Derin öğrenme algoritmaları ile küresel iyonosferik toplam elektron içeriği tahmini
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, GEOMATİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: İngilizce
Öğrenci: KARDELEN KAYA
Danışman: METİN NOHUTCU
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:İyonosfer, yeryüzünün yaklaşık 50 ile 1000 kilometre yukarısında yer alan bir atmosfer katmanıdır ve elektromanyetik dalgaların yayılımını doğrudan etkiler. Bu bölgede, serbest elektronlar, Güneş'ten gelen ultraviyole ve X-ışını ışınımının nötr atomları iyonlaştırmasıyla oluşur ve bu durum GNSS sinyallerinde sinyal gecikmelere ve faz hatalarına neden olur. Bu etkiler, birim kesit alanı boyunca bulunan toplam elektron sayısını temsil eden Toplam Elektron İçeriği (TEC) ile ilişkilidir. TEC; yerel zaman, mevsim, coğrafi konum, güneş aktivitesi ve jeomanyetik bozulmalar gibi faktörlere bağlı olarak değişkenlik gösterir. TEC'in doğru şekilde izlenmesi ve tahmin edilmesi, uydu navigasyonu, iletişim sistemleri, uzay havası takibi, astronomi ve depremlerle ilgili çalışmalarda iyonosferin davranışının modellenmesi açısından önem taşır. Bu tez, küresel Dikey Toplam Elektron İçeriği (VTEC) tahminini iyileştirmeye yönelik farklı veri temsilleri ve modelleme yaklaşımlarının karşılaştırmalı bir incelemesini sunmaktadır. Çalışmada iki temel yaklaşım ele alınmıştır. İlk yaklaşım, küresel iyonosferik VTEC dağılımını kompakt ve matematiksel bir biçimde temsil eden, derece ve mertebesi 15 ile sınırlandırılmış küresel harmonik katsayı (SHC) tabanlı gösterime dayanmaktadır. İkinci yaklaşım ise, küresel VTEC alanını, 2,5° × 5° mekânsal çözünürlüğe sahip grid-tabanlı Küresel İyonosfer Haritaları (GIM) kullanarak, hem Dünya-sabit hem de Güneş-sabit referans çerçevelerinde enlem–boylam uzayında temsil etmektedir. Çalışmada, Uluslararası GNSS Servisi (IGS) bünyesinde faaliyet gösteren CODE analiz merkezi tarafından 2015–2025 yılları arasında yayımlanan saatlik grid-tabanlı GIM verileri ile bunlara karşılık gelen küresel harmonik katsayı veri setleri kullanılmıştır. VTEC ve SHC verilerine ek olarak, güneşe ait ve jeomanyetik değişkenlikleri temsil etmek amacıyla Kp, Ap, Dst ve F10.7 indeksleri ile güneş lekesi sayısı (R) yardımcı girdi özellikleri olarak modele dahil edilmiştir. Tüm modeller, saatlik çözünürlükte 72 saatlik girdi penceresi kullanılarak 24 saatlik VTEC tahmininin üretildiği kısa vadeli çok-adımlı bir tahmin senaryosu altında uygulanmıştır. Tahmin performansı, Ortalama Mutlak Hata (MAE), Karekök Ortalama Kare Hata (RMSE) ve Simetrik Ortalama Mutlak Yüzde Hata (sMAPE) ölçütleri kullanılarak nicel olarak değerlendirilmiştir. Bu çalışma, küresel VTEC tahminini üç aşamalı bir çerçeve kapsamında ele almakta ve farklı veri temsilleri, girdi konfigürasyonları ve modelleme yaklaşımlarını değerlendirmektedir. Birinci aşamada, farklı veri temsillerinin tahmin performansı üzerindeki etkisini analiz etmek amacıyla, mimarisi sabit tutulan derin öğrenme tabanlı bir Sequence-to-Sequence Gated Recurrent Unit (Seq2Seq GRU) modeli kullanılmıştır. Analiz sonuçları, SHC tabanlı temsilin, hem Yer-sabit hem de Güneş-sabit grid-tabanlı VTEC temsillerine kıyasla daha düşük tahmin hataları ürettiğini göstermektedir. SHC tabanlı yaklaşım 2,18 MAE, 4,92 RMSE ve %9,49 sMAPE değerlerine ulaşırken, Dünya-sabit grid-tabanlı temsil 3,05 MAE, 5,56 RMSE ve %13,91 sMAPE; Güneş-sabit grid-tabanlı temsil ise 2,56 MAE, 5,31 RMSE ve %11,01 sMAPE değerleri üretmiştir. Ayrıca, bu sonuçlar Güneş-sabit grid-tabanlı temsilin Dünya-sabit temsile kıyasla daha iyi performans sergilediğini göstermektedir. İkinci aşamada, birinci aşamada en iyi sonuçları veren SHC tabanlı temsil kullanılarak farklı girdi pencere uzunlukları ve özellik konfigürasyonlarının model performansına etkisi incelenmiştir. Bu kapsamda, farklı jeomanyetik indekslerin ayrı ayrı test edildiği senaryolar ile 48 ve 120 saatlik alternatif girdi pencereleri kullanılarak oluşturulan konfigürasyonlar değerlendirilmiştir. Elde edilen sonuçlar, model performansının hem girdi özelliklerinin seçimine hem de zamansal düzenlenişine bağlı olduğunu göstermektedir. Bununla birlikte, birinci aşamada kullanılan model konfigürasyonu genel olarak en iyi performansı sağlamıştır. Üçüncü aşamada ise, ikinci aşamada en yüksek doğruluğu sağlayan SHC tabanlı veri temsili esas alınarak, Seq2Seq GRU, CNN-GRU, CNN-LSTM, Attention-GRU, Transformer-LSTM ve CNN-Attention-GRU gibi farklı derin öğrenme mimarileri, konvansiyonel bir istatistiksel yöntem olan SARIMA modeli ve CODE tarafından yayımlanan günlük VTEC tahminleri ile karşılaştırmalı olarak değerlendirilmiştir. Tüm senaryolarda en düşük tahmin hataları Seq2Seq GRU modeli tarafından elde edilmiştir. Genel olarak, derin öğrenme tabanlı modeller, konvansiyonel zaman serisi temelli SARIMA yaklaşımı ve CODE'un bir gün ileriye yönelik VTEC tahminlerine kıyasla daha düşük hata değerleri üretmiştir; özellikle Seq2Seq GRU modeli %9,49 sMAPE değerine ulaşırken, SARIMA için bu değer %21,76'ya ve CODE'un bir gün ileriye yönelik tahminleri için %23,92'ye yükselmektedir. Elde edilen bulgular, kısa vadeli küresel VTEC tahmininde model başarımının; veri temsili, giriş yapılandırması ve model mimarisinin birlikte optimize edilmesine bağlı olduğunu göstermektedir. Bu çalışma, GNSS konumlama, uzay hava durumu izleme ve iyonosfer kaynaklı hata analizlerine yönelik araştırmalara katkı sağlamayı amaçlamaktadır.