Esri Land Cover Map ile Tanışın

Bu yazımızda Esri tarafından herkese açık olarak paylaşılan küresel arazi örtüsü haritasını yakından inceleyeceğiz. Geçtiğimiz aylarda Esri, ArcGIS Living Atlas’ın bileşeni olarak yeni bir yüksek çözünürlüklü küresel arazi örtüsü haritası yayınladığını duyurdu. Avrupa Uzay Ajansı (ESA)’nın Sentinel-2 görüntüleri kullanılarak oluşturulan Esri 2020 Land Cover haritası, Impact Observatory ve Microsoft AI for Earth ortaklığı ile yeni bir makine öğrenimi iş akışı kullanılarak geliştirildi.

En Güncel ve En Kapsamlı Küresel Görüntü Haritası

Esri tarafından sunulan 2020 Land Cover Land Use (2020 Arazi Kullanım / Arazi Örtüsü) haritası, kapsam, güncellik ve detay seviyesi bakımından bir ilk olma özelliği taşımaktadır. Bu nedenle, iklim değişikliği, sürdürülebilir arazi ve kaynak yönetimi gibi küresel ölçekteki sorunların araştırılması için önemli kaynaklardan biri olarak karşımıza çıkmaktadır.

10-metre çözünürlüklü bu küresel harita sayesinde belirli bir alanın karakteristik özelliklerini tanımlayabilir ve;

  • Alanın bir arazi olup olmadığı ya da ağaçlar veya suyla kaplı bir bölgeye karşılık gelip gelmediği,
  • Alanda herhangi bir bina veya diğer altyapıların bulunup bulunmadığı veya
  • Bu alanın zaman içerisinde nasıl değişim gösterdiği gibi soruların cevaplarını araştırabilirsiniz.

 

Görseldeki arazi örtüsü haritasında, ekili alanlar Yeni Zelanda’daki Egmont Ulusal Parkı’nın dairesel sınırına kadar uzanmaktadır.

Günümüzde yüksek çözünürlüklü, açık, karşılaştırılabilir ve güncel arazi kullanım haritaları, yukarıda örneklendirdiğimiz gibi birçok sorunun çözümü için çeşitli sektörlerde kullanılmaktadır ve dünya yüzeyinin yönetilebilir sayıda kategorilere ayrılarak sınıflandırılmasını sağlamaktadır. Bu nedenle, kısıtlı kaynakların tanımlanması ve daha iyi yönetilmesi için bilinçli kararlar alabilmek adına özellikle düşük ve orta gelirli ülkelerin karar vericileri için kritik bir role sahiptir.

Dünya yüzeyinin bu şekilde haritalandırılması, arazi kullanım planlaması, hidrolojik modelleme ve kaynak yönetimi planlamasına yardımcı olacaktır. Bu gibi çalışmalara kaynak sağlayan ulusal kurum ve kuruluşlar, bir ülkedeki veya şehirdeki eğilimleri tespit edebilmek için arazi örtüsü haritalarını altlık harita olarak kullanabilir ve arazi kullanım önceliklerinin tanımlanmasına yardımcı olabilirler.

 

Yapay Zeka Destekli Arazi Örtüsü Haritası

Geleneksel arazi örtüsü haritalarında genellikle veri toplama ve haritaların kullanıma hazır hale getirilmesi süreci birkaç seneye yayılmaktadır. Ancak arazi örtüsü haritalarında yapay zekadan (AI) yararlanılması, Esri Land Cover Map haritasının bir haftadan daha kısa sürede üretilmesini sağlamıştır.

Impact Observatory ve Microsoft işbirliği ile oluşturulan Esri 2020 Land Use Land Cover Map.

Esri 2020 Global Land Cover haritası, Avrupa Uzay Ajansı (ESA) Sentinel-2 uydu görüntüleri kullanılarak oluşturuldu. Harita için National Geographic Society tarafından geliştirilen, beş milyardan fazla etiketli görüntü pikselinden oluşan devasa bir eğitim veri kümesiyle çalışılmıştır. Bu veri kümesi üzerinde Impact Observatory tarafından özel bir makine yaklaşımı kullanılarak derin öğrenme arazi sınıflandırma modeli geliştirilmiştir ve küresel harita, bu modelin Sentinel-2 2020 sahne koleksiyonuna uygulanmasıyla (Microsoft Planetary Computer’da barındırılan 400.000’den fazla arazi kullanım / arazi örtüsü (LULC) gözlemlerine işlenerek) üretilmiştir.

Kullanılan veri seti, dünya üzerindeki 24.000’den fazla biyom bölgesinin beş kilometreye beş kilometrelik alanlarını içermektedir ve model ise, altı bantlı Sentinel-2 yüzey yansıtma verisi üzerinde çalıştırılmıştır:  mavi, yeşil, kırmızı, yakın kızılötesi ve iki – kısa dalga kızılötesi bant.

Sonuç olarak; Su Yüzeyleri (Water), Ormanlık Alanlar (Trees), Açık Yeşil Alanlar (Grass), Sulak Alanlar (Flooded Vegetation), Ekili Alanlar (Crops), Çalılık (Scrub/Shrub), Yapılı Alan (Built Area), Boş Alanlar (Bare Ground), Buzullar (Snow/Ice) ve Bulutlar – Sınıflandırılmamış (Clouds – Unclassified) olarak 10 sınıfa ayrılmıştır.

Haritanın son haline getirilmesi için, model yıl boyunca görüntülerin alınma tarihlerinde birden fazla çalıştırılmış ve elde edilen çıktılar 2020 temsili haritasında bir araya getirilmiştir.

