ArcGIS GeoEvent Server 10.8.1 Sürümü Yenilikleri

ArcGIS GeoEvent Server 10.8.1 güncellemeleri GeoEvent Manager’da yeni bir izleme sayfası, geliştirilmiş girdi ve çıktı oluşturma iş akışları, Geofence insight iyileştirmeleri, GeoEvent Server’ı dağıtma ve yapılandırma hakkında yeni konular ve bilgiler içeren genişletilmiş belgeler gibi kullanılabilirlik iyileştirmelerini içerir.

ArcGIS GeoEvent Server’da yeni tek izleme sayfası

ArcGIS GeoEvent Server’da yeni tek izleme sayfası

Bu konuda değinilecek başlıklar aşağıda olduğu gibidir.

  • GeoEvent Manager
  • Geofences
  • GeoEvent Sampler
  • Dokümantasyon

 

GeoEvent Manager

Kullanıcılar artık birden fazla sayfada gezinmek zorunda kalmadan tüm giriş ve çıkışları kontrol edebilirler. GeoEvent Manager’ın yeni izleme sayfası Monitor, Servisler, Girdiler ve Çıktı sayfalarının artık birleştirildiği tek bir izleme sayfasında basitleştirilmiş kontroller sunar. Diğer iyileştirmeler aşağıda olduğu gibidir:

  • Tüm öğeleri, o anda durdurulmuş veya başlatılmış olanları veya daha hızlı tanımlama için hata durumunda olanları göstermek için öğe durumuna göre filtreleme yapılması.
  • Mesajlar göründüğünde uygulamadaki öğeleri aşağı kaydıran yeşil başlık bildiriminin yerini alan göze batmayan uygulama içi mesajlaşma için yeni “Toast” tarzı bildirimler.
  • Mevcut bağlayıcıların sıralı ve aranabilir listesi, alfabetik olarak sıralanmış bağlayıcıların önceki çok sayfalı listesi yerine artık tek bir sayfada sunulmaktadır.

 

Geofences

Kullanıcılar artık GeoEvent Sampler ile aynı entegre hafif haritalama işlemcisini kullanarak, içe aktarılan coğrafi sınırların geometrisini, seçtikleri altlık haritalarına  göre doğrulayabilirler.

 

GeoEvent Sampler

ArcGIS GeoEvent 10.8.1’de kullanıcılar için GeoEvent Sampler konusunda bazı iyileştirmeler gerçekleştirilmiştir. 10.8’de tanıtılan GeoEvent Sampler, işlenmiş olay verilerini gözden geçirmek ve görselleştirmek için hızlı bir yol sunan gömülü bir veri örnekleme aracıdır. (Bilgileri tazelemek veya GeoEvent Servislerinde GeoEvent Sampler farklı şekillerde kullanımı hakkında daha fazla bilgi edinmek için New Service Designer Capabilities in ArcGIS GeoEvent Server 10.8 GeoNet gönderilerine bakabilirsiniz.)

GeoEvent Sampler için 10.8.1 güncellemeleri şunları içerir:

  • Çevrimdışı ve özel temel haritalar dahil olmak üzere kullanıcıların kendi yayınlanmış harita hizmetlerinden yararlanması.
  • Doğrudan GeoEvent Sampler ile bir dizi temel harita arasında anında geçiş yapabilme.
  • GeoEvent Servisinin iki farklı düğümünden alınan örneklenmiş verileri karşılaştırma modunda kullanırken – daha hızlı gezinme ve gelişmiş analiz için harita görünümlerini paneller arasında senkronize etmek.
ArcGIS GeoEvent Server 10.8.1'de yeni ve yeniden yapılandırılmış belgeler

ArcGIS GeoEvent Server 10.8.1’de yeni ve yeniden yapılandırılmış belgeler

 

Dokümantasyon

Genişletilmiş ve güncellenmiş belgelerle GeoEvent Server’ı daha verimli bir şekilde planlayın, dağıtın ve yapılandırın. Dokümantasyon, dağıtım, sistem mimarisi, makine kaynak tahsisi, sanallaştırılmış donanım, gelişmiş dağıtım senaryoları ve daha fazlası için en iyi uygulamalara odaklanan yeni bir Deploy bölümüyle yeniden yapılandırıldı.

