Araştırma Makalesi
BibTex RIS Kaynak Göster

LEO Uydu Takımyıldızları için Alanlar Arası Transfer Öğrenmesi: Benzerlik Tabanlı Çoklu Kaynak Yaklaşımı

Yıl 2026, Cilt: 29 Sayı: 3 , 1 - 13 , 29.03.2026

Mustafa Serdar Osmanca

https://doi.org/10.2339/politeknik.1783547
https://izlik.org/JA93HR54GA

Öz

Starlink, OneWeb ve Iridium gibi Alçak Dünya Yörüngesi (LEO) uydu takımyıldızlarının hızlı genişlemesi, küresel bağlantı için büyük fırsatlar yaratırken yörünge tahmini, trafik yönetimi ve kaynak tahsisi gibi alanlarda önemli zorluklar ortaya çıkarmıştır. Geleneksel yörünge yayılım modelleri (ör. SGP-4) ve fizik tabanlı yaklaşımlar, atmosferik sürtünme, uzay havası ve yörünge heterojenliği nedeniyle genellikle gerekli doğruluğu sağlayamamaktadır. Makine öğrenimi (ML) teknikleri tahmin doğruluğunu artırmada güçlü bir potansiyele sahip olsa da, büyük ve kaliteli veri kümelerine bağımlılıkları yeni veya gelişmekte olan takımyıldızlar için sınırlayıcıdır. Bu çalışma, heterojen takımyıldızlar arasındaki yörünge benzerliklerinden yararlanarak minimum hedef veriyle doğru yörünge periyodu tahmini sağlayan benzerlik tabanlı çok kaynaklı transfer öğrenimi (MSTL) çerçevesini sunmaktadır. Performansı %461’e kadar düşürdüğü gösterilen geleneksel fizik tabanlı özellik mühendisliğinden farklı olarak, yöntemimiz Two-Line Element (TLE) verilerinden doğrudan çıkarılan minimalist bir özellik seti (yükseklik, eğim, eksantriklik) kullanır. Benzerlik odaklı kaynak seçimi ve filtrelenmiş çoklu bilgi entegrasyonu sayesinde, önerilen çerçeve yalnızca 25 etiketli hedef örnekle tahmin hatasını %88,2 azaltır (RMSE = 0,045 dk, R² = 0,9972). Sonuçlar, alan farkındalıklı benzerlik filtrelemenin karmaşık özellik mühendisliğinden daha iyi performans gösterdiğini ve fizik tabanlı alanlarda transfer öğrenimine dair geleneksel varsayımları sorguladığını ortaya koymaktadır. Çalışma, yeni LEO operatörleri için ölçeklenebilir, hesaplama açısından verimli ve pratik bir çözüm sunarak kapsamlı veri toplama gereksinimini ortadan kaldırır.

Anahtar Kelimeler

Transfer Öğrenimi LEO Uyduları Alan Uyarlama Yörünge Tahmini Uydu Konstellasyonları

