Hüsrevoğlu, Mustafa

Profile URL:
Email Address:mhusrevoglu@ktun.edu.tr
Main Affiliation:02.08. Department of Geomatic Engineering
Status: Former Staff
ORCID:ORCID Profile0000-0003-1324-9617
YÖK Akademik: F9D8AAC6AEDF764F
Google Scholar:Google Scholar ProfilenPwHxQcAAAAJ
Name Variants:
Husrevoglu, Mustafa Hüsrevoğlu, M.
Full item page

Filters

2022 - 20253

Settings

Author of Publication: search.filters.isAuthorOfPublication.e6e51760-ac40-43be-b62b-fd06d82c5998

Scholarly Output Search Results

Now showing 1 - 3 of 3
  • Article
    Evaluating the Performance of ANN and ANFIS Models for Spatial Precipitation Prediction in Complex Terrain: a Case Study in Central Anatolia
    (Springer Wien, 2025-07-01) Husrevoglu, Mustafa; Gundogdu, Ismail Bulent
    Accurate spatial precipitation prediction is essential for hydrological modelling and climate risk management, particularly in regions with complex topography. This study evaluates and compares the performance of machine learning (ML) models, specifically Artificial Neural Networks (ANN) and the Adaptive Neuro-Fuzzy Inference System (ANFIS), with traditional geostatistical methods, including Kriging, Co-Kriging (COK), and Regression Kriging (RK), in Central Anatolia, T & uuml;rkiye. The models were trained and tested using data from 193 meteorological stations and 17 environmental and spatial predictors, such as elevation, humidity, pressure, and distance to the sea. The best-performing ANN model achieved a test Root Mean Square Error (RMSE) of 9.6 mm, Percent Bias (PBIAS) of - 1.45%, Nash-Sutcliffe Efficiency (NSE) of 0.577, and Willmott's Index of Agreement (WI) of 0.869. ANFIS also outperformed the geostatistical methods, with its best configuration yielding a test RMSE of 12.7 mm and an extrapolation error of 15.6 mm at the Erciyes Mountain Point (EMP). In contrast, Kriging-based methods exhibited large errors at high-altitude locations, particularly at EMP, where precipitation reached 85 mm but was underestimated by more than 60 mm. These findings demonstrate that ML models can effectively capture nonlinear spatial patterns and provide superior extrapolation performance in ungauged, mountainous regions. A ML-based framework is proposed, emphasizing local error evaluation and point-specific modelling to improve the reliability of spatial precipitation mapping.
  • Doctoral Thesis
    Yapay Zekâ Yöntemlerinin Yağış Haritaları için Mekânsal Tahmin Başarılarının İncelenmesi
    (Konya Teknik Üniversitesi, 2023) Hüsrevoğlu, Mustafa; Gündoğdu, İsmai̇l Bülent
    Mekânsal tahminlerin doğruluğu, doğru analizler gerçekleştirmek için önemlidir. Bu çalışmada yağışların mekânsal dağılımlarının tahmini için yapay zekâ yöntemlerinin mekânsal tahmin performansı incelenmiştir. Örnek uygulamalar ile Türkiye'nin İç Anadolu Bölgesi'nde yer alan 193 meteoroloji istasyonuna ait 2016 yılı aylık ortalama yağış büyükleri kullanılarak, yağışların mekânsal tahminleri için Yapay Sinir Ağları (Artificial Neural Network, ANN) ve Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi (Adaptive Neuro-Fuzzy Inference System, ANFIS) yöntemleri kullanılmıştır. Çalışma kapsamında jeoistatistik analiz tahminleri ile sezgisel algoritmaları bir arada kullanan Bölgeselleşmiş Değişkenlerin Jeoistatistiksel ve Sezgisel Mekânsal Tahmini yöntemi (Geostatistical and Heuristic Spatial Prediction of Regionalized Variables, Geo-HUSREV) yöntemi geliştirilmiştir. Tahmin performanslarını değerlendirmek için uygulamalarda kullanılmayan test noktalarının karesel ortalama hata değerleri (KOH) ve farklı özelliklere sahip 11 karakteristik test noktasında görülen tahmin hataları incelenmiştir. Yağışlar ile ilişkili 17 ikincil değişken tahminlerde girdi olarak kullanılmıştır. 1, 2, 3, 4 ve 5 girdi bir arada kullanılacak şekilde tüm girdi kombinasyonları çok sayıda uygulama yapılarak tahminler için kullanılmıştır. ANN ve ANFIS uygulamalarında yöntemlerin farklı parametreleri incelenerek tahminlere etkisi değerlendirilmiştir. ANN ve ANFIS uygulamalarından seçilen en iyi uygulamalar, aynı girdi değişkenler kullanılarak, Parçacık Sürü Optimizasyonu (PSO) ve Genetik Algoritma (GA) yöntemleri ile yeniden eğitilen ANN-PSO, ANN-GA, ANFIS-PSO, ANFIS-GA ve kriging, CoKriging (COK), Regresyon Kriging (RK), Geo-HUSREV yöntemleri ile uygulanmıştır. Bulgular karşılaştırılmıştır. Sonuç olarak çalışmada bölge için en uygun tahminler ANN yöntemi ile elde edilmiştir. ANN yönteminden sonra sırasıyla ANFIS ve Geo-HUSREV yöntemi, kriging, COK ve RK yöntemine göre daha iyi tahmin performansı sağlamıştır. Özellikle maksimum yağışın tahmin edilmeye çalışıldığı ekstrapolasyon test noktasında yapay zekâ yöntemleri oldukça başarılı olmuştur. En uygun tahmin değerlerine sahip uygulamalarda çoğunlukla nem, basınç, denize uzaklık, sıcaklık ve akarsulara uzaklık değişkenleri kullanılmıştır. 16 farklı tahmin haritası üretilmiştir ve haritaların dokularında önemli farklılıklar görülmüştür. Çalışma kapsamında, mekânsal tahminler için yapay zekâ yöntemlerinin başarılı bir şekilde uygulanabileceği ve jeoistatistik analiz çalışmalarının yanında bu yöntemlerin de bulgularının incelenmesinin önemli olduğu sonucuna varılmıştır.
  • Article
    Citation - WoS: 2
    Citation - Scopus: 4
    Estimation of Uav Flight Time and Battery Consumption for Photogrammetric Application Using Multiple Machine Learning Algorithms
    (Institute of Physics, 2022-06-01) Bilgehan, Makineci Hasan; Mustafa, Hüsrevoğlu; Hakan, Karabörk
    In recent years, important research has been conducted in Machine Learning (ML), especially on Artificial Neural Networks (ANN). Adaptive-Network Based Fuzzy Inference Systems (ANFIS) and Particle Swarm Optimization-Fuzzy Inference System (PSO-FIS) algorithms are popular ML algorithms like ANN. In terms of their working architecture and results, ANN, ANFIS, and PSO-FIS algorithms can obtain useful solutions for different nonlinear problems. This study evaluated the performance of the ANN, ANFIS, and PSO-FIS algorithms and compared the estimation results. Regarding the application, the test and target data was obtained from the flights performed with Unmanned Aerial Vehicles (UAV), including how long the UAV operates (i.e., Flight Time, FT) and how much battery the UAV consumes during the flight (i.e., Battery Consumption, BC). To obtain FT and BC outputs, sixty-five pre- and post-flight data tables were created. The best iterations for estimating the outputs using the three ML algorithms (considering the minimum/maximum values, RMSE, R, and R2) were determined and discussed based on the training, validation, and test estimations. © 2022 IOP Publishing Ltd.

