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

 

Landsat Explorer App ile Şimdiyi ve Geçmişi İnceleyin

Landsat Explorer App ile Şimdiyi ve Geçmişi İnceleyin

Çalışma alanınızda görüntüleri veya uzaktan algılama verilerini kullanırken, gerçekleştirmeniz gereken ilk adımlardan biri; uzaktan algılama verileri içindeki, istenen detayların özelliklerini keşfetmek için verileri görsel olarak incelemektir. Bu konuda Esri çeşitli görüntüleri incelemeniz, üzerinde analiz yapmanız için içerik ve uygulamalar sunmaktadır. Bu blog yazımızda Esri’nin uygulama olarak kullanımınıza sunduğu Landsat Explorer’dan detaylı olarak bahsedilecektir.

Bu web uygulaması, ArcGIS for Server tarafından desteklenen Landsat görüntü katmanlarına erişim ve Amazon Web Hizmetleri Bulutu üzerinde çalışan Landsat Genel Veri Kümelerine erişim için bazı yetenekleri vurgular. Katmanlar, günlük olarak yeni Landsat görüntüleri ile güncellenir. Gezegenimizi görselleştirmeniz ve Dünya’nın zaman içinde nasıl değiştiğini anlamanız için oluşturulan Esri Landsat Explorer uygulaması, gözle görülemeyecek kadar çok veri toplayan Landsat uydularının gücünden yararlanır. Dünyanın jeolojisini, bitki örtüsünü, tarım alanlarını ve şehirlerini daha iyi keşfetmek için Landsat’ın farklı gruplarından yararlanabilirsiniz. Ek olarak, Dünya yüzeyinin son kırk yılda nasıl değiştiğini görselleştirmek için tüm Landsat arşivine erişebilirsiniz.

Görüntülerle ilgili olarak kısa bir bilgiden sonra Landsat görüntülerine nereden ulaşacağımıza bakıp, görüntüde araştırma ve değişiklik analizi yapma ile ilgili detaylara geçeceğiz.

Her görüntü veri kümesinin niteliği, görüntüleri toplamak için kullanılan sensör tipiyle ilgilidir. Her bir sensör tipinin teknik detayları, her bir veri seti için meta verilerde bulunabilir. Görüntülerle ilgili ek bilgiler; görünür alan, toplama tarihi veya sensörün diğer teknik yönleri gibi öğeleri içerebilir. Görüntünün bu teknik yönlerini anlamak, çalışma alanınızda istenen özellikleri bulma yeteneğinizi geliştirecektir. Uzaktan algılama verileri, özellikler hakkında bilgi toplar ve bu bilgileri raster bantlar olarak depolanan bir görüntüdeki değerler olarak sunar. Tek bir özelliğin ölçüsü, bu raster bantlardan birinde bir eleman olarak kaydedilir. Tekil görüntü veri kümeleri birçok raster bant içerebilir. Bu tarama bantlarını bant kombinasyonları veya bant kompozitleri olarak birleştirebilir ve görüntüleyebilirsiniz. Bu bant kombinasyonları, görselleştirme ihtiyaçlarına ve özelliklerine bağlı olarak görüntü verilerini bir haritada görüntülemek için kullanılır.

Arzu edilen bir özelliği keşfetmede raster bantların nasıl kullanılabileceği hakkında daha fazla bilgi edinmek için ArcGIS Living Atlas of the World’de bulunan Landsat görüntü katmanını kullanırsınız. Bu görüntü katmanı, dünyayı izlemek için kullanılan çeşitli tarama bantlarını toplamak için uyduları kullanan Landsat programından alınan görüntülere dayanmaktadır.

ArcGIS Living Atlas, dünyanın dört bir yanından gelen geniş bir coğrafi bilgi koleksiyonudur. Analizinizde kullanmak veya bir analizin bulgularını sunmak için kullanıcı tarafından oluşturulan veri ürünlerini sunan görüntü katmanlarını, uygulamaları, modelleri ve veri katmanlarını içerir. (Göz atmak için: https://livingatlas.arcgis.com/en/home/ ) Browse kısmında ArcGIS Living Atlas içindeki büyük miktardaki veriyi keşfetmeniz için Görüntü, Altlık Harita, Sınırlar, Çevre gibi önceden yapılandırılmış birden çok kategori göreceksiniz. Biz “Imagery” seçeneğinden ilerliyor olacağız.