Kaynakça

  • [1] Z. M. Kassas, S. Kozhaya, H. Kanj, J. Saroufim, S. W. Hayek, M. Neinavaie, N. Khairallah, and J. Khalife, “Navigation with multi-constellation LEO satellite signals of opportunity: Starlink, OneWeb, Orbcomm, and Iridium,” IEEE/ION Position, Location and Navigation Symposium (PLANS), pp. 338–343, (2023).
  • [2] Y. Su, Y. Liu, Y. Zhou, J. Yuan, H. Cao, and J. Shi, “Broadband LEO satellite communications: Architectures and key technologies,” IEEE Wireless Communications, vol. 26, no. 2, pp. 55–61, (2019).
  • [3] C. Wang, D. Bian, S. Shi, J. Xu, and G. Zhang, “A novel cognitive satellite network with GEO and LEO broadband systems in the downlink case,” IEEE Access, vol. 6, pp. 25987–26000, (2018).
  • [4] O. B. Osoro, E. J. Oughton, A. R. Wilson, and A. Rao, “Sustainability assessment of low Earth orbit (LEO) satellite broadband megaconstellations,” arXiv preprint, arXiv:2309.02338, (2023).
  • [5] Z. M. Kassas, S. Hayek, and J.-H. Ahmad, “LEO satellite orbit prediction via closed-loop machine learning with application to opportunistic navigation,” IEEE Aerospace and Electronic Systems Magazine, vol. 40, no. 1, pp. 34–49, (2025).
  • [6] K. Wang, J. Liu, H. Su, A. El-Mowafy, and X. Yang, “Real-time LEO satellite orbits based on batch least-squares orbit determination with short-term orbit prediction,” Remote Sensing, vol. 15, no. 1, (2023).
  • [7] X. Mao, D. Arnold, M. Kalarus, S. Padovan, and A. Jäggi, “GNSS-based precise orbit determination for maneuvering LEO satellites,” GPS Solutions, vol. 27, no. 3, p. 147, (2023).
  • [8] C. Westphal, L. Han, and R. Li, “LEO satellite networking relaunched: Survey and current research challenges,” ITU Journal on Future and Evolving Technologies, vol. 4, pp. 711–744, (2023).
  • [9] G. Acciarini, A. G. Baydin, and D. Izzo, “Closing the gap between SGP4 and high-precision propagation via differentiable programming,” Acta Astronautica, vol. 226, pp. 694–701, (2025).
  • [10] Y.-M. Guan, Z.-H. Li, and X.-L. Gao, “Research on intelligent orbit life prediction model of low Earth orbit vehicle,” Aerospace Science and Technology, vol. 159, p. 109977, (2025).
  • [11] Z. M. Kassas and J. Saroufim, “LEO PNT frameworks for non-cooperative satellites with poorly known ephemerides: Open-loop SGP4, tracking, and differential,” IEEE Aerospace and Electronic Systems Magazine, pp. 1–15, (2025).
  • [12] Y.-M. Guan and Z.-H. Li, “Research on intelligent computing model of aerodynamic fusion 6-DOF trajectory and attitude of low-orbit vehicle,” Celestial Mechanics and Dynamical Astronomy, vol. 136, no. 6, p. 59, (2024).
  • [13] G. Marie and D. G. Ghazi, “TLE prediction using machine learning for satellite maneuver detection,” Regional Student Conferences, p. 98101, (2025).
  • [14] Y. Ying, Z. Ziyu, Z. Qingrui, M. Rong, and C. Pei, “Maneuver detection of cataloged space object based on machine learning,” Chinese Control Conference (CCC), pp. 6038–6043, (2024).
  • [15] L. Jia, C. Ezhilarasu, and I. Jennions, “A review of the application of transfer learning in fault diagnosis and its potential in aerospace condition based maintenance,” Preprints, (2025).
  • [16] M. Hedayati, A. Barzegar, and A. Rahimi, “Fault diagnosis and prognosis of satellites and unmanned aerial vehicles: A review,” Applied Sciences, vol. 14, no. 20, (2024).
  • [17] Z. Zhang, “From orbit to infrastructure: Transfer learning across scales,” Springer Nature Singapore, pp. 151–191, (2025).
  • [18] admin, “United Kingdom satellite communications research report,” Serumset (ResearchAndMarkets.com), (2024).
  • [19] T. Mortlock and Z. Kassas, “Assessing machine learning for LEO satellite orbit determination in simultaneous tracking and navigation,” IEEE Aerospace Conference, pp. 1–8, (2021).
  • [20] H. Liu, S. Yu, and X. Wang, “Mega-constellation satellite maneuver forecast via network with attention mechanism,” Advances in Space Research, vol. 75, no. 6, pp. 4942–4962, (2025).
  • [21] S. Wang, Z. Jiang, X. Li, and J. Ma, “MLDR: An O(-v-/4) and near-optimal routing scheme for LEO mega-constellations,” IEEE Internet of Things Journal, vol. 11, no. 10, pp. 18663–18675, (2024).
  • [22] G. K. Kumar and P. Sankar, “Artificial intelligence powered satellite communications and Sentinel satellite constellations: An overview and future perspectives,” SN Computer Science, vol. 6, no. 6, p. 735, (2025).
  • [23] J. Zhang, Y. Cai, C. Xue, Z. Xue, and H. Cai, “LEO mega constellations: Review of development, impact, surveillance, and governance,” Space: Science & Technology, pp. 1–17, (2022).
  • [24] G. Di Mauro, M. Lawn, and R. Bevilacqua, “Survey on guidance navigation and control requirements for spacecraft formation-flying missions,” Journal of Guidance, Control, and Dynamics, vol. 41, no. 3, pp. 581–602, (2018).
  • [25] A. Sajit, A. Gupta, R. Kukar, and S. Ramakrishnan, “Deployment and maintenance of satellite constellations for strategic applications,” International Conference on Advances in Aerospace and Navigation Systems, pp. 297–306, (2024).
  • [26] A. Esmaeilkhah and R. J. Landry, “Spatial sensitivity of navigation using signal-of-opportunity (SOOP) from Starlink, Iridium-Next, GlobalStar, OneWeb, and Orbcomm constellations,” Engineering Proceedings, vol. 88, no. 1, (2025).
  • [27] H. Peng and X. Bai, “Comparative evaluation of three machine learning algorithms on improving orbit prediction accuracy,” Astrodynamics, vol. 3, no. 4, pp. 325–343, (2019).
  • [28] H. Peng and X. Bai, “Machine learning approach to improve satellite orbit prediction accuracy using publicly available data,” The Journal of the Astronautical Sciences, vol. 67, no. 2, pp. 762–793, (2020).
  • [29] M. Zhai, Z. Huyan, Y. Hu, Y. Jiang, and H. Li, “Improvement of orbit prediction accuracy using extreme gradient boosting and principal component analysis,” Open Astronomy, vol. 31, no. 1, pp. 229–243, (2022).
  • [30] H. Peng and X. Bai, “Gaussian processes for improving orbit prediction accuracy,” Acta Astronautica, vol. 161, pp. 44–56, (2019).
  • [31] J. Pihlajasalo, H. Leppäkoski, S. Ali-Löytty, and R. Piché, “Improvement of GPS and BeiDou extended orbit predictions with CNNs,” European Navigation Conference (ENC), pp. 54–59, (2018).
  • [32] B. Li, Y. Zhang, J. Huang, and J. Sang, “Improved orbit predictions using two-line elements through error pattern mining and transferring,” Acta Astronautica, vol. 188, pp. 405–415, (2021).
  • [33] G. Curzi, D. Modenini, and P. Tortora, “Two-line-element propagation improvement and uncertainty estimation using recurrent neural networks,” CEAS Space Journal, vol. 14, no. 1, pp. 197–204, (2022).
  • [34] H. Ren, X. Chen, B. Guan, Y. Wang, T. Liu, and K. Peng, “Research on satellite orbit prediction based on neural network algorithm,” High Performance Computing and Cluster Technologies Conference (HPCCT), pp. 267–273, (2019).
  • [35] F. Caldas and C. Soares, “Precise and efficient orbit prediction in LEO with machine learning using exogenous variables,” IEEE Congress on Evolutionary Computation (CEC), pp. 1–8, (2024).
  • [36] Y. Zhang, Y. Wang, H. Cao, Y. Hu, Z. Lin, K. An, and D. Li, “Self-similar traffic prediction for LEO satellite networks based on LSTM,” IET Communications, vol. 19, no. 1, (2024).
  • [37] B. Stock, M. McVarthy, and S. Servadio, “A data-driven approach to estimate LEO orbit capacity models,” arXiv preprint, arXiv:2507.19365, (2025).
  • [38] H. Xu, J. Liao, Y. Luo, and Y. Meng, “A VMD-SVM method for LEO satellite orbit prediction with space weather parameters,” Remote Sensing, vol. 17, no. 5, (2025).
  • [39] W. Zhang, K. Zhang, X. Li, and J. Huang, “Improving LEO short-term orbit prediction using LSTM neural network,” Advances in Space Research, vol. 76, no. 1, pp. 481–496, (2025).
  • [40] S. J. Pan and Q. Yang, “A survey on transfer learning,” IEEE Transactions on Knowledge and Data Engineering, vol. 22, no. 10, pp. 1345–1359, (2009).
  • [41] F. Zhuang, Z. Qi, K. Duan, D. Xi, Y. Zhu, H. Zhu, H. Xiong, and Q. He, “A comprehensive survey on transfer learning,” Proceedings of the IEEE, vol. 109, no. 1, pp. 43–76, (2021).
  • [42] H. Peng and X. Bai, “Improving orbit prediction accuracy through supervised machine learning,” Advances in Space Research, vol. 61, no. 10, pp. 2628–2646, (2018).
  • [43] H. Chen, H. Luo, B. Huang, B. Jiang, and O. Kaynak, “Transfer learning-motivated intelligent fault diagnosis designs: A survey, insights, and perspectives,” IEEE Transactions on Neural Networks and Learning Systems, vol. 35, no. 3, pp. 2969–2983, (2023).
  • [44] D. Tuia, C. Persello, and L. Bruzzone, “Domain adaptation for the classification of remote sensing data: An overview of recent advances,” IEEE Geoscience and Remote Sensing Magazine, vol. 4, no. 2, pp. 41–57, (2016).
  • [45] A. M. Ali, A. Gupta, and H. A. Hashim, “Deep reinforcement learning for sim-to-real policy transfer of VTOL-UAVs offshore docking operations,” Applied Soft Computing, vol. 162, p. 111843, (2024).
  • [46] X. B. Peng, M. Andrychowicz, W. Zaremba, and P. Abbeel, “Sim-to-real transfer of robotic control with dynamics randomization,” IEEE International Conference on Robotics and Automation (ICRA), pp. 3803–3810, (2018).
  • [47] K. Weiss, T. M. Khoshgoftaar, and D. Wang, “A survey of transfer learning,” Journal of Big Data, vol. 3, no. 1, p. 9, (2016).
  • [48] L. Li, L. Zhu, and W. Li, “HISATFL: A hierarchical federated learning framework for satellite networks with cross-domain privacy adaptation,” Electronics, vol. 14, no. 16, p. 3237, (2025).
  • [49] L. Duan, D. Xu, and I. Tsang, “Learning with augmented features for heterogeneous domain adaptation,” arXiv preprint, arXiv:1206.4660, (2012).
  • [50] B. Sun, J. Feng, and K. Saenko, “Return of frustratingly easy domain adaptation,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 30, (2016).
  • [51] H. Zhao, S. Zhang, G. Wu, J. M. Moura, J. P. Costeira, and G. J. Gordon, “Adversarial multiple source domain adaptation,” Advances in Neural Information Processing Systems, vol. 31, (2018).
  • [52] D. Li, W. Xie, Y. Li, and L. Fang, “FedFusion: Manifold-driven federated learning for multi-satellite and multi-modality fusion,” IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1–13, (2023).
  • [53] R. Sasso, M. Sabatelli, and M. A. Wiering, “Multi-source transfer learning for deep model-based reinforcement learning,” arXiv preprint, (2022).
  • [54] M. Long, Y. Cao, J. Wang, and M. Jordan, “Learning transferable features with deep adaptation networks,” International Conference on Machine Learning (ICML), pp. 97–105, (2015).
  • [55] Y. Ganin and V. Lempitsky, “Unsupervised domain adaptation by backpropagation,” International Conference on Machine Learning (ICML), pp. 1180–1189, (2015).
  • [56] W. Zhang, L. Deng, L. Zhang, and D. Wu, “A survey on negative transfer,” IEEE/CAA Journal of Automatica Sinica, vol. 10, no. 2, pp. 305–329, (2022).
  • [57] M. J. Sorocky, S. Zhou, and A. P. Schoellig, “Experience selection using dynamics similarity for efficient multi-source transfer learning between robots,” IEEE International Conference on Robotics and Automation (ICRA), pp. 2739–2745, (2020).
  • [58] www.celestrak.org, “Celestrak: Current NORAD Two-Line Element Sets”, (2020).
  • [59] www.celestrak.org/NORAD/ELEMENTS/table.php?GROUP=starlink&FORMAT=json-pretty, “Starlink Satellite Constellation Data”, (2024).
  • [60] www.celestrak.org/NORAD/ELEMENTS/table.php?GROUP=oneweb&FORMAT=json-pretty, “OneWeb Satellite Constellation Data”, (2024).
  • [61] www.celestrak.org/NORAD/ELEMENTS/table.php?GROUP=iridium&FORMAT=json-pretty, “Iridium Satellite Constellation Data”, (2024).
  • [62] F. R. Hoots and R. L. Roehrich, “Models for propagation of NORAD element sets,” Aerospace Defense Command, United States Air Force, (1980).
  • [63] D. A. Vallado, P. Crawford, R. Hujsak, and T. S. Kelso, “Revisiting Spacetrack Report #3: Rev 2,” AIAA Astrodynamics Specialist Conference and Exhibit, (2006).
  • [64] H. D. Curtis, “Orbital mechanics for engineering students,” Butterworth-Heinemann, 4th ed., (2019).

Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach

Yıl 2026, Cilt: 29 Sayı: 3 , 1 - 13 , 29.03.2026

Mustafa Serdar Osmanca

https://doi.org/10.2339/politeknik.1783547
https://izlik.org/JA93HR54GA

Öz

The rapid expansion of Low Earth Orbit (LEO) satellite constellations such as Starlink, OneWeb, and Iridium has created new opportunities for global connectivity while introducing major challenges in orbit prediction, traffic management, and resource allocation. Traditional orbit propagation models (e.g., SGP-4) and physics-informed approaches often fail to meet accuracy requirements due to atmospheric drag, space weather, and orbital heterogeneity. Although machine learning (ML) techniques show strong potential for improving prediction accuracy, their dependence on large, high-quality datasets limits their applicability to new constellations. This paper presents a similarity-based multi-source transfer learning (MSTL) framework that leverages orbital similarities across heterogeneous constellations to enable accurate orbital period prediction with minimal target data. Unlike conventional physics-informed feature engineering, which can degrade performance by up to 461%, our method employs a minimalist feature set (altitude, inclination, and eccentricity) directly extracted from Two-Line Element (TLE) data. Through similarity-driven source selection and filtered multi-source knowledge integration, the proposed framework reduces prediction error by 88.2% (RMSE = 0.045 min, R² = 0.9972) using only 25 labeled samples from the target constellation. The findings show that domain-aware similarity filtering outperforms complex feature engineering, challenging conventional assumptions about transfer learning in physics-based domains. This work offers a scalable, efficient, and practical solution for emerging LEO operators, enabling rapid model development without extensive data collection.

Anahtar Kelimeler

Transfer Learning LEO Satellites Domain Adaptation Orbital Prediction Satellite Constellations

