Yerel Jeoit Belirlemede Yapay Sinir Ağlarının Farklı Nokta Yoğunluğundaki Performansı

Jeoit, fiziksel anlamlı ortometrik yükseklikler için referans yüzeyidir. Bu nedenle jeoidin yüksek hassasiyette belirlenmesi yerbilimlerinde özellikle jeodezide hayati öneme sahiptir. Uygulamada jeoit belirleme için çoğunlukla GNSS (Global Navigation Satellite Systems—Küresel Seyrüsefer Uydu Sistemleri) ve nivelman verilerini birlikte değerlendiren birçok matematiksel yüzey ve enterpolasyon teknikleri uygulayan geometrik yöntem kullanılır. Günümüzde hızla gelişen yapay zekâ ve makine öğrenmesi teknolojileri, algoritması çok karışık problemlere insan beyni gibi davranarak çözümler üretmektedir. Bu çalışmada yapay zeka teknolojilerinden yapay sinir ağı incelenmiş, jeoit belirlemede kullanılabilirliği test edilmiştir. Bu amaçla yaklaşık 2765 km2 lik yüzölçümüne sahip bir çalışma alanı seçilmiş ve bu alanda bulunan 326 GNSS-nivelman noktası aracılığı ile eğitim ve test verilerini değiştirerek 6 adet deney yapılmıştır. Bu noktalar çeşitli kombinasyonlar oluşturacak şekilde eğitim ve test seti olarak ayrılmıştır. Bu bağlamda yapay sinir ağı modelleri ve polinomal eğri yüzey modelleri oluşturulmuş ve karşılaştırma sonuçları üretilmiştir. Sayısal sonuçlar “Büyük Ölçekli Harita ve Harita Bilgileri Üretim Yönetmeliği” açısından bakıldığında homojen hem de homojen olmayan nokta dağılımında yapay sinir ağı modelinin polinomal yüzey modelinden daha iyi sonuçlar ürettiği görülmüştür.

Anahtar Kelimeler:

Çok Katmanlı Algılayıcılar, Jeoit Belirleme, Polinomal Eğri Yüzey Uydurma, Yapay Sinir Ağları

Performance Of Artificial Neural Networks On Different Point Density In Local Geoid Determination

Geoid is a reference surface for physical orthometric heights. Thus precise geoid determination is essential important in geosciences especially in geodesy. For the geoid determination the geometrical method that evaluates GNSS (Global Navigation Satellite Systems) together with levelling data is mostly used in practice. In order to determine geoid surface, many mathematical surfaces and interpolation techniques are applied in this method. Today the rapidly developing artificial intelligence and machine learning technologies by behaving the human brain produce solutions to problems, which have very complex algorithms. In this study, the artificial neural network from artificial intelligence technologies was examined and also its usability was tested in the geoid determination. For this purpose, a study area that covers approximately 2765 km2 was selected and some tests were carried out in this area by using 326 GNSS-levelling points. These points were divided into training and test datasets in order to create various combinations. In this context, some artificial neural network models and polynomial curve surface models were yielded and comparison results were produced. According to numerical results, it was observed that models of artificial neural networks produced better results than the polynomial curve surface models in the homogenous and non-homogeneous point distributions from viewpoint of “Rules of Large Scale Map and Map Data Production”.

Keywords:

Multilayer sensors, Geoid Determination, Polynomial Curve Surface Fitting, Artificial Neural Networks,

PDF

___

Abbak, R. A., (2017) Fiziksel Jeodezi Teori ve Uygulama, Atlas Akademi Yayıncılık, Konya.
Arslan, O., Kurt, O., Konak, H., (2007) Yapay Sinir Ağlarının Jeodezide Uygulamaları Üzerine Öneriler, 11. Türkiye Harita Bilimsel ve Teknik Kurultayı, 2-6 Nisan 2007, Ankara.
Aşık, E., (2013) Lokal Jeoit Belirlemede Yapay Sinir Ağları ve Kriging Yönteminin Karşılaştırılması, Yüksek Lisans Tezi, Afyon Kocatepe Üniversitesi Fen Bilimleri Enstitüsü, Afyon.
Beale, M. H., Hagan, M. T. Demuth, H. B., (2010) Neural Network Toolbox 7 User’s Guide. The MathWorks Inc., Natick, MA.
Çakır, L., (2015) Sayısal Yükseklik Modelinde Klasik Ve Esnek Hesaplama Yöntemlerinin Karşılaştırılması, 15. Türkiye Harita Bilimsel ve Teknik Kurultayı, 25-28 Mart 2015, Ankara. Çorumluoğlu, Ö., Özbay, Y., Kalaycı, İ., Şanlıoğlu, İ., (2005) GPS Yüksekliklerinden Ortometrik yüksekliklerin elde edilmesinde Yapay Sinir Ağı (YSA) Tekniğinin kullanımı, 2. Mühendislik Ölçmeleri sempozyumu, 23-25 Kasım 2005, İstanbul.
Graupe, D., (2007) Principles of Artifical Neural Networks, World Scientific Publishing, Singapore.
İnal, C., Turgut, B. ve Yiğit, C., Ö., (2003) Lokal Alanlarda Jeoit Ondülasyonunun Belirlenmesinde Kullanılan Enterpolasyon Yöntemlerinin Karşılaştırılması, Selçuk Üniversitesi Jeodezi ve Fotogrametri Mühendisliğinde 30, Yıl Sempozyumu, Ekim, Konya, Bildiriler Kitabı, 97-106.
Kaftan, İ., (2010) Batı Türkiye Gravite ve Deprem Katalog Verilerinin Yapay Sinir Ağları ile Değerlendirilmesi, Doktora Tezi, Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İzmir.
Öztemel, E., 2016, Yapay Sinir Ağları, Papatya Bilim Üniversite Yayıncılığı, İstanbul.
Patan, K., 2008, Artificial Neural Networks for the Modelling and Fault Diagnosis of Technical Processes, Springer, London-New York.
Verbeurgt, J. (2018) Kişisel görüşme, Belçika Coğrafya Enstitüsü, Brüksel.
Yılmaz, M., (2012) Jeodezik Nokta Hız Kestiriminde Yapay Sinir Ağlarının Kullanılabilirliği, Doktora Tezi, Afyon Kocatepe Üniversitesi, Fen Bilimleri Enstitüsü, Afyonkarahisar