2020’de Mekansal Analiz ve Veri Bilimine Genel Bakış

2020’de Mekansal Analiz ve Veri Bilimine Genel Bakış

2020 Geliştiriciler Zirvesi olarak bilinen Developer Summit’te mekansal analiz ve veri bilimi iş akışları için güçlü ve kapsamlı bir platform  olan ArcGIS’in yeteneklerini gösteren bir çok özellik anlatıldı. Bu yazı; bu konularda genel bilgi vermeyi amaçlayacak şekilde oluşturulmuştur. Ayrıca linke tıklayarak zirvede anlatılan diğer içerikleri ve videoları da izleyebilirsiniz.

Aşağıda gördüğünüz gibi veri bilimi iş akışı tipik olarak veri mühendisliğiyle başlar. Bu aşama verinin dönüşümünü, çıkarımını, hazırlanmasını ve zenginleştirilmesini kapsar. ArcGIS, analiz için kullanacağınız verileri kolayca oluşturmanıza yardımcı olur. Sonrasında verinin nelere sahip olduğunu ve olmadığını keşfetmek için görselleştirme ve keşfetme devreye girer. Mekansal analizler çalıştırılabilir ve konumu etkinleştirilmiş veriler Python veya R içinde modelleme ve komut dosyası için kullanılabilir. Sonuncu olarak iş akışında cevapların aksiyona döndüğü kısım; paylaşım ve işbirliğidir. ArcGIS tüm verileri entegre eder ve bunları harita, sahne ve katman gibi coğrafi bilgi varlıkları olarak düzenlemeye yardımcı olur.

Mekansal analiz ve veri biliminde güçlü ve kapsamlı platform

Bu sene; çok boyutlu raster veriler, hatta yapılandırılmamış verilerle ilgili çalışmalara ek olarak, lidar verileri ve full motion video gibi konularla ilgili geliştirme alanında yapılabileceklere değinilmiştir. Yazının ilerleyen kısımlarında bu konularla ilgili daha çok bilgiye erişebilirsiniz.

Açık Bilim, Araçlar ve Deneyimler

Veriyi dönüştürmede ArcGIS açık deneyimlerle entegredir. Makine öğrenmesi için Tensor Flow, Keras, PyTorch, veri düzenleme için pandas ve NumPy açık bilim kütüphaneleri, API’lar ve araçlarla entegre bir platform sunar.

Demo örneklerine geçmeden önce R- AcGIS Bridge’e gelen yenilikler kısaca şu şekilde özetlenebilir: portal öğelerine erişmek için Online veya Enterprise’dan bağlantı kurma yeteneği, Conda üzerinden R Notebook ile entegrasyon, R iş akışları içinde ArcPy çağırarak coğrafi işlem araçlarını çalıştırma.

– ArcGIS Notebooks’un ArcGIS Pro ile Entegre Çalışması

ArcGIS Notebooks; etkileşimli haritalama, semboloji, grafikler ve seçimler yoluyla analiz ve veri bilimi iş akışlarını yürütmenin, görselleştirmenin ve yinelemenin dinamik bir yoludur. Açık kaynak kütüphanelerinin sorunsuz entegrasyonu sayesinde, mekansal veri bilimi iş akışları sezgisel yollarla genişletilebilir. Demo olarak gösterilen bir örnekte “random forest” makine öğrenme algoritmasını kullanarak; sağlık verileri kronik böbrek hastalığından etkilenen nüfus yüzdelerini bölgelere göre göstermek için modellendi.

ArcGIS Notebooks ArcGIS Pro’yla entegre çalışır

Maliyeti düşürmenin ve hizmet sunumunda verimliliği artırmanın potansiyel bir yolu, dengeli idari bölgeler oluşturmaktan geçtiği için öncelikle bu konuda çalışıldı. İhtiyaç duyan hastalar, gelir düzeyleri ve diyaliz merkezlerine uzaklık gibi bir dizi öznitelik değerine dayalı olarak dengeli idari bölgeler tahmin edildi. ArcGIS Pro’nun Jupyter Notebooks ile entegre olması sayesinde analizin başlık, görseller ve etkileşimli grafikler de dahil olmak üzere anlamlı bir bağlamla optimize edilebildiği gösterildi.

Başlıklar, görseller ve etkileşimli analizlerin ArcGIS Pro içinde Notebooks ile görünümü

 

İkinci bir örnekte ise; Hindistan’daki protesto türlerini incelemek üzere açık kaynak kütüphanesinden yararlanılarak geçmiş yıllara dönük veriler iki ana grupta toplandı. Daha sonra analizini geliştirmek için açık kaynak kütüphaneleri içe aktarıldı. İlk olarak; mevcut öznitelik sınıfını bir “pandas DataFrame”e dönüştürerek öznitelikler tablo biçiminde görüntülendi ve seçildi. Daha sonra, verileri mekan ve zamanda görselleştirmek üzere istatistiksel grafikleri ve çizelgeleri dahil etmek için “seaborn” kullandı. Son olarak, kendi kategorileri arasında mekansal bir ilişki olasılığını belirlemek için ArcPy’nin colocation analiz aracı kullanıldı.