Chicago ve çevresine ait haritada, bölgeye kentsel yapılaşmanın hakim olduğu ve asırlardır korunan Cook County Ormanı’nın şehrin kuzeyinden güneyine doğru yeşil bir bant şeklinde uzandığı görülmektedir.

Esri Land Use Land Cover haritasının, yeryüzündeki değişikliklerin tespiti ve özellikle insan faaliyetlerinin etkileriyle ilgili küresel arazi değişimini vurgulamak amacıyla her yıl güncellenecektir. Ayrıca Esri ve Impact Observatory, bu yeni arazi örtüsü modelini isteğe bağlı arazi örtüsü sınıflandırmaları yapılabilmesi için kullanıma sunmayı planlamaktadır. Böylece CBS kullanıcılarının kendi proje alanları için sıklıkla yeni arazi örtüsü haritaları oluşturması sağlanacaktır. Bu özel model, belirli bir ilgi alanındaki değişimin izlenmesi, neredeyse gerçek zamanlı çevre durumunun gözlemlenmesi veya uzun vadeli, mevsimsel farklılıkların tespiti gibi araştırma konularının yürütülmesine ve karar vericilerin ve afetle mücadele kuruluşlarının gerekli çalışmaları planlayabilmesine olanak sağlayacaktır.

Soldaki ESA’nın 300m çözünürlüklü haritasına, sağdaki ise Esri’nin 10m çözünürlüklü 2020 LULC haritasına ait görüntülerdir. Hindistan ve Bangladeş’e ait görüntülerde, sağda nehir kanallarının dar ve yerleşim alanlarının belirsiz olduğu görüntülenmektedir. 

Haritaya Nasıl Erişebilirim?

Esri 2020 Land Cover haritasının ArcGIS Living Atlas of the World üzerinden bir döşeme görüntü katmanı (Tile Imagery Layer) olarak yayınlanması, onu ArcGIS Desktop yazılımları ve diğer istemci uygulamalarında görselleştirme ve analizler gerçekleştirmek için kullanılabilir hale getirmektedir. Kamuya açık katmanın GeoTIFF döşemeleri, ayrı ayrı bölgeler için indirilebildiği gibi, koleksiyonun tamamı (60 GB) tek bir tıklama ile indirilebilmektedir.

Esri LULC haritasındaki veriler küresel olarak tutarlı verilerdir ve ülke sınırları arasında karşılaştırma yapılmasına olanak tanımaktadır. Ulusal veriler bu veri kümesine tamamlayıcı niteliktedir ve ayrıntılı güncel verilerin bulunmadığı bölgelerdeki veri boşlukları doldurularak elde edilmektedir. Esri’nin sunduğu bu küresel arazi örtüsü harita servisi, ülkelerin ulusal önceliklerini belirlemesine ve alt ölçekli ulusal raporların hazırlanmasında yardımcı olabilir.

Esri 2020 Land Cover Map katmanına erişmek için bağlantıya tıklayabilir ve indirebilirsiniz.

Esri 2020 Land Cover Map hakkında detaylı bilgi edinmek için sayfayı inceleyebilirsiniz.

 

Kaynaklar:

Esri | AI Enables Rapid Creation of Global Land Cover Map

Esri | A New Land Cover Map of the World

Medium | Mapping the world in unprecedented detail

Esri Türkiye, Eylül 2021

 

ArcGIS Pro ile Uygunluk Modelleyici (Suitability Modeler)

Uygunluk Modelleyici (Suitability Modeler), bir CBS analisti için en yaygın uygulamalardan biridir. Uygunluk modelleyici ile bir nesneyi yerleştirmek veya bir alanı korumak gibi yer seçim kararlarınızda en iyi konumu belirlemek için kullanılabilirsiniz. Örneğin bir alışveriş merkezi, konut geliştirme veya kayak merkezi inşa etmek için en iyi yeri belirlemede uygunluk modeli kullanabilirsiniz. Parklar, nesli tükenmekte olan yaşam habitatı veya taşkın kontrolü için en iyi alanların saptanması için de kullanılabilir.

Uygunluk modeli oluşturmak, doğrusal olmayan yinelemeli bir süreçtir. Bundan dolayı uygunluk modelinde adımları sırayla izlemeniz gerekmez. Bunun yerine, ileri geri, yinelemeli bir karar verme süreci ile analizini gerçekleştirebilirsiniz.

Bir uygunluk modelini beş adımda oluşturabiliriz:

  1. Kriter verilerini belirleme ve hazırlama
  2. Uygunluk modeli oluşturma
  3. Her bir kriterin değerlerini ortak bir uygunluk ölçeğine dönüştürme
  4. Birbirine göre ağırlık kriterleri belirleme ve bunları birleştirerek bir uygunluk haritası oluşturma
  5. Uygun alanların seçilmesi

1. Kriter verilerini belirleme ve hazırlama

Uygunluk modeli oluşturmanın ilk adımı, modelin konusuna ilişkin kriterleri belirlemektir. Bazı temel veriler, model için doğrudan girdi kriteri olarak kullanılabilir. Diğer kriterler ise çeşitli Spatial Analyst coğrafi işlem araçları kullanılarak türetilebilir. Uygunluk modelleyici içinde veri türetemezsiniz. Ancak, uygunluk modelleyici ve geoprocessing araçları arasında geçiş yapabilirsiniz. Örneğin Slope aracı kullanılarak raster yükseklik verisinden eğim kriteri türetebilirsiniz.

2.Uygunluk modeli oluşturma ve kriter ekleme

Uygunluk Modelleyici (Suitability Modeler), ArcGIS Spatial Analyst eklenti lisansıyla birlikte sunulmakta ve ArcGIS Pro içerisinde Analysis sekmesinden erişilebilmektedir. Bu sekmede Uygunluk Modelleyici (Suitability Modeler) açıldığında Content kısmında bir uygunluk modeli grubu katmanı oluşacaktır. Bu katman modelde girdi ve çıktıları saklamak için kullanılmaktadır.

