Araştırma Makalesi
BibTex RIS Kaynak Göster

Derin öğrenme tabanlı iyonosferik TEC tahmini

Yıl 2022, , 80 - 87, 15.08.2022
https://doi.org/10.29128/geomatik.870773

Öz

İyonosfer tabakası, Küresel Konumlandırma Sistemi (GPS) uydularına ait radyo sinyallerinin frekanslarına bağlı olarak zaman gecikmesine neden olan bir ortamdır. Çoğu iyonosferik çalışma, GPS gözlemlerinden elde edilen toplam elektron içeriği (TEC) değişimleri kullanılarak gerçekleştirilmektedir. Günümüzde iyonosferin fiziksel yapısı ile ilgili çalışmalar, uzay iklim koşullarının tahmini, konumlandırma, navigasyon ve iletişim gibi birçok alanda devam etmektedir. Bu çalışma, iyonosferik TEC'in tahmini için derin öğrenme tabanlı bir model oluşturulması amaçlanmıştır. Bu yöntem için tasarlanan yapay sinir ağı ve ilgili parametreleri, Derin Öğrenme Araç Kutusu kullanılarak MATLAB® ortamında hazırlanmıştır. Çalışmada Harran Üniversitesi Kampüs Alanında bulunan HRUH sabit GNSS istasyonuna ait GPS gözlemleri kullanılmıştır. Bu çalışmada, 2019 yılının ilk altı ayı için iyonosferik TEC değişimlerini tahmin etmeyi amaçlayan optimum parametrelerin belirlenmesi araştırılmıştır. Oluşturulan modelde yineleme sayısı sabit olarak (i = 100) seçilmiştir. Gizli katman sayısının 20 olarak seçildiği parametrelerle minimum karesel ortalama hata (KOH) değeri ±0.287 TECU hesaplanmıştır. 1 gizli katmanda hesaplanan tahmin modelinin KOH değeri ise ±0.472 TECU'dur. 