ArcPy ile Colocation analizi

Yapılan demo sunumunu izlemek için tıklayınız.

– Büyük Veri Analizi

GeoAnalytics Araçları, büyük miktarda veri arasındaki ilişkileri ve kalıpları tanımlamak için mekansal analizden yararlanır. GeoAnalytics, Apache Spark kullanarak vektör ve tablo veri kümelerini analiz etmek için paralel analiz gerçekleştirir. GeoAnalytics Server ile kuruluşlar birden çok makinede dağıtılmış analiz gerçekleştirirken, GeoAnalytics Desktop Araçları masaüstü makinenizdeki yerel verilerle paralel analiz yapmak için ArcGIS Pro’yu kullanır. ArcGIS Pro 2.5 ile tanıtılan ve GeoAnalytics Desktop araç kümesi ile nokta kümelenmelerini bulmayı sağlayan “Find Point Clusters” gösterildi. Gösterilen veri kümesinde 4.5 milyondan fazla nokta bulunmaktaydı. Belirlenen değişkenlere göre analiz gerçekleşirken Apache Spark masaüstü makinesinde işliyor ve coğrafi işleme ortamındaki 32 çekirdeğin tamamında paralel analiz yürütüyordu. Paralel analiz; analizi hızlandırmak ve genel performansı artırmak için işlemlerin birden fazla çekirdekte gerçekleştirilmesine izin verir.

Analiz çalışırken masaüstü çekirdeği kullanımı

Yapılan demo sunumunu izlemek için tıklayınız.

– Raster Analitik ve Python API

Raster analitikle ilgili örnek mercanlarla ilgilidir. Mercan resifleri gezegendeki en önemli ekosistemlerden biri olup, iklim değişikliğinin de içinde yer aldığı bir çok tehlikeyle karşı karşıyadır.  Okyanus sıcaklığının artması demek mercanların hayatta kalması için gereken sıcaklığın çok üstüne çıkılması demek olabilir. Aradaki bağlantının incelenmesi için raster analitik devreye giriyor. Bu demoda Raster analitik içindeki Multidimensional Analiz araçlarından yararlanılmıştır. Notebooks ve Python API kullanılarak Deniz yüzeyi sıcaklığının mercan ağartma üzerindeki etkisini anlamak için zaman serisi tahmin yetenekleri kullanan bir model oluşturuldu. Living Atlas içindeki multidimensional veri küpü kullanıldı. Bu veride 2008 yılına kadar günlük sıcaklık bilgileri bulunuyor. Aggregate multidimensional raster fonksiyonu ile bu veriden analizde kullanılmak üzere haftalık sıcaklık verisi üretildi.

Küresel günlük sıcaklık dilimleri ile çok boyutlu veri küpü

Her bir hücrenin (cell) zamanla ısınıp ısınmadığını veya soğuyup soğumadığını belirlemek için zaman serisi modeli oluşturuldu ve bu trende  dayanarak 2022 yılına kadar gelecekteki deniz yüzeyi sıcaklıklarını tahmin edilmek için fonksiyon çalıştırıldı. Böylece geleceğe yönelik beklenen değerleri bulup bunu gözlemlenenle karşılaştırma fırsatı bulunmuş oldu.

Gözlenen ve tahmin edilen deniz yüzeyi sıcaklık noktalarının karşılaştırılması

Bir sonraki aşamada belli bir eşiğin üstündeki sıcaklıklara odaklanılarak, zaman içinde sıcaklık anomalilerinin görüldüğü çok boyutlu veri küpü oluşturuldu. Sıcaklık anomalileri uzarsa, mercan sonunda ölebilir; bununla birlikte, maruziyet daha kısa süreler içinse mercanın iyileşme şansı vardır. Bunu bulmak için ise uzun süreli ısınma dönemlerinin ne zaman meydana geleceğini tahmin etmeye yarayan fonksiyon kullanıldı. Bu demoda 5 tane alarm seviyesi kullanılarak sonuç haritalaması gerçekleştirildi. Böylece üretilen tüm çıktılar ve odaklanmış mercan resifi ağartma verileriyle birlikte uyarı seviyeleri hızlı bir şekilde izlenebilir hale geldi.

Uyarı seviyelerini ve zaman içinde mercan stresini gösteren gösterge paneli

Yapılan demo sunumunu izlemek için tıklayınız.

– LiDAR Nokta Bulutundan AI ile Veri Çıkarımı

ArcGIS API for Python’ın Learn modülünü kullanarak LiDAR nokta bulutlarındaki verileri otomatik olarak etiketleyebilir ve ayıklayabilirsiniz. Modül artık eğitime hazır PointCNN sinir ağını içerdiği için PointCNN’yi kuruluşunuzun gereksinim duyduğu nesneleri algılaması için kolayca eğitebilirsiniz. Manuel etiketleme yerine AI sayesinde çok daha kısa bir sürede etiketlemeyi tamamlamış olursunuz.

Üstte manuel etiketlendirilen nokta bulutu, altta görünen AI ile etiketlenmiş nokta bulutunu göstermekte

Yapılan demo sunumunu izlemek için tıklayınız.