Suitability Modeler bölmesi içerisinde Settings, Suitability ve Locate sekmelerini içeren sekmeler bulunmaktadır. Settings sekmesinde modeli adlandırabilir, uygunluk ölçeğini seçebilir ve kriterlerin ağırlıklandırılması için kullanılacak yöntemi belirtebilirsiniz.

Kriterleri ağırlıklandırmak için Multiplier veya Percent olarak iki farklı yöntem bulunmaktadır.

Settings sekmesinde Weight kriteri için Multiplier yöntemini belirttiyseniz dönüştürülen kriter değerleri bu değer ile çarpılır. Çarpılan kriter değerleri daha sonra eklenir. Bu yöntemi, kriterleri birbirine göre doğrudan ağırlıklandırabildiğinizde kullanabilirsiniz.

Settings sekmesindeki Weight parametresinde Percent yöntemini belirlediyseniz, yüzdeler uygulandıktan ve ölçütler eklendikten sonra elde edilen uygunluk haritasındaki çıktı değerlerinin aralığı Settings sekmesindeki uygunluk ölçeğine doğrusal olarak dönüştürülür. Varsayılan olarak bu aralık 1 ila 10’dur. Bu yöntemi her bir kriterin ortaya çıkan uygunluk haritasını ne kadar etkilediğini belirtmek istediğinizde kullanabilirsiniz.

Modeli adlandırıp model ayarlarını belirledikten sonra uygunluk haritasını oluşturmak için Suitability sekmesine geçebilirsiniz. Suitability sekmesi kriterlerin eklendiği yerdir. Her bir kriter tabloya eklendiğinde, Content bölmesindeki uygunluk grubu katmanına da eklenir.

Suitability sekmesi ve beraberindeki Transformation Pane uygunluk iş akışının ilk dört adımını ele aldığınız yerdir. Locate sekmesi ise alanı tanımladığınız yerdir.

3.Her bir kriterin değerlerini ortak bir uygunluk ölçeğine dönüştürme

Bir kriteri ortak bir uygunluk ölçeğine dönüştürmek için Suitability sekmesindeki kriter listesindeki kriter düğmesine tıklayın. Bu düğmeye tıklandığınızda aşağıdakiler meydana gelmektedir:

  • Transformation Pane görünür.
  • Ölçütün dönüştürülmüş bir katmanı, Contents bölmesindeki uygunluk grubu katmanına eklenir.
  • Giriş değerlerinin türüne göre varsayılan bir dönüşüm uygulanır.

Kriterin yanındaki düğme yeşile döndüğünde Transformation Pane’nin etkin ölçüt olduğunu gösterir. Düğme, ölçüt dönüştürüldüğünde griye döner ve Transformation Pane artık etkin ölçüt olmaktan çıkar.

Transformation Pane paneli giriş ölçütü değerleri için en iyi dönüştürme yöntemini seçmek üzere kullanabileceğiniz üç ayrı bölümden oluşur. Son uygunluk değerlerinin bir histogramı solda yer almaktadır. Dönüşüm yöntemlerini ve işlevlerini seçmenize yardımcı olması için ise sağdaki grafiği kullanabilirsiniz.

Transformation Pane‘nin orta bölümünde ise dönüştürme yöntemleri yer almaktadır. Bu kapsamda ölçüt değerlerine uygulanabilecek üç dönüştürme yöntemi bulunmaktadır. Bunlar Unique Categories, Range of Classes ve Continuous Functions’tır.

Unique Categories: Arazi kullanım türleri gibi kategorik veriler için en iyisidir. Bu yöntem, ölçüt değerinin uygunluk değeri ile birebir eşleştirilmesidir.

Range of Classes: Değer aralıklarının aynı uygunluk tercihine atanabilen homojen sınıflar halinde gruplandırılabildiği sürekli veriler kullanılır.

Continuous Functions: Eğim, bakı veya uzaklık gibi sürekli değerlerle temsil edilen kriterler için en iyisidir. Bu yöntem, değerleri sürekli olarak uygunluk ölçeğine dönüştürmek için doğrusal ve doğrusal olmayan fonksiyonlar uygular. Kriter değerlerine sürekli bir fonksiyon uyguladığından, kriter değerindeki her artışla elde edilen uygunluk değeri sürekli değişir. Bundan dolayı bu yöntem sürekli veriler için en yaygın kullanılan dönüştürme yöntemidir.

Siz yöntemleri, işlevleri ve parametrelerini keşfettikçe, Content bölmesindeki uygunluk grubu katmanındaki dönüştürme grafiği, son uygunluk histogramı ve son uygunluk haritası katmanları güncellenir. Bu güncelleme, dönüşümün dönüştürülen kriter üzerindeki etkilerinin yanı sıra nihai uygunluk haritasına etkisi hakkında geri bildirim sağlar.

Kriter içerisinde en iyi değerleri yakalamak için dönüşümü belirledikten sonra bir sonraki kriteri dönüştürür ve tüm kriterler dönüştürülene kadar işlem tekrarlanır.

4.Birbirine göre ağırlık kriterleri belirleme ve bunları birleştirerek bir uygunluk haritası oluşturma

Bu kısımda kriterleri birbirine göre ağırlıklandırma işlemi yapılmaktadır. Ağırlıklar değiştirildiğinde, Transformation Pane içerisinde son uygunluk haritasının histogramı ve Content bölmesindeki uygunluk grubu katmanındaki son uygunluk haritası güncellenir. Konumdaki özniteliklere dayalı olarak her bir konumun göreli tercihini belirleyen, ekran çözünürlüğünde bir uygunluk haritası oluşturulmuş olur.