Kaynakça

  • [1] Z. M. Kassas, S. Kozhaya, H. Kanj, J. Saroufim, S. W. Hayek, M. Neinavaie, N. Khairallah, and J. Khalife, “Navigation with multi-constellation LEO satellite signals of opportunity: Starlink, OneWeb, Orbcomm, and Iridium,” IEEE/ION Position, Location and Navigation Symposium (PLANS), pp. 338–343, (2023).
  • [2] Y. Su, Y. Liu, Y. Zhou, J. Yuan, H. Cao, and J. Shi, “Broadband LEO satellite communications: Architectures and key technologies,” IEEE Wireless Communications, vol. 26, no. 2, pp. 55–61, (2019).
  • [3] C. Wang, D. Bian, S. Shi, J. Xu, and G. Zhang, “A novel cognitive satellite network with GEO and LEO broadband systems in the downlink case,” IEEE Access, vol. 6, pp. 25987–26000, (2018).
  • [4] O. B. Osoro, E. J. Oughton, A. R. Wilson, and A. Rao, “Sustainability assessment of low Earth orbit (LEO) satellite broadband megaconstellations,” arXiv preprint, arXiv:2309.02338, (2023).
  • [5] Z. M. Kassas, S. Hayek, and J.-H. Ahmad, “LEO satellite orbit prediction via closed-loop machine learning with application to opportunistic navigation,” IEEE Aerospace and Electronic Systems Magazine, vol. 40, no. 1, pp. 34–49, (2025).
  • [6] K. Wang, J. Liu, H. Su, A. El-Mowafy, and X. Yang, “Real-time LEO satellite orbits based on batch least-squares orbit determination with short-term orbit prediction,” Remote Sensing, vol. 15, no. 1, (2023).
  • [7] X. Mao, D. Arnold, M. Kalarus, S. Padovan, and A. Jäggi, “GNSS-based precise orbit determination for maneuvering LEO satellites,” GPS Solutions, vol. 27, no. 3, p. 147, (2023).
  • [8] C. Westphal, L. Han, and R. Li, “LEO satellite networking relaunched: Survey and current research challenges,” ITU Journal on Future and Evolving Technologies, vol. 4, pp. 711–744, (2023).
  • [9] G. Acciarini, A. G. Baydin, and D. Izzo, “Closing the gap between SGP4 and high-precision propagation via differentiable programming,” Acta Astronautica, vol. 226, pp. 694–701, (2025).
  • [10] Y.-M. Guan, Z.-H. Li, and X.-L. Gao, “Research on intelligent orbit life prediction model of low Earth orbit vehicle,” Aerospace Science and Technology, vol. 159, p. 109977, (2025).
  • [11] Z. M. Kassas and J. Saroufim, “LEO PNT frameworks for non-cooperative satellites with poorly known ephemerides: Open-loop SGP4, tracking, and differential,” IEEE Aerospace and Electronic Systems Magazine, pp. 1–15, (2025).
  • [12] Y.-M. Guan and Z.-H. Li, “Research on intelligent computing model of aerodynamic fusion 6-DOF trajectory and attitude of low-orbit vehicle,” Celestial Mechanics and Dynamical Astronomy, vol. 136, no. 6, p. 59, (2024).
  • [13] G. Marie and D. G. Ghazi, “TLE prediction using machine learning for satellite maneuver detection,” Regional Student Conferences, p. 98101, (2025).
  • [14] Y. Ying, Z. Ziyu, Z. Qingrui, M. Rong, and C. Pei, “Maneuver detection of cataloged space object based on machine learning,” Chinese Control Conference (CCC), pp. 6038–6043, (2024).
  • [15] L. Jia, C. Ezhilarasu, and I. Jennions, “A review of the application of transfer learning in fault diagnosis and its potential in aerospace condition based maintenance,” Preprints, (2025).
  • [16] M. Hedayati, A. Barzegar, and A. Rahimi, “Fault diagnosis and prognosis of satellites and unmanned aerial vehicles: A review,” Applied Sciences, vol. 14, no. 20, (2024).
  • [17] Z. Zhang, “From orbit to infrastructure: Transfer learning across scales,” Springer Nature Singapore, pp. 151–191, (2025).
  • [18] admin, “United Kingdom satellite communications research report,” Serumset (ResearchAndMarkets.com), (2024).
  • [19] T. Mortlock and Z. Kassas, “Assessing machine learning for LEO satellite orbit determination in simultaneous tracking and navigation,” IEEE Aerospace Conference, pp. 1–8, (2021).
  • [20] H. Liu, S. Yu, and X. Wang, “Mega-constellation satellite maneuver forecast via network with attention mechanism,” Advances in Space Research, vol. 75, no. 6, pp. 4942–4962, (2025).
  • [21] S. Wang, Z. Jiang, X. Li, and J. Ma, “MLDR: An O(-v-/4) and near-optimal routing scheme for LEO mega-constellations,” IEEE Internet of Things Journal, vol. 11, no. 10, pp. 18663–18675, (2024).
  • [22] G. K. Kumar and P. Sankar, “Artificial intelligence powered satellite communications and Sentinel satellite constellations: An overview and future perspectives,” SN Computer Science, vol. 6, no. 6, p. 735, (2025).
  • [23] J. Zhang, Y. Cai, C. Xue, Z. Xue, and H. Cai, “LEO mega constellations: Review of development, impact, surveillance, and governance,” Space: Science & Technology, pp. 1–17, (2022).
  • [24] G. Di Mauro, M. Lawn, and R. Bevilacqua, “Survey on guidance navigation and control requirements for spacecraft formation-flying missions,” Journal of Guidance, Control, and Dynamics, vol. 41, no. 3, pp. 581–602, (2018).
  • [25] A. Sajit, A. Gupta, R. Kukar, and S. Ramakrishnan, “Deployment and maintenance of satellite constellations for strategic applications,” International Conference on Advances in Aerospace and Navigation Systems, pp. 297–306, (2024).
  • [26] A. Esmaeilkhah and R. J. Landry, “Spatial sensitivity of navigation using signal-of-opportunity (SOOP) from Starlink, Iridium-Next, GlobalStar, OneWeb, and Orbcomm constellations,” Engineering Proceedings, vol. 88, no. 1, (2025).
  • [27] H. Peng and X. Bai, “Comparative evaluation of three machine learning algorithms on improving orbit prediction accuracy,” Astrodynamics, vol. 3, no. 4, pp. 325–343, (2019).
  • [28] H. Peng and X. Bai, “Machine learning approach to improve satellite orbit prediction accuracy using publicly available data,” The Journal of the Astronautical Sciences, vol. 67, no. 2, pp. 762–793, (2020).
  • [29] M. Zhai, Z. Huyan, Y. Hu, Y. Jiang, and H. Li, “Improvement of orbit prediction accuracy using extreme gradient boosting and principal component analysis,” Open Astronomy, vol. 31, no. 1, pp. 229–243, (2022).
  • [30] H. Peng and X. Bai, “Gaussian processes for improving orbit prediction accuracy,” Acta Astronautica, vol. 161, pp. 44–56, (2019).
  • [31] J. Pihlajasalo, H. Leppäkoski, S. Ali-Löytty, and R. Piché, “Improvement of GPS and BeiDou extended orbit predictions with CNNs,” European Navigation Conference (ENC), pp. 54–59, (2018).
  • [32] B. Li, Y. Zhang, J. Huang, and J. Sang, “Improved orbit predictions using two-line elements through error pattern mining and transferring,” Acta Astronautica, vol. 188, pp. 405–415, (2021).
  • [33] G. Curzi, D. Modenini, and P. Tortora, “Two-line-element propagation improvement and uncertainty estimation using recurrent neural networks,” CEAS Space Journal, vol. 14, no. 1, pp. 197–204, (2022).
  • [34] H. Ren, X. Chen, B. Guan, Y. Wang, T. Liu, and K. Peng, “Research on satellite orbit prediction based on neural network algorithm,” High Performance Computing and Cluster Technologies Conference (HPCCT), pp. 267–273, (2019).
  • [35] F. Caldas and C. Soares, “Precise and efficient orbit prediction in LEO with machine learning using exogenous variables,” IEEE Congress on Evolutionary Computation (CEC), pp. 1–8, (2024).
  • [36] Y. Zhang, Y. Wang, H. Cao, Y. Hu, Z. Lin, K. An, and D. Li, “Self-similar traffic prediction for LEO satellite networks based on LSTM,” IET Communications, vol. 19, no. 1, (2024).
  • [37] B. Stock, M. McVarthy, and S. Servadio, “A data-driven approach to estimate LEO orbit capacity models,” arXiv preprint, arXiv:2507.19365, (2025).
  • [38] H. Xu, J. Liao, Y. Luo, and Y. Meng, “A VMD-SVM method for LEO satellite orbit prediction with space weather parameters,” Remote Sensing, vol. 17, no. 5, (2025).
  • [39] W. Zhang, K. Zhang, X. Li, and J. Huang, “Improving LEO short-term orbit prediction using LSTM neural network,” Advances in Space Research, vol. 76, no. 1, pp. 481–496, (2025).
  • [40] S. J. Pan and Q. Yang, “A survey on transfer learning,” IEEE Transactions on Knowledge and Data Engineering, vol. 22, no. 10, pp. 1345–1359, (2009).
  • [41] F. Zhuang, Z. Qi, K. Duan, D. Xi, Y. Zhu, H. Zhu, H. Xiong, and Q. He, “A comprehensive survey on transfer learning,” Proceedings of the IEEE, vol. 109, no. 1, pp. 43–76, (2021).
  • [42] H. Peng and X. Bai, “Improving orbit prediction accuracy through supervised machine learning,” Advances in Space Research, vol. 61, no. 10, pp. 2628–2646, (2018).
  • [43] H. Chen, H. Luo, B. Huang, B. Jiang, and O. Kaynak, “Transfer learning-motivated intelligent fault diagnosis designs: A survey, insights, and perspectives,” IEEE Transactions on Neural Networks and Learning Systems, vol. 35, no. 3, pp. 2969–2983, (2023).
  • [44] D. Tuia, C. Persello, and L. Bruzzone, “Domain adaptation for the classification of remote sensing data: An overview of recent advances,” IEEE Geoscience and Remote Sensing Magazine, vol. 4, no. 2, pp. 41–57, (2016).
  • [45] A. M. Ali, A. Gupta, and H. A. Hashim, “Deep reinforcement learning for sim-to-real policy transfer of VTOL-UAVs offshore docking operations,” Applied Soft Computing, vol. 162, p. 111843, (2024).
  • [46] X. B. Peng, M. Andrychowicz, W. Zaremba, and P. Abbeel, “Sim-to-real transfer of robotic control with dynamics randomization,” IEEE International Conference on Robotics and Automation (ICRA), pp. 3803–3810, (2018).
  • [47] K. Weiss, T. M. Khoshgoftaar, and D. Wang, “A survey of transfer learning,” Journal of Big Data, vol. 3, no. 1, p. 9, (2016).
  • [48] L. Li, L. Zhu, and W. Li, “HISATFL: A hierarchical federated learning framework for satellite networks with cross-domain privacy adaptation,” Electronics, vol. 14, no. 16, p. 3237, (2025).
  • [49] L. Duan, D. Xu, and I. Tsang, “Learning with augmented features for heterogeneous domain adaptation,” arXiv preprint, arXiv:1206.4660, (2012).
  • [50] B. Sun, J. Feng, and K. Saenko, “Return of frustratingly easy domain adaptation,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 30, (2016).
  • [51] H. Zhao, S. Zhang, G. Wu, J. M. Moura, J. P. Costeira, and G. J. Gordon, “Adversarial multiple source domain adaptation,” Advances in Neural Information Processing Systems, vol. 31, (2018).
  • [52] D. Li, W. Xie, Y. Li, and L. Fang, “FedFusion: Manifold-driven federated learning for multi-satellite and multi-modality fusion,” IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1–13, (2023).
  • [53] R. Sasso, M. Sabatelli, and M. A. Wiering, “Multi-source transfer learning for deep model-based reinforcement learning,” arXiv preprint, (2022).
  • [54] M. Long, Y. Cao, J. Wang, and M. Jordan, “Learning transferable features with deep adaptation networks,” International Conference on Machine Learning (ICML), pp. 97–105, (2015).
  • [55] Y. Ganin and V. Lempitsky, “Unsupervised domain adaptation by backpropagation,” International Conference on Machine Learning (ICML), pp. 1180–1189, (2015).
  • [56] W. Zhang, L. Deng, L. Zhang, and D. Wu, “A survey on negative transfer,” IEEE/CAA Journal of Automatica Sinica, vol. 10, no. 2, pp. 305–329, (2022).
  • [57] M. J. Sorocky, S. Zhou, and A. P. Schoellig, “Experience selection using dynamics similarity for efficient multi-source transfer learning between robots,” IEEE International Conference on Robotics and Automation (ICRA), pp. 2739–2745, (2020).
  • [58] www.celestrak.org, “Celestrak: Current NORAD Two-Line Element Sets”, (2020).
  • [59] www.celestrak.org/NORAD/ELEMENTS/table.php?GROUP=starlink&FORMAT=json-pretty, “Starlink Satellite Constellation Data”, (2024).
  • [60] www.celestrak.org/NORAD/ELEMENTS/table.php?GROUP=oneweb&FORMAT=json-pretty, “OneWeb Satellite Constellation Data”, (2024).
  • [61] www.celestrak.org/NORAD/ELEMENTS/table.php?GROUP=iridium&FORMAT=json-pretty, “Iridium Satellite Constellation Data”, (2024).
  • [62] F. R. Hoots and R. L. Roehrich, “Models for propagation of NORAD element sets,” Aerospace Defense Command, United States Air Force, (1980).
  • [63] D. A. Vallado, P. Crawford, R. Hujsak, and T. S. Kelso, “Revisiting Spacetrack Report #3: Rev 2,” AIAA Astrodynamics Specialist Conference and Exhibit, (2006).
  • [64] H. D. Curtis, “Orbital mechanics for engineering students,” Butterworth-Heinemann, 4th ed., (2019).
Toplam 64 adet kaynakça vardır.

