Site Scan for ArcGIS

Site Scan for ArcGIS

Site Scan for ArcGIS

Site Scan for ArcGIS varlık yönetimi, sahadan ürünlerinin toplanması, işlenmesi, analiz edilmesi ve paylaşılması gibi tüm aşamalarda çözüm sunan, bulut tabanlı bir haritalama çözümüdür. Bu süreçlere ek olarak drone filo yönetimi, uçuşların planlanması, donanım yönetimi ve uçuş / pilot geçmişinin görüntülenmesi gibi ek çözümler sağlamaktadır. Site Scan for ArcGIS, SaaS (Hizmet Olarak Yazılım) şeklinde çalıştığı için projelerin dijital kopyalarını işlemek, yönetmek ve erişim sağlamak için tüm süreç boyunca buluttan yararlanıyor olacağız. Site Scan for ArcGIS çözümünün neler yapabildiğini maddeler halinde inceleyecek olursak;

  • Proje gereksinimlerini belirlemek için drone uçuşlarını planlayabilmekteyiz.
  • Güvenli ve verimli operasyonları yürütmek için drone filomuzu yönetebilmekteyiz.
  • Drone görüntülerinden 2B & 3B ürünler ve analiz ürünleri oluşturabilmekteyiz
  • Çıktı ürünlerini ArcGIS Online, ArcGIS Enterprise ve Autodesk BIM 360’ta yayınlayabilmekteyiz.

Uçuş Planı Oluşturma

Pilotlarımızı yönetebildiğimiz için pilotlarımız arasında yönetici olarak oluşturduğumuz uçuş planlarını paylaşabiliriz. Çoğu kullanıcı uçuşları, internet bağlantısı sınırlı olan veya hiç olmayan yerlerde gerçekleştirilir. Site Scan for ArcGIS ile, haritaları ve katmanları sahada kullanmak üzere çevrimdışı olarak kaydedebilmekteyiz, yani önceden kayıt ettiğimiz haritaları, sahada çevrimdışı olarak kullanabilmekteyiz. Bunlara ek olarak 3B uçuş planları oluşturabilmekteyiz, koridor uçuş planı, dikey tarama gibi uçuş planlarını da direkt olarak kullanabilmekteyiz.

Bunlara ek olarak bir geofence alanı oluşturarak dronu, bir uçuş yolunu tanımlayan poligon içinde kalmaya zorlayabilmekteyiz. Bu seçenek, dronun bir engelden kaçınması veya uçuşa yasak bölge dışında kalması gereken durumlar için efektif çözümler sağlamaktadır.

Uçuş planlarının oluşturulması

Drone filo yönetimi

Site Scan for ArcGIS ile filo yönetimi, uçuşların planlanması, drone donanım yönetimi ve pilot / uçuş geçmişini tek bir yerden takip edebilmekteyiz. Ayrıca uçuş planlamalarını yapan yöneticiler uçuş öncesi kontrol listelerini (checklist) oluşturarak pilotlar ile paylaşabilmektedir

Uçuş planının yapılması

Bulutta verilerin işlenmesi ve son ürünlerin paylaşılması

Sahadan elde edilen veriler bulut ortamında işlenerek doğrudan 2B & 3B ürünler ve analiz ürünleri elde edebiliriz. Sonuçları doğrudan bir web tarayıcısı üzerinde kolayca görselleştirebilir ve analizler oluşturabilmekteyiz. Sonraki süreç olan içeriklerin paylaşılması aşamasında ise ister 3B görünümde ister ArcGIS Online veya ArcGIS Enterprise içinde bir rapor veya harita olarak paylaşabilmekteyiz. Ayrıca Autodesk BIM 360 üzerinde de paylaşım yapabilmekteyiz.

Son ürünlerin paylaşılması

Site Scan for ArcGIS Nasıl Çalışır ?

Site Scan for ArcGIS nasıl çalışır ?

Site Scan for ArcGIS ile uçuş planının yapılmasından son ürünün paylaşılmasına kadar olan süreci 5 adımda inceleyebiliriz.

  1. Uçuş planının oluşturulması
  2. Uçuşun gerçekleştirilmesi
  3. Ürünlerin buluta yüklenmesi ve işlenmesi
  4. Görselleştirme ve analiz çalışmalarının yapılması
  5. Sonuçların paylaşılması

Site Scan or ArcGIS, masaüstü fotogrametri yazılımlarına ek olarak, uçuş planlarını paylaşma, veri yönetimi, depolama, filo yönetimi, projelerin web ortamında paylaşılması gibi ek yeteneklere sahip kapsamlı bir çözümdür.

Esri Türkiye 2020

ArcGIS ile Derin Öğrenme Modelleri

ArcGIS ile Derin Öğrenme Modelleri

Derin Öğrenme Nedir?

Derin öğrenme, örnek verilerden öğrenmek için derin sinir ağlarını kullanan bir makine öğrenme tekniğidir. Tıpkı geleneksel denetimli görüntü sınıflandırması gibi, bu modeller verdiğimiz verilerde neyi arayacaklarını “öğrenmek” için eğitim örneklerini kullanır. Ancak, geleneksel bölümleme ve sınıflandırmanın aksine, derin öğrenme modelleri yalnızca tek tek piksellere veya piksel gruplarına bakmaz. Daha yüksek öğrenme kapasitesine sahiptirler ve görüntülerde çeşitli ölçeklerdeki karmaşık şekilleri, desenleri ve dokuları tanımayı öğrenebilirler. Bu, derin öğrenme modellerinin çeşitli koşullarda çok miktarda eğitim verisinden öğrenebilmesini sağlar. Eğitilen modeller daha sonra çok daha düşük bir bilgisayar hesaplama gücüyle çok daha çeşitli görüntülere uygulanabilir ve paylaştığınız kişiler tarafından yeniden kullanılabilir.