5.Uygun alanların seçilmesi

Locate sekmesinde, uygunluk modeli için mekansal gereksinimleri belirtebilirsiniz. Uygunluk modelleme sürecinin konum bileşeni, mekansal gereksinimlerin belirlenmesine olanak tanır. İstenilen alanların toplam alanı, bölge sayısı ve şekil özellikleri belirlenir. Ayrıca minimum ve maksimum bölge boyutlarını ve bölgeler arasındaki mesafeleri de belirleyebilirsiniz. Seçilmek istenilen alan için kriterler tanımlanıp araç çalıştırıldığında Content bölmesindeki uygunluk grubu katmanına, yerleştirilecek veya korunacak en iyi konumları tanımlayan yeni bir katman eklenmiş olur.

Uygunluk Modelleyici (Suitability Modeler) hakkında daha fazla bilgiye buradan ulaşabilirsiniz.

ArcGIS Pro için Derin Öğrenme Python Kütüphanelerinin Yüklenmesi

ArcGIS Pro’da derin öğrenme işlemleri yapmak istiyorsanız öncelikle derin öğrenme çerçevelerini yüklemeniz gerekiyor. ArcGIS Pro’daki tüm derin öğrenme coğrafi işlem araçları, desteklenen derin öğrenme çerçeveleri kitaplıklarının yüklenmesini gerektirir.

Burada bu yükleme işlemini farklı yollardan nasıl yapabileceğinizi anlatacağız. Başlamadan önce bilmemiz gereken en önemli şey hangi ArcGIS Pro sürümüyle çalışıyorsak ona uygun kütüphaneleri indirip kurmamız gerektiğidir.

ArcGIS Pro’nun her sürümü, derin öğrenme kitaplıklarının belirli sürümlerini gerektirir. ArcGIS Pro’yu yükselttiğinizde, o ArcGIS Pro sürümüne karşılık gelen derin öğrenme kitaplıklarını yüklemeniz gerekir. Hangi sürümü kullanıyorsanız gereken kitaplıkların listesine ve Derin Öğrenme ile ilgili diğer bilgilere Derin Öğrenme hakkında Sıkça Sorulan Sorular bilgi sayfasından ulaşabilirsiniz.

Not: Eğer ArcGIS Enterprise ortamınızda derin öğrenme araçlarını kullanmak isterseniz, ArcGIS Enterprise için derin öğrenme çerçevelerinin nasıl kurulacağına ilişkin talimatlar için bkz. Derin öğrenme için ArcGIS Enterprise’ı yapılandırma. Bu yazı ArcGIS Pro ortamında kütüphaneleri nasıl yükleyebileceğiniz konusunu içermektedir.

ArcGIS Pro sürümünüze göre derin öğrenme kütüphanelerini yüklemenin en kolay yolu ArcGIS Pro için Derin Öğrenme Kitaplıkları Yükleyicisi ile kurulum yapmaktır. Bağlantıdan mevcut olan en son kütüphaneleri toplu şekilde indirip tek seferde kurabilirsiniz. Bu kurulum aktif Python ortamınıza kurulacaktır. Python ortamları ArcGIS Pro’nun doğru şekilde çalışması için gerekli bileşenleri barındırır, bundan dolayı, kütüphaneleri kurmadan önce Python ortamınızın yeni bir kopyasını oluşturup, bunun üzerinde çalışmanızı öneririm.

Bağlantıdan Esri’nin Derin Öğrenme Çerçeveleri indirme sayfasından ArcGIS Pro sürümünüze uygun olan yükleyiciyi seçip indirebilir ve ardından çalıştırarak sorunsuz şekilde kurulumun yapılmasını sağlayabilirsiniz.

ArcGIS Pro sürümünüz ArcGIS Pro 2.8 ise bununla ilgili bağlantıdan indirme yapınız.

ArcGIS Pro sürümünüz ArcGIS Pro 2.8 ise bununla ilgili bağlantıdan indirme yapınız.

Eğer ortamınızdaki çeşitli kısıtlardan yükleyiciyi kullanamıyorsanız manual olarak yüklemek için gene aynı sayfada bulunan manuel yükleme adımlarını takip edebilirsiniz.

Bununla birlikte tamamen çevirim dışı bir sisteme yüklemek isterseniz önceden indireceğiniz temel modelleri de kurabilirsiniz.

Yukarıda bahsettiğim indirme ve yükleme yöntemleri Esri tarafından önerilen yükleme yöntemleridir. Kendinize uygun olan yöntemi seçerek kullanabilirsiniz.

Ancak ArcGIS Pro’ya sıklıkla güncellemeler gelmekte ve bu güncellemelerle yazılım yeni yetenekler kazanmakta ve varsa mevcut bug’lar çözülmektedir.

ArcGIS Pro Derin Öğrenme kütüphanesi yükleyicileri her zaman ArcGIS Pro kadar hızlı güncelleme alamayabiliyor. ArcGIS Pro’nun her sürümü, derin öğrenme kitaplıklarının belirli sürümlerini gerektirir. ArcGIS Pro’yu yükselttiğinizde, o ArcGIS Pro sürümüne karşılık gelen derin öğrenme kitaplıklarını yüklemeniz gereklidir. Böyle bir durumla karşılaştığınızda ise benim kullandığım diğer bir yöntemi paylaşmak istiyorum:

Öncelikle, varsayılan Python ortamını kopyalayarak, derin öğrenme üzerine çalışabileceğimiz bir Python ortamı hazırlıyoruz. Bunun için ArcGIS Pro ayarlarından, Python’a tıklayıp, Manage Environments (Ortamları Yönet) butonuna tıklıyoruz.

