Yapay Sinir Ağları Yardımıyla Yükseklik Modellemesi (Samsun-Mert Irmağı Havzası Örneği)

Abstract

Birçok Mühendislik uygulamasında, topoğrafik yüzeye ihtiyaç duyulmakta ve topografyanın uygun doğrulukta belirlenmesi gerekmektedir. Sayısal yükseklik modeline dayalı uygulamalarda olduğu gibi, örnek çalışma alanı yatay ve düşey konum bilgileri kullanılarak yükseklik değerleri uygun yöntemlerle belirlenebilir. Bu çalışmada Samsun ili Mert ırmağı havzası ve kent sınırlarının kesiştiği alanda, hâlihazır haritalardan temin edilmiş yatay ve düşey koordinat bilgilerinin yer aldığı noktalardan yükseklik (kot) değerleri yapay sinir ağları yöntemlerinden Çok Katmanlı Yapay Sinir Ağları (ÇKYSA) ve regresyon analizi kullanılarak tahmin edilmeye çalışılmıştır. Çalışma 3 farklı kombinezon denenmiştir. Bunlar: (i) X koordinat bilgisiyle yükseklik tahmini; (ii) Y koordinat bilgisiyle yükseklik tahmini; (iii) X ve Y koordinat bilgisiyle yükseklik tahmini şeklindedir. Karşılaştırma kriterleri olarak Karekök Ortalama Karesel Hata (KOKH), Ortalama Mutlak Hata (OMH) ve determinasyon katsayıları (R²) kullanılmıştır. OMH, KOKH ve R² kriterlerine göre yükseklik modellemesinde yapay sinir ağı modelinin regresyon modellerinden daha iyi uyum (uygun doğruya) sağladığı gözlenmiştir. En yüksek R² değeri (0.948) (iii) kombinezonunun giriş verisi olarak kullanıldığı ÇKYSA modelinden elde edilmiştir. En düşük R² değeri ise 0.132 (ii) kombinezonunun denendiği regresyon modelinde görülmüştür. Yapılan modelleme sonucunda yükseklikler (iii) kombinezonu ve ÇKYSA ile daha başarılı tahmin edilmiştir. Dolayısıyla, yapay sinir ağlarının regresyon analizine alternatif bir yöntem olabileceği sonucuna ulaşılmıştır. 

Keywords

• Yükseklik Modeli,Yapay Sinir Ağları,Tahmin,Samsun

Height Modeling with Artificial Neural Networks (Samsun-Mert River Basin)

Abstract

In many engineering applications, it is needed topographical and surface topography is required to determine the appropriate accuracy. As applications based on digital elevation model case study of height values using horizontal and vertical position information may be determined by appropriate methods. In this study, Samsun Mert river basin and at the intersection of the city limits, the present progress has been providing horizontal and vertical elevation values of the point where the coordinates of the map information have been studied to predict. Multi-Layer Artificial Neural Networks (MLANN), and regression analysis were used. The study was tested in three different combinations. These include: (i) X coordinate of the estimated height information; (ii) the estimated height of the Y coordinate information; (iii) the estimated height information in the form of X and Y coordinates. As a comparison criterion Root Mean Square Error (RMSE), Mean Absolute Error (MAE) and the determination coefficients (R2) were used. When the models were compared, Artificial Neural Networks (ANN) model gave a better fit (fit-line) than Multiple Linear Regression (MLR) and linear regression (LR) models. The highest R² value (0.948) was found from the ANN model where the combination (iii) was used as input data. The lowest R² value (0.132) was obtained from the regression model where the combination (ii) was used as input data. As a result of modeling, heights have been estimated more successfully with the (iii) combination of ANN. Therefore, ANN was determined as an alternative method to regression analysis.

Keywords

• Elevation Models,Artificial Neural Network,Prediction,Samsun

References

1. [1] Y.C. Fang and B.-W. Wu, “Neural network application for thermal image recognition of low-resolution objects,” J. Opt. A Pure Appl. Opt., vol. 9, no. 2, pp. 134–144, Feb. 2007.
2. [2] M. Gocic and S. Trajkovic, “Analysis of changes in meteorological variables using Mann-Kendall and Sen’s slope estimator statistical tests in Serbia,” Glob. Planet. Change, vol. 100, pp. 172–182, 2013.
3. [3] K. Papik, B. Molnar, R. Schaefer, Z. Dombovari, Z. Tulassay, and J. Feher, “Application of neural networks in medicine - A review,” Med. Sci. Monit., vol. 4, no. 3, pp. 538–546, 1998.
4. [4] A. Parlak, Y. Islamoglu, H. Yasar, and A. Egrisogut, “Application of artificial neural network to predict specific fuel consumption and exhaust temperature for a Diesel engine,” Appl. Therm. Eng., vol. 26, no. 8–9, pp. 824–828, 2006.
5. [5] S. Trajkovic, B. Todorovic, and M. Stankovic, “Forecasting of Reference Evapotranspiration by Artificial Neural Networks,” J. Irrig. Drain. Eng., vol. 129, no. 6, pp. 454–457, 2003.
6. [6] X. Yuanyou, X. Yanming, and Z. Ruigeng, “An engineering geology evaluation method based on an artificial neural network and its application,” Eng. Geol., vol. 47, no. 1–2, pp. 149–156, 1997.
7. [7] A. Arı and E. Berberler, “Yapay sinir ağları ile tahmin ve sınıflandırma problemlerinin çözümü için arayüz tasarımı,” ACTA Infologica, vol. 1, no. 2, pp. 55–73, 2017.
8. [8] V. N. Sharda, R. M. Patel, S. O. Prasher, P. R. Ojasvi, and C. Prakash, “Modeling runoff from middle Himalayan watersheds employing artificial intelligence techniques,” Agric. Water Manag., vol. 83, no. 3, pp. 233–242, 2006.

