Tusaga-aktif istasyonlarına ait GNSS zaman serilerinin derin öğrenme tabanlı yöntemlerle analizi ve kestirimi
Analysis and prediction of GNSS time series from CORS-TR stations via deep learning-based methods
- Tez No: 988483
- Danışmanlar: PROF. DR. YASEMİN ŞİŞMAN
- Tez Türü: Doktora
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Derin öğrenme, GPS, Zaman serileri analizi, Deep learning, Global Positioning System, Time series analysis
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada AGRD, BTMN, ERZ2, ERZR, HINI, HORS, MAR1, MARD, OZAL, RHIY ve TUF1 olmak üzere 11 adet TUSAGA-Aktif istasyonuna ait 5 yıllık 30 saniyelik RINEX verileri stabilizasyon için kullanılan 22 adet Uluslararası GNSS Servisi (International GNSS Service, IGS) istasyonuyla birlikte GAMIT/GLOBK yazılımı ile değerlendirilerek işlenmiştir. Değerlendirme sonucu günlük çözüm dosyalarından elde edilen Doğu (E), Kuzey (N) ve Yukarı (U) bileşenlerine çeyrekler arası aralık (interquartile range, IQR) yöntemiyle uyuşumsuz veri analizi yapılmış ve aykırı değerler tespit edilip veri setinden çıkarılmıştır. Temizlenen veri setine kayan pencere yöntemi uygulanmış ve veri seti derin öğrenme (deep learning, DL) analizleri için uygun bir formata getirilmiştir. Veri seti, %85 eğitim (%15 doğrulama), %15 test verisi olarak ayrıldıktan sonra MinMaxScaler kullanılarak normalizasyon uygulanmış ve sonrasında FNN, RNN, LSTM, GRU, Bi-LSTM, Bi-GRU, TCN, TCN-LSTM, CNN ve CNN-LSTM olmak üzere 10 farklı DL algoritması kullanılarak analizler gerçekleştirilmiş ve modeller oluşturulmuştur. Modellere ait performans metrikleri hesaplanmış ve Taylor diyagramı, skor analizi gibi çeşitli yöntemler kullanılarak modellerin performans karşılaştırması yapılmıştır. İstasyon bazında yapılan incelemeler sonucunda, 5 istasyonda en iyi performans GRU modeliyle elde edilirken, 2 istasyonda Bi-GRU, 2 istasyonda FNN ve 2 istasyonda ise TCN-LSTM modeli en yüksek performansı göstermiştir. Özellikle GRU modelinin GNSS verileri üzerinde yüksek başarı göstermesinin temel nedeni, iki kapıdan oluşan yapısının zaman serisindeki hem kısa hem de uzun süreli ilişkileri etkin biçimde öğrenebilmesi ve aynı zamanda yüksek frekanslı ölçüm gürültülerini bu kapı mekanizması aracılığıyla azaltabilmesidir. Ayrıca yatay koordinat bileşenlerinde genel olarak yüksek performans değerleri elde edilirken düşey koordinat bileşeninde performansın yatay koordinat bileşenlerine göre daha düşük olduğu görülmüştür. Yatay bileşenlerde RMSE değerleri genel olarak ±1.0-2.0 mm arasında iken düşey bileşende bu değer ±2.9-5.6 mm seviyelerindedir. Bu sonuçlar, yatay bileşenlerdeki konum değişimlerinin DL modelleri tarafından daha tutarlı ve kararlı bir biçimde öğrenilebildiğini ortaya koymaktadır. Düşey bileşende gözlenen hataların nispeten yüksek olması ise GNSS ölçümlerinde bu bileşenin atmosferik etkiler, çok yollu yansıma (multipath) gibi dış etkenlere karşı daha duyarlı olmasından kaynaklanmaktadır. Buna rağmen, milimetre düzeyindeki hata değerleri, DL yaklaşımlarının GNSS zaman serilerini yüksek doğrulukla öngörebildiğini ve bu alanda etkili biçimde kullanılabileceğini ortaya koymaktadır.
Özet (Çeviri)
This study includes 11 CORS-TR stations, along with 22 International GNSS Service (IGS) stations used for stabilization, were processed and evaluated using GAMIT/GLOBK software. As a result of the evaluation, an outlier analysis was performed on the East (E), North (N), and Up (U) components obtained from the daily solution files using the interquartile range (IQR) method, and outliers were identified and removed from the dataset. The sliding window method was applied to the cleaned dataset, and the dataset was converted into a format suitable for deep learning (DL) analyses. After the dataset was split into 85% training (15% validation) and 15% test data, normalization was applied using MinMaxScaler. Subsequently, analyses were performed and models were created using 10 different DL algorithms: FNN, RNN, LSTM, GRU, Bi-LSTM, Bi-GRU, TCN, TCN-LSTM, CNN, and CNN-LSTM. Performance metrics for the models were calculated, and model performance comparisons were conducted using various methods such as Taylor diagrams and score analysis. Based on station-level analyses, the GRU model achieved the best performance at 5 stations, the Bi-GRU model performed best at 2 stations, the FNN model at 2 stations, and the TCN-LSTM model at 2 stations. The main reason for the GRU model's high success on GNSS data is that its two-gate structure can effectively learn both short- and long-term relationships in the time series and, at the same time, reduce high-frequency measurement noise through this gate mechanism. Furthermore, while generally high performance values were obtained in the horizontal coordinate components, the performance in the vertical coordinate component was observed to be lower compared to the horizontal coordinate components. RMSE values in the horizontal components are generally between ±1.0-2.0 mm, while in the vertical component this value is between ±2.9-5.6 mm. These results reveal that position changes in the horizontal components can be learned more consistently and stably by DL models. The relatively high errors observed in the vertical component stem from this component being more sensitive to external factors in GNSS measurements, such as atmospheric effects and multipath reflection. Nevertheless, the millimeter-level error values demonstrate that DL approaches can predict GNSS time series with high accuracy and can be effectively used in this field.
Benzer Tezler
- Mevsimsel değişimlerin GNSS düşey bileşenine etkilerinin araştırılması
Investigation of the effects of seasonal changes on the GNSS vertical component
NİHAL TEKİN ÜNLÜTÜRK
Doktora
Türkçe
2023
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR DOĞAN
- GNSS zaman serilerinin tekil spektrum analizi ile filtrelenmesi
Filtering GNSS time series using singular spectrum analysis
MEHMET ALİ UĞUR
Doktora
Türkçe
2024
Jeodezi ve FotogrametriAfyon Kocatepe ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM TİRYAKİOĞLU
- Mevsimsel değişimlerin GNSS ölçüleriyle belirlenen deformasyon parametreleri üzerindeki etkilerinin araştırılması
Investigation of the effects of seasonal changes on deformation parameters determined by GNSS measurements
RECEP TAYYİB İRGÜREN
Yüksek Lisans
Türkçe
2021
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR DOĞAN
- Sürekli jeodezik verilerdeki kısa-dönem davranışların araştırılması: İsmetpaşa krip örneği
Investigation of transient signal behavior in continous geodetic data: The case study of İsmetpaşa creep
ALPAY ÖZDEMİR
Doktora
Türkçe
2023
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR DOĞAN
- TUSAGA-AKTİF istasyon verileri ile İzmir ve çevresi için blok hareketlerinin belirlenmesi
Determination of block movements for Izmir and uts surroundings using CORS-TR stations data
FULYA ÖZDEMİR
Yüksek Lisans
Türkçe
2024
Jeodezi ve FotogrametriKonya Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. EKREM TUŞAT