Bu çalışma, Türkiye’de (26-45° Doğu ve 36- 42° Kuzey) yayınırlık ve coğrafik verileri (enlem, boylam, yükseklik ve ay) kullanılarak yeryüzü sıcaklığının tahmininde yapay sinir ağlarının kullanılmasını ortaya koymaktadır. Genelleştirilmiş Regresyon Ağları (GRA), yapay sinir ağlarında (YSA) kullanılmıştır. Yapay sinir ağımızı eğitmek için Türkiye’nin Yer Yüzey Sıcaklığı (YYS) hakkında genel fikir veren 10 bölgenin (Adana, Afyon, Ankara, Eskişehir, İstanbul, İzmir, Konya, Malatya, Rize, Sivas) verileri kullanıldı. 2002 yılı için İzmir, Konya, Malatya, Rize ve Sivas’tan alınan veriler eğitim için kullanılırken, Adana, Afyon, Ankara, Eskişehir ve İstanbul’dan alınan veriler ise test etme ve doğrulama için kullanılmıştır. Yer Yüzey Sıcaklığı çıktı olarak alınmıştır. Bununla birlikte, GRA yöntemi yayınırlık ve coğrafi verilerden elde edilen değerlerle Yer yüzey Sıcaklığının aylık tahmini için önerilmiştir. Tahmin edilen değerler ve GRA yöntemi ile elde edilen değerlerin aylık ortalama günlük toplamı için yüzey değerleri arasındaki R2, eğitim için 99.07%, test için 96.85% bulunmuştur. Bu nedenle elde edilen sonuçlar, GRA kullanılarak yayınırlık ve coğrafi verilerden Yer yüzey Sıcaklığını tahmininde yeterince iyi olduğu görülmüştür

This study introduces artificial neural networks (ANNs) for the estimation of land surface temperature (LST) using emissivity and geographical data (latitude, longitude, altitude and month) in Turkey (26-45° E and 36- 42° N). Generalized regression neural network (GRNN) were used in the network. In order to train our neural network we used data of 10 stations (Adana, Afyon, Ankara, Eskişehir, İstanbul, İzmir, Konya, Malatya, Rize, Sivas), which are assumed to give a general idea about the land surface temperature of Turkey. Data from stations (İzmir, Konya, Malatya, Rize, Sivas) were used for training, while the stations (Adana, Afyon, Ankara, Eskişehir, İstanbul) was used for testing and validating the model for 2002. Land surface temperature is the output. However, the method of ANN was proposed for the estimation of monthly global land surface temperature values from emissivity and geographical data. R2 between the estimated and ground values for monthly mean daily sum with ANN method values have been found as 99.07% (training) and 96.85% (testing), respectively. Therefore these results are good enough for predicting the land surface temperature at ground using artificial neural networks method with emissivity and geographical data.