Estimation of Elevation Points Obtained by Remote Sensing Techniques by Different Artificial Neural Network Methods

Abstract

The aim of this study is to perform height estimation for areas of different sizes using remote sensing and artificial neural networks methods. For this purpose, multilayer artificial neural networks (MLANN), radial-based artificial neural networks (RBANN) and generalized artificial neural networks (GRANN) methods were used. Height data in the study were obtained using Google-earth pro software. In the study, Mount Ararat and its slopes, which is a mountainous region that can be difficult to estimate outside the urban borders, were chosen as the area. In the study, the models were divided into training and test sets at 80% and 20% rates, and the findings were compared according to three different criteria. These are root mean square error, mean absolute error, and coefficient of determination R2. When the results of the study were examined, it was revealed that the most successful estimations were obtained by using GRYSSA with two inputs (X and Y) and it could be used as an alternative method in estimating the height points.

Keywords

• Remote sensing
• Height
• Estimation
• Artificial neural networks
• Mount Ararat

Uzaktan Algılama Teknikleriyle Elde Edilmiş Yükseklik Noktalarının Farklı Yapay Sinir Ağları Yöntemleriyle Tahmini

Öz

Bu çalışmanın amacı uzaktan algılama ve yapay sinir ağları yöntemleri kullanarak farklı büyüklüklerdeki alanlar için yükseklik tahmini gerçekleştirmektedir. Bu amaçla çok katmanlı yapay sinir ağları (ÇKYSA), radyal tabanlı yapay sinir ağları (RTYSA) ve genelleştirilmiş yapay sinir ağları (GRYSA) yöntemleri kullanılmıştır. Çalışmada yükseklik verileri Google-earth pro yazılımı kullanılarak elde edilmiştir. Çalışmada alanı olarak kentsel sınırlar dışında tahmini zor olabilecek dağlık bir bölge olan Ağrı Dağı ve yamaçları seçilmiştir. Çalışmada modeller eğitim ve test setlerine %80 ve %20 oranlarında ayrılmış ve üç farklı kriterine göre bulgular karşılaştırılmıştır. Bunlar karekök ortalama karesel hata, ortalama mutlak hata ve determinasyon katsayısı R2’dir. Çalışma sonuçları incelendiğinde en başarılı tahminlerin iki girişli (X ve Y) GRYSA kullanılarak elde edildiği ve yükseklik noktalarının tahmininde alternatif bir yöntem olarak kullanılabilineceği ortaya konmuştur.

Anahtar Kelimeler

• Uzaktan Algılama
• Yükseklik
• Tahmin
• Yapay Sinir Ağları
• Ağrı Dağı

References

1. Alp, M., & Cığızoğlu, K. (2004). Farklı Yapay Sinir Ağı Metodları ile Yağış-Akış İlişkisinin Modellenmesi. İtü Mühendislik Dergisi, 3(1), 80–88.
2. Arı, A., & Berberler, E. (2017). Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı. ACTA INFOLOGICA, 1(2), 55–73. http://dergipark.gov.tr/download/article-file/398974
3. Behzadi, S., & Jalilzadeh, A. (2020). Introducing a Novel Digital Elevation Model Using Artificial Neural Network Algorithm. Civil Engineering Dimension, 22(2), 47–51. https://doi.org/10.9744/ced.22.2.47-51
4. Çakır, L. (2013). Sayısal Yükseklik Modellerinde Polinomlar ve Yapay Sinir Ağları Yöntemlerinin Karşılaştırılması. Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği VII. Teknik Sempozyumu (TUFUAB’2013), 23-25 Mayıs 2013, Trabzon, Türkiye., 1–4.
5. Çakır, L. (2015). Sayısal Yükseklik Modellerinde Klasik Ve Esnek Hesaplama Yöntemlerinin Karşılaştırılması. TMMOB Harita ve Kadastro Mühendisleri Odası, 15. Türkiye Harita Bilimsel ve Teknik Kurultayı, 25-­28 Mart 2015, Ankara, Türkiye., 1-6,.
6. Çetinkaya, C. (2011). Retina Görüntülerinde Radyal Tabanlı Fonksiyon Sinir Ağları İle Damar Tipik Noktalarının Tespit Edilmesi. Yüksek Lisans Tezi, Ege Üniversitesi Uluslararası Bilgisayar Anabilim Dalı, İzmir.
7. Citakoglu, H. (2015). Comparison of artificial intelligence techniques via empirical equations for prediction of solar radiation. Computers and Electronics in Agriculture, 118, 28–37. https://doi.org/10.1016/j.compag.2015.08.020
8. Citakoglu, H. (2017). Comparison of artificial intelligence techniques for prediction of soil temperatures in Turkey. Theoretical and Applied Climatology, 130(1–2), 545–556. https://doi.org/10.1007/s00704-016-1914-7