9. [9] M. Kumar and N. Raghuwanshi, “Estimating evapotranspiration using artificial neural network,” J. Irri Journal of Irrigation and Drainage Engineering, Vol. 128, no. 4, 454–457, 2002.
10. [10] E. Uzlu, “Türkiye için gri kurt optimizasyon algoritması ile yapay sinir ağlarını kullanarak enerji tüketiminin tahmini,” Gazi Üniversitesi Fen Bilim. Derg. Part C Tasarım ve Teknol., vol. 7, no. 2, pp. 245–262, 2019.
11. [11] M. A. Çavuşlu, Y. Becerikli, and C. Karakuzu, “Levenberg- Marquardt Algoritması ile YSA Eğitiminin Donanımsal Gerçeklenmesi,” Türkiye Bilişim Vakfı Bilgi. Bilim. ve Mühendisliği Derg., vol. 5, no. 5, pp. 1–7, 2012.
12. [12] E. Sütcü, “Kaynaklı İmalat Operasyon Sürelerinin Matlab Yapay Sinir Ağları ile Tahmin Edilmesi,” Gazi Mühendislik Bilim. Derg., vol. 4, no. 1, pp. 16–24, 2018.
13. [13] M. B. Özdemir and M. Galip, “Düşey Tip Toprak Kaynaklı Isı Pompasının Yapay Sinir Ağları İle Ankara Şertlarında Yaz Mevsimi İçin Performans Tahmini,” Gazi Mühendislik Bilim. Derg., vol. 5, no. 1, pp. 46–53, 2019.
14. [14] A. Şeker, B. Diri, and H. H. Balık, “Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme,” Gazi Mühendislik Bilim. Derg., vol. 3, no. 3, pp. 47–64, 2017.
15. [15] L. Cakir and N. Yilmaz, “Polynomials, radial basis functions and multilayer perceptron neural network methods in local geoid determination with GPS/levelling,” Meas. J. Int. Meas. Confed., vol. 57, pp. 148–153, 2014.
16. [16] Leyla Çakir, “Polinomlar, Multikuadrik Enterpolasyon, İleri Beslemeli Yapay Sinir Aği ve Anfis yöntemleri ile yerel GPS/Nivelman Jeoidin belirlenmesi", in 8. Ulusal Mühendislik Ölçmeleri Sempozyumu, İstanbul, Türkiye,, 19-21 Ekim 2016, pp. 1–9.
17. [17] B. Konakoglu, L. Cakir, and E. Gökalp, “2D coordinate transformation using artificial neural networks,” Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. - ISPRS Arch., vol. 42, no. 2W1, pp. 183–186, 2016.
18. [18] URL1,” "Yapay sinir ağları", wikipedia, 2010, [Online]. Available: https://tr.wikipedia.org/wiki/Yapay_sinir_ağları, [Accessed: Sept. 12, 2010].
19. [19] D. W. Marquardt, “An algorithm for least-squares estimation of nonlinear parameters,” J. Soc. Indust. Appl. Math., vol. 11, no. 2, pp. 431–441, 1963.
20. [20] M. Fırat and M. Güngör, “Askı Madde Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi,” İMO Tek. Dergi, pp. 3267–3282, 2004.
21. [21] M. Square et al., “The Annals of Mathematical Statistics,” vol. 12, no. 4, pp. 367–395, 2015.
22. [22] URL-2, "Regresyon Analizi", istatistikanaliz , 2010, [Online]. Available: http://www.istatistikanaliz.com/regresyon_analizi.asp. [Accessed: Sept. 12, 2010].
23. [23] V. Demir and A. Ülke, “Manning Pürüzlülük Katsayısının Cowan Yöntemi ve Uzaktan Algılama Yardımıyla Belirlenmesi,” Gazi Mühendislik Bilim. Derg., vol. 5, no. 2, pp. 167–177, 2019.