 

– Derin Öğrenme Araçları ile Full Motion Video

Bu demoda bir kedi balığı dedektörü modelinin ArcGIS Pro’nun tam hareketli video araçlarından türetilen bir eğitim seti kullanarak nasıl eğitileceği anlatılmıştır. İlgi çekici nokta eğitilmiş modelin bütün video boyunca balıkları etkili bir şekilde algılamasıdır. Burada izlenen yol; seçilen her karede nesnelerin tanımlanması ve sınıflandırılması, özniteliklerin detay katmanında eğitim verisi olarak tutulması ve tahminsel kedi balığı dedektör modelini çalıştırmak için eğitim verilerini girdi olarak kullanılması şeklindedir. Bu çalışma ve bunun gibi çalışmaların sonuçları daha sonra tür kaybıyla ilgili yerel balıkçı ve koruma uzmanları gibi kilit paydaşlarla paylaşılabilir.

Yapılan demo sunumunu izlemek için tıklayınız.

– Yapılandırılmamış Metinden Veri Çıkarımı ve Haritalama

Bahsedeceğimiz son demo örneği yapılandırılmamış metinden veri çıkarımı olacak. Veriler her zaman konumsal bilgileri hazır bir coğrafi veri kümesi olarak gelmez, onun yerine metin tabanlı raporlardan da veri çıkarımı yapmak gerekebilir. Bu tarz verileri standart formata getirme işlemini learn module’ü kullanarak nasıl otomatize edebileceğinizi anlatıyor.  Yapısal veri çerçevesindeki verilerle, konumları coğrafi olarak kodlamak ve nokta detay katmanı oluşturmak için ArcGIS API for Python kullanıldı. Aşağıdaki görselde görünen her nokta bir suç yerini temsil ediyor.

Suç olaylarının detay katmanı

Yapılan demo sunumunu izlemek için tıklayınız.

Kaynaklar:

  1. https://www.esri.com/arcgis-blog/products/arcgis/analytics/developer-summit-2020-spatial-analysis-and-data-science-overview/
  2. https://www.esri.com/arcgis-blog/products/arcgis-pro/analytics/developer-summit-2020-spatial-data-science-in-arcgis-pro/
  3. https://www.esri.com/arcgis-blog/products/geoanalytics-server/analytics/dev-summit-2020-conduct-big-data-analysis-using-geoanalytics-and-apache-spark/
  4. https://www.esri.com/arcgis-blog/products/api-python/3d-gis/dev-summit-2020-use-ai-to-extract-data-from-lidar-point-clouds/
  5. https://www.esri.com/arcgis-blog/products/arcgis-pro/analytics/developer-summit-2020-use-deep-learning-tools-with-full-motion-video/
  6. https://www.esri.com/arcgis-blog/products/api-python/analytics/dev-summit-2020-extract-and-map-data-from-unstructured-text-2/

 

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

 

StreetMap Premium for ArcGIS ile Yüksek Kaliteli Veri

StreetMap Premium for ArcGIS ile Yüksek Kaliteli Veri

StreetMap Premium for ArcGIS nedir ?

StreetMap Premium for ArcGIS, ArcGIS yazılımında kullanılmak üzere yüksek kaliteli ve ölçeklendirilebilir kartografik harita gösterimi sağlamak için zenginleştirilmiş sokak verileri sağlar; kaliteli coğrafi kodlama (toplu, ve basit arama), optimize yönlendirme, yol tarifleri ve ağ analizi sağlamaktaır. StreetMap Premium, ArcGIS Enterprise, ArcGIS Desktop ve ArcGIS Pro ile birlikte kullanılmak üzere özel olarak tasarlanmış, kullanıma hazır bir çözümdür. Veri hazırlığı yapmadan güvenlik duvarınızın ardında hızlı bir şekilde kurulabilir.

StreetMap Premium, önde gelen küresel ve yerel sokak verileri tedarikçilerinin (HERE ve INCREMENT P) ticari sokak referansı verilerine dayanmaktadır: Veriler Kuzey Amerika, Avrupa, Latin Amerika, Orta Doğu ve Afrika, Asya Pasifik ve Japonya için kullanılabilir.

Ortalama trafik düzenini, sürüş kısıtlamalarını ve almanız gereken en etkili rotaları keşfetmek, zamandan ve paradan tasarruf etmek için oldukça efektif çözümler sağlar. StreetMap Premium for ArcGIS önceden bilgi gerektirmez ve hızlı ve kolay bir şekilde başlamanızı sağlamak için semboller ve önceden oluşturulmuş veri katmanları ile birlikte gelir.

StreetMap Premium Ne Fayda Sağlar ?

