Tusaga-aktif istasyonlarına ait GNSS zaman serilerinin derin öğrenme tabanlı yöntemlerle analizi ve kestirimi

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.

Anahtar Kelime: Derin öğrenme = Deep learning ; GPS = Global Positioning System ; Zaman serileri analizi = Time series analysis