Araştırma Makalesi
BibTex RIS Kaynak Göster

Yerel Jeoit Belirlemede Yapay Sinir Ağlarının Farklı Nokta Yoğunluğundaki Performansı

Yıl 2019, Cilt: 9 Sayı: 3, 486 - 495, 15.07.2019
https://doi.org/10.17714/gumusfenbil.503340

Öz

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.

Kaynakça

  • 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

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

Yıl 2019, Cilt: 9 Sayı: 3, 486 - 495, 15.07.2019
https://doi.org/10.17714/gumusfenbil.503340

Öz

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”.

Kaynakça

  • 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
Toplam 12 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Makaleler
Yazarlar

Yaşar Fidancı 0000-0001-7642-5257

Ramazan Alpay Abbak 0000-0002-6944-5329

Yayımlanma Tarihi 15 Temmuz 2019
Gönderilme Tarihi 26 Aralık 2018
Kabul Tarihi 12 Mart 2019
Yayımlandığı Sayı Yıl 2019 Cilt: 9 Sayı: 3

Kaynak Göster

APA Fidancı, Y., & Abbak, R. A. (2019). Yerel Jeoit Belirlemede Yapay Sinir Ağlarının Farklı Nokta Yoğunluğundaki Performansı. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 9(3), 486-495. https://doi.org/10.17714/gumusfenbil.503340