Güncellenen belgeler ayrıca yüksek performanslı GeoEvent Servisleri tasarlamaya yönelik ipuçları, GeoEvent Server sistem özellikleri ve GeoEvent Gateway sistem özellikleriyle çalışma ve yönetme konusunda yeni içerik içerir.

ArcGIS GeoEvent Server 10.8.1 sürümünde başka nelerin yeni olduğunu görmek için belgelerimize bakın. 10.8.1’de düzeltilen sorunların listesi için 10.8.1 Issues Addressed List’e bakın. GeoEvent Server’daki yeni sürüm veya diğer özellikler hakkında geri bildiriminiz varsa, lütfen GeoNet’in ArcGIS Ideas’daki Real-Time GIS bölümüne göz atın.

Drone2Map 2.2 ile Gelen Yenilikler

Bu konuda değinilecek başlıklar aşağıda olduğu gibidir.

  • Bölme yönetimi
  • Yer kontrol iyileştirmeleri
  • Görüntü bağlantılarının varsayılan rengini değiştirin
  • Kamera optimizasyon parametreleri
  • Görüntülerinizdeki hassas detayları koruyun
  • Gerçek zamanlı görüntü bilgisi
  • Topografyayı görselleştirin
  • Batch Project sonuçlarına hızlı erişim
  • Görüntü servislerine dayalı yükseklik kaynakları
  • GPS kaynağı ayarla
  • Kameranızı seçin
  • Daha hızlı işlem motoru

 

Bölme yönetimi

Proje çıktıları Manage bölmesinden yönetilerek projeniz için doğru olan ürünleri hızla seçmenize ve bu ürünlerin projenize nasıl dahil edileceğini kontrol etmenize olanak tanır. Bu bölmeyi aynı zamanda işleme seçeneklerine hızlıca erişmek için ve işlem adımlarını yönetmek, projelerinizin ilerleyişini izlemek için kullanabilirsiniz.

Manage bölmesi, ürün çıktılarına ve işleme seçeneklerine hızlı erişim sağlar.

Paylaşma seçenekleri, Manage bölmesine taşınarak işleri paylaşmanın ilerlemesini izlerken iş kuyruklarını daha akıcı şekilde yönetmenizi sağlar.

Sharing sekmesi, paylaşım işlemlerinin durumunu hızlı bir şekilde izlemenizi sağlar.

Sharing sekmesi, paylaşım işlemlerinin durumunu hızlı bir şekilde izlemenizi sağlar.

 

Yer kontrol iyileştirmeleri

Control Manager, Image Links düzenleyici ve harita arası üç yönlü senkronizasyon ile projenize yer kontrol eklemek daha hızlı ve daha kolay gerçekleştirilecektir. Birinde bir kontrol noktası seçmek, diğerinde kontrolü otomatik olarak etkinleştirir ve projenizdeki kontrol noktasını konumlandırmak ve yerleştirmek (locate and place control) için süreci düzene sokar.

Control Manager, Image Links Editor ve harita arasında üç yönlü senkronizasyon ile görüntü bağlantılarını daha hızlı bulun ve yerleştirin.

Control Manager, Image Links Editor ve harita arasında üç yönlü senkronizasyon ile görüntü bağlantılarını daha hızlı bulun ve yerleştirin.

 

Görüntü bağlantılarının varsayılan rengini değiştirin

Image Links Editor işaretçisini kendinize göre daha görünür hale getirebilirsiniz. Görüntülerinizde daha fazla görünürlük sağlamak için Image Links Editor işaretçisini özelleştirebilirsiniz.

Daha yüksek görünürlük için image links işaretçisinin rengini değiştirin.

Daha yüksek görünürlük için image links işaretçisinin rengini değiştirin.

 

Kamera optimizasyon parametreleri

Drone2Map’in dahili ve harici kamera parametrelerini nasıl optimize ettiği konusunda artık daha fazla kontrol sahibisiniz. Bu durum, üç boyutlu harita yüzeyinin altında veya üstünde çıktıları olan ve GCP olmayan üç boyutlu projelerde yardımcı olur.