Bu ekranda varsayılan arcgispro-py3 ortamını bulup Clone (Kopyala) butonuna tıklıyoruz.

Yeni gelen pencerede ortam kopyanızı bilgisayarınızda istediğiniz yere kurabilir ve istediğiniz adı verebilirsiniz ama varsayılan olarak bırakmak rastgele hatalarla karşılaşmanıza engel olacaktır.

Clone (Kopyala) butonuna bastığınızda yükleme başlayacaktır, bu işlem biraz zaman alabilir. Bittiğinde ise yeni gelen ortamın yanındaki radyo butonunu seçerek OK’a (Tamam) tıklayınız. Yeni ortamın kullanılabilmesi için ArcGIS Pro’yu yeniden başlatmanız gerekecektir.

Artık derin öğrenme paketlerini kurmaya hazırız. Bunun için komut satırını kullanacağız. Windows Başlangıç menüsünden ArcGIS – Python Command Prompt’u bulup çalıştırınız. Ardından gelen ekranda komut satırının kopyaladığınız Python ortamıyla çalıştığını teyit ediniz.

Her şey hazırsa, komut satırına conda install -c esri deep-learning-essentials=2.8 yazınız ve Enter’a basınız. Buradaki 2.8 sayısı ArcGIS Pro sürümünüzle uyuşmalıdır. Conda sizin için gerekli paketleri bulup yüklemek ya da güncellemek için bir liste dökümü verecektir. Listedeki paketleri yüklemek için klavyenizden y tuşuna ve ardından da Enter’a basınız. Komut satırı size yükleme durumlarını gösterecektir bittiğinde ArcGIS – Python Command Prompt ekranını kapatabilirsiniz.

Ortamınız artık derin öğrenme coğrafi işlemlerini kullanmaya hazırdır. İyi çalışmalar!

Kaynaklar:

Install deep learning frameworks for ArcGIS—ArcGIS Pro | Documentation

Esri/deep-learning-frameworks: Installation support for Deep Learning Frameworks for the ArcGIS System (github.com)

Deep Learning – Esri Community

Esri Türkiye – Haziran 2021

 

 

ArcGIS Excalibur Mayıs Güncellemesinde Bizi Neler Bekliyor

ArcGIS Excalibur, analistlerin görüntüleri arayıp bulabileceği ve bu görüntülerle çalışabilecekleri web tabanlı bir uygulamadır. Excalibur, geleneksel olarak ayrı iş akışlarına sahip olan mekânsal ve raster tabanlı görüntüleri tek bir bütünleşmiş deneyimde birleştirerek görüntü tabanlı iş akışlarını modernize eder ve geliştirir. Kullanımı kolay, web tabanlı bir sahip olan Excalibur, kuruluşlar arası karar almayı geliştirecek kullanım özelliklerine sahiptir.

ArcGIS Excalibur’un Mayıs 2021 sürümü, etkileşimli tablo görünümü, haritadaki ya da görüntüdeki herhangi bir konuma hızlıca gitmeyi sağlayan işlemler gibi gözlemleme yeteneklerini geliştiren birçok yeni özellikle gelecek. Bunlardan bazılarını aşağıda bulabilirsiniz.

Gözlemleri Kopyalama (Copy Observations)

Aralık 2020 sürümünde Excalibur kullanıcıların bir düzenleme oturumu sırasında aynı anda birden çok gözlemde değişiklik yapmalarına izin vererek iş akışlarını optimize etmeyi amaçlayan özellikler getirmişti. İş akışı optimizasyonu bu sürümde de gelişti. Kullanıcılar artık birden çok gözlemi tek seferde seçip yeni gözlemler olarak kopyalayabiliyorlar. Bu araç, kullanıcıların daha önceden toplanan gözlemlerini yeni görüntülere uygulamasını yaparken fayda sağlayacaktır. Kullanıcılar yeni gözlemlerin meta verilerini de istedikleri gibi düzenleyebileceklerdir.

 

Etkileşimli Detay Tablosu

Bir detayın özniteliklerine bakarken bulunduğu konumun görüntüsündeki bilgilere bakmanız gereken durumlar olabilir. Detay tablosu, görüntü projenizdeki bağlamsal veya gözlem katmanlarının etkileşimli bir tablo görünümünü size sağlayacaktır. Bir tablodan gözlemleri seçebilir ve haritanızdan ya da görüntünüzden ilgili detayların vurgulanmasını sağlayabilirsiniz.

Koordinatlara Git (Go-to Coordinate) Aracı

Bir görüntüde ya da haritada bir konuma hızlıca gitmeniz gerektiğinde Go-to Coordinate aracını kullanarak hızlıca ulaşabilirsiniz. Kullanıcılar, bir koordinat sistemi kullanarak koordinatları girebilir ve ardından birden çok notasyon biçimi kullanarak çıktıyı farklı bir koordinat sistemine görüntüleme veya kopyalama seçeneğine sahip olabilecekler. Bu aracı kullanarak, kullanıcılar görüntülerdeki ilgili konuma gidebildikleri gibi haritadaki herhangi bir konuma tıklayarak o konumun koordinatlarını da alabilecekler.

 

Yeniliklerden Haberdar Olun

ArcGIS Excalibur, ArcGIS’in yetenekleri üzerine inşa edilerek, kullanıcı isteklerini de göz önünde bulundurarak sürekli iyileştirmelerle görüntü iş akışlarını dönüştürmeye devam ediyor. Excalibur hakkında daha fazla bilgi edinmek için Esri Topluluk sayfasını ve YouTube Oynatma Listesini ziyaret edebilirsiniz.