  • Yüksek kaliteli bir haritada analiz sonuçlarını görebilirsiniz;
    Farklı coğrafyalarda, şehir bilgisinden bina adresine kadar tutarlı, yüksek kaliteli kartografik haritalar oluşturabilir, böylece rotaları ve adım adım yol tariflerini daha iyi görselleştirebilirsiniz.
  • Verilerinizi hassas bir haritaya koyabilirsiniz.
    Bina özelinde en doğru coğrafi kodlama yeteneği ile hassa konumlarla oluşturabiliriz. Kuruluşunuzun varlıklarının konumunu doğru bir şekilde gösteren haritalar oluşturun.
  • Araçları verimli bir şekilde yönlendirebilirsiniz.
    Ağırlık, yükseklik ve taşıdıkları malzemeler gibi araçlarınızın kısıtlarını göz önünde bulunduran optimize edilmiş yollar oluşturmak için nakliye kısıtlamalarını ve diğer gelişmiş ayarları kullanabilirsiniz. Tarihi trafik düzenlerini kullanarak daha doğru varış zamanı projeksiyonları oluşturabilirsiniz.
  • Zaman kazanarak hemen çalışmaya başlayabilirsiniz.
    Veri hazırlığına gerek yok, StreetMap Premium ile hemen çalışmaya başlayabilirsiniz. Önceden oluşturulmuş veri katmanları kullanıma hazırdır.
  • Özel verilerinizle isteğinize göre yönlendirme ağları oluşturabilirsiniz
    Kendi yol verilerinizi StreetMap Premium Custom Roads’a (Özel Yollar) entegre edebilirsiniz. Tek bir yol içinde hem verileriniz hem de StreetMap Premium verileri ile rotalar oluşturabilirsiniz. Özel Yollar, ArcGIS for Desktop  ve ArcGIS for Server ile çalışır ve Navigator for ArcGIS uygulamasında kullanım için optimize edilmiştir.

Esri Türkiye 2019

Reklamcılıkta Konumun Gücü’nün Farkında Mısınız?

Reklamcılıkta Konumun Gücü’nün Farkında Mısınız?

Şehrin bir çok yerine hareket halinde olan araçları birer reklam panosu olarak kullanabilir miyiz? Ancak statik bir reklamdan bahsetmiyoruz; yaşayan dijital reklam panolarından bahsediyoruz!

Artık yaşadığımız şehirler yavaş yavaş akıllı şehirler kategorisine giriyor. Hatta neredeyse tüm karar vericilerin hedeflerinde bu var. “Akıllı Şehir”. İş gücü, kağıt tüketimi ve enerji tüketimi gibi konularda kaynakları doğru kullanmak adına şehirlerimizin akıllanması, yani insan etkisini minimuma indirerek şehrin kendi kendini yaşatmasını sağlamak.

Yukarıda bahsedilen konular ile doğrudan bağlantılı olarak, gelişen dünyaya adapte olabilmek adına reklamcılık sektörünün de artık konumun gücünü kullanmaya başlaması gerekiyor.

Şehirde bulunan reklam panolarının asıl amacı maksimum kişi tarafından görülmek ve dikkat çekmektir.  Bir panonun hangi konumdan -etrafında bulunan binalar ve ağaçları da analize dahil ederek- ne kadar görüldüğünün analizinin yapılabileceğini biliyor muydunuz?  Bu verilen örnek, sabit bir şekilde duran reklam panoları için geçerli. Kaldı ki, şehrin reklam panoları yerleştirilebilecek yerleri zaman içinde tükenecek ya da görüntü kirliliğine neden olacak. Pek tabii böyle bir süreç yaşanması sonucunda da yerel yönetimler söz konusu reklam panoları için belirli yaptırımlar uygulamaya başlayacaklardır.

Peki ya hareket eden objeler yardımıyla konuma dayalı olarak mesajlarımızı iletsek nasıl olur?

Doğru yer ve doğru zamanda.

Örneğin gün içinde şehrin farklı yerlerinden geçen taksiler ya da toplu taşıma araçları ya da metrolarda.

Bir düşünün; Eryaman yakınlarında yürüyorsunuz ve bir taksi geçiyor. Üzerinde bulunan dijital panelde, o haftasonu Eryaman Stadyumu’nda gerçekleşecek büyük bir organizasyonla ilgili bir reklamı görüyorsunuz. Ancak aynı taksi gün içinde Söğütözü bölgesinden geçerken, orada bulunan bir AVM’de gerçekleşecek olan bir konser reklamını yansıtıyor olabilir. Ya da, şehrin demografik yapısına göre belirlenen, bekar ve çalışan kişilerin yoğun olduğu bölgelerden geçecek taksilerdeki dijital reklam panoları, o bölgeden geçerken bir emlakçı reklamını gösteriyor olabilir.

Metrolardaki reklam panolarını ele alacak olursak, örneğin; Taksim durağına yaklaşan metroda seyahat ederken, Taksim’de o gün gerçekleşecek aktivitelere dair reklamları veya görselleri görmek daha etkili olmaz mıydı?

Peki bu nasıl mümkün olabilir?

Tabii ki konumun gücü ile!

Esri platformu, yukarıda bahsedilen konumsal alt yapının kurulması ve anlamlandırılması için gerekli bileşenleri sunar. Demografik verinin analiz edilmesi, bekar ve çalışan nüfusun yoğun olarak yaşadığı bölgelerin tespiti ve akabinde taksiler söz konusu bölgeye girdiğinde kendiliğinden değişen reklam panoları!

Bahsedilen konular ütopik gibi gelse de; önümüzdeki yıllarda çok daha popüler hale gelecek olan konumsal bilginin gücünü kullanın!

