2. Muhendislik Olcmeleri Sempozyumu

YAPAY SİNİR AĞLARI YÖNTEMİ İLE PAFTALARININ SAYISALLAŞTIRILMASI
Y.ŞİŞMAN1, H. DEMİRTAŞ2
Ondokuz Mayıs Üniversitesi, Harita Mühendisliği Bölümü, 55139, Samsun/TÜRKİYE
ysisman@omu.edu.tr
1
Sağlık Bakanlığı, Sağlık Yatırımları Genel Müdürlüğü, 06590 Ankara/TÜRKİYE
hkn.demirtas@windowslive.com
2
Özet
Bugüne kadar farklı zamanlarda farklı metotlar kullanılarak üretilen sayısal olmayan kadastro
paftalarını sayısal hale getirirken doğruluk ve güvenirlik faktörleri araştırılmalıdır. Paftalardan sayısal
veri elde etmek için kullanılan sayısallaştırma işleminde ekran koordinatları ile gerçek gerçek koordinatı
bilinen noktalar arasında koordinat dönüşümü uygulanarak sayısal paftalar elde edilmektedir. Bu
çalışmada; Yapay sinir ağları (YSA) metodunun paftaların sayısallaştırılması işleminde kullanılabilirliği
araştırılarak yapılan uygulama sonucunda bulunan karesel ortalama hata değeri, paftaların
sayısallaştırılmasında yaygın olarak kullanılan koordinat dönüşüm yöntemlerinin (benzerlik ve afin)
sonuçlarından elde edilen karesel ortalama hata değeri ile karşılaştırılmıştır. Yapılan uygulama
sonrasında koordinat dönüşüm yöntemlerinden benzerlik ve afin koordinat dönüşüm yöntemine alternatif
olarak YSA metodunun da paftaların sayısallaştırılması işleminde kullanılabileceği sonucu elde
edilmiştir.
Anahtar kelimeler: Kadastro; Pafta; Sayısallaştırma; Yapay Sinir Ağları.
ARTIFICIAL NEURAL NETWORKS METHOD
FOR MAP DIGITIZATION
Abstract
While digitizing the non-digitized cadastre maps, which have been produced by using different methods in
different times to date, accuracy and reliability factors should be investigated. The digitized maps are
obtained from the digitization process, which is used for getting digital data from layouts, by applying
coordinate transformation between the points of screen coordinates and absolute coordinates. In this
study, availability of the artificial neural networks (ANN) method in digitization process is searched by
comparing the acquired square error value of prevalent coordinate transformation methods (like
similarity and affine) and the artificial neural networks method. After the practices, there have been
results that the ANN (Artificial Neural Networks) method can also be used in digitizing process as an
alternative to similarity and affine coordinate transformation methods.
Keywords: Cadastre; Map Sheet; Digitization; Artificial Neural Networks.
HKMO-Mühendislik Ölçmeleri STB Komisyonu
8. Ulusal Mühendislik Ölçmeleri Sempozyumu
19-21 Ekim 2016, Yıldız Teknik Üniversitesi, İstanbul
Kadastro Paftalarının Sayısallaştırılmasında Yapay Sinir Ağları Yöntemi
2
1. Giriş
Bilim ve teknoloji alanındaki gelişmeler ile fotogrametrik veya klasik yöntemle üretilmiş sayısal olmayan
paftaların hızlı bir şekilde sayısal hale getirilmesi gerekmektedir. Ülkemizde günümüze kadar 636.360
(TKGM 2015) adet kadastro haritası, 8 farklı üretim yöntemiyle, 16 farklı ölçekte ve 15 farklı altlıkta
üretilmişlerdir. Belli bir nitelik ve standartta üretilmeyen kadastro paftalarının hukuki geçerliklerini
koruyor olmasından ve günümüz teknolojisindeki gelişmelerden dolayı sayısal ortamda olmayan bu
verilerin sayısal hale getirilmesi zorunluluğu ortaya çıkmıştır.
