KaydedilenlerDerginizi ekleyin

Dergiler / Geomatik / 2026 / Cilt: 10 Sayı: 1

Yinelemeli sinir ağlarıyla GNSS verilerinde birleştirilmiş ve bireysel model karşılaştırılması

Merve Şimşek(YILDIZ TEKNİK ÜNİVERSİTESİ)0000-0001-6198-171X
Murat Taşkıran(YILDIZ TEKNİK ÜNİVERSİTESİ)0000-0002-6436-6963
Uğur Doğan(YILDIZ TEKNİK ÜNİVERSİTESİ)0000-0003-1619-2652
Sayfa
66–75
Yayın Tarihi
2025-03-08
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bulgular tek model yaklaşımının model yönetimini basitleştirilerek özellikle daha homojen veri özelliklerine sahip bölgelerde, ayrı ayrı eğitilmiş modellerle karşılaştırılabilir doğruluk elde edebileceğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, derin öğrenme algoritmalarından olan Uzun Kısa Süreli Bellek (LSTM) ve Geçitli Tekrarlayan Birim (GRU) ile GNSS istasyon verilerinin Kuzey, Doğu ve Düşey bileşenleri için ileriye dönük ayrı ayrı kestirimler yapılarak, istasyon bazında eğitilen modeller ve tüm istasyon verilerinin birlikte eğitildiği tek model performansları karşılaştırılarak model yönetiminin performanslar üzerine etkisi incelenmiştir.
📊
Temel Bulgular & Veri:Her bir GNSS istasyonu için ayrı modellerin kullanıldığı Senaryo I ve toplu verilerle tek bir birleşik modelin kullanıldığı Senaryo II için model performansı, ortalama karekök hata (RMSE), ortalama mutlak hata (MAE) ve belirleme katsayısı (R²) kullanılarak Doğu, Kuzey ve Düşey bileşenler için değerlendirilmiştir.
💡
Sonuç & Katkı:Bulgular tek model yaklaşımının model yönetimini basitleştirilerek özellikle daha homojen veri özelliklerine sahip bölgelerde, ayrı ayrı eğitilmiş modellerle karşılaştırılabilir doğruluk elde edebileceğini göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:GNSS · Zaman Serisi Kestirimi · Derin Öğrenme

Özet

Bu çalışmada, derin öğrenme algoritmalarından olan Uzun Kısa Süreli Bellek (LSTM) ve Geçitli Tekrarlayan Birim (GRU) ile GNSS istasyon verilerinin Kuzey, Doğu ve Düşey bileşenleri için ileriye dönük ayrı ayrı kestirimler yapılarak, istasyon bazında eğitilen modeller ve tüm istasyon verilerinin birlikte eğitildiği tek model performansları karşılaştırılarak model yönetiminin performanslar üzerine etkisi incelenmiştir. Her bir GNSS istasyonu için ayrı modellerin kullanıldığı Senaryo I ve toplu verilerle tek bir birleşik modelin kullanıldığı Senaryo II için model performansı, ortalama karekök hata (RMSE), ortalama mutlak hata (MAE) ve belirleme katsayısı (R²) kullanılarak Doğu, Kuzey ve Düşey bileşenler için değerlendirilmiştir. GRU algoritmasıyla Doğu bileşen için ortalama RMSE değeri Senaryo I ve II için sırayla 1.68 ve 1.67 mm, MAE değeri 1.24 ve 1.27 mm; Kuzey bileşen için RMSE değeri 1.70 ve 1.72 ve MAE değeri 1.32 ve 1.33 mm, Düşey bileşen için RMSE 4.50 ve 4.43 mm ve MAE 3.58 ve 3.50 mm’dir. Bulgular tek model yaklaşımının model yönetimini basitleştirilerek özellikle daha homojen veri özelliklerine sahip bölgelerde, ayrı ayrı eğitilmiş modellerle karşılaştırılabilir doğruluk elde edebileceğini göstermektedir.