Imagery Kategorisi; temel harita olarak kullanılmak üzere oluşturulmuş çok ölçekli görüntüler, farklı özellikleri ortaya çıkaran multispektral görüntüler, zaman içindeki değişimi ortaya çıkaran geçici (temporal) görüntüler ve önemli olaylardan etkilenen yerlerin görüntüleri gibi çeşitli türlerdeki görüntüleri içerir. Web sayfasındaki seçeneklerde, sonuçları seçilen veri kaynaklarıyla sınırlamak için arama sonuçlarını yalnızca Esri (Esri-only content) veya Yalnızca Yetkili İçerik (Authoritative-only content) olarak odaklama özelliğini de göreceksiniz. Arama kısmına Landsat yazılınca gelen “Landsat Explorer App” seçilir.

Mevcut uydu, dokuz spektral bant ve termal bant toplayan Landsat 8 sensörüdür. Bu uygulama içinde aşağıdaki bant kombinasyonlarına ve endekslerine hızlı erişim sağlanır:

  • Agriculture : Highlights agriculture in bright green; Bands 6, 5, 2
  • Natural Color : Sharpened with 15m panchromatic band; Bands 4, 3, 2 +8
  • Color Infrared : Healthy vegetation is bright red; Bands 5, 4 ,3
  • SWIR (Short Wave Infrared) : Highlights rock formations; Bands 7, 6, 4
  • Geology : Highlights geologic features; Bands 7, 6, 2
  • Bathymetric : Highlights underwater features; Bands 4, 3, 1
  • Panchromatic : Panchromatic images at 15m; Band 8
  • Vegetation Index : Normalized Difference Vegetation Index(NDVI); (Band 5 – Band 4)/(Band 5 + Band 4)
  • Moisture Index : Normalized Difference Moisture Index (NDMI); (Band 5 – Band 6)/(Band 5 + Band 6)
  • SAVI : Soil Adjusted Veg. Index); Offset + Scale*(1.5*(Band 5 – Band 4)/(Band 5 + Band 4 + 0.5))
  • Water Index : Offset + Scale*(Band 3 – Band 6)/(Band 3 + Band 6)
  • Burn Index : Offset + Scale*(Band 5 – Band 7)/(Band 5 + Band 7)
  • Urban Index : Offset + Scale*(Band 5 – Band 6)/(Band 5 + Band 6)

Toplanan belirli dalga boyları hakkında daha fazla bilgi için, Landsat 8 sensörü için USGS web sitesini ziyaret edebilirsiniz. Bu spektral bantlar, ArcGIS uygulamalarında görüntülendiğinde raster bantlar olarak rapor edilir. Uydu tarafından toplanan her spektral bant için bir raster bant vardır. Bu farklı raster bantları farklı şekillerde birleştirilebilir, buna “rendering” denir. Her renderer, arazinin belirli özelliklerinin veya yönlerinin daha görünür olduğu bir görselleştirme oluşturmak için üç ayrı bandın farklı bir kombinasyonunu kullanır.

Renderer

Uygulama açıldığında sol sütunda çeşitli araçlar göreceksiniz. Burada ilk sırada renderer aracı yer almaktadır. Aşağı açılan pencereye tıklayarak ilgili renderer seçilebilir. Ayrıca her bir seçeneğin açıklamasını incelemek isterseniz soru işaretine tıklayarak bant kombinasyonlarını ve renklerin ne anlama geldiğini öğrenebilirsiniz.

 

Ancak Landsat Explorer uygulaması, yalnızca farklı bant kombinasyonları veya geliştirmeleri kullanarak görüntüleri görüntülemekle ilgili değildir. Analiz araçları, anında değişiklik tespiti gerçekleştirmenize, özel maskeler oluşturmanıza, kendi dizinlerinizi oluşturmanıza, spektral ve zamansal profiller oluşturmanıza ve daha fazlasını yapmanıza olanak tanır. Dünya yüzeyinin son kırk yılda nasıl değiştiğini ortaya çıkarmak için multispektral ve zamansal Landsat görüntülerine anında erişmek için uygulamayı kullanabilirsiniz.

Time Selector

Time Selector aracı ikinci sıradadır ve seçilen bir nokta için geçici bir zaman kaydırıcısına ve farklı endekslerin zamansal profiline erişim sağlar. Zaman aracına yalnızca daha büyük yakınlaştırma ölçeklerinde erişilebilir. NDVI (Normalize Fark Bitki İndeksi), NDMI (Normalize Fark Nem İndeksi) ve Kent İndeksi için zamansal profiller sağlar.