Ayrıntılar

Birincil Dil İngilizce
Konular Makine Öğrenme (Diğer)
Bölüm Araştırma Makalesi
Yazarlar

Mustafa Serdar Osmanca 0000-0002-6939-2765

Gönderilme Tarihi 16 Eylül 2025
Kabul Tarihi 18 Ekim 2025
Erken Görünüm Tarihi 29 Ekim 2025
Yayımlanma Tarihi 29 Mart 2026
DOI https://doi.org/10.2339/politeknik.1783547
IZ https://izlik.org/JA93HR54GA
Yayımlandığı Sayı Yıl 2026 Cilt: 29 Sayı: 3

Kaynak Göster

APA Osmanca, M. S. (2026). Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach. Politeknik Dergisi, 29(3), 1-13. https://doi.org/10.2339/politeknik.1783547
AMA 1.Osmanca MS. Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach. Politeknik Dergisi. 2026;29(3):1-13. doi:10.2339/politeknik.1783547
Chicago Osmanca, Mustafa Serdar. 2026. “Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach”. Politeknik Dergisi 29 (3): 1-13. https://doi.org/10.2339/politeknik.1783547.
EndNote Osmanca MS (01 Mart 2026) Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach. Politeknik Dergisi 29 3 1–13.
IEEE [1]M. S. Osmanca, “Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach”, Politeknik Dergisi, c. 29, sy 3, ss. 1–13, Mar. 2026, doi: 10.2339/politeknik.1783547.
ISNAD Osmanca, Mustafa Serdar. “Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach”. Politeknik Dergisi 29/3 (01 Mart 2026): 1-13. https://doi.org/10.2339/politeknik.1783547.
JAMA 1.Osmanca MS. Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach. Politeknik Dergisi. 2026;29:1–13.
MLA Osmanca, Mustafa Serdar. “Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach”. Politeknik Dergisi, c. 29, sy 3, Mart 2026, ss. 1-13, doi:10.2339/politeknik.1783547.
Vancouver 1.Mustafa Serdar Osmanca. Cross-Domain Transfer Learning for LEO Satellite Constellations: A Similarity-Based Multi-Source Approach. Politeknik Dergisi. 01 Mart 2026;29(3):1-13. doi:10.2339/politeknik.1783547

Amaç ve Kapsam

 Temel mühendislik alanlarındaki hem deneysel hem de kuramsal çalışmaların yer aldığı dergimiz, mühendisliğin hızla gelişen alanlarına ilişkin makalelerin yayınına öncelik tanır ve disiplinlerarası yöntem ve teknolojiler üzerine yoğunlaşmayı,mühendislik bilimlerindeki en güncel bilimsel ve teknolojik gelişmeleri araştırmacılara, mühendislere ve ilgili kitlelere ulaştırmayı hedefler. Dergiye gönderilen bilimsel çalışmaların yayımlanmış veya sözlü veya poster sunum olarak başka yerde yayın için değerlendirme aşamasında bulunmaması gereklidir.