🔖

Bu Makaleye Atıf Yap

Şimşek, M., Taşkıran, M., Doğan, U. (2025). Yinelemeli sinir ağlarıyla GNSS verilerinde birleştirilmiş ve bireysel model karşılaştırılması. Geomatik, Cilt: 10 Sayı: 1, 66–75. https://doi.org/10.29128/geomatik.1530761

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (38)

  1. Altamimi, Z., Rebischung, P., Métivier, L., & Collilieux, X. (2016). ITRF2014: A new release of the International Terrestrial Reference Frame modeling nonlinear station motions. Journal Of Geophysical Research: Solid Earth, 121(8), 6109-6131.
  2. Bevis, M., Alsdorf, D., Kendrick, E., Fortes, L. P., Forsberg, B., Smalley Jr, R., & Becker, J. (2005). Seasonal fluctuations in the mass of the Amazon River system and Earth's elastic response. Geophysical Research Letters, 32(16).
  3. Chen, Q., Jiang, W., Meng, X., Jiang, P., Wang, K., Xie, Y., & Ye, J. (2018). Vertical deformation monitoring of the suspension bridge tower using GNSS: A case study of the forth road bridge in the UK. Remote Sensing, 10(3), 364.
  4. Chung J, Gulcehre C, Cho K, et al (2014) Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555.
  5. Ünel, F. B., Kuşak, L., Yakar, M., & Doğan, H. Coğrafi bilgi sistemleri ve analitik hiyerarşi prosesi kullanarak Mersin ilinde otomatik meteoroloji gözlem istasyonu yer seçimi. Geomatik, 8(2), 107-123.
  6. Deng, Z., Jiang, S., Mo, J., & Yu, S. (2017). Design of a new carrier tracking loop in a positioning receiver. In Automotive, Mechanical and Electrical Engineerin, 157-160.
  7. Hochreiter S, Schmidhuber J (1997) Long short-term memory. Neural Computation 9(8):1735–1780
  8. Hu, W. H., Rea, C., Yuan, Q. P., Erickson, K. G., Chen, D. L., Shen, B.,. & EAST Team. (2021). Real-time prediction of high-density EAST disruptions using random forest. Nuclear Fusion, 61(6), 066034.
  9. Huang, D., He, J., Song, Y., Guo, Z., Huang, X., & Guo, Y. (2022). Displacement prediction of the Muyubao landslide based on a GPS time-series analysis and temporal convolutional network model. Remote Sensing, 14(11), 2656.
  10. Jiang Y, Liao L, Luo H, et al (2023) Multi-scale response analysis and displacement prediction of landslides using deep learning with jtfa: A case study in the three gorges reservoir, china. Remote Sensing, 15(16):3995.
  11. Jiang, W., Wang, J., Li, Z., Li, W., & Yuan, P. (2024). A new deep self-attention neural network for GNSS coordinate time series prediction. GPS Solutions, 28(1), 3.
  12. Li, X., Ge, M., Dai, X., Ren, X., Fritsche, M., Wickert, J., & Schuh, H. (2015). Accuracy and reliability of multi-GNSS real-time precise positioning: GPS, GLONASS, BeiDou, and Galileo. Journal of Geodesy, 89(6), 607-635.
  13. Li, Z., Chen, P., Zheng, N., & Liu, H. (2021). Accuracy analysis of GNSS-IR snow depth inversion algorithms. Advances İn Space Research, 67(4), 1317-1332.
  14. Liao, K., Wu, Y., Miao, F., Li, L., & Xue, Y. (2020). Using a kernel extreme learning machine with grey wolf optimization to predict the displacement of step-like landslide. Bulletin of Engineering Geology and the Environment, 79, 673-685.
  15. Lian, C., Zeng, Z., Yao, W., & Tang, H. (2015). Multiple neural networks switched prediction for landslide displacement. Engineering Geology, 186, 91-99.
  16. Meng, X., Dodson, A. H., Roberts, G. W., Cosser, E., Barnes, J., & Rizos, C. (2004). Impact of GPS Satellite Geometry on Structural Deformation Monitoring: analytical and empirical studies. Journal of Geodesy, 77(2), 809-822.
  17. Miao, X., Liu, Y., Zhao, H., & Li, C. (2018). Distributed online one-class support vector machine for anomaly detection over networks. IEEE transactions on cybernetics, 49(4), 1475-1488.
  18. Mogaraju, J. K. (2024). Machine learning assisted prediction of land surface temperature (LST) based on major air pollutants over the Annamayya District of India. International Journal of Engineering and Geosciences, 9(2), 233-246.
  19. Mufundirwa, A., Fujii, Y., & Kodama, J. (2010). A new practical method for prediction of geomechanical failure-time. International Journal of Rock Mechanics and Mining Sciences, 47(7), 1079-1090.