Yeni işleme seçenekleri, dahili ve harici kamera parametrelerini optimize eder.

Yeni işleme seçenekleri, dahili ve harici kamera parametrelerini optimize eder.

 

Görüntülerinizdeki hassas detayları koruyun

Ortomosaik düzenleme araçlarının eklenmesiyle, artık hassas verileri ortomosaic’inizden, kuruluşunuzla paylaşmadan önce gizleyebilirsiniz (obscure sensitive data).

Hassas verileri ortomosaik düzenleme araçlarıyla koruyun.

Hassas verileri ortomosaik düzenleme araçlarıyla koruyun.

 

Gerçek zamanlı görüntü bilgisi

Image Information aracı, ek araçlar çalıştırmanıza gerek kalmadan proje çıktılarınızdan piksel değerlerini dinamik olarak görüntülemenizi sağlar.

Image Information aracıyla piksel değerlerini gerçek zamanlı olarak görselleştirin.

Image Information aracıyla piksel değerlerini gerçek zamanlı olarak görselleştirin.

 

Topografyayı görselleştirin

Dijital yüzey modeli ve dijital arazi modeli artık otomatik olarak gölgeli rölyef olarak oluşturulur, topografyayı vurgular ve dijital yükseklik modellerinizdeki ayrıntıları görsel olarak daha net hale getirir.

Varsayılan gölgeli rölyeflerle topografyayı görselleştirin.

Varsayılan gölgeli rölyeflerle topografyayı görselleştirin.

 

Batch Project sonuçlarına hızlı erişim

Batch Processing’den sonra, proje klasörleri otomatik olarak Catalog bölmesine eklenerek proje çıktılarına daha hızlı erişim sağlar.

Batch proje sonuçlarına hızlı erişim sağlanır.

Batch proje sonuçlarına hızlı erişim sağlanır.

 

Görüntü servislerine dayalı yükseklik kaynakları

Haritadan kontrol noktası eklerken veya görüntü rakımlarını ayarlarken yükseklik kaynağı olarak mevcut görüntü servislerinizi kullanın.

Yükseklik kaynaklarınızı görüntü hizmetlerine göre kullanın.

Yükseklik kaynaklarınızı görüntü servislerine göre kullanın.

 

GPS kaynağı ayarla

GPS verilerini içe aktarmanın yanı sıra, Set GPS Source aracı, hangi GPS etiketlerinin kullanıldığını görmenize ve doğruluk ve rakım referansı gibi temel özellikleri değiştirmenize olanak tanır.

GPS meta verilerinin daha fazla kontrolü sağlanır.

GPS meta verilerinin daha fazla kontrolü sağlanır.

 

Kameranızı seçin

Doğru kamera modelini seçmek, yüksek kaliteli çıktılar elde etmek için çok önemlidir. Şimdi Edit Camera aracında, önceden kaydedilmiş birden çok kamera arasından seçim yapabilirsiniz.

Kamera veritabanındaki birden çok standart kamera modeli arasından seçim yapın.

Kamera veritabanındaki birden çok standart kamera modeli arasından seçim yapın.

 

Daha hızlı işlem motoru

Drone2Map, daha hızlı bir işleme motoruyla yükseltildi. İlk işleme ve yoğun işleme adımları, daha hızlı sonuçlar elde etmek için iyileştirildi, bu da verilerinizin işlenmesi için daha az beklemek ve sonuçlarla çalışmak için daha fazla zaman anlamına gelir.

 

 

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

 

Nasıl Yapılır: Nokta Konumlarındaki Raster Değerlerini Bulma

Çoğu zaman analizlerinizde nokta konumlarına dayalı olarak yükseklik, eğim ve sıcaklık gibi raster verilerinizden değerler elde etmeniz gerekebilir. Örneğin, belirlenmiş bir havza alanındaki yağış hacmini belirlemek, bir topografik araştırmada her bir istasyonun yüksekliğini belirlemek veya bir akarsuda her bir ölçüm istasyonundaki suyun hızını belirlemek isteyebilirsiniz. Spatial Analyst, 3D Analyst ve Geostatistical Analyst ek bileşenleri nokta konumlarındaki raster değerini belirleyebileceğiniz çeşitli araçlar sunar. Bunlar “Extract Values to Points”, “Extract Multi Values to Points”, “Sample”, “Add Surface Information” ve “Extract Values to Table” araçlarıdır. Bu blog yazısında birbirine benzer işlemler gerçekleştiren bu 5 aracı birbirinden ayıran özellikler ele alınacaktır.

