Hidrografik Genelleştirmede Seçme/Eleme İşlemi için Yapay Sinir Ağı Yöntemlerinin Uygulanabilirliği Alper Şen, Doç. Dr. Türkay Gökgöz Yerel, ulusal, bölgesel/çok uluslu ve küresel düzeyde mekansal veri altyapısı projelerine ciddi yatırımlar yapılmaktadır. Bu son derece büyük mekansal veri havuzlarının oluşturulması, bakımı ve kullanımını olanaklı hale getirmek için birçok metodolojinin ortaya konması gerekmektedir. Veri modelleme, veri yönetimi ve veri dağıtımı gibi yöntemlerin yanında otomatik mekansal veri genelleştirme teknikleri bu bağlamda son derece önemlidir. Gelişmiş ülkelerde Ulusal Harita Kurumlarının (UHK) temel görevi, harita üretiminde kullanılan sayısal coğrafi veri tabanlarının kurulmasıdır. Veri tabanlarının bakımı ve güncellenmesi zorunlu ve henüz standart bir çözümü olmayan bir problemdir. Coğrafi bilgi sistemlerinde (CBS) farklı gösterimler farklı ayrıntı düzeylerinde saklanmaktadır. Çoklu gösterimler, mekansal verinin gösterimi ve depolanması konusunda yaşanan çeşitli problemler sonucu geliştirilen modelin temelini oluşturan ve tek bir mekansal veritabanının farklı ölçek, amaç ve çözünürlükteki gösterimleridir. Genelleştirme yöntemleri kullanılarak, çoklu gösterim veri tabanının gösterim düzeylerinden, farklı tipte haritalar üretme yeteneği, sisteme esneklik kazandırmaktadır. Genelleştirme, mekansal veri seti hacminin önemli yapılar korunarak indirgenmesi için kullanılan bir işlemdir. Genelleştirme işlemi; hedef ölçeğe, uygulamaya, mekansal duruma ve içeriğe bağlıdır. Genelleştirme işlemleri; seçme/eleme, semantik ve geometrik dönüşüm işlemlerinden oluşmaktadır. Semantik dönüşüm işlemleri; sınıflandırma (classification) ve işaretleştirmedir (symbolization). Geometrik dönüşüm işlemleri ise; basitleştirme (simplification), yumuşatma (smoothing), nokta birleştirme (aggregation), çizgi birleştirme (merging), alan birleştirme (amalgamation), dönüşüm (collapse), , arıtma ya da seçme (refinement), abartma (exaggeration), iyileştirme (enhancement) ve ötelemedir (displacement). Veri tabanının özet gösterimi ile ilgili harita genelleştirme işlemleri ise model genelleştirme başlığı altında toplanmaktadır. Akarsu ağı genelleştirmesi yıllardır ilgi çekmektedir. Coğrafi ve hidrografik anlam, akarsu ağı genelleştirmesinde önemli bir rol oynamaktadır. Burada “anlamlı akarsu ağı” topolojik olarak doğru, model akışını sağlayan ve su ile ilgili özelliklerin birbirinden ayırt edilebilmesi anlamındadır. Bu çalışmada, Amerika Birleşik Devletleri (ABD) Ulusal Hidrografi Veri Seti’nde bulunan bir alt havzaya ait veritabanı kullanılarak, 1:24,000 - 1:100,000 ölçek aralığında k-ortalamalar (kmeans) ve bir yapay sinir ağı yöntemi olan Öz Örgütlemeli Haritalar (Self Organizing Maps – SOM) kümeleme yöntemleri kullanılarak bir hidrografik seçme/eleme uygulaması yapılmıştır. Akarsu ağına ait akarsular geometrik, topolojik ve semantik özelliklerine göre kümelenmiştir. Kümeleme sonucunda elde edilen kümelerin seçim ölçütü, 1:24,000 – 1:100,000 çizgi uyuşma katsayılarıdır (coefficient of line correspondence). Türetilen 1:100,000 ölçekli harita, ABD Ulusal Hidrografi Veri Seti’nde bulunan 1:100,000 ölçekli harita ile karşılaştırılmıştır. Ayrıca, haritalardaki nesne sayıları Töpfer’in Radikal Kanunu’ndan hesaplanan nesne sayısı ile karşılaştırılmıştır. Söz konusu seçme/eleme işlemi model genelleştirmesi kapsamındadır. Yapılan çalışma, seçme/eleme için kullanılan her iki kümeleme yönteminin kartografik açıdan başarılı olduğunu tespit etmektedir. SOM yöntemi, SOM ağı topolojisi sayesinde komşu ağırlıklarının birlikte güncellenmesi ve U-matrisleri ile komşu kümelerin benzerliklerinin görselleştirilmesi gibi avantajları düşünüldüğünde çok boyutlu mekansal verinin kümelenmesi açısından daha etkilidir. K-ortalamalar yöntemi, kümeler arasında bir ilişki belirtememektedir. Bu çalışma, TÜBİTAK Yurt Dışı Doktora Araştırması kapsamında Hannover Leibniz Üniversitesi Kartografya ve Geoenformatik Enstitüsü’nde yapılan araştırmalardan biridir.