Gravite Değerlerinin Geri Yayılımlı Yapay Sinir Ağları ile Hesaplanması

Year 2016, Volume: 16 Issue: 3, 660 - 664, 31.12.2016

Bayram Turgut

Abstract

İnsanoğlu var olduğu günden itibaren dünyanın şekli, yüzeyindekiler ve içindekiler hakkında bilgi edinmek için birçok araştırma yapmıştır. Tarih boyunca, Dünyanın şekli tepsi, yumurta vb. değişik nesnelere benzetilmiştir. Bilimsel ve teknik çalışmaların ışığında Dünyanın şeklinin matematiksel ve fiziksel olarak ifade edilebilen jeoid olduğu sonucuna varılmıştır. Jeoid belirlemede kullanılan yöntemlerden birisi de gravite değerleri ile jeoid belirleme yöntemidir. Bu çalışmanın amacı, Geri Yayılımlı Yapay Sinir Ağlarının (GYYSA) gravite değerlerinin hesaplanmasında kullanılabilirliğinin araştırılmasıdır. Amerika Birleşik Devletlerindeki 6 eyalette bulunan istasyonlardan elde edilen 23 adet yersel gravite değerlerinin GYYSA ve Global Jeopotansiyel Model (GJM) yardımıyla hesaplanması yapılacaktır.

Keywords

Gravite;, jeoid;, Geri yayılımlı yapay sinir ağı;, EGM2008.

References

• Akçin H., 2001, Jeoit kavramı ve belirleme teknikleri üzerine bir inceleme, Niğde Üniversitesi Mühendislik Bilimleri Dergisi,4, 37-50.
• Aşık, E., 2013, Lokal jeoit belirlemede yapay sinir ağları ve kriging yöntemlerinin karşılaştırılması, Yüksek lisans tezi, Afyon Kocatepe Üniversitesi Fen Bilimleri Enstitüsü, Afyonkarahisar, 71.
• Barthelmes F. 2013. Definition of functionals of the geopotential and their calculation from spherical harmonic models, Theory and formulas used by the calculation service of the International Centre for Global Earth Models (ICGEM). Scientific Technical Report (Revised Edition), STR09/02
• Güllü, M., 2010b. Coordinate transformation by radial basis function neural network. Scientific Research and Essays, 5-5: 440-447.
• Güllü, M., Yılmaz, İ., Yılmaz, M. and Turgut, B. 2011a. An alternative method for estimating densification point velocity based on back propagation artificial neural networks. Studia Geophysica et Geodaetica, 55: 73-86.
• Güllü M., Yılmaz İ., Yılmaz M., Turgut B., 2011b, An alternative method for estimating densification point velocity based on back propagation artificial neural Networks, studia geophysica et geodatica, 55(1), 73-86.
• Graupe, D., 2007. Principles of Artifical Neural Networks. World Scientific Publishing, Singapore.
• Haykin, S,. 1999. Neural Networks: A Comprehensive Foundation. Prentice Hall, Upper Saddle River, NJ.
• Lippmann, R.P., 1987. An introduction to computing with neural nets. IEEE ASSP Magazine, 4: 4-22.
• Tierra A., Dalazoana R., De Freitas S., 2008, Using an artificial neural network to improve the transformation of coordinates between classical geodetic reference frames, Computer and Geosciences, 34, 181-189.
• Yılmaz İ., Güllü M., Yılmaz M., Dereli M.A., 2010, compass roses on the Book of Navigation (Kitab-ı Bahriye) Declination data source for geomagnetic field models, Physics of the earth and planetary ınteriors,182, 170-174.
• 1- http://gis.utep.edu/PACES.html, 09.08.2016
• 2- http://icgem.gfz-potsdam.de/ICGEM, 25.08.2016