“Politeknik Dergisi" temel mühendislik konularını kapsayan bir dergidir. Dergi ulusal ve uluslararası düzeyde bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini veya yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan tarama makalelerini kabul etmektedir.

Dergimize makale gönderen ve/veya dergimizde hakemlik yapan /yapacak olan tüm kullanıcıların kurumsal e-posta hesapları ile sisteme kayıt olmaları gerekmektedir (yahoo.com, hotmail.com, gmail.com vb. uzantılı e-posta hesapları kullanılmamalıdır).

Dergimize ait herhangi bir ŞABLON formatı  bulunmamaktadır. İlk gönderi için makalelerin aşağıdaki kurallara göre hazırlanması gerekmektedir. 

Gazi Üniversitesi Politeknik Dergisi, Fen ve Mühendislik alanlarında çalışan bilim insanları arasındaki bilimsel iletişimi oluşturmak amacıyla, bilimsel özgün makaleleri Türkçe veya İngilizce olarak kabul etmektedir.

Araştırma Makalesi: Orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan çalışmalar,

Tarama Makalesi: Yeterli sayıda bilimsel makaleyi tarayıp, konuyu günümüzün bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bu bulguları karşılaştırarak yorumlayan yazılar,

Teknik Not: Yapılan bir araştırmanın önemli bulgularını açıklayan yeni bir yöntem veya teknik tanımlayan yazılar. 

Bütün yazıların Telif Hakkı Devir Formu, makalenin bütün yazarları tarafından doldurulup editörlüğe iletilmelidir. Telif Hakkı Devir Formu göndermeyen yazarların yayınları işleme konulmaz. Yayınlanmasına karar verilen makaleler üzerine yazarlar tarafından sonradan hiçbir eklenti yapılamaz.

Her makale en az iki hakeme gönderilerek şekil ve içerik bakımından incelenir. Dergide yayınlanabilecek nitelikteki olduğu belirlenen makalelerin dizgisi yapılarak yayına hazır hale getirilir.

SUNUŞ

İlk gönderi esnasında, makalenin yazar(lar)ı tarafından benzerlik taraması yapılarak benzerlik oranını gösteren raporun makale ile birlikte yüklenmesi gerekmektedir. Detaylı bilgi için tıklayınız.

Her makalede yapılan çalışmanın özetlendiği bir Özet Sayfası bulunmalıdır. (Bu sayfa makalenin ilk sayfası olacak şekilde makalenizi tek dosya halinde gönderiniz). Özet sayfasına ait şablon dosyaya ulaşmak için tıklayınız.

1. METİN : Times New Roman yazı karakterinde ve 12 pt olacak şekilde yazılmalı, kaynaklar ve şekiller dahil tarama yazıları dışında 20 sayfayı geçmemelidir. Yazarlar makalelerinin ne türde bir yazı olduğunu belirtmelidirler.

2. BAŞLIK : Eserin başlığı, ilk harfleri büyük olacak şekilde Türkçe ve İngilizce olarak yazılmalı, başlık metne uygun, kısa ve açık olmalıdır.

Metin içerisindeki 1. derece başlıkların tamamı büyük harfle, 2. derece başlıkların tüm kelimelerinin ilk harfleri büyük harfle ve 3. ve daha alt başlıklar için başlığın yalnızca ilk kelimesi büyük harfle olacak şekilde yazılmalıdır (Metin içerisinde kullanılan başlıkların ve alt başlıkların tümünün İngilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmalıdır)

3. ÖZET : 200 kelimeyi geçmeyecek şekilde Türkçe ve İngilizce yazılmalıdır. İngilizce özetin başına eserin başlığı da ingilizce olarak yazılmalıdır.

4. ANAHTAR KELİMELER : En az 3 en fazla 5 adet Türkçe/ İngilizce olarak verilmelidir.

5. METİN : Genel olarak giriş, yöntem, bulgular, sonuç ve tartışmaya ilişkin kısımları kapsar.

6. KAYNAKLAR : Metinde parantez içerisindeki [1], [2] vb. rakamlarla numaralandırılmalı ve metin sonunda da eser içinde veriliş sırasına göre yazılmalıdır.

Kaynak bir makale ise: Yazarın soyadı adının baş harfi, tırnak içerisinde makalenin tam başlığı, derginin adı (varsa uluslararası kısaltmaları), cilt no: makalenin başlangıç ve bitiş sayfa no, (yıl)

Örnek: Sözen A., Özbaş E., Menlik T., Çakır M. T., Gürü M. and Boran K., ''Improving the thermal performance of diffusion absorption refrigeration system with alumina nanofluids'', International Journal of Refrigeration, 44: 73-80, (2014)

Kaynak bir kitap ise: Yazarın soyadı adının başharfi, tırnak içerisinde kitabın adı, cilt no, varsa editörü, yayınevinin adı, yayın no, yayınlandığı yer, (yıl).

Kaynak kitaptan bir bölüm ise: Bölüm yazarının soyadı adının başharfi, tırnak içerisinde bölümün adı, bölümün alındığı kitabın adı, yayınevinin adı, yayınlandığı yer, (yıl).

Kaynak basılmış tez ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tezin adı, cinsi (yüksek lisans, doktora), sunulduğu üniversite ve enstitüsü, (yıl).

Kaynak kongreden alınmış tebliğ ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tebliğin adı, kongrenin adı, yapıldığı yer, tebliğin başlangıç ve bitiş sayfa no, (yıl).

Kaynak bir standart ise: Standardın numarası, tırnak içerisinde standardın adı, (yıl).

7. ÇİZELGE VE ŞEKİLLER: Çizelge içermeyen bütün görüntüler (fotoğraf, çizim, diyagram, grafik, harita vs.) şekil olarak isimlendirilmelidir. Her bir çizelge ve şekil, metin içinde gireceği yere yerleştirilmelidir. Bütün şekiller metin içinde ardışık olarak numaralandırılmalıdır (Metin içerisinde kullanılan Çizelge ve Şekillerin tümünün ingilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmaldır).

8. FORMÜLLER VE BİRİMLER: Metin içerisindeki tüm formüller equation formatında yazılmalıdır. Formüllere (1), (2) şeklinde sıra numarası verilmelidir. Tüm birimler SI birim sisteminde olmalıdır.