ArcGIS’te Derin Öğrenme

ArcGIS Pro’daki Image Analyst ek bileşeni, analistlerinin kullanımına özel bir Derin Öğrenme Araç Seti içerir . Bunun yanında basitleştirilmiş bir derin öğrenme paket yükleyicisi sayesinde, kütüphaneler ve modüler gibi gerekli bağımlılıklar kolaylıkla indirilebilir ve yükleme deneyimi basitleştirilmiştir. Eğer veri bilimcileri kod satırları kullanmak isterlerse, bu modelleri eğitmek için ArcGIS Pro, Enterprise ve ArcGIS Online’daki Python notebook’ları da kullanabilirler.

ArcGIS API for Python, çok çeşitli derin öğrenme modellerini kendi veri kümelerinizde eğitmeyi ve problemlerinizi çözmeyi kolaylaştıran arcgis.learn modülünü içerir . Gelişmiş CBS ve uzaktan algılama iş akışlarını destekleyen on beşten fazla derin öğrenme modeli içerir. Ek olarak, bu modeller çok çeşitli veri türlerini desteklemektedir, çeşitli türdeki görüntüler, nokta bulutları, batimetrik veriler, LiDAR, videolar, detay katmanları, tablosal veriler ve hatta yapılandırılmamış metinler bunlardan bazılarıdır.

Arcgis.learn modülündeki tüm modeller basit ve veriye duyarlı akıllı varsayılanlar sayesinde eğitilebilir. Modeller, ArcGIS’ten dışa aktarılan eğitim verilerini karmaşık bir ön işleme olmaksızın kullanır ve eğitilen modeller, modelin çıktısının sonradan işlenmesine gerek kalmadan doğrudan ArcGIS platformunda kullanılabilir.

Derin öğrenmenin son derece başarılı olduğu bir alan, görüntülerdir. Bilgisayar görüşü, bilgisayarların görüntülerdeki nesneleri görme veya tanıma becerisidir. Bu, özellikle CBS uygulamalarında çok faydalı olabilir çünkü günümüzde uydu, hava ve İHA görüntüleri, insanların üzerinde analizler uygulayıp, çıkarımda bulunabileceklerinden çok daha fazla ve hızlı üretilebilmektedir.

arcgis.learn’deki derin öğrenme modellerinin çeşitli CBS ve uzaktan algılama görevlerini gerçekleştirmek için nasıl kullanılabileceğine bakalım.

ArcGIS’teki Derin Öğrenme Modelleri ve Örnek Bağlantıları

1. Nesne Sınıflandırması

Arcgis.learn’deki FeatureClassifier (Detay Sınıflandırıcı) modeli, coğrafi detayları veya nesneleri görüntülerde nasıl göründüklerine göre sınıflandırmak için kullanılabilir. Bu model, ResNet, Inception veya VGG gibi görüntü sınıflandırma modellerinden yararlanır.

Nesne sınıflandırması kullanarak hasar değerlendirmesi. Hasarlı evler kırmızı, hasarsız olanlar ise mavi ile gösterilmiştir.

Nesne sınıflandırması kullanarak hasar değerlendirmesi. Hasarlı evler kırmızı, hasarsız olanlar ise mavi ile gösterilmiştir.

CBS’de bu modeller, orman yangınlarından sonra otomatik hasar değerlendirmesi yapmak veya yüzme havuzlarını temiz veya yosun istilasına uğramış yeşil havuzlar olarak sınıflandırmak için kullanılabilir .

Hasar değerlendirme iş akışını özetleyen örnek bir notebook’a buradan ulaşabilirsiniz.

Bu model uydu görüntüleriyle çalışmasının yanı sıra, veri toplama iş akışları için sahada da kullanılabilir. Aşağıdaki örnekte, Survey123 kullanarak bir ağaç envanteri oluşturmak için bir bitki türü tanımlama modeli kullanılmaktadır. Bu tür TensorFlow Lite modellerini entegre etmeyi desteklemektedir.

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması.

2. Piksel Sınıflandırması

En çok tercih edilen diğer bir model ise bir görüntüdeki her pikseli etiketlediğimiz Piksel Sınıflandırmasıdır.

Derin öğrenme dünyasında “semantik segmentasyon” olarak bilinen piksel sınıflandırması işleri, UnetClassifier modeli, PSPNetClassifier ve DeepLab (v3) gibi daha yeni modellerle birlikte ArcGIS Python API’de bulunuyor.

Arcgis.learn'ın UnetClassifier modeli kullanılarak binaların taban alanı sınırlarını çıkarma

Arcgis.learn’ın UnetClassifier modeli kullanılarak binaların taban alanı sınırlarını çıkarma.

Bu modeller, uydu görüntülerinden bina taban alanı sınırlarını ve yolları çıkarmak veya arazi örtüsü sınıflandırması yapmak için kullanılabilir. Yukarıdaki örnekteki iş için derin öğrenme modelini eğitmek yalnızca birkaç basit adımla yapılabilir ve kayda değer sonuçlar alabilirsiniz.

Bu örnek notebook, yüksek çözünürlüklü arazi örtüsü verileriyle eğitilmiş bir UnetClassifier modelini kullanır. İyi çalışsa da her pikseli bilgisayara tanıtmak için çalışan bir insan tarafından bu kadar yüksek çözünürlüklü eğitim verilerini etiketlemek zaman alıcı ve masraflı olabilir.