Coğrafi Veri Tabanı Bakımı ve Muhafazası

Saygıdeğer bir büyüğümün sarf ettiği ve benim de zamanla kendisine daha çok hak verdiğim bir sözü var: “Sana hizmet edecek şeye iyi bak”. Hayatta sahip olduğumuz çoğu şeyin aslında bakıma ihtiyacı vardır ve gereken bakımı gösterdiğimizde bunlar, bize daha uzun sürelerde hizmet edebilir ve aradan zaman geçmiş olmasına rağmen ilk günkü gibi görevlerini yerine getirmeye devam edebilirler.

Sektörümüzde hali hazırda bilinen ve kullanılan İlişkisel Veri Tabanı Yönetim Sistemleri (İVTYS) ile bütünleşik olarak çalışan Enterprise Geodatabase’ler de muhafaza edildikleri süre boyunca belli aralıklarla bakım gerektirirler. Geodatabase, Esri tarafından ortaya koyulmuş bir veri depolama modelidir. Enterprise Geodatabase’ler de ilgili İlişkisel Veri Tabanı Yönetim Sistemleri’nin sağladığı faydalardan yararlanmamızı sağlarken aynı zaman da İVTYS’lerin getirdiği yönetimsel sorumlulukları da omuzlarımıza yükler. Örneğin; verinin belli aralıklarla yedeklenmesi ya da performansın belli bir düzeyde kalmasını sağlamak amacıyla belli başlı değerlerin sürekli olarak güncel tutulması gerektiği gibi sorumluluklardır bunlar. Geodatabase’in bakımına dair bu görevler yerine getirilmediği taktirde, kullanıcılarınızdan bir süre sonra, sisteme dair olumsuz geri dönüşler almanız kaçınılmazdır. Bunların yaşanmaması için yapılması gereken, önceden düşünülmüş ve planlanmış görevlerin zaman içerisinde yerine getirildiğinden emin olmaktır. Tıpkı konunun uzmanı İş Ortaklarımızın yerine getirilmesini sağladığı bu Best Practice’ler ile Kurumsal Coğrafi Veri Tabanlarınızın bakımlarının yapıldığından emin olunduğu gibi.

Birazdan aşağıda paylaşacaklarım, bir Enterprise Geodatabase’in bakımı ve muhafazası için gerekli standart görevleri içermektedir.

  • Öncelikle veri tabanı düzeyinde yedekleme işlemlerinin yapılması gerekmektedir. Günü geldiğinde verinin kaybolma ya da bozulma ihtimaline karşın, Veri Tabanından sorumlu kişi tarafından yapılan periyodik yedeklemeler yardımıyla verinin geri getirilebildiğinden emin olunmalıdır. Geodatabase, ilgili İVTYS yönetim sistemiyle bütünleşik olarak çalıştığından dolayı yedekleme işlemleri için bu İVTYS’nin yedekleme özellikleri kullanılacaktır.
  • Yukarıda da bahsettiğimiz gibi sistemlerinizdeki performansın beklenen düzeylerde kalması için belli başlı değerlerin gerektiği gibi güncel kalması sağlanmalıdır. Peki nedir bu “değerler”?

Veri tabanlarını en basit anlamıyla açıklamak gerekirse birçok bileşen ile birlikte tablolar bütününden oluşan bir yapıdır. Tablolar içerisinde bazen onlarca bazen de milyonlarca kayıt bulunabilir. Hal böyle olunca, tablolar üzerinde gerçekleştirdiğimiz sorgular aracılığıyla ulaşmaya çalıştığımız bilgiye giden yol uzayabilir. Bu durum bir problem haline de gelebilir. Peki, veri tabanlarındaki böyle bir yapıda nasıl oluyor da bu problem (çoğu zaman) yaşanmıyor hiç düşündünüz mü? Sistemlerde kullanılan bilgisayarın, gelişmiş çok hızlı bilgisayarlar olması sayesinde mi? İşlemci, Ağ ve Depolama teknolojilerinin ulaştığı nokta mı? Evet, bunların etkisi yadsınamaz ancak etki eden ağırlıklı faktör bunlar değil. Böyle olsaydı neden günümüzde kullanılan sistemlere dair performansın ilk günkü gibi olmadığına dair şikâyetler gelsin ki?

SQL, bildirimsel bir dildir – yani SQL aracılığıyla oluşturulan her bir sorgu ile SQL Engine’den neyi yapmasını istediğimizi tanımlarız, nasıl yapması gerektiğini değil. Peki o zaman soru şu; Türkiye içerisindeki her bir yapı detayını içeren bir veri bütününü, ArcGIS yazılımları ve bir Enterprise Geodatabase içerisinde ilgili İVTYS aracılığıyla depoladığımızı düşünelim. Bu veri bütününden sadece tek bir yapıya ait olan kat bilgisini ArcMap aracılığıyla ilgili Enterprise Geodatabase’den sorguladığımızda, veri tabanına neyi yapmasını gerektiğini mi yoksa nasıl yapması gerektiğini mi söylemiş oluruz? Doğru cevap; neyi yapması gerektiğini söylemiş oluruz. O zaman veri tabanımıza, milyonlarca satırlık kayıtlar içerisinden bu bilgiyi olabilecek en hızlı şekilde nasıl bulup, ArcGIS kullanıcısına geri göndereceğini kim söyleyecek? Bu görevi, veri tabanları içerisinde bulunan Query Optimizer bileşeni üstlenmektedir, ArcGIS yazılımları değil. Query Optimizer’lar, veri tabanı içerisinde bulunan İstatistikler ve İndeksler yardımıyla bilgiye ulaşmak için en düşük maliyetli optimum yolu belirlemek için çalışırlar. Bunun için de birçok Execution Plan ortaya çıkarırlar ve maliyet hesabıyla birlikte en uygun yolun belirlenmesini sağlarlar.

