İnal, CevatAkar, Ali Utku2026-04-102026-04-102026https://hdl.handle.net/20.500.13091/13184Küresel Navigasyon Uydu Sistemleri (GNSS: Global Navigation Satellite Systems) ve iletişim sistemlerinde kritik bir rol oynayan troposfer, meteorolojik koşullara bağlı olarak radyo sinyallerinin yayılımını etkiler. Kuru hava ve su buharının neden olduğu kırılma etkileri, sinyallerin bükülmesine ve hızının düşmesine yol açarak uydu ile alıcı arasındaki efektif yol uzunluğunu artırır. Bu troposferik gecikmeler sinyal yolu boyunca oluşsa da uzay jeodezisi tekniklerinde, izdüşüm fonksiyonları aracılığıyla başucu yönünde hesaplanır ve Zenit Troposferik Gecikme (ZTD: Zenith Tropospheric Delay) olarak tanımlanır. Bugüne kadar ZTD modellemesi için birçok yaklaşım benimsenmiştir; ancak, troposferin karmaşık ve değişken yapısı mevcut yöntemlerin hem süreklilik hem de mekânsal doğruluk açısından sınırlı kalmasına neden olmaktadır. Özellikle bölgesel ölçekte meteorolojik koşulların belirgin ve hızlı değişkenlik göstermesi, küresel ya da genelleştirilmiş troposfer modellerinin yerel atmosferik yapının kendine özgü özelliklerini yeterince temsil edememesine neden olmaktadır. Bu durum, atmosferik parametrelerin hem zamansal hem de mekânsal açıdan yüksek çözünürlükle modellenebilmesi için bölgesel ZTD modellerinin geliştirilmesini kaçınılmaz hale getirmektedir. Buna karşılık, yapay zekâ ve makine öğrenmesi, atmosferik süreçlerdeki doğrusal olmayan ilişkileri ve gizli örüntüleri doğrudan veriden öğrenebilme yeteneği sayesinde ZTD modellemesine yeni bir bakış açısı getirmiştir. Bu tez çalışmasında, makine öğrenmesi yöntemlerine dayalı 'Kümeleme+Tahmin' metodolojisi geliştirilerek Türkiye için doğruluğu yüksek bölgesel ZTD modellerinin üretilmesi amaçlanmıştır. Üretilen tahmin modellerin genellenebilirliği ve güvenilirliği ise Avrupa Bölgesi üzerinde test edilmiştir. Türkiye ve Avrupa'da benzer meteorolojik özellikler sergileyen pilot bölgelerin belirlenmesi süreci K-means, K-medoids, Birleştirici Hiyerarşik, Mekânsal Kısıtlı Çok Değişkenli Kümeleme (SCMC: Spatially Constrained Multivariate Clustering) ve Kümeleme Yapısının Belirlenmesine Yönelik Nokta Sıralama (OPTICS: Ordering Points To Identify the Clustering Structure) gibi çeşitli kümeleme algoritmaları kullanılarak gerçekleştirilmiştir. Elde edilen sonuçlar, SCMC yönteminin diğer algoritmalara kıyasla önemli ölçüde daha başarılı performans sergilediğini; özellikle karmaşık meteorolojik örüntüleri yüksek doğrulukla ayrıştırabilme yeteneği sayesinde en güvenilir ve etkili kümeleme yaklaşımı olarak öne çıktığını göstermiştir. SCMC analizinden elde edilen çıktılar ışığında meteorolojik açıdan en yüksek benzerliği gösteren pilot bölgeler Türkiye ve Avrupa için tez kapsamında seçilmiştir. Türkiye'den seçilen pilot bölgedeki modelleme çalışmalarında, bölgesel farklılıkların değerlendirilebilmesi amacıyla SCMC analizi kullanılmış ve coğrafi yapıyı en iyi temsil eden üç alt bölge (Bölge 1, Bölge 2 ve Bölge 3) oluşturulmuştur. Pilot bölge ve tüm alt bölgeler için eğitim-test veri setleri elde edilmiştir. Bölgesel ZTD tahmin modelleri; Destek Vektör Regresyonu (SVR: Support Vector Regression), Gradyan Artırma Makinesi (GBM: Gradient Boosting Machine), Hafif Gradyan Artırma Makinesi (LightGBM: Light Gradient Boosting Machine), Aşırı Gradyan Artırma (XGBoost: eXtreme Gradient Boosting), Zamansal Evrişimsel Ağ (TCN: Temporal Convolutional Network) ve Dikkat Tabanlı Mekânsal-Zamansal Grafik Evrişimsel Sinir Ağı (ASTGCN: Attention-based Spatial-Temporal Graph Convolutional Network) mimarisi üzerinden pilot bölge (tüm) ve alt bölgeler için ayrı ayrı üretilmiş, performansları test verileri üzerinden karşılaştırılmıştır. Performans analiz sonuçlarına göre, tüm modellerin belirli bir doğruluk seviyesi sunduğunu göstermekle birlikte, ASTGCN ve XGBoost modellerinin diğer yaklaşımlara göre daha üstün performans sergilediği tespit edilmiştir. Bu iki model hem mekansal hem de zamansal bağımlılıkları daha etkin bir şekilde modelleyerek daha düşük hata oranları elde etmiştir. Ayrıca, alt bölgeler için geliştirilen modellerin, genellikle tüm pilot bölge için geliştirilen tek bir modele kıyasla daha yüksek doğruluk sağladığını ortaya koymuştur. Özellikle, alt bölgeler için ASTGCN modelinin en yüksek başarıyı elde ettiği gözlemlenmiştir. Türkiye'de geliştirilen bölgesel ZTD modellerinin genellenebilirliğini değerlendirmek amacıyla optimize edilmiş hiperparametreler aynen korunarak Avrupa veri setine uygulanmış ve her iki bölgede de benzer performans sıralamaları elde edilmiştir. ASTGCN ve XGBoost modelleri, farklı coğrafyalarda gösterdikleri yüksek doğruluk ve tutarlılık ile önerilen 'Kümeleme+Tahmin' yaklaşımının coğrafi bağımsızlığını ve uygulanabilirliğini ortaya koymuştur. En başarılı iki modelin performansı, Uluslararası GNSS Servisi (IGS: International GNSS Service) ile Viyana İzdüşüm Fonksiyonları (VMF: Vienna Mapping Functions) veri sunucusu tarafından hizmete sunulan ve referans niteliğindeki IGS-ZTD ile VMF3-ZTD ürünleriyle ISTA ve TUBI istasyonlarında karşılaştırılarak değerlendirilmiştir. Sonuçlar, ASTGCN modelinin VMF3-ZTD ile yüksek uyum (R² > 0.81) ve düşük hata (RMSE ≈ 0.019 m) sağladığını, ayrıca IGS-ZTD'deki veri boşluklarının model tarafından