9. Çıtakoğlu, H., & Özeren, Y. (2021). Sakarya Havzası Su Kalitesi Parametrelerinin Yapay Sinir Ağları ile Modellenmesi. European Journal of Science and Technology, 24, 10–17. https://doi.org/10.31590/ejosat.898046
10. Çubukçu, E. A., Demir, V., & Sevimli, M. F. (2021). Digital Elevation Modeling Using Generalized - Radial Based – Multi Layered Artificial Neural Networks. Turkish Journal of Engineering, 6(3), 199–205. https://doi.org/10.31127/tuje.889570
11. Çubukçu, E. A., Demir, V., & Sevimli, M. F. (2022). Modeling of Annual Maximum Flows with Geographic Data Components and Artificial Neural Networks. International Journal of Engineering and Geosciences, 8(2), 200–211. https://doi.org/10.26833/ijeg.1125412
12. Çubukçu, E. A., Sancioğlu, S., Demir, V., & Sevimli, M. F. (2019). Sea Water Level Estimation Using Six Different Artificial Neural. International Civil Engineering and Arthitecture Conference, 716–725.
13. Demir, V., & Çubukçu, E. A. (2021). Digital Elevation Modeling with Heuristic Regression Techniques Abstract. European Journal of Science and Technology, 24, 484–488. https://doi.org/10.31590/ejosat.916012
14. Demir, V., & Doğu, R. (2022). Creating digital elevation model with Google Earth Pro. 4thAdvanced Engineering Days(AED) –21-22 September2022, 21(5), 78–80. https://doi.org/10.35414/akufemubid.936431
15. Demir, V., & Keskin, A. Ü. (2020). Height Modeling with Artificial Neural Networks ( Samsun-Mert River Basin). Gazi Journal of Engineering Sciences, 6(1), 54–61. https://doi.org/https://dx.doi.org/10.30855/gmbd.2020.01.05
16. Gholami, V., Booij, M. J., Nikzad Tehrani, E., & Hadian, M. A. (2018). Spatial soil erosion estimation using an artificial neural network (ANN) and field plot data. CATENA, 163, 210–218. https://doi.org/10.1016/j.catena.2017.12.027
17. Gümüş, K., & Şen, A. (2017). Sayisal Yüksekli̇ Modelleri̇ni̇n Doğruluğunu Etki̇leyen Faktörleri̇n Varyan Anali̇zi̇ İle İstati̇ksel Olarak İncelenmesi̇. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 6(1), 46–58. https://doi.org/10.28948/ngumuh.297729
18. Kisi, O., & Demir, V. (2016). Evapotranspiration Estimation using Six Different Multi-layer Perceptron Algorithms. Irrigation & Drainage Systems Engineering, 5(2), 1-6.. https://doi.org/10.4172/2168-9768.1000164
19. Kılıç, G. (2015). Yapay Sinir Ağları İle Yemekhane Günlük Talep Tahmini. Yüksek Lisans Tezi, Pamukkale Üniversitesi, Bilgisayar Mühendisliği Anabilim dalı, Denizli.
20. Konakoglu, B., Cakir, L., & Gökalp, E. (2016). 2D coordinate transformation using artificial neural networks. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 42(2W1), 183–186. https://doi.org/10.5194/isprs-archives-XLII-2-W1-183-2016
21. Marquardt, D. (1963). An algorithm for least squares estimation of non-linear parameters. J.Soc.Ind. Appl.Math., 431–441.
22. Oral, M., Kartal, S., & Özyıldırım, B. M. (2018). A cluster based approach to reduce pattern layer size for generalized regression neural network. Pamukkale University Journal of Engineering Sciences, 24(5), 857–863. https://doi.org/10.5505/pajes.2017.76401
23. Specht, D. F. (1991). A general regression neural network. IEEE Transactions on Neural Networks, 2(6), 568–576. https://doi.org/10.1109/72.97934
24. Uray, E., Demir, V., Keskin, A. Ü., & Tan, Ö. (2019). Use of Artificial Neural Networks in Stability Control of Cantilever Retaining Walls. International Civil Engineering and Architecture Conference, 2001, 469–478.
25. URL-1 (2023). Türkiye’nin En Yüksek Dağları Sıralaması. https://www.tech-worm.com/turkiyenin-en-yuksek-daglari-siralamasi/ [Erişim Tarihi: 10.05.2023]
26. Yenipınar, E., Kayhan, M. M., Esra Aslı, Ç., Demir, V., & Sevimli, M. F. (2021). Türkiye’nin Uzun Dönem Yağış Miktarının IDW ve Kriging Yöntemleri ile Tahmin Edilmesi. Türkiye Uzaktan Algılama Dergisi, 3(2), 47–52.
27. Yılmaz, A. (2017). Yapay Zeka. KODLAB Yayınevi, İstanbul.
28. Zeybekoglu, U. (2018). Forecasting of Annual Mean Rainfall Using Artificial Neural Network and Wavelet Components : Case of Study Sinop. 1. International Technological Sciences and Design Symposium, 1700–1709.