Journals / Geomatik / 2026 / Cilt: 7 Sayı: 2

Derin öğrenme tabanlı iyonosferik TEC tahmini

İsmail Demiryege(HARRAN ÜNİVERSİTESİ, FEN BİLİMLERİ ENSTİTÜSÜ, HARİTA MÜHENDİSLİĞİ (YL) (TEZLİ))0000-0003-3836-3328
Mustafa Ulukavak(HARRAN ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, HARİTA MÜHENDİSLİĞİ BÖLÜMÜ)0000-0003-2092-3075
Journal
Geomatik
Pages
80–87
Publication Date
2022-08-15
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

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.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:İyonosfer tabakası, Küresel Konumlandırma Sistemi (GPS) uydularına ait radyo sinyallerinin frekanslarına bağlı olarak zaman gecikmesine neden olan bir ortamdır.
📊
Key Findings & Data:Bu çalışmada, 2019 yılının ilk altı ayı için iyonosferik TEC değişimlerini tahmin etmeyi amaçlayan optimum parametrelerin belirlenmesi araştırılmıştır.
💡
Conclusion & Impact: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.
🔬Design:Modeling & Simulation
📍Scope:2019 Verileri
⚙️Variables:Derin Öğrenme · TEC · GPS

Özet

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.

🔖

Cite This Article

Demiryege, İ., Ulukavak, M. (2022). Derin öğrenme tabanlı iyonosferik TEC tahmini. Geomatik, Cilt: 7 Sayı: 2, 80–87. https://doi.org/10.29128/geomatik.870773

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (58)

  1. 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
  2. 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
  3. Ataseven B (2013). YAPAY SİNİR AĞLARI İLE ÖNGÖRÜ MODELLEMESİ. Öneri Derg 10:101–115
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 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
  10. Emel GG, Taşkın Ç (2002). Genetik Algoritmalar ve Uygulama Alanları. Uludağ Üniversitesi İktisadi ve İdari Bilim Fakültesi Derg 21:129–152
  11. Engin O, Döyen A (2004). Artificial immune systems and applications in industrial problems. Gazi Univ J Sci 17:71–84
  12. 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
  13. 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
  14. Grefenstette E, Blunsom P, de Freitas N, Hermann KM (2015). A Deep Architecture for Semantic Parsing. 22–27. doi: 10.3115/v1/w14-2405
  15. 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
  16. 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
  17. 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
  18. Hochreiter S, Schmidhuber J (1997). Long Short-Term Memory. Neural Comput 9:1735–1780. doi: 10.1162/neco.1997.9.8.1735
  19. Hofmann-Wellenhof B, Lichtenegger H, Wasle E (2008). GNSS — Global Navigation Satellite Systems, 1st edn. Springer-Verlag Wien, Wien
  20. 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
  21. 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
  22. 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
  23. Karahan M (2015). Turizm Talebinin Yapay Sinir Ağaları Yöntemiyle Tahmin Edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilim Fakültesi Derg 20:195–209
  24. Karpathy A, Fei-Fei L (2017). Deep Visual-Semantic Alignments for Generating Image Descriptions. IEEE Trans Pattern Anal Mach Intell 39:664–676
  25. 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
  26. 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
  27. 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
  28. 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
  29. Koyuncugil A, Özgülbaş N (2009). Veri Madenciliği: Tıp ve Sağlık Hizmetlerinde Kullanımı ve Uygulamaları. Int J Informatics Technol 2:. doi: 10.17671/btd.01471
  30. 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
  31. Larochelle H, Bengio Y (2008). Classification using discriminative restricted boltzmann machines. In: Proceedings of the 25th International Conference on Machine Learning. pp 536–543
  32. 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
  33. Liou CY, Cheng WC, Liou JW, Liou DR (2014). Autoencoder for words. Neurocomputing 139:84–96. doi: 10.1016/j.neucom.2013.09.055
  34. 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
  35. Nabiyev V (2012). Yapay Zeka İnsan - Bilgisayar Etkileşimi. Seçkin Yayıncılık, Ankara
  36. 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
  37. Öztürk K, Şahin ME (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış. Tak Vekayi 6:25–36
  38. 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
  39. 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
  40. 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
  41. Salakhutdinov R, Mnih A, Hinton G (2007). Restricted Boltzmann machines for collaborative filtering. In: ACM International Conference Proceeding Series. pp 791–798
  42. 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
  43. Şeker A, Diri B, Balık HH (2017). Derin Öğrenme Yöntemleri̇ Ve Uygulamaları Hakkında Bi̇r İnceleme. Gazi Mühendislik Bilim Derg 3:47–64
  44. 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
  45. 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
  46. 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
  47. 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
  48. 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
  49. Tabar ME, Şişman Y (2020). Bulanık Mantık ile Arsa Değerleme Modelinin Oluşturulması. Türkiye Arazi Yönetimi Derg 2:28–24
  50. Tan S-S (2008). Development and thought of compass navigation satellite system. Yuhang Xuebao/Journal Astronaut 29:391–396
  51. 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
  52. 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
  53. 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
  54. 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
  55. 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
  56. Xu G (2007). GPS: Theory, algorithms and applications
  57. 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
  58. 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