Bu bilgilerden yola çıkarak şöyle bir benzetme yapabiliriz; veri tabanı içerisinde bulunan Query Optimizer, doğru kararların alınmasını sağlayan bir beyin niteliğindedir. Bu beyin’in doğru karar almasını sağlayan besinler ise veri tabanındaki İstatistikler ve İndekslerdir. Bu bölümün başında bahsi geçen “değerler” de işte bunlardı.

Burada bilmeniz gereken iki önemli şey var. Bunlardan birincisi, bu değerler, özellikle hatırı sayılır güncellemelerin yapıldığı Versiyonlu Geodatabaselerde eskirler ve güncelliğini kaybederek Query Optimizer’ın veri tabanında beklenen düzeyde performansta kararlar almasını engellerler. Yani en nihayetinde, siz değerli ArcGIS kullanıcılarının yazılımlarımızdaki çalışmalarınızda beklenmedik performans düşüşlerine maruz kalmasına sebep olabilir. Bilmeniz gereken ikinci konu ise optimum performansta çalışmanızı sağlayacak ortama katkıda bulunmak için Geodatabase içerisindeki Veri Sahiplerine, Geodatabase’in Yöneticisine ve Veri tabanı Yöneticisine burada önemli bir rol düşmektedir. Bu rol de, veri tabanındaki bu İstatistik ve İndekslerin güncelliğinin korunmasıdır. Bunun yerine getirilebilmesi için ArcGIS içerisinde hali hazırda kullanılabilecek geoprocessing araçları mevcuttur. Rebuild Indexes aracı yardımıyla hem öznitelik hem de mekansal indekslerin yeniden oluşturulmasını sağlayabilirsiniz. Veri tabanlarında ve Enteprise, Workgroup ve Desktop geodatabaselerde çalıştırabileceğiniz bu aracı özellikle hatırı sayılır veri yükleme, silme, güncelleme veya compress operasyonu gerçekleştirdiğiniz zamanlarda çalıştırmanız önerilmektedir. Yine aynı durumlarda, veri tabanındaki İstatistikleri güncelleyecek olan Analyze Datasets aracını Enterprise Geodatabaseleriniz için çalıştırabilirsiniz.

Bu araçların hangi sıklıklarla çalıştırılması gerektiği; iş akışınızdaki veri yükleme, silme, güncelleme ve compress operasyonlarının sıklığından doğan veri tabanındaki değerlerin ve tabloların mevcut durumuna bağlıdır. Dolayısıyla yapılabilecek en iyi uygulama, buraları gözlemlemektir. Veri tabanınızdaki, istatistikleri ve kullanılabilirlik durumunu ArcGIS Monitor DB Counter yardımıyla gözlemleyerek ve gerektiğinde uyarı mekanizmalarından faydalanarak doğru karar ve aksiyonları zamanında alabilirsiniz. Böylelikle Enterprise Geodatabase’iniz ile yürüttüğünüz operasyonu rahatlatarak ve performansı optimum düzeyde tutabilirsiniz. ArcGIS Monitor ile ilgili Türkçe dilinde yazılmış iyi bir blog yazısına ulaşmak için buraya tıklayabilirsiniz ya da Esri Türkiye Blog sayfasını takip edebilirsiniz.

