc="upper right", fontsize=8)
+
+    plt.tight_layout()
+    return fig
+
+
+def predict_mseed(file_obj, threshold):
+    if file_obj is None:
+        return "Lütfen bir MSEED dosyası yükleyin.", None, None
+
+    try:
+        st = read(file_obj.name)
+    except Exception as e:
+        return f"Dosya okunamadı: {e}", None, None
+
+    tr = None
+    for cha in ["EHZ", "HHZ", "BHZ", "EHN"]:
+        sel = st.select(channel=cha)
+        if len(sel) > 0:
+            tr = sel[0]
+            break
+    if tr is None:
+        tr = st[0]
+
+    result = extract_features(tr)
+    if result is None:
+        return f"Özellik çıkarılamadı (dosya çok kısa, min {MIN_NPTS} örnek gerekli).", None, None
+
+    feats, fdata, cft, df = result
+
+    bundle = get_model()
+    model, le, feature_cols = bundle["model"], bundle["le"], bundle["meta"]["feature_cols"]
+
+    X = np.array([[feats.get(c, 0.0) for c in feature_cols]])
+    X = np.where(~np.isfinite(X), 0.0, X)
+    proba = model.predict_proba(X)[0]
+
+    deprem_idx = list(le.classes_).index("DEPREM")
+    deprem_p = float(proba[deprem_idx])
+    label = "DEPREM" if deprem_p >= threshold else "NOISE"
+
+    emoji = "🔴 DEPREM" if label == "DEPREM" else "🔵 NOISE"
+    summary = (
+        f"## {emoji}\n\n"
+        f"**DEPREM olasılığı:** %{deprem_p*100:.1f}\n\n"
+        f"**NOISE olasılığı:** %{(1-deprem_p)*100:.1f}\n\n"
+        f"**Kanal:** {tr.stats.network}.{tr.stats.station}.{tr.stats.location}.{tr.stats.channel}\n\n"
+        f"**Başlangıç:** {tr.stats.starttime}\n\n"
+        f"**Süre:** {tr.stats.npts/tr.stats.sampling_rate:.1f} sn"
+    )
+
+    feat_table = "| Özellik | Değer |\n|---|---|\n"
+    for k, v in feats.items():
+        feat_table += f"| {k} | {v:.4f} |\n"
+
+    fig = make_plot(fdata, cft, df, label, deprem_p)
+
+    return summary, feat_table, fig
+
+
+# ---------------------------------------------------------------------------
+# Gradio arayüzü
+# ---------------------------------------------------------------------------
+
+with gr.Blocks(title="Sismik Sınıflandırma") as demo:
+    gr.Markdown(
+        "# 🌍 Sismik Sinyal Sınıflandırma (Marmara / RaspberryShake)\n"
+        "MSEED dosyası yükleyin, RandomForest modeli DEPREM veya NOISE olarak sınıflandırsın.\n\n"
+        "*Not: Model şu an sınırlı (Marmara bölgesi, RaspberryShake istasyonları) veriyle eğitildi, "
+        "gelişim aşamasındadır.*"
+    )
+
+    with gr.Row():
+        with gr.Column(scale=1):
+            file_input = gr.File(label="MSEED Dosyası (.mseed)", file_types=[".mseed", ".miniseed", ".seed"])
+            threshold_slider = gr.Slider(
+                minimum=0.1, maximum=0.9, value=0.5, step=0.05,
+                label="DEPREM karar eşiği",
+                info="Düşürürsen daha hassas (recall↑), yükseltirsen daha seçici (precision↑)"
+            )
+            submit_btn = gr.Button("Analiz Et", variant="primary")
+
+        with gr.Column(scale=1):
+            result_md = gr.Markdown(label="Sonuç")
+
+    with gr.Row():
+        plot_output = gr.Plot(label="Dalga Formu + STA/LTA")
+
+    with gr.Accordion("Detaylı özellik değerleri", open=False):
+        feat_output = gr.Markdown()
+
+    submit_btn.click(
+        fn=predict_mseed,
+        inputs=[file_input, threshold_slider],
+        outputs=[result_md, feat_output, plot_output],
+    )
+
+    gr.Markdown(
+        "---\n"
+        "**API kullanımı:** Bu Space'e programatik erişim için `gradio_client` kütüphanesini kullanabilirsiniz:\n"
+        "```python\n"
+        "from gradio_client import Client, file\n"
+        "client = Client(\"KULLANICI_ADI/SPACE_ADI\")\n"
+        "result = client.predict(file(\"ornek.mseed\"), 0.5, api_name=\"/predict\")\n"
+        "```"
+    )
+
+if __name__ == "__main__":
+    demo.launch()

model_output4/rf_model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6bfd4d1ffa2488e81175dff19c68e094ce1bf71407008f486114b9f91459cda5
+size 521865

requirements.txt

@@ -0,0 +1,7 @@
+gradio>=4.0.0
+obspy>=1.4.0
+scikit-learn>=1.3.0
+numpy>=1.24.0
+scipy>=1.10.0
+matplotlib>=3.7.0
+joblib>=1.3.0