Kaynaklar ve Yardımcı Bağlantılar:

What’s Coming in ArcGIS Excalibur 2021 – Esri

ArcGIS Excalibur | Documentation for ArcGIS Enterprise

Esri Türkiye, 2021
ArcGIS Living Atlas ile Kullanıma Hazır Derin Öğrenme Modelleri

ArcGIS Living Atlas ile Kullanıma Hazır Derin Öğrenme Modelleri

Çok çeşitli sensörlerden ve kaynaklardan elde edilen görüntü verileri gün geçtikçe artmaya devam ediyor, bunları anlamlandırmak, sınıflandırmak, analiz etmek ya da bütün bu işlemleri otomatize etmek için Yapay Zeka’ya olan ihtiyaç ve talep de aynı hızda artıyor. Kuruluşunuzun da büyük boyutlarda ve hızlarda veri işlemeye hazır olabilmesi için Esri, yapay zeka işleriniz için ArcGIS Living Atlas of The World ile kullanımınıza hazır yapay zeka modellerini kullanıma sürdü. Bunlara bu bağlantıdan ulaşabilirsiniz.

Coğrafi veri kümelerinize uygulayabileceğiniz yapay zeka yeteneklerden daha önceden bahsettiğimiz, ArcGIS’te bulunan bir çok derin öğrenme modeli hakkındaki bilgilere buradan ulaşabilirsiniz.

Esri’nin Yapay Zeka ekibi buradaki modellerine sürekli olarak yenilerini eklemeye devam ediyor.

Yeni Derin Öğrenme Modelleri kullanılarak otomatik olarak çıkarılmış bina taban sınırları.

 

Yeni çıkan Kullanıma hazır modellerle ise siz ve kurumlarınızın derin öğrenme iş akışlarınızı çok daha kolay ve ölçeklendirilebilir hale getiriyor. Bu kullanıma hazır modeller yani eğitime gerek duymayan modeller, Esri tarafından çok büyük veri kümelerinden önceden eğitilmiştir ve nokta bulutu verilerinizden ya da uydu görüntülerinden sayısallaştırma yoluyla çıkaracağınız detayları otomatikleştirme için kolayca kullanılabilirler. Dahası yapay zeka ve derin öğrenmenin gücüne erişebilmek için ArcGIS Online hesabınız olması yeterlidir.

Modelleri Kullanma

Bu modelleri kullanmak oldukça kolaydır. ArcGIS Pro’daki coğrafi işlem araçlarını kullanarak verilerinize uygulayabilirsiniz. Örneğin Detect Objects Using Deep Learning aracı için araca girdi olarak görüntüleri ve yukarıdaki bağlantıdan indirdiğiniz modeli göstermeniz yeterli. Derin öğrenme işlemleri daha önce hiç olmadığı kadar kolay bir hal aldı. Tabi iyi bir grafik işlemci biriminizin olması işleri hızlandırmak için iyi olabilir ama gerekli değildir, modelinizi CPU ile de çalıştırabilirsiniz. Ya da işleri daha hızlı bir hale getirmek için ArcGIS Enterprise ile Image Server kullanabilirsiniz.

Bina taban sınırlarını çıkartma işleminin yapıldığı örnek video’yu buradan izleyebilirsiniz.

Bu derin öğrenme modellerinden nasıl yararlanabilirsiniz?

Muhtemelen, ayak izlerini sayısallaştırmak veya arazi örtüsü haritaları oluşturmak gibi görüntülerden detayları manuel olarak çıkarmanın zaman alıcı olduğunu söylemeye gerek yoktur. Derin öğrenme, bu süreci otomatikleştirir ve bu çıktıları elde etmek için gereken manuel etkileşimi önemli ölçüde aza indirir. Bununla birlikte, kendi derin öğrenme modelinizi eğitmek karmaşık olabilir, çok fazla veriye, kapsamlı bilgi işleme kaynağına ve derin öğrenmenin nasıl çalıştığına dair bilgiye ihtiyaç duyar.

Kaliforniya’dan örnek bina taban sınırları.

 

Kullanıma hazır modellerle, detayları manuel olarak çıkarmak veya kendi derin öğrenme modelinizi eğitmek için artık zaman ve enerji harcamanıza gerek kalmıyor. Bu modeller, çeşitli coğrafyalardan gelen çok büyük veri setleriyle eğitilmiştir. Siz kendi görüntülerinizle, bir düğmeye tıklayarak detayları kolayca çıkarabilir ve haritalama, görselleştirme ve analiz için CBS veri kümesi katmanlarınızı oluşturabilirsiniz.

Dubai’deki Palmiye Adalarından çıkarılmış örnek bina taban sınırları.

 

Kullanımınıza Hazır Yayınlanmış Birkaç Modeli Tanıyalım

ArcGIS Online’da sürekli olarak yenilerinin eklendiği derin öğrenme modelli mevcuttur. Bu modeller, ArcGIS Pro, Image Server veya ArcGIS for Python ile kullanabileceğiniz Derin Öğrenme Paketleri yani DLPK dosyaları şeklinde bulunmaktadır.

  1. Bina Taban İzini Çıkarma modeli, yüksek çözünürlüklü uydu görüntülerinden bina taban izlerini çıkarmak için kullanılır. Amerika Birleşik Devletleri verileriyle tasarlanmış ve eğitilmiş olsa da, dünyanın diğer bölgelerinde oldukça iyi performans gösteriyor.

    Bu model Dünya’nın farklı bölgelerindeki veri kümeleriyle de çalışmaktadır. İsveç’ten örnek sonuçlar.