istikrarlı biçimde doldurulabildiğini göstermektedir. Bu bulgular, mekânsal-zamansal öğrenme temelli bölgesel modellerin troposferik ürünlerdeki eksiklikleri bütünleyebilen ve bazı durumlarda ikame edebilen güçlü bir alternatif sunduğunu ortaya koymaktadır.The troposphere, which plays a critical role in Global Navigation Satellite Systems (GNSS) and communication technologies, influences the propagation of radio signals depending on meteorological conditions. Refraction effects caused by dry air and water vapor bend the signals and reduce their propagation velocity, thereby increasing the effective path length between the satellite and the receiver. Although these tropospheric delays occur along the signal path, they are computed in the zenith direction through mapping functions within space geodetic techniques and are defined as the Zenith Tropospheric Delay (ZTD). Numerous approaches have been adopted for ZTD modeling to date; however, the complex and highly variable nature of the troposphere limits the continuity and spatial accuracy of existing methods. In particular, the significant and rapid variability of meteorological conditions at regional scales prevents global or generalized tropospheric models from adequately representing the unique characteristics of local atmospheric structures. This necessitates the development of regional ZTD models capable of capturing atmospheric parameters with high spatial and temporal resolution. In contrast, artificial intelligence and machine learning offer a fresh perspective on ZTD modeling due to their ability to learn nonlinear relationships and latent patterns in atmospheric processes directly from data. In this thesis, a machine-learning-based 'Clustering + Prediction' methodology is developed to produce highly accurate regional ZTD models for Türkiye. The generalizability and reliability of the developed prediction models are evaluated over the European region. The identification of pilot regions in Türkiye and Europe that exhibit similar meteorological characteristics was carried out using several clustering algorithms, including K-means, K-medoids, Agglomerative Hierarchical Clustering, Spatially Constrained Multivariate Clustering (SCMC), and Ordering Points to Identify the Clustering Structure (OPTICS). The results indicate that the SCMC method significantly outperforms the other algorithms and stands out as the most reliable and effective clustering approach, primarily due to its capability to distinguish complex meteorological patterns with high accuracy. Based on the outcomes of the SCMC analysis, pilot regions exhibiting the highest degree of meteorological similarity were selected for Türkiye and Europe. In the modeling stage conducted within the pilot region selected from Türkiye, SCMC analysis was employed to assess regional variations, resulting in the identification of three subregions (Region 1, Region 2, and Region 3) that best represent the geographical structure. Training and test datasets were prepared for both the pilot region and all subregions. Regional ZTD prediction models were developed separately for the pilot (entire) region and the subregions using Support Vector Regression (SVR), Gradient Boosting Machine (GBM), Light Gradient Boosting Machine (LightGBM), eXtreme Gradient Boosting (XGBoost), Temporal Convolutional Network (TCN), and the Attention-based Spatial–Temporal Graph Convolutional Network (ASTGCN) architecture. Their performances were compared based on test datasets. According to the performance analyses, although all models provided a certain level of accuracy, ASTGCN and XGBoost demonstrated superior performance compared to the others. These two models more effectively captured both spatial and temporal dependencies, resulting in lower error levels. Additionally, the models developed for the subregions generally yielded higher accuracy than the single model developed for the entire pilot region. Notably, the ASTGCN model achieved the highest accuracy within the subregion-based analyses. To evaluate the generalizability of the regional ZTD models developed for Türkiye, the optimized hyperparameters were kept unchanged and directly applied to the European dataset, resulting in similar performance rankings in both regions. The high accuracy and consistency exhibited by the ASTGCN and XGBoost models across different geographical domains highlight the geographical independence and applicability of the proposed 'Clustering + Prediction' framework. The performances of these two best-performing models were further assessed against the reference-quality IGS-ZTD and VMF3-ZTD products provided by the International GNSS Service (IGS) and the Vienna Mapping Functions (VMF) data server at the ISTA and TUBI stations. The results show that the ASTGCN model achieves a strong agreement with VMF3-ZTD (R² > 0.81) and a low error level (RMSE ≈ 0.019 m), and is also capable of consistently filling data gaps in the IGS-ZTD time series. These findings demonstrate that regional models based on spatial–temporal learning offer a powerful alternative capable of complementing—and in some cases replacing—existing tropospheric products.trJeodezi ve FotogrametriGeodesy and PhotogrammetryDoctoral Thesis