  20. Mutlu, İ., & Kahvecı, M. (2019). GNSS Uydu Dağılımının Gerçek Zamanlı Kinematik GNSS ve Ağ-RTK Ölçülerindeki Önemi. Geomatik, 4(3), 179-189. https://doi.org/10.29128/geomatik.522343.
  21. Ohta, Y., Kobayashi, T., Tsushima, H., Miura, S., Hino, R., Takasu, T.,. & Umino, N. (2012). Quasi real‐time fault model estimation for near‐field tsunami forecasting based on RTK‐GPS analysis: Application to the 2011 Tohoku‐Oki earthquake (Mw 9.0). Journal of Geophysical Research: Solid Earth, 117(B2).
  22. Raj, N., & Brown, J. (2023). Prediction of Mean Sea Level with GNSS-VLM Correction Using a Hybrid Deep Learning Model in Australia. Remote Sensing, 15(11), 2881.
  23. Serwa, A., Qasimi, A. B., & Isazade, V. (2024). Registration of interferometric DEM by deep artificial neural networks using GPS control points coordinates as network target. International Journal of Engineering and Geosciences, 9(2), 292-301.
  24. Şimşek, M., Özarpacı, S., & Doğan, U., (2019). Yer kabuğu hareketlerinin belirlenmesinde web tabanlı çevrimiçi GNSS servislerinin performans analizi. Geomatik, (4)2, 147-159.
  25. Wang, J., Nie, G., Gao, S., Wu, S., Li, H., & Ren, X. (2021). Landslide deformation prediction based on a GNSS time series analysis and recurrent neural network model. Remote Sensing, 13(6), 1055.
  26. Xi, R., Meng, X., Jiang, W., An, X., & Chen, Q. (2018). GPS/GLONASS carrier phase elevation-dependent stochastic modelling estimation and its application in bridge monitoring. Advances in Space Research, 62(9), 2566-2585.
  27. Xie, Y., Wang, J., Li, H., Dong, A., Kang, Y., Zhu, J.,. & Yang, Y. (2024). Deep learning CNN-GRU method for GNSS deformation monitoring prediction. Applied Sciences, 14(10), 4004.
  28. Xing Y, Yue J, Chen C (2019a) Interval estimation of landslide displacement prediction based on time series decomposition and long short-term memory network. IEEE Access 8:3187–3196
  29. Xing Y, Yue J, Chen C, et al (2019b) Dynamic displacement forecasting of dashuitian landslide in china using variational mode decomposition and stack long short-term memory network. Applied Sciences, 9(15):2951.
  30. Yang, B., Yin, K., Lacasse, S., & Liu, Z. (2019). Time series analysis and long short-term memory neural network to predict landslide displacement. Landslides, 16, 677-694.
  31. Kusak, L., Unel, F. B., Alptekin, A., Celik, M. O., & Yakar, M. (2021). Apriori association rule and K-means clustering algorithms for interpretation of pre-event landslide areas and landslide inventory mapping. Open Geosciences, 13(1), 1226-1244.
  32. Yi, T. H., Li, H. N., & Gu, M. (2013). Experimental assessment of high-rate GPS receivers for deformation monitoring of bridge. Measurement, 46(1), 420-432.
  33. Yu, J., Meng, X., Shao, X., Yan, B., & Yang, L. (2014). Identification of dynamic displacements and modal frequencies of a medium-span suspension bridge using multimode GNSS processing. Engineering Structures, 81, 432-443.
  34. Yurdakul, Ö., & Kalaycı, İ. (2022). The effect of GLONASS on position accuracy in CORS-TR measurements at different baseline distances. International Journal of Engineering and Geosciences, 7(3), 229-246. https://doi.org/10.26833/ijeg.975204.
  35. Zhu X, Xu Q, Tang M, et al (2017) Comparison of two optimized machine learning models for predicting displacement of rainfall-induced landslide: A case study in sichuan province, china. Engineering Geology 218:213–222
  36. Hu, W. H., Rea, C., Yuan, Q. P., Erickson, K. G., Chen, D. L., Shen, B.,. & EAST Team. (2021). Real-time prediction of high-density EAST disruptions using random forest. Nuclear Fusion, 61(6), 066034.
  37. Ohta, Y., Kobayashi, T., Tsushima, H., Miura, S., Hino, R., Takasu, T.,. & Umino, N. (2012). Quasi real‐time fault model estimation for near‐field tsunami forecasting based on RTK‐GPS analysis: Application to the 2011 Tohoku‐Oki earthquake (Mw 9.0). Journal of Geophysical Research: Solid Earth, 117(B2).
  38. Xie, Y., Wang, J., Li, H., Dong, A., Kang, Y., Zhu, J.,. & Yang, Y. (2024). Deep learning CNN-GRU method for GNSS deformation monitoring prediction. Applied Sciences, 14(10), 4004.