     

    Bina taban izi katmanları, şehir bölge planlama, sigortacılık, vergilendirme, değişim tespiti ve altyapı planlaması gibi CBS işlerinde kullanılabilen verilerdir. Bazı sonuçlara ulaşabileceğiniz bir hikaye haritasına buradan erişebilir ve ArcGIS Pro’da nasıl uygulanabileceğine ilişkin bir videoya da buradan erişebilirsiniz.

  2. Arazi Örtüsü Sınıflandırma modeli, Landsat 8 görüntüleri kullanılarak bir arazi örtüsü ürünü oluşturmak için kullanılır. Ortaya çıkan arazi örtüsü haritaları, kentsel planlama, kaynak yönetimi, değişim tespiti ve tarım için kullanılabilir.

    Landsat 8 görüntülerinden sınıflandırılmış arazi örtüsü haritası.

     

    Bu jenerik model, Landsat 8 verileri ile Amerikan Ulusal Arazi Örtüsü Veritabanı (NLCD) 2016 üzerinde eğitilmiştir. Arazi örtüsü sınıflandırması karmaşık bir uygulamadır ve geleneksel yöntemlerle tespit edilmesi zordur. Derin öğrenme modelleri, bu karmaşık semantikleri öğrenme ve çok iyi sonuçlar verme konusunda yüksek kapasiteye sahiptir.

  3. Ağaç Nokta Sınıflandırma modeli, nokta bulutu veri kümelerinde ağaçları temsil eden noktaları sınıflandırmak için kullanılabilir.

    Ağaç nokta sınıflandırmalarıyla yapılmış 3 Boyutlu bir sahne.

     

    Ağaçlara ait noktalarının sınıflandırılması, yüksek kaliteli 3B altlık haritaları, kentsel planlama ve ormancılık iş akışları oluşturmak için faydalı olabilir. Bu derin öğrenme modeli 3B Altlık Harita Çözümü‘nde lidar verilerinden ağaçları sınıflandırmak ve ayıklamak için geliştirilmiştir.

Sonraki Adım

ArcGIS’te derin öğrenme modellerini kullanmak için buradaki ayrıntılı talimatları okuyarak, ArcGIS Living Atlas’taki derin öğrenme modellerini kendiniz deneyin.

Kaynaklar:

Living Atlas of the World | ArcGIS
Introducing ready-to-use geospatial deep learning models (esri.com)
Building Footprint Extraction (arcgis.com)
How-to: Extracting Building Footprints using Esri’s Deep Learning Model – YouTube

Esri Türkiye, Aralık 2020

Ücretsiz Mekansal Veri Bilimi Kursumuz Yayında!

Ücretsiz Mekansal Veri Bilimi Kursumuz Yayında!

Esri Türkiye eğitim ekibi olarak konumun gücünü ve iş dünyasında konum analizlerini nasıl kullanabileceğinizi ele alan “Konumun Gücü” adlı ilk ücretsiz kursumuzu Udemy platformu üzerinden 2019 yılı ağustos ayında yayınlamıştık. Bu kursumuza henüz katılmadıysanız “Esri Türkiye’nin Ücretsiz Konumun Gücü Kursu Başladı!” adlı blog yazımızı inceleyerek bilgi alabilir ve kursumuza katılmak için bu bağlantıyı kullanabilirsiniz.

Bu yıl ise 2020 yılının Esri tarafında içeriği ve popüler konusu ile en çok ses getiren kursu olan “MOOC – Spatial Data Science: The New Frontier in Analytics”; “Mekansal Veri Bilimi” isimi ile ikinci ücretsiz kursumuz olarak Udemy ortamında yayın hayatına geçmiştir. Bu kurs; ArcGIS Pro, ArcGIS Online, ArcGIS Notebooks, ArcGIS Spatial Analyst ve ArcGIS Image Analyst yazılımlarındaki güçlü analitik araçlar ile çalışarak, popüler açık veri bilimi paketlerini analizlere nasıl dahil edileceğini öğretmektedir.

Mekansal veri bilimi; analistlerin, makine öğrenmesi ve derin öğrenme teknikleri dahil olmak üzere kapsamlı bir dizi analitik yöntem ve mekansal algoritmalar kullanarak verilerden bilgi çıkartılmasına, yorumlanmasına ve paylaşılmasına olanak tanır. Bu kurs, gizli örüntüleri ortaya çıkarmak ve tahmine dayalı modellemeyi geliştirmek için mekansal veri biliminin uygulanmasını keşfeder. Kurs sonunda, Esri’nin ArcGIS yazılımında güçlü analitik araçlarla çalışabilmeniz ve popüler açık veri bilimi paketlerini analizlerinize nasıl entegre edeceğinizi öğrenmeniz temel hedefimizdir. Bu hedef doğrultusunda kurstan elde edeceğiniz kazanımlar şunlardır:

  • Mekansal veri biliminin gizli örüntüleri ortaya çıkarmaya nasıl yardımcı olduğunu anlamak,
  • Mekansal analize veri hazırlamak için ArcGIS veri mühendisliği yöntemlerini ve görselleştirme araçlarını kullanmak,
  • Uygunluk analizi, tahmine dayalı modelleme, uzay-zaman örüntü madenciliği ve nesne tespiti yaparak uygulamalı deneyim kazanmak,
  • İlgi çekici ArcGIS StoryMaps kullanarak analiz sonuçlarını ve içgörüleri iletmek.

Mekansal veri bilimi temel olarak problem çözme ile ilgilidir. Bu kurs size örüntüleri bulmak, daha iyi modeller oluşturmak ve sorunları çözmek için konumu nasıl kullanacağınızı göstermektedir. Bu sayede tahmin, kümelenme, uzay-zaman kümelenmeleri, uygunluk modellemesi ve derin öğrenme gibi birçok kavram hakkında bilgi sahibi olacaksınız. Kursumuza katılmadan önce derin öğrenme hakkında bilgil almak isterseniz “ArcGIS ile Derin Öğrenme Modelleri” adlı blog yazımızı da inceleyebilirsiniz.

