Affiliation:
1. YILDIZ TEKNİK ÜNİVERSİTESİ
2. FIRAT ÜNİVERSİTESİ
Abstract
Kıtasal deformasyonları anlayabilmek ve yorumlayabilmek için farklı yaklaşımlar ve modeller bulunmakta olup, bunlardan biri de blok modelleme yöntemidir. Blok modelleme yardımıyla plaka hareketleri, kayma hızları, faylardaki kilitlenme derinlikleri, Euler kutbu gibi parametreler belirlenebilmektedir. Ancak, blok sınırları ne kadar iyi belirlenirse, modelleme sonuçları o kadar gerçeğe yaklaşmaktadır. Blok modellemenin en önemli adımlarından biri blok sınırlarının tespiti olup, kümeleme işlemi bunun için bir araç olarak kullanılabilmektedir. Kümeleme analizi, kümelemeye konu verideki benzerlik ve farklılıklara dayanarak veriyi benzer gruplara atamaktadır. Bu çalışmada, çalışma alanı olarak Türkiye belirlenmiştir. Bu kapsamda Türkiye'nin en güncel Küresel Navigasyon Uydu Sistemi (Global Navigation Satellite Systems – GNSS) hız alanı topluluk kümeleme algoritması ile kümelenmiş ve bu hız alanına uygun blok sınırları belirlenmiştir. Türkiye için %22’si sürekli ve %78’i kampanya tipi verilerden oluşan GNSS gözlemlerinin birarada değerlendirilerek güncellenmiş hız alanı ilk defa bu çalışma ile kümelenmiştir. Kümeleme öncesinde üç ayrı yöntemle, Davies-Bouldin, Gap (gap istatistiği) ve Silhouette ile, veriye en iyi uyum sağlayan optimum küme sayısı (GNSS hız alanına en uygun küme sayısı) tespit edilmiştir. Daha sonra, k-ortalamalar, HAC ve spektral kümeleme teknikleri kullanılarak güncel GNSS hızları kümelenmiştir. Son olarak, Meta-Kümeleme Algoritması (Meta-CLustering Algorithm - MCLA) olan topluluk kümeleme tekniği ile güncel hız alanı yatay bileşenleri kümelenmiş ve sonuçlar paylaşılmıştır.
Publisher
Gumushane University Journal of Science and Technology Institute
Reference42 articles.
1. Abbasi, S. O., Nejatian, S., Parvin, H., Rezaie, V., & Bagherifard, K. (2019). Clustering ensemble selection considering quality and diversity. Artificial Intelligence Review, 52(2), 1311-1340. https://doi.org/10.1007/s10462-018-9642-2
2. Alqurashi, T., & Wang, W. (2019). Clustering ensemble method. International Journal of Machine Learning and Cybernetics, 10, 1227-1246. https://doi.org/10.1007/s13042-017-0756-7
3. Arbelaitz, O., Gurrutxaga, I., Muguerza, J., Pérez, J. M., & Perona, I. (2013). An extensive comparative study of cluster validity indices. Pattern Recognition, 46(1), 243-256. https://doi.org/10.1016/j.patcog.2012.07.021
4. Davies, D. L., & Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2), 224-227. https://doi.org/10.1109/TPAMI.1979.4766909
5. Driver, H. E., & Kroeber, A. L. (1932). Quantitative expression of cultural relationships. University of California Publications in American Archaeology and Ethnology, 31(4), 211-256.