Analizinize başlamadan şu soruları cevaplamanız doğru aracı seçmeniz için size yardımcı olacaktır:

  • Değerler nokta verinize tek bir raster verisinden mi birden fazla raster verisinden mi aktarılacaktır?
  • Eğer girdi raster veriniz çok bantlı ise, değerleri ilk banttan mı yoksa tüm bantlardan mı elde etmek istiyorsunuz?
  • Raster değerlerinizi mevcut bir girdi detay sınıfınıza mı yazdırmak istiyorsunuz yoksa raster değerleri ile yeni bir detay sınıfı mı oluşturmak istiyorsunuz?
  • Girdi raster verinizin tüm öznitelik bilgilerini girdi detay sınıfınıza eklemek istiyor musunuz?
  • Girdi raster verinizden ya da raster verilerinizden tam değerleri mi yoksa interpolasyonlu değerleri mi elde etmek istiyorsunuz?

Analize başlamadan bu soruları cevaplamanız analizinizi gerçekleştirmek için en iyi yöntemi belirlemenize yardımcı olacaktır.

Şimdi de yukarıda yanıtlamış olduğunuz sorular ışığında “Extract Values to Points”, “Extract Multi Values to Points”, “Sample”, “Add Surface Information” ve “Extract Values to Table” araçlarını kısaca inceleyelim.

  • “Extract Values to Points” aracı girdi katmanı olarak tek bir raster veri kullanır. Girdi katmanı olarak çok bantlı bir raster veri kullandığınızda bile varsayılan olarak ilk bant değerlerini ya da sizin tanımlamış olduğunuz tek bir bant değerleri ile işlem gerçekleştirir.
  • “Extract Multi Values to Points” aracı raster değerlerini girdi detaylarınızın öznitelik tablosuna ekler. Detay öznitelik tablonuzda raster değerleriniz varsayılan olarak girdi raster verinizdeki aynı alan adıyla saklanır. Ancak dilerseniz bu araçla alan adını değiştirebilirsiniz.
  • “Sample” aracı ile raster değerleriniz girdi raster verinizdeki aynı alan adıyla saklanır ve araç içerisinden değiştirilemez. Raster değerleriniz yeni bir tabloya yazdırılır.
  • “Add Surface Information” girdi detay sınıfınıza yüzeyden elde edilen bilgiler eklenir. Girdi raster verisi yerine TIN ve LAS veri kümelerini de kullanabilirsiniz.
  • “Extract Values to Table” aracı nokta veya çokgen detay sınıfına bağlı olarak bir veya birden fazla raster katmanınızdan hücre değerlerini bir tabloya yazdırmanızı sağlar.

Tüm bu araçların girdi verileri, çıktı verileri, kullanmış oldukları interpolasyon yöntemleri ve bulundukları ek bileşenler açısından karşılaştırmasını aşağıdaki tablodan inceleyebilirsiniz.

Şimdi de birkaç örnek yardımıyla doğru araçları nasıl belirleyeceğimizi ele alalım.

Belirli bir konumda bulunan nokta detaylarınıza tek bir rasterdan değerleri aktarmak istiyorsanız:

Bazı meteorolojik gözlem istasyonlarınız olduğunu ve bu konumların yüksekliğini bulmak istediğinizi varsayalım.

Bu senaryoda yükseklik bilginiz barındıran sayısal yükseklik modeliniz tek bir raster katmandır. Tüm bu araçlar girdi katmanı olarak bir raster katmanını desteklediği için herhangi birini tercih edebilirsiniz. Burada tercihiniz çıktı katmanı için neye ihtiyacınız olduğuna bağlı olarak değişecektir. Örneğin yükseklik bilgilerinizi girdi detay sınıfınızın öznitelik tablosuna eklemek istiyorsanız “Extract Multi Values to Points” ya da “Add Surface Information” araçlarından birisini tercih edebilirsiniz.