Katılacağınız bu kurstan en iyi şekilde yaralanabilmeniz için sizlerle birkaç ipucunu paylaşmak isteriz:

  1. Teknik yeterliliklerinizi kontrol edin:
  • Kurs süresince kullanmanız gereken Esri yazılımları ücretsiz olarak sağlanmaktadır.
  • Sisteminizin tüm gerekli donanım özelliklerini karşıladığından emin olmalısınız. (Sistem gereksinimlerine sık sorulan sorular bölümünden ulaşabilirsiniz.)
  • Bir masaüstü bilgisayar, dizüstü bilgisayar veya tablet kullanmalısınız.
  • Geniş bantlı internet bağlantısı gerekmektedir.
  • PDF okuyucu eklentisinin kurulu olduğu bir tarayıcı kullanmalısınız. Google Chrome, Mozilla Firefox, Apple Safari veya Microsoft Edge’in en son sürümünü tercih edebilirsiniz.
  • Güvenlik duvarı ve tarayıcı ayarlarınızın gömülü video dosyalarını görüntülemenize izin verdiğinden emin olmalısınız.
  • Sıkıştırılmış dosyaları açmak için uygulamalarınızın olması gerekmektedir.

 

  1. Kurs içeriğini dikkatle takip edin:
  • Kurs içeriği video anlatımları, uygulamalı alıştırmalar ve kısa sınavlar gibi bölümlere ayrılmıştır. Tüm bu bölümleri sırasıyla takip etmelisiniz.
  • Adım adım kolaylıkla takip edilebilen uygulamalı alıştırmaları özenle tamamlamanız tavsiye edilir.
  • Bu alıştırmaları tamamlamak için talimatların çıktısını almanız, çift ekran kullanmanız ya da ayrı bir cihazdan açmanız en iyi alıştırma deneyimini sunacaktır.

 

  1. Zamanınızı iyi yönetin:
  • Her bölüm için en az 3 saat zamanınızı ayırmanızı tavsiye ederiz.
  • Her bölümü ayrı bir haftada bitirmek üzere programlama yapmanız da bu kurstan en yüksek verimi almanızı sağlayacaktır. Bölümler arasındaki zamanda eksiklerinizi araştırmak için Esri bilgilendirme sayfalarını, yardım dokümanlarını ve topluklarını kullanmanız konu hakkında kendinizi geliştirme fırsatı sunacaktır.

 

Daha fazla bilgi edinmek için sık sorulan soruları inceleyebilirsiniz:

  1. Mekansal Veri Bilimi kursuna nasıl erişebilirim?
    com üzerinden yayınlanan bu kursumuza https://www.udemy.com/course/esri-turkiye-mekansal-veri-bilimi/ bağlantısı aracılığıyla erişebilirsiniz. İstediğiniz zaman kursa kayıt yaptırabilirsiniz.
  2. Bu kursun konusu hakkında hangi bilgilere sahip olmam beklenmektedir?
    Bu kurs herhangi bir ön koşul gerektirmemektedir. Fakat istatistiki kavramlara ve Python’a aşina olmanız kurstan elde edeceğiniz deneyimlerinizi arttıracaktır.
  3. Bu kursa katılmak için herhangi bir ArcGIS yazılımına sahip olmama gerek var mıdır?
    Kursa katılım sağlayan tüm kullanıcılara, kurs alıştırmalarını tamamlamaları için ihtiyaç olan ArcGIS Pro, ArcGIS Online, ArcGIS Notebooks, ArcGIS Spatial Analyst ve ArcGIS Image Analyst yazılımlarına erişimi 60 gün süresince ücretsiz olarak sağlanmaktadır. Bu erişimin nasıl gerçekleştirileceği hakkında detaylı bilgi kursun içerisinde yer almaktadır. Yukarıda belirtilen ArcGIS yazılımlarının tamamına zaten erişiminiz varsa kursu tamamlamak için bu erişimi kullanabilirsiniz.
  4. Bu kursa katılabilmem için donanım gereksinimleri nelerdir?
    Bu kurs boyunca alıştırmaları yapabilmeniz için ArcGIS Pro ürününü yükleyeceksiniz. Bu nedenle bilgisayarınızın ArcGIS Pro için sistem gereksinimlerini karşılıyor olması gerekmektedir. ArcGIS Pro 2.6. sistem gereksinimlerini buradan inceleyeblirsiniz.
  5. Bu kursa ne zaman katılabilirim?
    Kurs Udemy platformunda açık olduğu sürece kendi çalışma hızınıza ve saatlerinize göre kursa katılabilirsiniz. İstediğiniz zaman kursa ara verip devam edebilirsiniz.
  6. Kurs tamamlandığında sertifika alacak mıyım?
    Bu kurs, daha geniş kitlelere ulaşabilmesi için ücretsiz olarak Udemy platformu aracılığıyla sunulmaktadır. Udemy’nin çalışma politikaları gereği Mart 2020 tarihi itibari yayınlanan ücretsiz kurslar için bitirme sertifikası özelliği kaldırılmıştır. Bu nedenle kursu tamamladığınızda bir sertifika sağlanamamaktadır.

Veri bilimine, makine öğrenmesi ve yapay zekaya meraklı, teknolojinin gündemdeki konularını keşfetmek ve ArcGIS yazılımının en son analitik yeteneklerini öğrenmek isteyen herkesi kursumuza bekliyoruz.

 

Esri Türkiye, 2020