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması.

Python API ile seyrek olarak etiketlenmiş veriler kullanılarak bu tür modellerin eğitimi için kullanılabilirsiniz. Burada sadece birkaç alanı her bir arazi örtüsü sınıfına ait olarak etiketlememiz gerekiyor. Ardından, görüntüdeki her piksel için arazi örtüsünü bulmak için bir piksel sınıflandırma modeli eğitebiliriz.

3. Nesne Algılama

CBS’deki başka bir önemli iş ise bir görüntüdeki belirli nesneleri bulma ve konumlarını bir sınırlayıcı kutuyla işaretleme işidir. Daha çok nesne algılama olarak bilinen bu modeller, ağaçlarıkuyu yataklarınıyüzme havuzlarınıtuğla fırınları veya batimetrik verilerden gemi enkazlarını ve hatta çok daha fazlasını algılayabilir . Bu işlemleriniz için Arcgis.learn modülü SingleShotDetector, RetinaNet, YOLOv3 ve FasterRCNN gibi çeşitli nesne algılama modellerini içerir .

FasterRCNN en doğru sonuç veren modeldir ancak eğitilmesi ve çıkarım gerçekleştirmesi daha yavaştır. SingleShotDetector ve RetinaNet ise FasterRCNN tarafından kullanılan iki aşamalı yaklaşımın aksine nesneleri algılamak için tek aşamalı bir yaklaşım kullandıklarından daha hızlı modellerdir.

YOLOv3, arcgis.learn ailesindeki en yeni nesne algılama modelidir. Küçük nesneleri tespit etmede hızlı ve yüksek doğruluğa sahiptir ve Microsoft Common Objects in Content (COCO) veri kümesindeki 80 yaygın nesne türü üzerine önceden eğitilmiş olarak gelen arcgis.learn’deki ilk modeldir.

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları.

Bu modeller hareketli videolardaki nesneleri bile algılayabilir. Bunun örnekleri için yayın balığını İHA videolarında veya trafikte seyreden bir araca monteli akıllı telefon videoları sayesinde yollardaki çatlakları bulma örneklerinde göz atabilirsiniz.

Bunların yanında nesneleri sadece sınırlayıcı bir kutuyla değil, aynı zamanda o nesneyi kaplayan kesin bir çokgen sınırı veya raster maskeyle de tespit edip konumlandırabilirsiniz. Derin öğrenme dünyasında, bu göreve “örnek bölümleme” deniyor çünkü görev, bir nesnenin her bir örneğini bulmayı ve onu bölümlere ayırmayı içerir.

Bunun için en popüler model MaskRCNN’dir ve arcgis.learn’de bu modeli de kullanabilirsniz. Modelin özellikle yan yana olan binaların taban alanı sınırlarını çıkarma örneğindeki başarısını inceleyebilirsiniz.

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu.

Örnek olarak 3B binaları havadan kaydedilmiş LIDAR verilerinden yeniden inşa etmek için MaskRCNN’in kullanıldığı bir örnek için bağlantıya tıklayabilirsiniz.

4. Nokta Bulutu Bölümlemesi

3 Boyutlu çalışmalarınız için arcgis.learn modülünde bir 3B derin öğrenme desteği de bulunuyor.

PointCNN modeli nokta bulutu bölümlemesi için kullanılabilir. Bu görevde, nokta bulutundaki her noktaya, gerçek dünyadaki bir varlığı temsil eden bir etiket atanır.

PointCNN modeli kullanılarak nokta bulutunda binalar ve ağaçlar sınıflandırılarak oluşturulan 3B sahne.

PointCNN modeli kullanılarak nokta bulutunda binalar ve ağaçlar sınıflandırılarak oluşturulan 3B sahne.

Bu model, ham nokta bulutlarından binalar, zemin ve ağaçlar çıkararak 3B altlık haritaları oluşturmak için kullanılabilir. Diğer bir örnek ise havadan toplanmış LiDAR nokta bulutundan güç hatlarını ve elektrik direklerini çıkarmaktır. Vejetasyona temas eden kabloların tespit edilmesi ve kaçak kullanımları belirlemek bu model olmadan yapıldığında çok yoğun emek isteyen bir iştir.

5. Görüntü Geliştirme

Şimdiye kadar, görüntülerden ve nokta bulutlarından bilgi çıkarmanın birkaç örneğinde bahsettik. Bu işlerin yanında bir de düşük kaliteli raster verilerden daha yüksek çözünürlüklü görüntü sentezlemenizi sağlayan SuperResolution modeli de arcgis.learn bulunuyor. Bu model görüntülerinin görselleştirme kalitesini artırmanın yanı sıra görüntü yorumlanabilirliğini iyileştirmek için kullanılabilir.

 Hava görüntülerinde SuperResolution kullanılarak kalite arttırımı.

Hava görüntülerinde SuperResolution kullanılarak kalite artırımı.

Bu model polisiye filmlerde görmeye alışık olduğumuz “Yakınlaştır! Geliştir!” işlevini ArcGIS’e getiriyor! Düşük çözünürlüklü ve bulanık görüntüleri girdi olarak kullanabilir ve bunları yüksek kaliteli, yüksek çözünürlüklü görüntülere dönüştürebilirsiniz. Model gerçekçi doku ve detaylar ekleyerek, simüle edilmiş yüksek çözünürlüklü görüntüler üretir. Yukarıdaki ekran görüntüsüne bu işlemi yapan örnek notebook’a buradan ulaşabilirsiniz.