  • (Geleneksel) Versiyonlu bir geodatabase içerisinde bulunan verilerde güncelleme yapıldıkça stateler ve delta tablolarındaki satırlar büyür dolayısıyla da performans düşmeye başlar. Bunu engellemek için geodatabase’inizde Compress operasyonunun yapılması gereklidir. Compress sayesinde bir versiyon tarafından artık referans gösterilmeyen statelerin silinmesini ve delta tablolarındaki ilgili satırların base tabloya gönderilmesini sağlar. (Geleneksel) versiyonlu bir geodatabasede oldukça önemli olan bu operasyonun gerçekleştirilme sıklığı bir üst maddede belirttiğim gibi iş akışınızdaki veri yükleme, silme ve güncellemeye bağlıdır. Compress işleminin doğru olarak ne zaman gerçekleştirilmesi gerektiğinin kararının alınmasında ve aslında daha fazlasında fayda sağlayabilecek araç yine ArcGIS Monitor Delta, state, state lineage vb. ilgili tabloların gözlemlenerek ArcGIS Monitor içerisindeki uyarı mekanizmaları yardımıyla proaktif bir şekilde karar almanızı sağlayabilir. Böylelikle operasyonunuzda rutin olsun ya da olmasın geodatabase’inizde tutulan verinizin durumunun kontrolü ve daha fazlası elinizde bulunmuş olacaktır.
  • Eğer çalışma ortamınızda saha çalışanları varsa ya da ana ofise bağlı alt ofisler bulunuyor ve replica geodatabaseler ile çalışıyorlarsa verinizi muhafaza etmek için ana veri tabanından veriyi hem içe hem de dışarı aktarmanız ve bu replikaları yönetmeniz gerekecektir. Replika geodatabaseler de nihayetinde birer geodatabase olduğundan ve ilgili İVTYS’inde tutulduğundan dolayı yukarıda paylaşmış olduğum bakım ile ilgili notlar, bunlar için de geçerli olacaktır. Lütfen, bunu dikkate alınız.
  • Gel gelelim belki de en önemli konuya, geodatabaselerin yükseltilmesi konusu. Her ne kadar bu konu çoğu kimse tarafından yeterince önem görmese de aslında işin detayını bilenler tarafından durum böyle değildir. Çünkü geodatabaselerin yükseltilmesi, sadece yeni gelen fonksiyonelliklerin kullanılabilmesi için değil aynı zaman da yazılım üreticileri tarafından tespit edilen birçok hatanın da giderilmesi için gerçekleştirilmelidir. Bu işlemin gerçekleştirilmesi sırasında dikkat edilmesi gereken noktalar her bir İVTY sistemine göre değişiklik gösterebilir. Dolayısıyla geodatabaselerinizi tuttuğunuz ilgili veri tabanı üreticisine ait Esri dokümanlarındaki yönergeleri takip etmeniz önerilmektedir.

Ve son olarak, insana dayalı hatalara maruz kalmamak adına insana bağlı Enterprise Geodatabase bakım ve muhafaza görevlerinden mümkün olduğunca lütfen kaçının.

Faydalı bağlantı:

ArcGIS Pro 2.3 Yeniliklere Genel Bakış

ArcGIS Pro 2.3 Yeniliklere Genel Bakış

ArcGIS Pro’ya şimdiye kadar gelmiş en büyük değişikler ve yenilikler 2.3 versiyonuyla gelmiştir. Bu blog yazımızda 2.3 yeniliklerine genel bir bakış sağlayacağız. ArcGIS Pro 2.3 ile ilk fark edeceğiniz şey başlangıç bölümü. Bu alan yeniden tasarlanmış ve geliştirilmiştir.

ArcGIS Pro‘yu Windows Gezgininde aşağıdaki öğelere çift tıklayarak başlatabilirsiniz:

  • ArcGIS Pro haritaları (ArcGIS Pro maps)  (.mapx),
  • Harita paketleri (Map packages) (.mpkx),
  • Çıktı (Layouts) (.pagx),
  • Harita katmanları (Map layers) (.lyrx) ve
  • Katman paketleri (Layer packages) (.lpkx).

ArcGIS Pro’yu  bir proje oluşturmadan başlatabilirsiniz. Çalışmanızı kaydetmek istiyorsanız daha sonra bir proje oluşturulabilir. Sık kullanılan projeleri ve proje şablonlarını  sabitleyebilirsiniz. Son projeler listesi en fazla 50 proje görüntüleyebilir. ArcGIS Pro’yu her zaman aynı projeyi açarak veya uygulamayı başlattığınızda proje oluşturmadan otomatik olarak başlayacak şekilde yapılandırabilirsiniz.

  • Üç yeni hızlı başlangıç ​​öğreticisi,  Author a mapVisualize temporal data, ve Manage data kullanılabilir.
  • ArcGIS Pro ve çevrimdışı Help görüntüleyicisinin erişilebilirliğini artırmak için iyileştirmeler yapılmıştır. Daha fazla bilgi için, bkz.
  • Şimdi Concurrent Use license türünü kullanırken yedek lisans yöneticileri ekleyebilir ve kaldırabilirsiniz. Dört taneye kadar yedek lisans yöneticisi eklenebilir. Daha fazla bilgi için, bkz.

 

Rapor

  • Raporlar yeni bir proje öğesidir ve oluşturduğunuz rapor dosyaları Catalog bölmesinde özel bir klasörde listelenir. Bir rapor oluşturduğunuzda, veri kaynağını ayarlayabilir, verileri gruplandırma ve sıralama ile düzenleyebilir, bir şablon ve stil seçeneği seçebilir, sayfa boyutunu ve kenar boşluklarını tanımlayabilirsiniz.
  • Raporda yapabileceğiniz  düzenlemeler; rapor başlığı, grup başlığı ve sayfa altlığı gibi bölümlere ayıran rapor görünümünde, grafik çizgiler ve görüntüler gibi statik öğeler, özet istatistikler veya tarih değerleri gibi dinamik öğeler ekleyebilirsiniz. Raporları ayrıca  PDF dosyası olarak paylaşılabilir, bir proje paketinin parçası olarak kaydedebilir veya bir rapor dosyası olarak (.rptx) kaydedebilirsiniz.

 

Deep Learning

  • Deep Learning araç seti bu sürümde tanıtıldı. Bu yeni araç kutusu, ArcGIS Image Analyst araç kutusunda bulunan üç aracı içerir.