Her Landsat görüntüsünün raporlanmış bir bulut örtüsü değeri vardır, böylece kriterleri karşılayan en güncel görüntüyü seçerek o mekansal boyutta hangi görüntünün görüneceğini seçebilirsiniz. Bulut örtüsünde düşük bir değer idealdir çünkü değer, bulutların kapladığı alanın yüzdesini temsil eder.

Identify 

Identify aracı, görüntülerle ilgili bilgilere erişim sağlar ve ayrıca seçilen bir nokta için spektral bir profil sağlayabilir.

Farklı zamanları seçip etkilenen alanları vurgulamak için “Change Detection” aracını kullanabilirsiniz. Değişikliği hesaplamadan önce Birincil ve İkincil Tarihleri seçmeniz gerekir. Daha eski bir tarih seçmek için Zaman Kaydırıcısını kullanın ve İkincil Katman Olarak Ayarla düğmesini tıklayın. Ardından daha ileri bir tarih seçin ve bunları karşılaştırmak için Değişiklik Algılama aracına dönün. Farklı endeks ve modlarda değişimi incelemeye başlayabilirsiniz. İncelemek istediğiniz alanın sınırlarını “Define Areas of Interest”i seçip alanı çizerek ayarlayabilirsiniz.

Bu özelliklere ek olarak yaşadığınız şehrin yıllar içinde nasıl genişlediğini merak mı ediyorsunuz? Şehre yakınlaşın, önce ve sonra görüntüleri karşılaştırmak için zaman kaydırıcısını (Swipe) kullanın. Tarım alanlarını veya orman yanıklarını ölçmek istediğinizde; etkileşimli olarak eşikler ayarlayarak belirli arazi örtüsü türlerini belirlemek için Maske (Mask) aracını kullanın.

Özetlemek gerekirse görselleştirme ve analiz araçları, kullanıcıların aşağıdakileri anında yapmasına olanak tanır:

  • Özel dizinleri ve bant kombinasyonlarını kullanarak verileri görselleştirme
  • Analiz etmek ve karşılaştırmak için belirli tarihleri filtreleme ve seçme
  • Bir kaydırma aracı kullanarak iki görüntüyü etkileşimli olarak karşılaştırma
  • Özel maskeler oluşturma
  • Değişiklik algılamayı gerçekleştirme
  • Spektral ve zamansal profiller oluşturma
  • Spektral bantları kullanarak dağılım grafikleri oluşturma
  • ArcGIS Online’dan veri ekleme (örneğin şehir yolları)

 

Sonuç olarak Landsat Explorer ile dünyanın herhangi bir yerindeki jeoloji, bitki örtüsü, tarım ve şehirler hakkındaki soruları kolayca ve dinamik bir şekilde araştırabilirsiniz. Ve keşiflerinizi paylaşmak istiyorsanız, sonuçlarınızı ArcGIS Online’a (Save top the ArcGIS Online) veya yerel (Export)  dosyalar olarak kaydedebilirsiniz.

 

Kaynaklar:

 

Drone2Map 2.3 ile Gelen Yenilikler

Drone2Map 2.3’ün öne çıkan özelliklerinden bazıları aşağıda açıklanmıştır.

  • Kamera için kalibrasyon alanı
  • Senkronize harita görünümleri
  • Topografik Konturların Shapefile Olarak Dışarı Aktarılması
  • Görüntü Bağlantıları Düzenleyicisi ile Görüntüleri Sıralama

Kamera için Kalibrasyon Alanı

Görüntü tablosunda bulunan yeni Kalibrasyon alanıyla projenizdeki kalibre edilmemiş görüntüleri belirleyerek daha doğru sonuçlar elde edebilirsiniz.

Senkronize Harita Görünümleri

Yeni Görüntüleri Bağla (Link View) yeteneği ile 2B ve 3B haritalar birbirinden bağımsız olarak kaydırılabilir, yakınlaştırılabilir ve yönlendirilebilir veya aynı sahneyi görüntülemek için senkronize edilebilir.

Topografik Konturların Shapefile Olarak Dışarı Aktarılması

Konturlar, üçüncü taraf yazılım uygulamalarıyla entegrasyona izin veren shapefile biçiminde dışa aktarılabilir.

Görüntü Bağlantıları Düzenleyicisi ile Görüntüleri Sıralama

Kontrolü Görüntü Bağlantıları Düzenleyicisi (Image Links Editor) aracılığıyla görüntüleri bağlarken, artık referans görüntüleri sıralamak için daha fazla seçenek sağlar. Bu, doğru görüntüleri aramak için daha az zaman ve daha fazla verimlilik sağlar.

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

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/