6. Tablo Verileri Üzerinde Sınıflandırma ve Regresyon

Derin öğrenmenin sadece görüntüler ve 3B veriler üzerinde çalışıyor gibi gelmiş olabilir. Bunun dışında da derin öğrenmeden fayadalanabiliyoruz. Derin sinir ağları, özellik katmanları ve tablo verileri üzerinde en az onlarda olduğu kadar iyi sonuçlar verir.

FullyConnectedNetwork modeliyle, detay katmanı veya raster verinizin tablosal değerlerini derin sinir ağlarında kullanabilirsiniz. Bu model ile biyoklimatik faktörlere göre bir hastalığa duyarlı alanları sınıflandırabilir veya hava faktörlerine bağlı olarak güneş enerjisi santrallerinin verimliliğini tahmin edebilirsiniz.

Gerçek ve öngörülen Güneş Enerjisi üretimi

Gerçek ve öngörülen güneş enerjisi üretimi.

Yukarıdaki grafikte mavi çizgi gerçek güneş enerjisi üretimini gösterir ve turuncu çizgi FullyConnectedNetwork modelinden tahmin edilen değerleri göstermektedir.

7. Yapılandırılmamış Metinden Varlık Çıkarma

Mekânsal veriler her zaman coğrafi veri tabanları ve Shapefile olarak düzgün bir şekilde paketlenmiş olarak gelmeyebilir. Genellikle saha ekipleri tarafından raporlar gibi yapılandırılmamış bir metin biçimde saklanırlar. Bu verileri mekânsal analizlerde kullanmak için, bunları detay katmanları gibi yapılandırılmış, standartlaştırılmış bir biçime dönüştürmeniz gerekir. Ancak, yapılandırılmamış metinleri okumak ve dönüştürmek zor ve zaman alıcıdır.

Suç türü, meydana geldiği yer, olayın zamanı ve ne zaman rapor edildiği gibi varlıkların altını çizen etiketli tüzel kişilere sahip suç olayı raporu.

Suç türü, meydana geldiği yer, olayın zamanı ve ne zaman rapor edildiği gibi varlıkların altını çizen etiketli tüzel kişilere sahip suç olayı raporu.

Derin Öğrenme, doğal dil işlemede çok ilerleme kaydetmiştir ve arcgis.learn’de bulunan EntityRecognizer modeli ile yapılandırılmamış metinden anlamlı mekânsal bilgiler elde edebilirsiniz.

Suç mahallerinin detay katmanı

Suç mahallerinin detay katmanı

Bu Notebook ile binlerce örnek polis raporunun bulunduğu yapılandırılmamış metin dosyasından bilgileri çekmek için bu modeli nasıl kullanabileceğinizi ve suç mahallerinin bir haritasını çıkarabileceğinizi öğrenebilirsiniz.

Diğer Modeller

Derin öğrenme alanı her geçen gün yepyeni gelişmeler gösteriyor. arcgis.learn’ın bu kadar çok modeli desteklemesinin yanında yine de yeni çıkacak başka modellere de ihtiyacınız olabilir.

Arcgis.learn’e, harici modelleri entegre edebilmeniz için genişletilebilirlik desteği eklendi. ModelExtension sınıfı herhangi başka bir nesne algılama modelini arcgis.learn’e entegre etmenizi sağlar. Model daha sonra ArcGIS tarafından dışa aktarılan eğitim verilerini doğrudan kullanabilir ve kaydedilen modeller ArcGIS derin öğrenme paketleri olarak kullanıma hazır hale gelir. Harici modelleri arcgis.learn ile entegre etmek, bu tür modelleri diğer modeller tarafından kullanılan aynı basit ve tutarlı API ile eğitmenize yardımcı olacaktır.

Ayrıca arcgis.learn , yeni MLModel sınıfını kullanarak ArcGIS’i popüler scikit-learn kitaplığındaki herhangi bir tahmin veya sınıflandırma modeliyle entegre etmenize de olanak sağlar.

Neden bu kadar çok model var?

Derin öğrenme, her ay çıkan yenilikler ve yeni modellerle hızla gelişen bir alandır ve Esri uzmanları bu yenilikleri aynı hızda ArcGIS’e getirerek, CBS’ye derin öğrenme yöntemlerini uygulamada, en yeni ve en iyi modelleri sunarak güncel kalmanızı sağlar.

Her modelin güçlü yönleri vardır ve belirli görevler için daha uygundur. Örneğin Nesne Algılamayı ele alırsak, FasterRCNN en iyi sonuçları verir, YOLOv3 en hızlıdır, SingleShotDetector iyi bir hız ve doğruluk dengesi sağlar ve RetinaNet küçük nesnelerle çok iyi çalışır.

Farklı modellerin bellek için farklı gereksinimleri vardır ve eğitim ve çıkarım hızları farklıdır. Daha büyük modelli daha derin sinir ağları daha doğru sonuçlar verir, ancak çok daha fazla belleğe ve daha uzun eğitim süreçlerine ihtiyaç duyar. Yeterince eğitebilmek için de daha büyük veri kümelerine ihtiyacınız vardır.

Bazı modeller ise hafiftir ve cep telefonları gibi mobil cihazlarda kullanım için daha uygundur.

Yetenekli zanaatkarların araç kutularındaki her bir araç hakkında bilgi sahibi olması gibi, yetenekli veri bilimcileri de her modeli benzersiz özelliklerine göre anlar ve çözülmesi gereken sorun bağlamında uygularlar.