 

  • Bu araçlar, TensorFlow, CNTK ve Keras gibi Deep Learning  modellerini kullanan görüntü sınıflandırma ve nesne algılama iş akışlarını destekler.

  • Bu araçlar, analiz yapmak için yeni GPU’dan  yararlanır. Ayrıca ArcGIS Image Server veya raster analysis ortamlarında da çalıştırılabilirler. Her bir katmanın bir veya daha fazla benzersiz özelliği olabildiği neural networks‘lerde birden çok katman kullanarak çalışırlar.

LocateXT

  • ArcGIS LocateXT eklentisi, konum bilgisi için herhangi bir metni veya belgeyi aramanıza ve bu konumlardan özellikler oluşturmanıza olanak sağlayan bir dizi araç içerir.
  • LocateXT, PDF belgelerinde, Microsoft Office belgelerinde, web sayfalarında, e-postalarda ve sosyal medya metinlerinde arama yapabilir. Aracı açmak için, Map sekmesinde,  Add Data açılır okunu tıklayın ve Extract Locations’i seçin. To Geodatabase araç setine iki coğrafi işlem aracı (Extract Locations from Document ve Extract Locations from Text) de eklenmiştir.

Editing Tools

Düzenleme iş akışlarınızı geliştirmek için aşağıdaki dört araç eklenmiştir:

Divide Divide , Çizgisel ve alansal vektör verileri bir değere bölmek için araçlar barındırır. Çizgi, mesafeye, parça sayısına veya yüzdeye göre bölünebilir; Alan, orantılı alanlara, eşit alanlara veya eşit genişliklere göre bölünebilir.

Fillet  Fillet , iki line arasındaki teğet olan ve iki bağlantı bölümünü kesen kısımlara yay oluşturur. Yarıçapı dinamik olarak sürükleyip boyutlandırabilir veya sabit bir mesafe yazabilirsiniz.

Generalize Generalize Polyline, temel şeklini korurken bir çizginin veya bir çokgen özelliğinin karmaşıklığını azaltabilir.

Split Split , bir veya daha fazla mevcut giriş özelliğini seçmenize ve bunları bir veya daha fazla seçilen hedef özelliği bölmek için kullanmanıza izin verir.

Attribute Rules

  • Öznitelik kuralları ek kural türlerine ve gelişmiş bir kullanıcı deneyimine sahiptir. Öznitelik Kuralları görünümü, veri kümelerindeki öznitelik kurallarını görüntüleme, oluşturma ve yönetme erişimini sağlar. Öznitelik Kuralları araç çubuğuna birkaç yeni araç eklenmiştir. Daha fazla bilgi için, yeni araçları ve mevcut araçlardaki değişiklikleri gözden geçirmek üzere  yenilikler bölümüne bakın. Toplu hesaplama (Batch calculation) ve doğrulama (validation) kuralları, mevcut özellikler üzerindeki kuralları değerlendirme olanağı sağlayan yeni kural türleridir. Bu kurallar, Hata Müfettişi veya Kuralları Değerlendir aracı kullanılarak kullanıcı tarafından belirlenen bir zamanda değerlendirilir. Daha fazla bilgi için, bkz. Not: Hesaplama ve doğrulama kurallarını değerlendirmek için kullanılan Doğrulama özelliği, yalnızca ArcGIS Enterprise 10.7 veya sonraki sürümlerinde paylaşılırken kullanılabilir.
  • Daha fazla bilgi için eski portallarla paylaşırken dikkat edilmesi gerekenler bölümüne bakın. Yeni Arcade işlevselliği için ArcGIS Arcade sürüm 1.5 sürüm notlarına bakın. Koşullu öznitelik değerleri, bir alandaki değerleri diğerindeki değerlere bağımlı hale getirmenize izin veren yeni bir veri tasarım özelliğidir. Bir dizi alan ve bu alanlar için geçerli değerlerin bir listesini oluşturmak için alan ve alan grupları kullanırlar. Örneğin, elektrik direği malzemeleri için bir alan Ahşap olarak ayarlanırsa, o direğin yükseklik alanı için geçerli değerler 10, 12 ve 15 metre ile sınırlandırılır. Alan Çelik olarak ayarlanmışsa, yükseklik alanı için geçerli değerler 15, 17 ve 20 metredir. Alanlarınız arasındaki bu tür bağımlılıklar, koşullu değerler kullanılarak ayarlanabilir. Yeni Dosya Aktarma aracı, bir dosya sistemi ile bir bulut depolama çalışma alanı arasında dosyaları verimli bir şekilde aktarır.

3D Interpolation EBK

  • Empirical Bayesian Kriging 3D aracı, noktaların enterpolasyonunu gerçekleştirmenize ve 3D uzayındaki noktalar arasındaki tüm konumlardaki değeri tahmin etmenize olanak sağlar. Bir analiz aracı olarak Geostatistical Wizard‘da mevcuttur. Daha fazla bilgi için, bkz.

 

ArcGIS Pro 2.3 versiyonuyla birlikte gelen diğer yenilikler ve özellikler sonraki yazılarımızda aktarılacaktır.