Kaynakça

  • Adepoju G A, Ogunjuyigbe S O A, Alawode K O (2007). Application of Neural Network to Load Forecasting in Nigerian Electrical Power System. Pacific J Sci Technol
  • Adewale A, Oyeyemi E (2018). Estimation of GPS-TEC using different techniques and comparison with values from IRI-2012, NeQuick-2 and IRI-Plas 2015 models during geomagnetic storms. In: 42nd COSPAR Scientific Assembly. p C1.1-123-18
  • Ataseven B (2013). YAPAY SİNİR AĞLARI İLE ÖNGÖRÜ MODELLEMESİ. Öneri Derg 10:101–115
  • Aydemi̇r E, Karaatlı M, Yılmaz G, Aksoy S (2014). 112 Acil Çağrı Merkezine Gelen Çağrı Sayılarını Belirleyebilmek için Bir Yapay Sinir Ağları Tahminleme Modeli Geliştirilmesi. Pamukkale Üniversitesi Mühendislik Bilim Derg 20:145–149
  • Bengio Y, Simard P, Frasconi P (1994). Learning Long-Term Dependencies with Gradient Descent is Difficult. IEEE Trans Neural Networks 5:157–166. doi: 10.1109/72.279181
  • Chakraborty M, Kumar S, De BK, Guha A (2014). Latitudinal characteristics of GPS derived ionospheric TEC: a comparative study with IRI 2012 model. Ann Geophys 57:. doi: 10.4401/ag-6438
  • Chekole D A, Giday N M (2020). Evaluation of ionospheric and solar proxy indices for IRI-Plas 2017 model over the East African equatorial region during solar cycle 24. Adv Sp Res 66:604–611. doi: 10.1016/j.asr.2020.04.029
  • Coates A, Lee H, Ng A Y (2011). An analysis of single-layer networks in unsupervised feature learning. J Mach Learn Res 15:215–223
  • Collobert R, Weston J (2008). A unified architecture for natural language processing. In: Proceedings of the 25th International Conference on Machine Learning. pp 160–167
  • Emel GG, Taşkın Ç (2002). Genetik Algoritmalar ve Uygulama Alanları. Uludağ Üniversitesi İktisadi ve İdari Bilim Fakültesi Derg 21:129–152
  • Engin O, Döyen A (2004). Artificial immune systems and applications in industrial problems. Gazi Univ J Sci 17:71–84
  • Fukushima K (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biol Cybern 36:193–202. doi: 10.1007/BF00344251
  • Goncalves V, Maria K, da Silv ABF (2013). Applications of Artificial Neural Networks in Chemical Problems. In: Suzuki K (ed) Artificial Neural Networks - Architectures and Applications. IntechOpen, Rijeka
  • Grefenstette E, Blunsom P, de Freitas N, Hermann KM (2015). A Deep Architecture for Semantic Parsing. 22–27. doi: 10.3115/v1/w14-2405
  • Gülpınar V (2015). Yapay Sinir Ağları ve Sosyal Ağ Analizi Yardımı ile Türk Telekomünikasyon Piyasasında Müşteri Kaybı Analizi. Marmara Üniversitesi İktisadi ve İdari Bilim Derg 34:331–350
  • Hagan M T, Demuth H B, Beale M H (1995). Neural Network Design. Bost Massachusetts PWS 2:734. doi: 10.1007/1-84628-303-5
  • Hinton G E, Salakhutdinov R R (2006). Reducing the dimensionality of data with neural networks. Science (80- ) 313:504–507. doi: 10.1126/science.1127647
  • Hochreiter S, Schmidhuber J (1997). Long Short-Term Memory. Neural Comput 9:1735–1780. doi: 10.1162/neco.1997.9.8.1735
  • Hofmann-Wellenhof B, Lichtenegger H, Wasle E (2008). GNSS — Global Navigation Satellite Systems, 1st edn. Springer-Verlag Wien, Wien
  • İnyurt S, Mekik Ç, Yıldırım Ö (2020). Deprem Kaynaklı Olabilecek İyonosferik Değişimlerin Belirlenmesi üzerine yeni bir yaklaşım geliştirilmesi. Geomatik 5:127–133. doi: 10.29128/geomatik.592477
  • Inyurt S, Yildirim O, Mekik C (2017). Comparison between IRI-2012 and GPS-TEC observations over the western Black Sea. Ann Geophys. doi: 10.5194/angeo-35-817-2017
  • Kalchbrenner N, Grefenstette E, Blunsom P (2014). A convolutional neural network for modelling sentences. 52nd Annu Meet Assoc Comput Linguist ACL 2014 - Proc Conf 1:655–665. doi: 10.3115/v1/p14-1062
  • Karahan M (2015). Turizm Talebinin Yapay Sinir Ağaları Yöntemiyle Tahmin Edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilim Fakültesi Derg 20:195–209
  • Karpathy A, Fei-Fei L (2017). Deep Visual-Semantic Alignments for Generating Image Descriptions. IEEE Trans Pattern Anal Mach Intell 39:664–676
  • Karymshakov K, Abdykaparov Y (2012). Forecasting stock index movement with artificial neural networks: The case of Istanbul Stock Exchange. Trak Univ J Soc Sci 14:231–242
  • Kaya Ü, Oğuz Y, Şenol Ü (2018). An Assessment of Energy Production Capacity of Amasra Town Using Artificial An Assessment of Energy Production Capacity of Amasra Town Using Artificial Neural Networks. Turkish J Electromechanics Energy 3:22–26
  • Keskin Benli Y, Güneri Tosunoğlu N (2012). Morgan Stanley Capital International Türkiye Endeksinin Yapay Sinir Ağları ile Öngörüsü. Ege Akad Bakis (Ege Acad Rev 12:541–541. doi: 10.21121/eab.2012419515
  • Kim Y (2014). Convolutional neural networks for sentence classification. EMNLP 2014 - 2014 Conf Empir Methods Nat Lang Process Proc Conf 1746–1751. doi: 10.3115/v1/d14-1181
  • Koyuncugil A, Özgülbaş N (2009). Veri Madenciliği: Tıp ve Sağlık Hizmetlerinde Kullanımı ve Uygulamaları. Int J Informatics Technol 2:. doi: 10.17671/btd.01471
  • Krizhevsky A, Hinton GE (2011). Using very deep autoencoders for content-based image retrieval. In: ESANN 2011 - 19th European Symposium on Artificial Neural Networks. pp 489–494