Farklı yöntemlerle sayısallaştırma işlemleri yapılmasına rağmen, elde edilen sonuçların geçerli teknik ve
hukuki kriterlere uygun olup olmadığı hususu halen tartışılmaktadır. Çeşitli amaçlar için üretilmiş olan
sayısal olmayan paftaların sayısallaştırılması işleminde birkaç farklı yöntem kullanılır. Bu yöntemlerden
en çok uygulananı paftaların taranması ve taranmış görüntülere koordinat dönüşümü işlemi
uygulanmasıdır.
Koordinat dönüşümü iki sistem arasındaki geometrik ilişkinin her iki sistemde koordinatı bilinen ortak
noktalar yardımıyla kurulmasıdır. En çok kullanılan koordinat dönüşümü yöntemleri benzerlik ve afin
dönüşümleridir. Bu çalışmanın amacı; kadastro paftalarının sayısallaştırılması işleminde genel olarak
kullanılan benzerlik ve afin koordinat dönüşümlerine alternatif olarak yapay sinir ağları (YSA)
yönteminin kullanılabilirliğinin irdelenmesidir. YSA yöntemi ile sayısallaştırma işleminde; benzerlik ve
afin koordinat sistemleri arasında kurulan ilişkinin geçerliliği test edilmeye çalışılmıştır.
2. Yapay Sinir Ağları
YSA, insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler
oluşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım almadan otomatik olarak
gerçekleştirmek amacı ile geliştirilen bilgisayar sistemleridir (ÖZTEMEL, 2006). Temeli insan beyninin
veri işleme ve karar verme mekanizmasının taklit edilmesine dayanan YSA, geçtiğimiz yüzyılın son
çeyreğinden itibaren, gelişen bilgisayar sistemlerine paralel olarak, birçok bilim ve mühendislik alanında
genel olarak çok sayıda örnek verinin birlikte değerlendirilmesini gerektiren uygulamalarda yaygın olarak
kullanılmaya başlanmıştır.
YSA’daki süreçler girdiler, ağırlıklar, aktivasyon fonksiyonu ve çıktı olarak ele alınmaktadır. YSA’da
genel olarak çok katmanlı YSA yapısı kullanılmaktadır. Bunlar; girdi katmanı, gizli katman ve çıktı
katmanından oluşmaktadır (Şekil 1). YSA ile yapılan uygulamalarda; katmanları arasında tam bağlantı
HKMO-Mühendislik Ölçmeleri STB Komisyonu
8. Ulusal Mühendislik Ölçmeleri Sempozyumu
19-21 Ekim 2016, Yıldız Teknik Üniversitesi, İstanbul
Kadastro Paftalarının Sayısallaştırılmasında Yapay Sinir Ağları Yöntemi
3
bulunan, ileri beslemeli ve danışmanlı olarak eğitilen bir çok katmanlı ağ modeli olan Geri Yayılımlı
YSA (GYYSA) modeli kullanılmaktadır. GYYSA uygulama kolaylığı, esnek yapısı, yüksek öğrenme
kapasitesi ve farklı problemlere uyarlanabilir olması nedeniyle günümüzde en yaygın kullanılan YSA
modelidir (HAYKIN 1999, GRAUPE 2007, BEALE VE DİĞ., 2010). GYYSA, bir girdi katmanı, bir
veya birden fazla gizli katman ve bir çıktı katmanından oluşmaktadır. Katmanlardaki nöronlar, verilen
girdiyi işleyerek diğer nöronlara iletmekte ve istenilen çıktıya ulaşmayı sağlamaktadır. Şekil 2’de
GYYSA modeli gösterilmektedir.
Şekil 1: Çok katmanlı YSA modeli (YILMAZ, 2012).
Şekil 2: GYYSA modeli (YILMAZ, 2012).
3.UYGULAMA
Bu çalışmada; paftaların sayısallaştırılması işleminde YSA metodunun kullanılabilirliği araştırılmıştır.
YSA yöntemi olarak çok katmanlı, ileri beslemeli, danışmanlı öğrenme yönteminin uygulandığı “Geri
Yayılımlı Yapay Sinir Ağı” (GYYSA) modeli belirlenmiştir. Uygulamada kullanılan veriler için 2 adet
1/1000 ölçeğinde astrolon altlıklı paftalar kullanılmıştır.
