Hidrografik Genelleştirmede Seçme/Eleme İşlemi için

advertisement
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.
Download