Research Topics

Domains
Physical SciencesLife SciencesSocial Sciences
Fields
EngineeringEarth and Planetary SciencesEnvironmental ScienceComputer ScienceBiochemistry, Genetics and Molecular BiologyEconomics, Econometrics and Finance
Subfields
Control and Systems EngineeringBuilding and ConstructionAtmospheric ScienceEnvironmental EngineeringGeologyComputer Vision and Pattern RecognitionComputational MechanicsGeneticsGlobal and Planetary ChangeEconomics and Econometrics
Specific Research Areas
Traffic control and management
Smart Parking Systems Research
Meteorological Phenomena and Simulations
Precipitation Measurement and Analysis
Hydrological Forecasting Using AI
Remote Sensing and LiDAR Applications
3D Surveying and Cultural Heritage
Optical measurement and interference techniques
3D Shape Modeling and Analysis
Insect and Arachnid Ecology and Behavior
Land Use and Ecosystem Services
Housing Market and Economics

Sustainable Development Goals

CLIMATE ACTION13
CLIMATE ACTION
1
Research Products
This researcher does not have a Scopus ID.
This researcher does not have a WoS ID.

Publication Collaboration

Affiliation Name Count
Niğde Ömer Halisdemir Üniversitesi 7
University of Warmia and Mazury in Olsztyn 4
Erciyes University 3
Konya Technical University 2
Kayseri Eğitim ve Araştırma Hastanesi 1
1 / 2
Data obtained from OpenAlex
JournalCount
Engineering Research Express1
Theoretical and Applied Climatology1
Current Page: 1 / 1
Scholarly Output

3

Articles

2

Views / Downloads

14/16

Supervised MSc Theses

0

Supervised PhD Theses

1

WoS Citation Count

2

Scopus Citation Count

4

Patents

0

Projects

0

WoS Citations per Publication

0.67

Scopus Citations per Publication

1.33

Open Access Source

1

Supervised Theses

1

Scopus Quartile Distribution

Competency Cloud

GCRIS Competency Cloud