GYYSA modeli için 2 nörondan oluşan giriş katmanındaki veriler paftaların sayısallaştırma işleminde
elde edilen (X, Y) resim koordinatlarıdır. 2 nörondan oluşan çıkış katmanında kullanılan veriler ise; resim
koordinatları bilinen noktaların (x, y) gerçek düzlem koordinatlarıdır. Çalışma kapsamında, GYYSA
modeli için elde edilen toplam 70 adet veri seti uygulamada; referans ve test olarak 2 ayrı alt veri setine
ayrılmıştır. Verilerin 60 tanesi referans verisi ve 10 tanesi test verisi olarak kullanılmıştır. Ağda
kullanılacak olan verileri 0-1 değerleri aralığına indirgemek için minimum/maksimum normalizasyon
metodu uygulanmıştır.
Yapılan çalışmada; YSA modelinde giriş ve çıkış tabakasında 2’şer adet nöron olmasına rağmen gizli
tabakadaki nöron sayıları için deneme-yanılma metodu kullanılmıştır. Bu süreç sonucunda ağ yapısına en
uygun olarak GYYSA için [2:15:2] belirlenmiştir. Aktivasyon fonksiyonu olarak ağda kullanılan veriler
normalizasyon işleminden sonra 0-1 aralığında olduğundan sigmoid fonksiyonu kullanılmıştır.
HKMO-Mühendislik Ölçmeleri STB Komisyonu
8. Ulusal Mühendislik Ölçmeleri Sempozyumu
19-21 Ekim 2016, Yıldız Teknik Üniversitesi, İstanbul
Kadastro Paftalarının Sayısallaştırılmasında Yapay Sinir Ağları Yöntemi
4
YSA‘nın eğitim işlemi, bilinen girdi ve çıktı parametrelerinden oluşan bir veri seti ile ilgili olarak gizli
tabaka ile çıkış tabakası arasındaki ağırlıkların, dengelenmesidir. Bu iteratif dengelemede ağırlıklar, ağın
çıkış değeri ile olması gereken değer arasındaki farkı azaltacak şekilde güncellenmektedir. Ağın eğitim
işlemi temel İleri besleme ve geri yayılım olarak iki basamaktan oluşur. YSA‘nın performansı kabul
edilebilir bir büyüklüğe ulaşınca eğitim işlemi sonlandırılır. Performans ölçütü olarak ise karesel ortalama
hata kullanılmıştır. Şekil 3‘de uygulamada kullanılan YSA modeli ve Şekil 4’te ağın eğitim işleminde
hatanın iterasyona bağlı değişimi gösterilmektedir.
Şekil 3: Uygulamada kullanılan YSA modeli.
Şekil 4: YSA‘da hatanın iterasyona bağlı değişimi.
Yapay sinir ağı modelinin eğitim işlemi referans veri seti kullanılarak tamamlandıktan sonra test veri seti
ile kontrolü yapılır. Yapılan kontrol sonrasında YSA’nın bulduğu tahmini değerler ile bilinen gerçek
değerler Çizelge 1‘de gösterilmektedir.
Çizelge 1. Normalize edilmiş kontrol veri setinin karşılaştırılması.
DENEY
NO
Test veri seti
(Giriş)
Olması Gereken
Değer (Çıkış)
YSA'nın Tahmini
Değerleri (Çıkış)
Y
X
y
x
y
x
6
0.499940
0.000071
0.500000
0.000000
0.5000700
0.0000269
12
0.000000
0.168074
0.000000
0.166667
0.0000307
0.1657700
18
0.600022
0.167488
0.600000
0.166667
0.6000400
0.1667000
23
0.000024
0.334553
0.000000
0.333333
0.0000322
0.3333700
28
0.499840
0.333118
0.500000
0.333333
0.4998300
0.3333100
34
0.000119
0.500697
0.000000
0.500000
0.0002014
0.4998000
40
0.600006
0.500090
0.600000
0.500000
0.6001000
0.4999900
47
0.200305
0.666493
0.200000
0.666667
0.2002000
0.6667100
54
0.899799
0.665653
0.900000
0.666667
0.8998990
0.6666500
62
0.600172
0.832462
0.600000
0.833333
0.5999790
0.8333100
HKMO-Mühendislik Ölçmeleri STB Komisyonu
8. Ulusal Mühendislik Ölçmeleri Sempozyumu
19-21 Ekim 2016, Yıldız Teknik Üniversitesi, İstanbul
5
Kadastro Paftalarının Sayısallaştırılmasında Yapay Sinir Ağları Yöntemi
Çizelge 1’ e göre yapılan değerlendirme sonucunda olması gereken değer ile ağın tahmin ettiği değerler
için (1) ve (2) denklemlerine göre hesaplanan ∆y ve ∆x‘lerin karesel ortalama hataları Çizelge 2’de
gösterilmektedir.
