TY  - JOUR
T1  - Yerel Jeoit Belirlemede Yapay Sinir Ağlarının Farklı Nokta Yoğunluğundaki Performansı
TT  - Performance Of Artificial Neural Networks On Different Point Density In Local Geoid Determination
AU  - Fidancı, Yaşar
AU  - Abbak, Ramazan Alpay
PY  - 2019
DA  - July
Y2  - 2019
DO  - 10.17714/gumusfenbil.503340
JF  - Gümüşhane Üniversitesi Fen Bilimleri Dergisi
PB  - Gümüşhane Üniversitesi
WT  - DergiPark
SN  - 2146-538X
SP  - 486
EP  - 495
VL  - 9
IS  - 3
LA  - tr
AB  - Jeoit, fiziksel anlamlı ortometrik yükseklikler içinreferans yüzeyidir. Bu nedenle jeoidin yüksek hassasiyette belirlenmesiyerbilimlerinde özellikle jeodezide hayati öneme sahiptir. Uygulamada jeoitbelirleme için çoğunlukla GNSS (Global Navigation Satellite Systems—Küresel Seyrüsefer Uydu Sistemleri)ve nivelman verilerini birlikte değerlendiren birçok matematiksel yüzey veenterpolasyon teknikleri uygulayan geometrik yöntem kullanılır.Günümüzde hızla gelişen yapay zekâ ve makineöğrenmesi teknolojileri, algoritması çok karışık problemlere insan beyni gibidavranarak çözümler üretmektedir. Bu çalışmada yapay zeka teknolojilerindenyapay sinir ağı incelenmiş, jeoit belirlemede kullanılabilirliği testedilmiştir. Bu amaçla yaklaşık 2765 km2 lik yüzölçümüne sahip birçalışma alanı seçilmiş ve bu alanda bulunan 326 GNSS-nivelman noktası aracılığıile eğitim ve test verilerini değiştirerek 6 adet deney yapılmıştır. Bunoktalar çeşitli kombinasyonlar oluşturacak şekilde eğitim ve test seti olarak ayrılmıştır.Bu bağlamda yapay sinir ağı modelleri ve polinomal eğri yüzey modellerioluşturulmuş ve karşılaştırma sonuçları üretilmiştir. Sayısal sonuçlar “BüyükÖlçekli Harita ve Harita Bilgileri Üretim Yönetmeliği” açısından bakıldığında homojenhem de homojen olmayan nokta dağılımında yapay sinir ağı modelinin polinomalyüzey modelinden daha iyi sonuçlar ürettiği görülmüştür.
KW  - Çok Katmanlı Algılayıcılar
KW  - Jeoit Belirleme
KW  - Polinomal Eğri Yüzey Uydurma
KW  - Yapay Sinir Ağları
N2  - Geoid is a reference surface for physicalorthometric heights. Thus precise geoid determination is essential important ingeosciences especially in geodesy. For the geoid determination the geometricalmethod that evaluates GNSS (Global Navigation SatelliteSystems) together with levelling data is mostly used in practice. In order todetermine geoid surface, many mathematical surfaces and interpolation techniquesare applied in this method. Today the rapidly developing artificial intelligence and machinelearning technologies by behaving the human brain produce solutions to problems,which have very complex algorithms. In this study, the artificial neuralnetwork from artificial intelligence technologies was examined and also itsusability was tested in the geoid determination. For this purpose, a study areathat covers approximately 2765 km2 was selected and some tests were carriedout in this area by using 326 GNSS-levelling points. These points were dividedinto training and test datasets in order to create various combinations. Inthis context, some artificial neural network models and polynomial curvesurface models were yielded and comparison results were produced. According tonumerical results, it was observed that models of artificial neural networks producedbetter results than the polynomial curve surface models in the homogenous and non-homogeneouspoint distributions from viewpoint of “Rules of Large Scale Map and Map DataProduction”.
CR  - Abbak, R. A., (2017) Fiziksel Jeodezi Teori ve Uygulama, Atlas Akademi Yayıncılık, Konya.
CR  - 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.
CR  - Aşık, E., (2013) Lokal Jeoit Belirlemede Yapay Sinir Ağları ve Kriging Yönteminin Karşılaştırılması, Yüksek Lisans Tezi, Afyon Kocatepe Üniversitesi Fen Bilimleri Enstitüsü, Afyon.
CR  - Beale, M. H., Hagan, M. T. Demuth, H. B., (2010) Neural Network Toolbox 7 User’s Guide. The MathWorks Inc., Natick, MA.
CR  - 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.
CR  - Graupe, D., (2007) Principles of Artifical Neural Networks, World Scientific Publishing, Singapore.
CR  - 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.
CR  - Kaftan, İ., (2010) Batı Türkiye Gravite ve Deprem Katalog Verilerinin Yapay Sinir Ağları ile Değerlendirilmesi, Doktora Tezi, Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İzmir.
CR  - Öztemel, E., 2016, Yapay Sinir Ağları, Papatya Bilim Üniversite Yayıncılığı, İstanbul.
CR  - Patan, K., 2008, Artificial Neural Networks for the Modelling and Fault Diagnosis of Technical Processes, Springer, London-New York.
CR  - Verbeurgt, J. (2018) Kişisel görüşme, Belçika Coğrafya Enstitüsü, Brüksel.
CR  - Yılmaz, M., (2012) Jeodezik Nokta Hız Kestiriminde Yapay Sinir Ağlarının Kullanılabilirliği, Doktora Tezi, Afyon Kocatepe Üniversitesi, Fen Bilimleri Enstitüsü, Afyonkarahisar
UR  - https://doi.org/10.17714/gumusfenbil.503340
L1  - https://dergipark.org.tr/tr/download/article-file/758405
ER  -