Ömer Gökberk NARİN, Mevlüt GÜLLÜ, Bayram TURGUT, Tamer BAYBURA

1/1000 Ölçekli Kadastro Pafta Dönüşümünde Yapay Sinir Ağları (YSA) Tekniğinin Kullanabilirliğinin Araştırılması

Tapu ve Kadastro Genel Müdürlüğü tarafından Büyük Ölçekli Harita ve Harita Yapım Yönetmeliği(BÖHHBÜY) ne göre 1/1000 ölçekli kadastral paftalar üretilmektedir. Kadastral çalışmalarda altlıkoluşturan 1/1000 ölçekli paftalar taranmaktadır. Taranmış görüntüler genellikle Afin ve Polinomyöntemleri kullanılılarak pafta dönüşümü yapılır. Afin ve İkinci Dereceden Polinom fonksiyonlarınınmatematiksel formüllerinin belirli olması sebebiyle dönüşümün hassasiyeti dönüşümde kullanılan noktasayısına ve kullanıcı hatasına bağlıdır. Dönüşümde elde edilen hassasiyet noktaların konum hatasınabağlı olarak parsellerde kenar ve alan hataları oluşturmaktadır. Yapay Sinir Ağlarında (YSA) dönüşümişlemi, ağın eğitiminde belirli parametrelere ve fonksiyonlara bağlı kalınmadığından daha iyi sonuçlarvermektedir. Bu çalışmada mühendislik alanında sık kullanılan YSA’nın pafta dönüşümündekullanılabilirliği incelenmiştir. 1/1000 ölçekli F42-d-24-d-4-b paftasından homojen olarak noktalarbelirlenmiştir. Belirlenen 9 nokta Afin ve İkinci Dereceden Polinom dönüşümü Netcad programındahesaplanmıştır. Matlab programını kullanarak YSA ile 9 nokta Geri Yayılımlı Yapay Sinir Ağına(GYYSA)’nagöre eğitilmiştir. 4 adet test noktasının karesel ortalama hatası üç yönteme göre de elde edilmiştir. YSAile dönüştürülmüş test noktalarının koordinatları Afin ve İkinci Dereceden Polinom dönüşümlerininsonucuna göre daha düşük çıkmıştır.

Investigation of The Usability of Artificial Neural Networks (ANN) on 1/1000 Scale Cadastral Map Sheets Transformation

1 1000 scale cadastral map sheets are produced by General Directorate of Land Registry and Cadastre according to Large Scale Map and Mapping Regulation (LSMMIPR). In cadastral studies, that created based 1/1000 scale cadastral map sheets are scanned, and then Affine and Polynomial methods are generally used in the transformation of cadastral map sheets. Because of mathematical formulas of Affine and Second Degree Polynomial functions, it depends on the number of points used in the transformation and user error. Precision obtained in the transformation creates edge and area errors in the parcels depending on the position error of the points. Transformation processing in Artificial Neural Networks (ANN) gives better results because it does not depend on certain parameters and functions in network training. In this study, the applicability of ANN, which is frequently used in engineering field, to cadastral map sheets transformation is examined. We chose homogeneously 9 grid points over a cadastral map sheets called F42-d-24-d-4-b with a scale of 1/1000. By selecting 9 grid points, and then Affine and second degree Polynomial transformation are applicated in Netcad program. Using Matlab program, trained according to ANN and 9 grid points Back Propagation Artificial Neural Network(BPANN). The quadratic mean error of 4 test points is calculated. The coordinates of the test points transformed with ANN are lower than those with Affine and Second Degree Polynomial transforms.

PDF

___

Abghari H., Mahdavi M., Fakherifard A., Salajegheh A., 2009. Cluster analysis of rainfallrunof training patterns to flowmodelling using hybrid RBF networks. Asian Journal of Applied Sciences. 2 , 2 , 150-159.
Başçiftçi, F., ve İnal, C., 2008. Jeodezide Kullanılan Bazı Koordinat Dönüşümlerinin Programlanması. Selçuk Üniversitesi Müh. Mim. Fak. Dergisi, 23, 1, 27-40.
Conte, S.D., and C., DeBoor 1981. Elementary Numerical Analysis An Algorithmic Approach, Auckland, Mc GrawHill Book, 432 p.
Çevik, K.K., ve Dandıl, E., 2012. Yapay Sinir Ağları İçin Net Platformunda Görsel Bir Eğitim Yazılımının Geliştirilmesi. Bilişim Teknojileri Dergisi.5, 1, 19-28.
Elmas, Ç., 2003. Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama).Seçkin Yayıncılık, 22-24.
Feizabadi, M., Işık M.S., ve İpbüker, C., 2015. Geomatik Mühendisliği Uygulamalarında Dönüşüm Yöntemleri. TMMOB Harita ve Kadastro Mühendisleri Odası 13. Türkiye Harita Bilimsel ve Teknik Kurultayı.
Güllü, M., Yılmaz, İ., Yılmaz, M., Turgut, B., 2011. An Alternative Method For Estimating Densification Point Velocity Based on Back Propagation Artificial Neural Networks. Studia Geodhysica et Geodaetica, 50, 1,73-86.
İnal, C., ve Turgut, B., 2001. Nokta Konum Duyarlıkları ile Koordinat Dönüşümü. Selçuk Üniversitesi Müh. Mim. Fak. Dergisi, 16, 2, 39-46.
Kırıcı, Ü., ve Şişman, Y., 2015. Farklı Amaç Fonksiyonları Kullanılarak Paftaların Sayısallaştırılması. TMMOB Harita ve Kadastro Mühendisleri Odası 13. Türkiye Harita Bilimsel ve Teknik Kurultayı.
King, J.T., 1984. Introduction to Numerical Computation , New York, Mc GrawHill, 335.
Lin L.S., Wang Y.J., 2006. A study on cadastral coordinate transformation using artificial neural network. Proceedings of the 27th Asian Conference on Remote Sensing.
Öztemel, E., 2003. Yayıncılık,47-49. Yapay Sinir Ağları. Palmiye
Şişman, Y., ve Demirtaş, H., 2016. Tam Faktöriyel Deney Tasarımı ile Kadastro Haritalarının Sayısallaştırılması. Harita Teknolojileri Elektronik Dergisi, 8 , 2, 87-98.
Yıldırım, Ö., ve İnal, C., 2003. Tarayıcılar (Scanner) ile Taranan 1/1000 Ölçekli Kadastral Paftalardan Elde Edilebilecek Duyarlılık. Tapu ve Kadastro Müfettişleri Derneği Mülkiyet Dergisi, 48 , 16-20.
Yılmaz, İ., Erdoğan, S., Tiryakioğlu, İ., Uğur, M. A., Toptaş, T. E., 2016. Bilgisayar Destekli Harita Yapımı-II. 1, Doç Dr. Saffet Erdoğan (editör), Anadolu Üniversitesi Basım Evi, Eskişehir, 67-81.
Yılmaz, M., ve Güllü, M., 2011. Jeodezik Koordinat Dönüşümünde YSA Kullanımı. TMMOB Harita ve Kadastro Mühendisleri Odası 13. Türkiye Harita Bilimsel ve Teknik Kurultayı.