hedef YSA
∆y=yhedef -yYSA , Karesel ortalama hata=1/N ∑N
-y ) ²
i=1 (∆y=y
∆x=x
hedef
-x
YSA
, Karesel ortalama hata =
(1)
hedef YSA
1/N ∑N
-x ) ²
i=1 (∆x=x
(2)
Çizelge 2. YSA‘nın karesel ortalama hata değeri.
Karesel Ortalama Hata
∆y
0.118 metre
∆x
0.175 metre
Ağda kullanılan 70 adet veri seti ile benzerlik ve afin koordinat dönüşümleri yapılarak elde edilen karesel
ortalama hata değerleri ve YSA modeli ile bulunan karesel ortalama hata değeri Çizelge 3’te
gösterilmektedir.
Çizelge 3. Dönüşüm yöntemleri ile elde edilmiş karesel ortalama hata değerleri
Afin (m) Benzerlik (m) YSA (m)
Karesel Ortalama Hata
0.1708
0.5284
0.2109
4. Sonuçlar ve Öneriler
Günümüzde birçok alanda kullanılan ve oldukça başarılı sonuçlar elde edilen YSA metodunun paftaların
sayısallaştırılması işleminde benzerlik ve afin dönüşümü gibi yaygın olarak kullanılan dönüşüm
yöntemlerine alternatif olarak kulllanılabileceği yapılan uygulama ile irdelenmiştir. Yapılan çalışma
sonucunda paftaların sayısallaştırılmasında dönüşüm yöntemi olarak afin yöntemine alternatif YSA
metodunun da (dönüşüm yöntemlerinden elde edilen karesel ortalama hata değerleri incelendiğinde)
tercih edilebileceği görülmektedir. Uygulamada kullanılan paftaların belli bir oranda kapanma hatası ile
üretilmesi ve zaman içerisinde deforme olması gibi nedenlere rağmen YSA ağları ile elde edilen karesel
ortalama hata değeri oldukça başarılıdır. Daha yüksek doğrulukta ve daha çok koordinat verisi
kullanılarak YSA metodu ile daha küçük karesel ortalama hata değerlerine ulaşmanın mümkün
olabileceği düşünülmektedir.
HKMO-Mühendislik Ölçmeleri STB Komisyonu
8. Ulusal Mühendislik Ölçmeleri Sempozyumu
19-21 Ekim 2016, Yıldız Teknik Üniversitesi, İstanbul
Kadastro Paftalarının Sayısallaştırılmasında Yapay Sinir Ağları Yöntemi
6
Kaynaklar
Beale, M.H., Hagan, M.T. and Demuth, H.B. (2010). Neural Network Toolbox 7 User’s Guide. The
MathWorks Inc., Natick, MA.
Graupe, D. (2007). Principles of Artifical Neural Networks. World Scientific Publishing, Singapore.
Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Prentice Hall, Upper Saddle River,
NJ.
Öztemel, E. (2006). Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul.
TKGM (2015) “Tapu ve Kadastro Genel Müdürlüğü)
Yılmaz, M. (2012). Jeodezik Nokta Hız Kestiriminde Yapay Sinir Ağlarının Kullanılabilirliği. Doktora
Tezi, Afyon Kocatepe Üniversitesi, Fen Bilimleri Enstitüsü, Afyonkarahisar.
HKMO-Mühendislik Ölçmeleri STB Komisyonu
8. Ulusal Mühendislik Ölçmeleri Sempozyumu
19-21 Ekim 2016, Yıldız Teknik Üniversitesi, İstanbul