  • Larochelle H, Bengio Y (2008). Classification using discriminative restricted boltzmann machines. In: Proceedings of the 25th International Conference on Machine Learning. pp 536–543
  • Leandro RF, Santos MC (2007). A neural network approach for regional vertical total electron content modelling. Stud Geophys Geod 51:279–292. doi: 10.1007/s11200-007-0015-6
  • Liou CY, Cheng WC, Liou JW, Liou DR (2014). Autoencoder for words. Neurocomputing 139:84–96. doi: 10.1016/j.neucom.2013.09.055
  • Mikolov T, Karafiát M, Burget L (2010). Recurrent neural network based language model. In: Proceedings of the 11th Annual Conference of the International Speech Communication Association, INTERSPEECH 2010. pp 1045–1048
  • Nabiyev V (2012). Yapay Zeka İnsan - Bilgisayar Etkileşimi. Seçkin Yayıncılık, Ankara
  • Özkan F (2012). Döviz Kuru Tahmininde Parasal Model ve Yapay Sinir Ağları Karşılaştırması. A Comp Monet Model Artif Neural Networks Exch Rate Forecast 3:27–29 Öztemel E (2006). Yapay Si̇ni̇r Ağları. İstanbul
  • Öztürk K, Şahin ME (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış. Tak Vekayi 6:25–36
  • Partal T, Kahya E, Cığızoğlu K (2008). Yağış verilerinin yapay sinir ağları ve dalgacık dönüşümü yöntemleri ile tahmini. İTÜ Dergisi, Seri D Mühendislik 7:73–85
  • Ranzato M, Huang FJ, Boureau YL, LeCun Y (2007). Unsupervised learning of invariant feature hierarchies with applications to object recognition. In: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. pp 1–8
  • Salakhutdinov R, Hinton G (2009). Replicated softmax: An undirected topic model. In: Advances in Neural Information Processing Systems 22 - Proceedings of the 2009 Conference. pp 1607–1614
  • Salakhutdinov R, Mnih A, Hinton G (2007). Restricted Boltzmann machines for collaborative filtering. In: ACM International Conference Proceeding Series. pp 791–798
  • Schmidt M, Bilitza D, Shum CK, Zeilhofer C (2008). Regional 4-D modeling of the ionospheric electron density. Adv Sp Res 42:782–790. doi: 10.1016/j.asr.2007.02.050 Seemala GK (2011). GPS-TEC analysis application read me
  • Şeker A, Diri B, Balık HH (2017). Derin Öğrenme Yöntemleri̇ Ve Uygulamaları Hakkında Bi̇r İnceleme. Gazi Mühendislik Bilim Derg 3:47–64
  • Şentürk E (2020). Investigation of global ionospheric response of the severe geomagnetic storm on June 22-23, 2015 by GNSS-based TEC observations. Astrophys Space Sci 365:110. doi: 10.1007/s10509-020-03828-z
  • Şentürk E, Çepni MS (2018). A statistical analysis of seismo-ionospheric TEC anomalies before 63 M w ≥ 5.0 earthquakes in Turkey during 2003–2016. Acta Geophys 66:1495–1507. doi: 10.1007/s11600-018-0214-2
  • Shen Y, He X, Gao J, et al (2014). Learning semantic representations using convolutional neural networks for web search. In: WWW 2014 Companion - Proceedings of the 23rd International Conference on World Wide Web. pp 373–374
  • Sun W, Xu L, Huang X, et al (2017). Forecasting of ionospheric vertical total electron content (TEC) using LSTM networks. In: Proceedings of 2017 International Conference on Machine Learning and Cybernetics, ICMLC 2017. pp 340–344
  • Tabar ME, Başara A C, Şişman Y (2020). A House Valuation with Multiple Regression Analysis and Artificial Neural Networks. In: Yakar M (ed) Intercontinental Geoinformation Days. Mersin
  • Tabar ME, Şişman Y (2020). Bulanık Mantık ile Arsa Değerleme Modelinin Oluşturulması. Türkiye Arazi Yönetimi Derg 2:28–24
  • Tan S-S (2008). Development and thought of compass navigation satellite system. Yuhang Xuebao/Journal Astronaut 29:391–396
  • Tan S, Zhou B, Guo S, Liu Z (2011). Research on COMPASS navigation signals of China. Zhongguo Kongjian Kexue Jishu/Chinese Sp Sci Technol 31:9-14+29. doi: 10.3780/j.issn.1000-758X.2011.04.002
  • Tariq M A, Shah M, Ulukavak M, Iqbal T (2019). Comparison of TEC from GPS and IRI-2016 model over different regions of Pakistan during 2015–2017. Adv Sp Res 64:707–718. doi: https://doi.org/10.1016/j.asr.2019.05.019
  • Tektas M, Akbaş A, Topuz V (2002). Yapay Zeka Tekniklerinin Trafik Kontrolünde Kullanılması Üzerine Bir İnceleme. In: 1. Uluslararası Trafik ve Yol Güvenliği Kongresi. Gazi Üniversitesi, Ankara, pp 551–559
  • Tulunay E, Senalp ET, Radicella SM, Tulunay Y (2006). Forecasting total electron content maps by neural network technique. Radio Sci 41:. doi: 10.1029/2005RS003285
  • Tüzüntürk S, Sert Eteman F, Sezen K (2016). YAPAY SİNİR AĞI YÖNTEMİ İLE DAMACANA SU SATIŞ MİKTARLARININ TAHMİNİ ESTIMATION OF THE SALES AMOUNTS OF THE DISPENSER SIZE WATER WITH ARTIFICIAL NEURAL NETWORK METHOD. Akad Bakış 56:129–145
  • Xu G (2007). GPS: Theory, algorithms and applications
  • Yadav S, Subramanian S (2016). Detection of Application Layer DDoS attack by feature learning using Stacked AutoEncoder. In: 2016 International Conference on Computational Techniques in Information and Communication Technologies, ICCTICT 2016 - Proceedings. pp 361–366
  • Zhang Q, Wang H, Dong J, et al (2017). Prediction of Sea Surface Temperature Using Long Short-Term Memory. IEEE Geosci Remote Sens Lett 14:1745–1749. doi: 10.1109/LGRS.2017.2733548
Toplam 58 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Makaleler
Yazarlar

