KaydedilenlerDerginizi ekleyin

Dergiler / Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2020 / Cilt: 13 - Sayı: 3

Genelleştirilmiş regresyon sinir ağı ve bazı enterpolasyon yöntemlerini kullanarak yerel jeoid belirleme: Kars, Türkiye'de bir vaka çalışması

Local geoid determination using a generalized regression neural network and interpolation methods: A case study in Kars, Turkey

Alper AKAR
Berkant Konakoğlu
Sayfa
1424–1438
Yayın Tarihi
2022-10-11
DOI
—
🏛️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)

Bu sonuçlar, GRNN metodunun çeşitli jeodezi problemlerinin modellenmesinde dikkate alınabileceğini göstermiştir..

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada Türkiye’nin doğusunda yer alan Kars il sınırları içerisinde bulunan 641 tane GNSS/nivelman noktasına dayalı olarak, genelleştirilmiş regresyon yapay sinir ağı (GRNN), ağırlıklı ortalama (WA), multikuadrik (MQ) fonksiyonu, ters multikuadrik (IMQ) fonksiyonu ve yerel polinom (LP) yöntemleri kullanılarak en uygun yerel jeoid modelinin belirlenmesi amaçlanmıştır.
📊
Temel Bulgular & Veri:Modelin performansını test etmek için 169 tane GNSS/nivelman noktası test verisi olarak seçilmiştir.
💡
Sonuç & Katkı:Bu sonuçlar, GRNN metodunun çeşitli jeodezi problemlerinin modellenmesinde dikkate alınabileceğini göstermiştir..
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmada Türkiye’nin doğusunda yer alan Kars il sınırları içerisinde bulunan 641 tane GNSS/nivelman noktasına dayalı olarak, genelleştirilmiş regresyon yapay sinir ağı (GRNN), ağırlıklı ortalama (WA), multikuadrik (MQ) fonksiyonu, ters multikuadrik (IMQ) fonksiyonu ve yerel polinom (LP) yöntemleri kullanılarak en uygun yerel jeoid modelinin belirlenmesi amaçlanmıştır. Lokal jeoid belirlemede kullanılan bu yöntemler arasından GRNN yöntemi ile yapılan çalışmaların sayısı literatürde oldukça sınırlıdır. Modelin performansını test etmek için 169 tane GNSS/nivelman noktası test verisi olarak seçilmiştir. Referans noktaları ve test noktaları seçilirken, bu noktaların çalışma alanı içerisinde homojen olarak dağılmasına özen gösterilmiştir. Farklı yöntemlerden elde edilen sonuçların doğruluğunu ve hata oranlarını öğrenmek için, karesel ortalama hata (RMSE), ortalama mutlak hata (MAE) ve belirlilik katsayısı (R2 ) kriterleri kullanılmıştır. Analiz sonuçlarına göre GRNN metodu, diğer interpolasyon yöntemlerine göre daha iyi sonuçlar vermiştir. Bu sonuçlar, GRNN metodunun çeşitli jeodezi problemlerinin modellenmesinde dikkate alınabileceğini göstermiştir..

Abstract

This study aimed to determine the most suitable local geoid model based on 641 GNSS/leveling points within the borders of Kars Province in eastern Turkey using the generalized regression neural network (GRNN), weighted average (WA), multiquadric (MQ), inverse multiquadric (IMQ) function, and local polynomial (LP) method. Among these methods used in local geoid determination, the studies conducted with the GRNN method are very limited in the literature. To test the performance of the model, 169 GNSS/leveling points were selected as test data. When selecting reference points and test points, care was taken to distribute these points homogeneously within the study area. The criteria of root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R2 ) were used to assess the accuracy and error rates of the results achieved using the different methods. According the results of analysis, GRNN method yielded better results than other interpolation methods. These results have showed that GRNN method can be taken into account in modeling various geodesy problems.

🔖

Bu Makaleye Atıf Yap

AKAR, A., Konakoğlu, B. (2022). Genelleştirilmiş regresyon sinir ağı ve bazı enterpolasyon yöntemlerini kullanarak yerel jeoid belirleme: Kars, Türkiye'de bir vaka çalışması. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 13 - Sayı: 3, 1424–1438. https://ajindex.com/articles/505461

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Albayrak, M., Özlüdemir, M. T., Aref, M. M., Halicioglu, K. 2020. “Determination of Istanbul geoid using GNSS/levelling and valley cross levelling data”, Geodesy and Geodynamics, 11(3), 163-173.
  2. Becker, M. 2012. “Geodesy”, Springer handbook of geographic information, Springer, Springer Heidelberg Dordrecht London New York, 185-208.
  3. Bolat, S. 2013 “Lokal Jeoid Belirleme Yöntemleri: Samsun İli Örneği”, Yüksek Lisans Tezi, Ondokuz Mayıs Üniversitesi Fen Bilimleri Enstitüsü, Samsun, 30-32.
  4. Cakir, L. and Yilmaz, N. 2014. “Polynomials, radial basis functions and multilayer perceptron neural network methods in local geoid determination with GPS/levelling”, Measurement, 57, 148-153.
  5. Carlson, R.E. and Foley, T.A. 1991. “The Parameter R2 in Multiquadric Interpolation”, Computers & Mathematics with Applications, 21, 29-42.
  6. Ceylan, A., Üstün, A., Doğanalp, S., Gürses, H.B. 2011. “Karayolu ve Demiryolu Projelerinde Ortometrik Yükseklik Hesabı: En küçük Kareler ile Kollokasyon”, 13. Türkiye Harita Bilimsel ve Teknik Kurultayı, TMMOB Harita ve Kadastro Mühendisleri Odası, Ankara, 1-8.
  7. Doganalp, S. 2016. “Geoid height computation in strip-area project by using least-squares collocation”, Acta Geodyn. Geomater, 13(2), 182. Doganalp, S. and Selvi, H.Z. 2015. “Local geoid determination in strip area projects by using polynomials, least-squares collocation and radial basis functions”, Measurement, 73, 429-438.
  8. Doğruluk, M. 2013 “Sayısal arazi modellerinin karayolu projelerindeki hacim hesaplamalarına etkisi”, Doktora Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya, 43-45.
  9. Erol, S. and Erol, B. 2020. “A comparative assessment of different interpolation algorithms for prediction of GNSS/levelling geoid surface using scattered control data”, Measurement, in press. Featherstone, W.E., Dentith, M.C., Kirbiy, J.F. 1998. “Strategies for accurate determination of orthometric heights from GPS”, Survey Review, 34(267), 278-296.
  10. Fidancı, Y. and Abbak, R. A. 2019. “Yerel Jeoit Belirlemede Yapay Sinir Ağlarının Farklı Nokta Yoğunluğundaki Performansı”, Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 9(3), 486-495.
  11. Güllü, M., Turgut, B., Baybura, T. 2016. “Jeoid Yüksekliklerinin Belirlenmesinde Yapay Sinir Ağları ve Kriging Enterpolasyon Yöntemlerinin Karşılaştırılması“, Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 16(3), 674-678.
  12. İnal, C., Turgut, B., Yiğit, C.Ö. 2002. “Lokal Alanlarda Jeoit Ondülasyonlarının Belirlenmesinde Kullanılan Enterpolasyon Y