9. SİMGELER VE KISALTMALAR : Metin sonunda kaynaklardan önce verilebilir.

10. TEŞEKKÜR : Eğer kişi veya kurumlara teşekkür yapılacaksa bu kısımda yazılmalı ve kaynaklardan önce verilmelidir.

11. ETİK BEYANI : Dergimizde yayımlanacak makalelerde etik kurul izini ve/veya yasal/özel izin alınmasının gerekip gerekmediği belirtilmiş olmalıdır. Eğer bu izinlerin alınması gerekli ise, izinin hangi kurumdan, hangi tarihte ve hangi karar veya sayı numarası ile alındığı açıkça sunulmalıdır. Ayrıca çalışma insan ve hayvan deneklerinin kullanımını gerektiriyor ise çalışmanın uluslararası deklarasyon, kılavuz vb. uygun gerçekleştirildiği beyan edilmelidir. İzin alınmasının gerekmediği durumlar için TEŞEKKÜR bölümünden sonra aşağıdaki metin eklenmelidir.  

        Türkçe dilindeki makaleler için:
        ETİK STANDARTLARIN BEYANI
        Bu makalenin yazar(lar)ı çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler.


        İngilizce dilindeki makaleler için:
        DECLARATION OF ETHICAL STANDARDS
        The author(s) of this article declare that the materials and methods used in this study do not require ethical committee permission and/or legal-special permission.

12. YAZAR KATKILARININ BEYANI: Bu bölümde makalede adı geçen her bir araştırmacının makaleye olan katkısı belirtilmelidir.

13. ÇIKAR ÇATIŞMASININ BEYANI: Makale yazarları arasındaki çıkar çatışması durumu belirtilmelidir. Herhangi bir çıkar çatışması yoksa "Bu çalışmada herhangi bir çıkar çatışması yoktur" ibaresi yazılmalıdır.

YAYIN ETİĞİ BİLDİRİMİ
Yayın etiği, en iyi uygulama kılavuzlarını sağlamak ve bu nedenle derginin editörleri, yazarları ve hakemler tarafından uyulması açısından çok önemlidir. Politeknik Dergisi, COPE'nin Davranış Kuralları ve Dergi Editörleri İçin En İyi Uygulama Kılavuz İlkeleri (https://publicationethics.org/resources/code-conduct) tarafından açıklanan ilkelere uygundur ve sadece şeffaflık ilkeleri değil, aynı zamanda en iyi bilimsel uygulama Yayın Etik Kurulu (COPE) tarafından belirlenen kurallara uygun olan makaleleri yayınlar.

Baş Editör ve Alan Editörlerinin Görevleri
Tarafsızlık
Derginin baş editörü ve bölüm editörleri, dergiye gönderilen makalelerin hangisinin yayınlanması gerektiğine karar vermekten sorumludur. Bu süreçte yazarlar ırk, etnik köken, cinsiyet, din ve vatandaşlıklarına göre editörler tarafından ayırt edilmez. Editörlerin yayınlanacak bir makaleyi kabul etme, gözden geçirme veya reddetme kararları, yalnızca makalenin önemi, özgünlüğü ve açıklığına ve ayrıca makalede yapılan çalışmanın derginin kapsamına uygunluğuna dayanmaktadır.
Gizlilik
Baş editör ve bölüm editörleri, gönderilen bir makale hakkında herhangi bir bilgiyi başkasıyla paylaşmamalıdır. Ayrıca ilgili yazar, hakemler / muhtemel hakemler ve yayıncı personel tarafından açıklanmamalıdır. Editörler, yazarlar tarafından sunulan tüm materyallerin inceleme sürecinde gizli kalmasını sağlayacaktır.
Çıkar Çatışması ve Açıklama
Gönderilmiş bir makalede açıklanan yayınlanmamış materyaller, yazarın yazılı izni olmadan hiçbir hakemin kendi çalışmalarında kullanılmamalıdır. Hakem değerlendirmesi sürecinden elde edilen münhasır bilgi veya görüşler gizli tutulmalı ve kişisel çıkarlar için kullanılmamalıdır. Hakemler, rekabetçi, işbirlikçi veya makalelere bağlı yazarlar, şirketler veya kurumlardan herhangi biriyle olan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları yazıları dikkate almamalıdır.
Akran inceleme süreci
Baş editör / bölüm editörleri, dergi sistemine gönderilen her bir yazı için çift kör bir akran inceleme sürecinin etkin bir şekilde yapılmasını sağlamalıdır.
Etik olmayan davranışların yönetimi
Editörler, yayıncılarla birlikte, gönderilen bir makale veya yayınlanan bir makale hakkında etik şikâyetler sunulduğunda rasyonel olarak duyarlı önlemler almalıdır.

Yazar(lar)ın Görevleri
Makalenin Yazarı
Tasarım, yorumlama ve uygulama dâhil olmak üzere bildirilen çalışmaya önemli bir katkı sağlayanlara daraltılmalıdır. Gönderilen yazıya önemli katkılarda bulunan tüm yazarlar ortak yazar olarak listelenmelidir.

Özgünlük ve intihal
Gönderdikleri makalenin içeriğinden, dilinden ve özgünlüğünden yazarlar sorumludur. Yazarlar, orijinal eserlerini tamamen oluşturduğunu ve yazarlar çalışmayı ve / veya diğer yazarların sözlerini kullanmışlarsa, bunun uygun bir şekilde alıntılandığını veya alıntı yapıldığını temin etmelidir. İntihal, bir başkasının makalesini yazarın kendi makalesi olarak göstermek, bir başkasının makalesinin önemli kısımlarını (atıfta bulunmadan) kopyalamak veya başka bir deyişle, başkaları tarafından yapılan araştırmaların sonuçlarını almaktan farklı biçimlerdedir. Tüm formlarındaki intihal, etik olmayan yayıncılık davranışını içerir ve kabul edilemez. Hakemlere bir makale gönderilmeden önce, intihal araştırması için iThenticate aracılığıyla benzerlik açısından kontrol edilir.

Fon kaynaklarının tanınması
Makalede bildirilen araştırma için tüm finansman kaynakları, referanslar öncesinde makalenin sonunda ayrıntılı olarak belirtilmelidir.

İfşa ve çıkar çatışmaları
Tüm yazarlar makalelerinde, makalelerinin bulgularını veya yorumunu etkilemek için yorumlanabilecek herhangi bir maddi veya diğer maddi çıkar çatışmasını açıklamalıdır. Proje için tüm finansal destek kaynakları da açıklanmalıdır. Açıklanan potansiyel çıkar çatışmaları örnekleri arasında istihdam, danışmanlıklar, hisse senedi mülkiyeti, onur, ücretli uzman tanıklığı, patent başvuruları / kayıtları ve hibeler veya diğer fonlar yer almaktadır. Potansiyel çıkar çatışmaları mümkün olan en erken aşamada bildirilmelidir.