İsmail Demiryege 0000-0003-3836-3328

Mustafa Ulukavak 0000-0003-2092-3075

Yayımlanma Tarihi 15 Ağustos 2022
Yayımlandığı Sayı Yıl 2022

Kaynak Göster

APA Demiryege, İ., & Ulukavak, M. (2022). Derin öğrenme tabanlı iyonosferik TEC tahmini. Geomatik, 7(2), 80-87. https://doi.org/10.29128/geomatik.870773
AMA Demiryege İ, Ulukavak M. Derin öğrenme tabanlı iyonosferik TEC tahmini. Geomatik. Ağustos 2022;7(2):80-87. doi:10.29128/geomatik.870773
Chicago Demiryege, İsmail, ve Mustafa Ulukavak. “Derin öğrenme Tabanlı Iyonosferik TEC Tahmini”. Geomatik 7, sy. 2 (Ağustos 2022): 80-87. https://doi.org/10.29128/geomatik.870773.
EndNote Demiryege İ, Ulukavak M (01 Ağustos 2022) Derin öğrenme tabanlı iyonosferik TEC tahmini. Geomatik 7 2 80–87.
IEEE İ. Demiryege ve M. Ulukavak, “Derin öğrenme tabanlı iyonosferik TEC tahmini”, Geomatik, c. 7, sy. 2, ss. 80–87, 2022, doi: 10.29128/geomatik.870773.
ISNAD Demiryege, İsmail - Ulukavak, Mustafa. “Derin öğrenme Tabanlı Iyonosferik TEC Tahmini”. Geomatik 7/2 (Ağustos 2022), 80-87. https://doi.org/10.29128/geomatik.870773.
JAMA Demiryege İ, Ulukavak M. Derin öğrenme tabanlı iyonosferik TEC tahmini. Geomatik. 2022;7:80–87.
MLA Demiryege, İsmail ve Mustafa Ulukavak. “Derin öğrenme Tabanlı Iyonosferik TEC Tahmini”. Geomatik, c. 7, sy. 2, 2022, ss. 80-87, doi:10.29128/geomatik.870773.
Vancouver Demiryege İ, Ulukavak M. Derin öğrenme tabanlı iyonosferik TEC tahmini. Geomatik. 2022;7(2):80-7.