Belirli bir konumda bulunan nokta detaylarınıza birden fazla rasterdan değerleri aktarmak istiyorsanız:

Regresyon kullanarak erozyona etkisi olan faktörleri incelemek istediğinizi varsayalım. Arazinin çeşitli yerlerinde bulunan örneklem noktalarınız var ve bu konumlardaki sıcaklık, toprak nemi, bitki yoğunluğu, eğim ve yağış miktarı gibi çeşitli faktörlerin değerlerini bu örnek konumlarınızda nasıl olduğunu incelemek istiyorsunuz.

Bu senaryoda örnek nokta konumlarınızda birden fazla raster katmandan değer elde etmeniz gerekmektedir. “Extract Multi Values to Points”, “Sample” ve “Extract Values to Table” araçlarının her biri girdi katmanı olarak birden fazla raster katmanı desteklediği için herhangi birisini tercih edebilirsiniz. Burada tercihiniz yine çıktı katmanı için neye ihtiyacınız olduğuna bağlı olarak değişecektir. Örneğin tüm bu raster değerlerini girdi detay sınıfınızın öznitelik tablosuna eklemek istiyorsanız “Extract Multi Values to Points” aracını seçebilirsiniz. Eğer tüm bu raster değerlerini bir tablo olarak elde etmek isterseniz “Sample” veya “Extract Values to Table” araçlarından birisini tercih edebilirsiniz. Eğer bu analizi belirli nokta konumlarında değil tanımlanmış alanlarda gerçekleştirmek isterseniz ise “Extract Values to Table” aracı doğru bir tercih olacaktır.

Bu bilgiler ve kıyaslamalar doğrultusunda önceden tanımlı konumlara dayalı olarak raster verilerinizden değerler elde etmek istediğinizde doğru aracı tercih edebilirsiniz.

Esri Türkiye, 2020

Tedarik Zincirinizi Yönetin ve COVID-19 Sürecinde Riski Azaltın!

Tedarik zinciri yönetimi, tedarik zincirinden tedarikçiye, üreticiden müşteriye, dağıtımcılar, toptancılar, satıcılar ve daha pek çok birim aracılığıyla, her bir noktadaki süreçlerin tamamını denetlemek anlamına gelir. Tedarik zinciri genellikle sürekli bir dizidir, ham maddeleri veya diğer malzemeleri tüketiciler veya son kullanıcılar için ürünlere dönüştürür.

Etkin bir şekilde yönetilen tedarik zinciri, mal ve hizmetlerin güvenli ve zamanında teslim edilmesini sağlar, ancak COVID-19 virüsü ile gördük ki bu süreç her zaman normal seyrinde ilerlemeyebilir. Üretim hareketliliğini ve gönderilerin akışını sağlamak ve olası riskleri anlamak için konum bilinci önemlidir çünkü tedarik zincirindeki bileşenlerin coğrafi konumunu anlamak, belirli bir olayın tedarik zincirini nasıl etkileyeceğini anlamamızı sağlar. Görselleştirme ve coğrafi-mekansal teknikleri kullanarak tedarik zinciri etrafında dönen iş sorularının ve olası sorunların çoğuna cevap verebilirsiniz.

Özetle, bir tedarik zincirinin başarılı olabilmesi için konum bilinci, gerçek zamanlı izleme ve analiz süreçlerinin bir entegrasyonu olmalıdır. ArcGIS Platformunun güçlü görselleştirme ve analiz yetenekleri kullanarak tedarik zincirinizi daha verimli yönebilir ve olası riskleri önceden belirleyip hızlı kararlar alabilirsiniz.