Raporlama standartları
Makalenin yazarları, yapılan çalışmanın doğru bir açıklamasını ve önemi ile ilgili objektif bir tartışma sunmalıdır. Temel veriler, metinde doğru olarak verilmelidir. Bir makale, diğer araştırmacıların çalışmayı tekrar etmelerine izin vermek için yeterli ayrıntıyı ve referansları içermelidir. Zor veya bilerek kesin olmayan ifadeler etik olmayan davranışlar oluşturur ve kabul edilemez. İnceleme ve profesyonel yayın makaleleri de kesin olmalı, özgün ve objektif olmalı ve editoryal düşünce çalışmaları açıkça ifade edilmelidir.

Veri erişimi ve saklama
Yazarlardan editoryal inceleme süreci için bir makaleyle bağlantılı ham verileri sağlamaları istenebilir ve herhangi bir durumda, yayınlandıktan sonra belirli bir süre için bu verileri saklamaları gerekebilir.

Çoklu, gereksiz veya eşzamanlı yayın
Gönderilen makaleler başka herhangi bir dergiye gönderilmemiş olmalıdır. Aynı makaleyi aynı anda birden fazla dergiye göndermek etik olmayan yayıncılık davranışını içerir. Yazarlar ayrıca makalenin daha önce başka bir yerde yayınlanmadığından da emin olmalıdır.

Yayınlanmış çalışmalarda ana hatalar
Bir yazar yayınlanmış eserinde önemli bir hata veya yanlışlıkla karşılaştığında, dergi editörünü veya yayıncısına bu durumu derhal bildirmek ve makaleyi geri çekmek veya düzeltmek için editörle işbirliği yapmak yükümlülüğündedir.

Hakemlerin Görevleri
Hakemler, makale le ilgili görüşlerini tamamlayarak yorumlarını kendisine tanımlanan zaman içerisinde göndermelidir. Eğer makale, hakemin ilgi alanına uygun değilse, makale editöre geri gönderilmelidir, böylece diğer hakemler zaman kaybetmeden atanabilirler.

Katkı
Hakemler, hakemli bir dergi olan derginin kalitesine katkıda bulunan ana üyelerdir. Alınan makaleyi incelemesi için kalifiye olmayan hakemler derhal editöre bildirmeli ve bu makaleyi incelemeyi reddetmelidir.

Gizlilik
İnceleme için gönderilen yazılar gizli belgeler olarak değerlendirilmelidir. Editör tarafından yetkilendirilmedikçe başkalarıyla gösterilmemeli veya tartışılmamalıdır.

Nesnellik standartları
Yorumlar objektif olarak gerçekleştirilmelidir. Yazarın kişisel eleştirisi uygun değildir. Hakemler açıkça destekleyici argümanlarla görüşlerini ifade etmelidir.

Kaynakların tanınması
Hakemler, yazarlar tarafından alıntılanmayan yayınlanmış çalışmaları tanımlamalıdır. Bir gözlem, türetme veya argümanın daha önce bildirildiği herhangi bir ifadeye ilgili atıfta bulunulmalıdır. Bir gözden geçiren aynı zamanda editörün dikkatini, ele alınan yazı ile kişisel bilgileri olan yayınlanmış diğer herhangi bir makale arasında hayati bir benzerlik ya da çakışma olduğuna dikkat etmelidir.

İfşa ve çıkar çatışması
Hakemler, rekabetçi, işbirlikçi veya yazılarla bağlantılı yazarlar, şirketler veya kurumlarla yapılan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları makaleleri dikkate almamalıdır.

DERGİ POLİTİKASI
Makale Değerlendirme Süreci
Hakem Davetinin Geçerlilik Süresi : 30 gün
Hakem Daveti İçin Verilen Ekstra Süre : 15 gün
Hakemin Makaleyi Değerlendirme Süresi : 21 gün
Yazarın Düzeltmelerini Gerçekleştirmesi İçin Verilen Süre : 30 gün
Makale Değerlendirmesi İçin Hakeme Verilen Ekstra Süre : 7 gün

Ücret Politikası
Dergimize gönderilen makalelerin değerlendirilmesi/basılması gibi süreçlerde yazarlardan herhangi bir ücret talep edilmemektedir. 

Makale Geri Çekme Süreci
Yayımlanmış bir makalenin geri çekilmesi işlemi ilgili makalenin tüm yazarlarının ortak talebine istinaden yapılmaktadır. Geri çekilen makaleye ait bilgiler yazar(lar)ın editörlüğümüze başvurduğu tarihten sonra yayımlanacak ilk sayımızda GERİ ÇEKME(RETRACTION) başlığı altında bildirilir. 

Politeknik Dergisi makale gönderimi veya basım aşamasında herhangi bir ücret talep etmemektedir.

Atıf Dizinleri

Google Scholar
TR Dizin
Emerging Sources Citation Index (ESCI)
Thomson Reuters / Clarivate Analytics
EBSCO
SOBIAD

Genel Yayın Yönetmeni

Musa ATAR

Baş Editör

Adnan Sözen
Adnan SÖZEN

  
Enerji Sistemleri Mühendisliği, Enerji

Editörler

Murat Tolga ÖZKAN
Serhat KARYEYEN

Editör Yardımcıları

Fatih Emre BORAN
Volkan YILMAZ

Editör Asistanı

Erdem ÇİFTÇİ

Editörler Kurulu

Hülya DURMUŞ
Hüseyin PEKER
İhsan TOKTAŞ
Zafer AYAZ
Nihat OZTURK
O. Ayhan ERDEM
Figen BALO
Mustafa ÖZER
Orhan KAPLAN
Mustafa Bahadır ÖZDEMİR
Hacı Bayram KARADAĞ
İsmail AYDIN
İhsan KORKUT
Halil DEMİR
Melih OKUR
Ahmet GÜRAL
Kasım SERBEST
Murat YÜCEL
Emine Özge KARACA
Cemil ÇETİNKAYA
Volkan YILMAZ
Fatih Emre BORAN

Yayın Danışma Kurulu

Mehmet ESEN
İlker USTA
Ulvi ŞEKER
Murat HOŞÖZ
Hüseyin Rıza BÖRKLÜ
Mustafa AKTAŞ
Mehmet DEMİRTAŞ
Günnur KOCAR
Engin ÖZDEMİR
Ayhan ÖZÇİFÇİ
H. Serdar YÜCESU
Tayfun MENLİK
Metin GÜRÜ
Sare SAHİL
Erol KURT
Ramazan BAYINDIR
Ebru AKPINAR
Ramazan YILMAZ
Prof. Dr. Yasin VAROL
Nadire Şule ATILGAN
Ramazan KÖSE
Erol ARCAKLIOĞLU
Metin İPEK
Dilek KUMLUTAŞ
İshak KARAKAYA
Jamal KHATİB
Musa ATAR

Teknik Sorumlu

Şulenur ASAL
İrem KARAASLAN
Coşkun YÜKSEL

Yayın Etiği Kurulu

Murat Tolga ÖZKAN
Erdem ÇİFTÇİ
Serhat KARYEYEN
 
TARANDIĞIMIZ DİZİNLER (ABSTRACTING / INDEXING)
181341319013191 13189 13187 13188 18016 

download Bu eser Creative Commons Atıf-AynıLisanslaPaylaş 4.0 Uluslararası ile lisanslanmıştır.