Mekansal Veri Bilimi Açık Çevrimiçi Eğitimi

İçinde yukarıda bahsettiğimiz derin öğrenme ve nesne tespiti örneklerini de uygulayabileceğiniz, mekânsal veri ve veri bilimine dair bir ücretsiz eğitimimiz yakında geliyor.

Mekansal Veri Bilimi Mooc

Ücretsiz olmasının yanında ArcGIS Pro, ArcGIS Online, ArcGIS Notebooks, Image Analyst, Spatial Analyst gibi bir çok ürüne de eğitiminiz sırasında ücretsiz sahip olacaksınız.

Udemy platformu üzerinden tamamen Türkçe olarak gelecek ay yayınlamayı planlıyoruz. Haberler için bizi takip edin.

Kaynak:

https://www.esri.com/arcgis-blog/products/api-python/analytics/deep-learning-models-in-arcgis-learn/

Esri Türkiye, 2020

 

ArcGIS Earth 1.10 ile Gelen Yenilikler ve KML Düzenleme Yeteneği

Yıllardır KML (Keyhole Markup Language) basit coğrafi bilgileri görüntülemek ve çalışmak için kullanılan ve paylaşılan veri türü olmuştur. Bu özellikle geçmişten gelen alışkanlıklarla XML tabanlı formatlar oluşturan kamu kurumlarında daha da geçerlidir. ArcGIS Earth 1.10 sürümüne kadar KML ile çalışma konusunda yetenekler diğer alışılmış programlarla aynıydı diyebiliriz, oluşturma, kaydetme, görüntüleme v.b. ArcGIS Earth 1.10 sürümü kullanıcılara KML’leri tamamen manipüle etme, tek bir dosyadan birden çok içerik türüyle bağımsız çalışabilme, askeri sembolojiler gibi semboloji ekleme ve daha fazlasını yapma esnekliğini sağlıyor.

Kullanıcılar 1.10 sürümüyle birlikte, detay geometrileri, ağ (network) bağlantıları, grafik stilleri, dosya yapıları ve hataların çözülmesi ve dosyalarını KMZ olarak kaydedebilmekle ilgili ciddi geliştirmelerle karşılaşacaklar.

Bazı yenilikler şöyledir:

  • Kırık noktaları, yükseltiyi ve bina geometrilerinin eksrüzyonunu da içeren geometri düzenleme yetenekleri,
  • Açılır bilgi penceresi içeriği, görünümü, boyutu ve renk ve saydamlık gibi katman özelliklerini düzenleme yetenekleri,
  • Dosya yapısını yeninden sıralayabilme de dahil, yeni grafik ekleme, içerik çıkarma, kopyalama, kesme, yapıştırma gibi doküman düzenleme özellikleri,
  • Düzenlemelerinizi bitirdikten sonra da paylaşmak için düzenlenmiş dosyanın kopyasını kaydedebilme bu yeniliklerden bazılarıdır.

Bunlara ek olarak kullanıcılar ArcGIS Earth içinden KML detaylarında doğrudan yapabilecekleri ekleme, düzenleme ve kaydetme düzenlemelerine aşağıdakiler eklendi:

  • Ekran yerleşimi
  • Zemin kaplaması
  • Ağ bağlantıları

Bir otopark için zemin kaplamasının kolayca ayarlanıp yerine oturtulması.

 

Alabileceğiniz hata mesajlarıyla ilgili geliştirmelerden bazılarıysa:

  • KML şeması için kesin hatanın gösterilmesi ve
  • XML dili hataları için hatanın hangi satırda olduğunu bulma yetenekleridir.

ArcGIS Earth ücretsiz bir uygulamadır. Bunların yanında ArcGIS platformundaki yetenekleri erişmenizi sağlayan, az yer kaplayan, kolay kullanılan bir ara yüzle gelen ArcGIS Earth 1.10 güncellemesi kullanıcıların isteklerine odaklanan bir geliştirmedir.

ArcGIS Earth’le birlikte 3 Boyutlu dünya deneyiminizde size kolaylık sağlayacak bazı yetenekler aşağıdadır:

  • KML verilerini kullanmayı, keşfetmeyi, düzenlemeyi ve paylaşmayı kolaylaştırır,
  • Büyük kuruluşlardaki güvenlik duvalarının arkasında bile kolaylıkla ayarlayıp kullanabilirsiniz.
  • Kurum ve kuruluşlarınızda hali hazırda bulunan ve artan Esri veri yapılarının ve yeteneklerinden de faydalanmanızı sağlar.

Son birkaç yıldır ArcGIS Earth’e KML gibi dosya tabanlı iş akışları ile WebGIS modeli arasındaki boşluğu kapatmak üzere sürekli olarak yetenekler ekleniyor. Bu sayede kullanıcılar gelecekteki yenilikleri benimserken eski iş akışlarını uygulamaya da devam edebiliyorlar.

Hem masaüstü ve dizüstü bilgisayarlarınızda hem de mobil cihazlarınızda, ArcGIS Earth’ü indirip hemen kullanmaya başlayın!