 

Bir Çözüm Olarak ArcGIS Platformu…

Tedarik zinciri ele alındığında, yöneticilerin, tedarikçilerin, çalışanların ve müşterilerin, ürünlerin nerede olduğu gibi bilgileri gerçek zamanlı olarak görmek ve takip etmek gibi ortak ihtiyaçları vardır. Tedarik zinciri kuruluşları, tedarikçiden üreticiye, dağıtım merkezlerine ve hatta son alıcıya kadar tüm uçtan uca ilişkileri ve bağımlılıkları  görselleştirmek ve analiz etmek için ArcGIS Platformunu kullanabilirler. Şirketler, sorunlar ve tehtitler ortaya çıkmadan önce tahminler yapmak için belirli analizler yapabilirler. Örneğin, bir üretim merkezi risk altındaysa, bu risk durumu ve etkileyeceği diğer tedarik ağı görselleştirilebilir, sorunun nereden kaynaklandığını bulunabilir. ArcGIS Platformu, masaüstü, web ve mobil ortamlarda entegre bir şekilde çalışır ve tedarik zincirinin her aşaması kullanıcılar tarafından istenilen zamanda istenilen yerde ulaşılabilir. Bu süreçleri, ArcGIS ile nasıl yönetebileceğimizi anlamak için hep beraber bir örnek üzerinde görelim.

 

Örnek Senaryo: COVID-19 Sürecinde Tedarik Zinciri Yönetimi

*Bu çalışmada kullanılan verilerin gerçekle bir ilgisi yoktur. Lütfen dikkate almayınız.

Bu örnek senaryomuzda ArcGIS Platformunun web tarafındaki yeteneklerini kullanarak bir tedarik zinciri yönetim çalışması gerçekleştireceğiz. COVID-19 süreci düşünüldüğünde, özellikle gıda temini ve gıda dağıtımı gibi operasyonların sürekli gündemde olduğunu ve sürekliliğinin devam etmesi gerektiğini bir kez daha gördük. Bu örneğimizde bir gıda tedarik zincirini ArcGIS Insights kullanarak nasıl görselleştirebileceğimizi ve analiz edebileceğimizi görelim. Siz de bu örnekteki gibi yerel bir ölçekte operasyonlarınızı yürütebileceğiniz gibi küresel ölçekte de bu çalışmaları gerçekleştirebilirsiniz.

İsterseniz CBS tabanlı bu çalışmamıza haritalama ve görselleştirme ile başlayalım. Öncelikle, tedarikçilerden üreticilere, üreticilerden dağıtım merkezlerine ve son olarak perakende satış noktaları ya da gıda temin noktalarına kadar olan süreci görselleştirebilirsiniz. Burada şu sorulara cevap verebiliriz:

  • Tedarikçilerim nerelerde, bize hangi hammadde ya da ürünü sağlıyorlar? Günlük, haftalık ve aylık sağladığı ürün miktarları nedir?
  • Üretim tesislerim nerelerde ve ne üretiyorlar? Günlük, haftalık, aylık üretim miktarları, verimlilikleri ve stok miktarları nedir?
  • Depo ve dağıtım merkezlerim nerelerde? Hangi ürünleri şehirin hangi bölgelerine dağıtıyorlar? Mevcut stok miktarları nedir?
  • Perakende satış noktaları ve gıda temin noktaları nerelerde? Bunlar COVID-19 sürecinde normal seyrinde mi çalışıyor? Eve servis hizmeti verenler hangisidir?

Aşağıdaki örnekte görüldüğü gibi sadece haritalar değil, aynı zamanda çok farklı türlerde grafik ve görseller oluşturabilirsiniz. Burada, tahıl ürünleri tedarikçileri hangileri ve alt kategori olarak buğday, çavdar, yulaf gibi ürünlerden hangilerini ne kadar sağlanıyor bilgisine ulaşabilirsiniz. Aynı şekilde depoların stokladığı ürünün hacimine göre dağılımı gibi birçok bilgiyi kullanarak görsel grafikler oluşturabilirsiniz. Bu şekilde tüm tedarik zinciri bileşenlerini haritalara ve grafiklere dökerek bir bakışta ne durumda olduklarını anlayabilirsiniz.

