GNSS gözlemlerindeki troposferik gecikmenin destek vektör makineleri algoritması ile kestirimi

Troposferik gecikme, GNSS sinyallerinin troposferdeki gaz kütleleriyle etkileşimi sonucu doğrusal hareket etmemesi ve buna bağlı olarak sinyallerin beklenilen sürede alıcıya ulaşmamasından oluşmaktadır. Bu yönüyle troposferik gecikmenin erişilebilirliği ve hassas modellemesi, GNSS konumlandırma uygulamalarının yanı sıra meteorolojik çalışmalar ve hava durumu tahminlerinde önemli bir rol oynamaktadır. Günümüzde GNSS tekniği ile zenit troposferik gecikme etkisi belirlenirken, ani hava değişimine duyarsız, standartlaştırılmış ve deneysel yöntemlere dayalı parametreler içeren troposfer modelleri kullanılmaktadır. Söz konusu modeller gecikme etkisini, meteorolojik sensörü olan GNSS istasyonlarını referans alarak, diğer noktaları enterpole yöntemlerinin ya da deneysel denklemlerin kullanımı sonucu belirlemektedir. Dolayısıyla bu modeller ile gün içerisinde her zamana ait gecikme etkisinin hassas bir şekilde belirlenmesi veya erişilmesi mümkün değildir. Ayrıca teknik veya donanımsal sorunlar nedeniyle GNSS istasyonuna erişilemezse, veri arşivinde meydana gelen boşluklardan kaynaklı gecikme tahmininin kalitesi bozulmaktadır. Bu amaç doğrultusunda, ani hava değişimlerinden kaynaklanan troposferik gecikme etkisinin anlık, sürekli ve doğru bir şekilde belirlenmesi, kestirimde referans istasyonlarının birbirinden bağımsız hale getirilmesi veya teknik/donanım sorunlarının önlenmesi için yeni alternatif yaklaşımlar gerekmektedir. Son zamanlarda bilim ve mühendislik alanında yaygın kullanılan makine öğrenme algoritmalarının GNSS teknolojisine dâhil olmasıyla, güncel sorunlara yönelik yeni yaklaşımlar, ilişkilerin açıklanıp yorumlanması ve yeni karşılaştığı olaylar için çıkarımda bulunması olanakları ortaya çıkmıştır. Bu çalışmada, zenit troposferik gecikme etkisinin, gerçek meteorolojik ve GNSS gözlem verileri ile oluşturulmuş olan makine öğrenimi modellerinden kestirilmesi amaçlanmıştır. Yöntem olarak öğrenme modellerindeki Destek Vektör Makineleri (DVM)'nin alt formu olan Destek Vektör Regresyonu (DVR) kullanılmıştır. Uygulamada, DVR modelleri oluşturulurken, gerçek ZTD değerleri ile meteorolojik parametrelerin kullanıldığı veri setine ihtiyaç vardır. Meteorolojik parametreler, IGS/EPN ağında çalışma bölgesi olarak seçilen "GOPE" istasyonundaki 2019-2020 yılları için elde edilmiştir. Gerçek ZTD verileri de aynı dönem için, gözlemlerle günde 6'şar saat aralıklı arazi koşullarında belirlenen VMF1 modelinden alınmıştır. Sonrasında toplanan tüm veriler düzenlenmiş ve DVR'in yapısındaki farklı matematiğe sahip; doğrusal (Doğrusal-DVR), polinomal (Polinomal-DVR) ve radyal-tabanlı (RTF-DVR) kernel fonksiyonlarının kullanımı ile gecikme modellerinden kestirimler gerçekleştirilmiştir. Kestirim sonuçlarına göre en yüksek başarı, R2 değeri 0,84 olan RTF-DVR modelinden hesaplanmıştır. RTF-DVR modeli, diğer DVR modellerine kıyasla daha iyi performans gösterdiği için çalışmada en uygun kestirim modeli olarak seçilmiştir. Çalışmanın son aşamasında, RTF-DVR modelinden kestirilen ZTD değerleri, IGS/EPN ağından yayınlanan troposferik ürünler ve online-PPP servisleri içerisindeki CSRS-PPP'de kestirilen ZTD değerleriyle karşılaştırılmıştır. Ayrıca tüm veriler kullanılarak oluşturulan RTF-DVR modelinin iyileştirilmesi ve örneklem grupları arasında uyuşumsuz verilerin çıkartılmasının, model sonucunu nasıl etkilediğini görmek amacıyla çok değişkenli aykırı gözlem analizlerinden LOF (Local Outlier Factor) tekniği kullanılmıştır. LOF'a göre uyuşumsuz olarak tespit edilen veriler, veri setinden çıkartılıp RTF-DVR (LOF) modeli kurulmuştur. Çalışma kapsamında oluşturulan yeni modellerin performans analizleri incelenmiştir. Analiz sonuçlarına göre, RTF-DVR (LOF) ve RTF-DVR modellerinden elde edilen ZTD değerleri ile gerçek ZTD değerleri (VMF1) arasındaki karesel ortalama hata farklarının sırasıyla ± 1,69 cm ve ± 2,08 cm olduğu saptanmıştır. Diğer değerlendirme servislerinden olan IGS/EPN ve CSRS-PPP ile karşılaştırıldığında ise, kestirim sonuçlarının birbirine oldukça yakın olduğu (~0,6 cm) belirlenmiştir. Gerçekleştirilen uygulama ile GNSS ve troposfer konularına alternatif yaklaşımların sunulabileceği görülmüştür. Makine öğreniminin, GNSS uygulamalarındaki problemlere yönelik yeni çözümler veya mevcut çözümlerin verimliliğini arttırmada önemli yer tutabileceğini göstermektedir.