Daha fazla bilgi için:

https://doc.arcgis.com/en/arcgis-earth/get-started/what-s-new-for-1-10.htm

https://www.esri.com/arcgis-blog/products/arcgis-earth/3d-gis/whats-new-in-arcgis-earth-android-and-ios-version-1-0-1/

https://www.esri.com/arcgis-blog/products/arcgis-earth/3d-gis/arcgis-earth-1-10-adds-kml-editing/

Esri Türkiye, 2020

ArcGIS API for JavaScript ile 3B Sahnelerinizi Bir Üst Seviyeye Taşıyın

ArcGIS API for JavaScript ile 3B Sahnelerinizi Bir Üst Seviyeye Taşıyın

ArcGIS API for JavaScript

ArcGIS API for JavaScrip harita ve 3 boyutlu içerikleri özel web uygulamalarında kullanmak için tasarlanmıştır. Geliştirilecek uygulamada bulunmasını istediğiniz içerikleri kendi ArcGIS Online hesabınızdan ve ya kuruluşunuzun sunucularından seçebilirsiniz. Seçtiğiniz içerikleri mobil ve web ortamında kullanabileceğiniz uygulamalar geliştirebilmek ile birlikte coğrafi kodlama,düzenleme,sorgulama gibi ek özellikleri  uygulamalarınızda kullanabilirsiniz.

ArcGIS API for JavaScript ile 3 boyutlu içerikleri bir ileri seviyeye taşıyarak aşağıdaki sahneye dönüştürebilirsiniz.

Örnek çalışma

3B İçerik Oluşturma

Öncelikle böyle bir görüntüyü elde etmek için ilk yapmamız gereken, bir 3 boyutlu içerik oluşturmak. Esri platformunda bulunan 3 boyutlu yetenekler, size içeriklerin oluşturulması için etkileyici seçenekler sunmaktadır. Bu seçeneklerin başında kural tabanlı modelleme ve birçok veri tipi ile entegre çalışabilme özelliğine sahip olan CityEngine yazılımı bulunmaktadır. Daha önceki blog yazılarımızda CityEngine yazılımının 3B modelleme süreçlerinde sağladığı faydalardan ve devasa kentsel ortamların nasıl oluşturulduğundan bahsettik, buraya tıklayarak yazılarımıza ulaşabilirsiniz

Platformun genelinde bulunan 3 boyutlu yeteneklere ise bu linkten ulaşabilirsiniz.

3B İçeriklerin ArcGIS API for JavaScript ile Web Uygulamalarına Eklenmesi

Oluşturduğumuz içerikleri ArcGIS API for JavaScript ile geliştirmekte olduğumuz uygulamalara eklemek için ArcGIS Online hesabında ve ya kuruluş hesabında paylaşmamız gerekmekte. Uygulamamız içerisinde bulunan sahneye aşağıdaki veri türleri eklenebilmektedir.

  • Yükseklik verisi
  • 3B özellik katmanları
  • 3B semboller
  • Indexed 3D Scene Layers (I3S)
    • 3B objeler
    • Sürekli yüzeyler
    • Nokta bulutları
    • 3B noktalar
    • BIM (Yapı Bilgi Sistemleri) modelleri

I3S in ne olduğu ve web cbs süreçlerine sağladığı katkıları bu linke tıklayarak inceleyebilirsiniz.

İçerikleri ArcGIS Online hesabında paylaştıktan sonra ArcGIS API for JavaScript ile sahnelere eklenmesine işlemlerine adım adım bakabiliriz.

  1. JavaScript Starter App uygulamasını Codepen platformunda açalım.
  2. require ve function kısımlarına  SceneView ve FeatureLayer modüllerini ekleyelim.
    •     require([
            "esri/Map",
            "esri/views/SceneView",
            "esri/layers/FeatureLayer"
          ], function(Map, SceneView, FeatureLayer) {
  3. Sonrasında içeriğin servis url’sini kullanarak sahneye ekleyebiliriz.

İçerikleri sahneye ekledikten sonra görsel anlamda geliştirebiliriz, ilk olarak bina modellerinin kenarlarını daha belirgin hale getirerek başlayabiliriz. Kenar çizgileri sahnedeki modelleri daha belirgin hale getirmek, sahne kontrastını ve derinlik algısını büyük ölçüde arttırmak için 3B modellerin ve sürekli yüzeylerin ana hatlarını belirgin hale getirmektedir. SolidEdges3D ile oluşturulan kenar çizgileri ile sahnedeki modeller üzerinde farklı kenar renkleri ve kenar boyutları kullanabiliriz. Ayrıca elle çizilmiş bir görünüm için SketchEdges3D seçeneğini kullanabiliriz.

Kenar çizgileri aktif edilmemiş şehir modeli

Örnek şehir modelimizde elle çizilmiş hissi vermesi için “sketch” tipinini kullandık.  Aşağıdaki konfigürasyonlar ile bu özelliği aktif hale getirebilirsiniz..

const edges = {
  type: "sketch",
  color: [0, 0, 0, 0.65],
  extensionLength: 10,
  size: "1pt"
}

Kenarların rengini, kenar çizgilerinin kalınlığını ve kenar tipi gibi değerleri sahnedeki modellerin seviyelerine göre değiştirebilirsiniz. Örnek sahnede bulunan binaların kenar çizgileri arka plan görüntüsü, bina renkleri ve animasyon geçişleri gibi ek özellikler eklenmiştir, resme tıklayarak sahneye inceleyebilirsiniz

3B içerikleri oluşturduktan sonra ArcGIS API for JavaScript’i kullanarak etkileyici web ve mobil uygulamaları oluşturabiliriz. İlerleyen zamanlarda ArcGIS API for JavaScript ile 3B sahneler üzerinde analizlerin nasıl yapıldığı ve farklı görselleştirme yeteneklerinden bahsedeceğiz. ArcGIS API for JavaScript ile ilgili ayrıntılı bilgi için linke tıklayabilirsiniz.