ArcGIS Platformunun analiz yetenekleri sayesinde görselleştirmenin ötesine gidebilirsiniz. Tedarik zincirindeki bileşenlerin ilişkisini göstermek için bağlantı analizleri yapabilirsiniz. Bağlantı analizi, bir veri kümesindeki ilişkilere ve bağlantılara odaklanan bir analiz tekniğidir. Bağlantı analizi size merkezlilik ölçülerini (derece ve yakınlık) hesaplama ve bağlantı grafiğindeki veya bağlantı haritasındaki bağlantıları görme yeteneği verir. Siz de tedarik zincirinizdeki ürünlerin akışını modellemek için bağlantı analizi gerçekleştirebilirsiniz. Böylece, nereden nereye ürün akışı oluyor ve bu aktarılan ürünün miktarı nedir gibi sorulara cevap verebilirsiniz.

Aşağıdaki örnekte görüldüğü gibi karmaşık tedarik zincirini harita üstünde görselleştirip ürün akışlarını yönlerine ve aktarılan ürün miktarına göre analiz edebilirsiniz. Sadece harita üzerinde değil, aynı zamanda bağlantı grafiği oluşturabilir ve böylece ilişkileri daha basit bir şema üstünden görüntüleyebilirsiniz. Burada merkezi bir bağlantı kurabileceğiniz gibi hiyerarşik bağlantılar da oluşturabilirsiniz. Harita ya da grafikte bir seçim yaptığınızda, örneğin bir üretim tesisini seçtiğinizde, o üretim tesisine hangi tedarikçiler ürün sağlıyor ve o üretim tesislerinden şehrin hangi bölgelerine ürün gidiyor gibi bilgileri doğrudan görüntüleyebilirsiniz. ArcGIS Insights, etkileşimli bir çözüm olduğu için, siz harita ya da grafikte bir seçim yaptığınızda tüm projedeki harita ve grafikler o seçilen detaya göre filtrelenir ve değişir.

COVID-19 sürecinde tekrar gördük ki tedarik zinciri yönetimi her zaman doğrusal şekilde yürümeyebilir. Bu süreçte riskin en çok olduğu bölgeyi tespit etmek, o bölgedeki tedarik zinciri bileşeninin çalışma durumu hakkında önemli bilgi verir. Bu senaryoda, öncelikle hangi bölgelerin COVID-19 açısından riskli olduğunu, ve o bölgede hangi tesislerimizin olduğunu bularak başlayacağız. Daha sonra bu süreçte devamlılığın devam etmesi için hangi adımların atılması gerektiğini tespit edeceğiz.

Öncelikle birden fazla katman ve bilgiyi tek bir harita üzerinde farklı sembolojiler kullanarak görselleştirebiliriz. Burada hangi ilçelerde COVID-19 yayılımının fazla olduğunu görmek için ilçeler çokgen verisinin içine COVID-19 vaka sayılarını yazdırabilirsiniz. Koyu renkte olanlar, yayılımın yüksek olduğu yerler ve açık renge doğru gittikçe riskin azaldığını görebiliyoruz. Burada doğrudan hangi ilçelerde bu riskin fazla olduğunu ve bu bölgelerde yer alan dağıtım merkezlerinin artık normal seyrinde çalışmaması gerektiğini belirleyebiliriz.

*Bu çalışmada kullanılan verilerin gerçekle bir ilgisi yoktur. Lütfen dikkate almayınız.

Bu analizi gerçekleştirdikten sonra bir ağ analizi gerçekleştirerek, optimum şekilde perakende noktalarına hizmet veren dağıtım merkezlerini belirleyebiliriz. Bu ağ analizlerini gerçekleştirirken otomobil, tır ve yürüme gibi ulaşım modlarını belirleyebilir ve yarım saat sürüş mesafesi gibi parametreleri analizine dahil edebilirsiniz. Biz yarım saat ve bir saat tır sürüş mesafelerini hesaplayalım. Aşağıdaki görselde gördüğünüz gibi kahverengi alanlar yarım saatlik tır sürüş mesafesiyken, yeşil alanlar bir saatlik tır sürüş mesafeleridir. Göründüğü gibi tüm perakande noktaları (lacivert noktalar) bu sürüş mesafesi içinde kalmamaktadır. Bu yüzden farklı bir ağ analizi daha gerçekleştirebiliriz. Gerçekleştirdiğimiz analizimizde ,dağıtım yapılacağı için, ulaşım modu olarak tır belirledik ve optimum bir şekilde hangi perakende noktalarına hizmet vermeleri gerektiğini, en yakın tesis aracını kullanarak bulduk.