Esri Türkiye 2019

ArcGIS Urban ile Yapabilecekleriniz

ArcGIS Urban, kullanıcıların kentsel gelişim yaşam döngüsünü daha verimli bir şekilde yönetmeleri için tasarlanmıştır. Web tabanlı çalışan ArcGIS Urban coğrafi olarak; bölgesel ölçekten şehir ölçeğine kadar kentsel tasarım kullanımı dahil olmak üzere platformumuzun birçok farklı bileşenini birbirine bağlayan bir araçtır. 

ArcGIS Urban ile ilgili önemli iki ana konu bulunmaktadır:

Birincisi değişimi bağlamıyla anlamayı sağlayan imar ve uygulama imar planlarına ait 3 boyut modellerdir. Plancıların çalışmalarını paydaşlara göstermelerini sağlarken aynı zamanda işin matematiğini de yönetebildiği hem de görsel ve analitik temsiller oluşturabildiği bir platform sağlar. İmar Planlamasındaki yasal metinlerin, arazi kullanım bilgilerinin veya kodların ortak bir veri modeli olarak biçimlendirilebilmesine olanak verir. Planda bulunan plan notlarına göre (örneğin: Hmax, fonksiyon, ..) yapılabilecek düzenlemelerin 3 boyutta görselleştirilmesini yapar. Yapının tipine bağlı olarak formu, fonksiyonları ve bunlara ilişkin kısıtlayıcıların incelenmesi yapılabilir. Farklı bina tipleri ve kullanım türleri ile oluşturulan senaryoların mevcut alan üzerindeki etkilerini anlamak için raporlar oluşturulabilir.

Parsel ve binalarla ilgili çalışma

Yapının izni olabilecek yükseklik sınırı


Senaryoların planlamasında parsel ölçeğine kadar inilebilir; böylece senaryolar arasında karşılaştırmalar yapılarak en uygun çözümün bulunması sağlanabilir. Bunlar için 3B altlık harita, interaktif görüntüleme, göstergeler ve akıllı arama gibi seçeneklerden yararlanılabilir. Aşağıdaki görsellerde aynı proje alanına ait iki senaryo ve ilgili bilgiler görünmektedir.

Senaryo 1

Senaryo 2

Parsel bazında yapılacak değişikliklerde ne kadar konut, ne kadar ticari kullanım olacağına dair bilgileri girerek hedeflenen sayılara ne kadar yaklaşıldığını kontrol edebilirsiniz.  Ayrıca farklı kriterleriniz için hedeflenen rakama ulaşmada; kısıtlamalar dahilinde yapılabilecekleri bir zarf (zoning envelope) olarak görselleştirebilir ve düzenlemelerinizi bu bilgi ışığında yapabilirsiniz.

Parsel bazında düzenlemeler ve etkileşimli paneller

 

Örneğin  varolan binanın formu ve fonksiyonlarında yapılan değişikliklerle birlikte hedeflenen nüfus, hanehalkı ve iş ile ilgili değişiklikler “mevcut“, “şimdi” ve “hedef” başlıkları altında görüntülenebilir. Yapılan değişiklikle birlikte hedefin ne kadarının tuttuğu ya da tutmasına ne kadar kaldığını sayısal olarak da takip edebilirsiniz. Ayrıca o parseldeki uygulama planının izin verdiği ölçüde neler yapılabileceğini de kontrol edebilirsiniz.


İkincisi
; Proje Durumu ve Tasarım İnceleme çalışmaları ile ilgilidir. ArcGIS Urban ile kentsel projelerin yönetimini tek bir arayüzden gerçekleştirebilirsiniz. 3 Boyutta projelerin modellerini görselleştirerek çeşitli detaylarla ilgili bilgi alabilir, projenin hangi aşamada olduğunu, projeye ait zaman çizelgesini görebilirsiniz. Ayrıca CityEngine’deki tasarımlarınızı bu platforma ekleyebilirsiniz. Ayrıca SketchUp, Collada, OB’den gelen 3 boyutlu modelleri de kullanabilirsiniz. Kent ölçeğinde bütün projeleri durumlarına göre inceleyebilirsiniz. Bunlara ek olarak projelerin şehre olan etkilerinin anlaşılması için etkinin ölçülmesi ve raporların çıkarılmasını da gerçekleştirebilirsiniz.

Esri CityEngine modelinin ArcGIS Urban’da görselleştirilmesi

 

Plan ve projelerinizi hazırladıktan ve uygulamaya geçtikten sonra; bu uygulamaların günlük yaşamda ne gibi olumlu ve olumsuz yanlarının olduğunun anlaşılması önem taşır. Yapılan bir kavşakta yayalar için tehlike arz eden bir durumun olması, inşaat hafriyatının yolu kapatması, otobüs duraklarının yetersiz kalması ya da çocuk parkının etrafına konulması istenen koruyucu önlemler gibi çok çeşitli kent mobilyaları ve projelerle ilgili geri bildirimleri alabilmeniz sorunların hızlı çözümü için önemli bir adımdır. ArcGIS Urban’da vatandaşın fikrini beyan edebileceği ve bunu konumsal olarak ekleyebileceği özel bir bölüm bulunur. Bu alandan kişiler fikirlerini yazarak güncel bilgileri paylaşabilirler.