İlçe 1 ve İlçe 2’deki dağıtım merkezlerinin risk altında olduğunu ve normal seyrinde bu süreçte çalışmaması gerektiğini analiz ettik. Peki bu süreçte hangi dağıtım merkezleri bu görevi üstlenerek dağıtımı gerçekleştirmeye devam edecek? Öncelikle aşağıda gördüğünüz açık mavi noktalar, risk altındaki dağıtım merkezlerinin servis verdiği perakende noktalarıdır. Bu noktalara, COVID-19 sürecinde hangi dağıtım merkezi ya da merkezleri hizmet vermelidir? Burada söz konusu analizimiz yine bir ağ analizidir. Burada, açık mavi noktaları (hizmet alamayan perakande noktaları) seçiyoruz ve en yakın tesis adlı ağ analizimizi gerçekleştiriyoruz. Burada aşağıda görebileceğiniz gibi optiumum bir şekilde bu süreçte o alanlara hizmet vermesi gereken dağıtım merkezimizi tespit ediyoruz.

Analizimizin bir ileri aşaması olarak demografik bilgileri kullanabiliriz. Bu demografik bilgileri doğrudan 2019 için Esri’nin sağladığı verileri kullanarak mevcut verilerimizi zenginleştirebiliriz. Burada özellikle karantina altında olan 60 yaş üstü nüfus gibi risk altındaki kişilerin nerelerde yaşadığını tespit etmemiz önemli olabilir.

Aşağıdaki gördüğünüz örnekte yine harita ve grafikler yardımı ile 60 yaş nüfusunun yoğun olduğu ilçelerdeki COVID-19 yayılımını analiz edebilirsiniz. Bizim örneğimizde bu yazı için rastgele üretilen veriler ile hem COVID-19 yayılımı açısından fazla hem de 60 yaş üstü nüfus açısından fazla olan ilçeler aşağıdaki gibi belirlenmiştir. Bu bölgedeki eve servis hizmeti veren gıda temin noktalarının yeterli olup olmadığı gibi analizler gerçekleştirilebilir.

Yapılan analizlerle ilgili risk durumları ve COVID-19 sürecindeki gıda temini ile ilgili bilgilendirme sağlanmak üzere belirli web uygulamaları yapılandırılabilir. Sıfır kod ile yapılandırabileceğiniz bu uygulamalarda anket bazlı gıda talepleri alabilir, eve servis hizmeti veren noktalar nerelerde, bana en yakın gıda temin noktası nerede gibi bilgileri dahil ederek kamuyu bilgilendirebilirsiniz. Bu uygulama üzerinden doğrudan bana en yakın açık gıda temin noktası neresi ve ne kadar uzaklıkta, kaç dakika içinde gidebilirim, stok bilgileri neler gibi birçok bilgi yapılandırılabilir ve istenen bölgeye doğrudan yönlendirme alınabilir.

Bu blog yazısında anlatılan çözümlerimizin dışında, yine tedarik zincirinizle ilişkili olan ve COVID-19 sürecinde sürekliliğinin devam etmesi gereken bir diğer süreç gıda dağıtımıdır. COVID-19 sürecinde 65 yaş üstü nüfus gibi ihtiyaç sahiplerine gıda dağıtımını nasıl ArcGIS Platformu ile verimli bir şekilde gerçekleştirebileceğinizi anlattığımız blog yazısına aşağıdan ulaşabilirsiniz.

ArcGIS Ürünleri ile COVID-19 Sürecinde Gıda Dağıtım Çözümleri

Bu iki blog yazımızda anlattığımız çözümler ve diğer birçok çözümü içeren ‘COVID-19 Sürecinde Gıda Tedarik Zinciri Yönetimi’ adlı webinarımıza bu linkten ulaşabilir ve kayıdı izleyebilirsiniz.