Vatandaşın konumsal olarak proje ya da tasarım hakkında fikrini beyan edebilmesi için kullanılan “Ideas” kısmı


Genel hatlarıyla ArcGIS Urban ile elde edeceğiniz özellikler:

  • Etkileşimli 3B ortam
  • Proje ve plan takibi
    • Senaryoları görsel olarak karşılaştırma
    • Özetlenmiş göstergeler
  • Arama ve filtrele seçenekleri (plan ve projeleri ismine, konuma göre arama)
  • Zamana duyarlı gösterimler (Zaman çizelgesine göre projelerin izlenmesi, böylece farklı tarihlerde hangi projelerin yapılacağını inceleyebilme, ya da geçmişe dönük incelemeler yapabilme)
  • Önceden hazırlanmış göstergeler (popülasyon yoğunluğu, ..)
  • Yönetici Paneli entegrasyonu (harita, sahne, grafikler, tablolar)
  • Vatandaştan geribildirim alma

 

ArcGIS Urban ile ilgili videolar:

1- Boston Planning & Development Agency: A New Revolution in Urban Planning
2- ArcGIS Urban: An Introduction
3- ArcGIS Urban- Şehir Gelişiminizi Yönetin

 

 

 

I3S Nedir,Web CBS Teknolojisine Ne Kolaylıklar Sağlar

I3S Nedir,Web CBS Teknolojisine Ne Kolaylıklar Sağlar

I3S Nedir ?

I3S, 3 boyutlu coğrafi içerikleri paylaşmak için kullanılan bir OGC* standardıdır. Esri, ArcGIS platformunda 3B yetenekleri ileri seviyede desteklemekle birlikte, Indexed 3D Scene (I3S) adı verilen 3 boytlu içeriklerin paylaşılması için bu açık standardı desteklemektedir. I3S hizmeti, Sahne Katmanı Paketi’ni (.SLPK) biçimlendirerek çok büyük 3B veri kümelerinin depolanması ve görselleştirilmesi için tasarlanmıştır. I3S bir web servisi olarak çalışıyor ve .SLPK formatı bu web yayınının kaynak formatıdır. Katman türleri arasında 3 boyutlu herhangi bir nesne, mesh dosyası( Örnek:Pointcloud’lardan elde edilen 3B modeller) Nokta Bulutu ve 3B nokta katmanları bulunmaktadır.

OGC, Web Feature Service (WFS) ve Web Map Service (WMS) gibi yaygın olarak kullanılan formatlar tarafından desteklenen  uluslararası kabul görmüş bir standartlar bütünüdür.

3B Nesne (3D Object Scene Layer Package)

İstanbul örneğindeki gibi 3b nesne katmanları, farklı özniteliklere sahip ayrı 3B geometrileri içermektedir. Yukarıdaki sahnede 245.000 adet 3 boyutlu nesne web ortamında görüntülenebilmektedir.

Ankara örneğinde ise 340.000 bina tek bir web sahnesinde bulunmaktadır.

Nokta Bulutu(Point Cloud)

Nokta bulutları LiDAR teknolojisi tarafından oluşturulur veya Drone2Map gibi yazılımlar kullanılarak hava fotoğraflarından oluşturulur. Nokta bulutu verilerinizi OGC standartlarında web ortamında paylaşabilir. Esri’nin sağlamış olduğu hızlı görselleştirme yeteneklerini sahnede bulunan nokta bulutu verisinde uygulayabiliriz.

 Birleşik Ağ / 3B Sürekli Yüzey (Integrated Mesh)

Birleşik ağlar sürekli yüzeylerdir. Hava fotoğraflarından oluşan yek pare bir modeldir. Drone2Map yazılımı ile oluşturduğumuz mesh verisini web üzerinden yayınlayabilmekteyiz.

3B Nokta (3D Point)

3B Nokta katmanları, ArcGIS Pro’da tanımladığımız nokta geometrisinden oluşur. Örnekte olduğu gibi, nokta katmanlarımız veri odaklı semboloji veya gerçekçi 3B modeller kullanılarak tasarlanabilir.

BIM (Yapı Bilgi Sistemleri)

BIM, gerçek dünyadaki bir yapı için hazırlanan bilgisayar destekli 3 boyutlu dijital tasarımlardır.

ArcGIS Pro’daki veri modeli, Revit gibi CAD yazılımlarından çok farklıdır. ArcGIS Pro’daki Revit dosyalarının çalışma alanları, veri setleri ve özellik sınıfları halinde düzenlenmesi gerekmektedir; böylece revit dosyalarında bulunan veriler bir coğrafi veri tabanı veya şekil dosyası gibi başka bir veri kaynağına dönüşürler.Revit verileri, birçok coğrafi işlem aracını kullanarak diğer biçimlere dönüştürülebilir ve hatta bir coğrafi veritabanından I3S katmanına yayınlanabilmektedir.

Kullanıcı deneyimi, ölçeklenebilir ve web ortamında rahatlıkla görüntülenebilir olması I3S katmanının yapı taşlarıdır. Temelde kullanıcının bakış açısından yani kamera konumundan görüntülenen verileri yükleyen akıllı bir uygulama anlamına gelir. Örneğin bir I3S içeriğindeki şehri inceliyorsunuz, sadece o anda baktığınız yerler sahneye yüklenecektir. Bu seçenek devasa şehirlerin web ortamında görüntülenebilmesini sağlıyor Aynı zamanda, her nesne için birden fazla ayrıntı seviyesinin desteklenmektedir. Böylece uzaktaki bir binanın derinlik detaylarını yükleyerek hiçbir bant genişliği boşa harcanmaz Bu verimli yaklaşım, milyonlarca hatta milyarlarca nesne içeren veri kümelerinin yönetimini sağlıyor.Asıl güzel olan şu ki, sahne arkasında olan her şeyi anlamanıza ve yönetmenize gerek yok. ArcGIS Pro veya Drone2Map gibi uyumlu bir yazılım kullanarak I3S içeriği oluşturmaya başlayabilirsiniz.

Esri Türkiye 2019