ArcGIS ile Derin Öğrenme Modelleri

ArcGIS ile Derin Öğrenme Modelleri

Derin Öğrenme Nedir?

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

ArcGIS’te Derin Öğrenme

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

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

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

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

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

ArcGIS’teki Derin Öğrenme Modelleri ve Örnek Bağlantıları

1. Nesne Sınıflandırması

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

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

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

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

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

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

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması.

2. Piksel Sınıflandırması

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

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

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

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

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

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

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması

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

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

3. Nesne Algılama

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

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

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

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları.

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

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

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

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu.

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

4. Nokta Bulutu Bölümlemesi

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

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

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

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

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

5. Görüntü Geliştirme

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

 Hava görüntülerinde SuperResolution kullanılarak kalite arttırımı.

Hava görüntülerinde SuperResolution kullanılarak kalite artırımı.

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

6. Tablo Verileri Üzerinde Sınıflandırma ve Regresyon

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

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

Gerçek ve öngörülen Güneş Enerjisi üretimi

Gerçek ve öngörülen güneş enerjisi üretimi.

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

7. Yapılandırılmamış Metinden Varlık Çıkarma

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

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

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

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

Suç mahallerinin detay katmanı

Suç mahallerinin detay katmanı

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

Diğer Modeller

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

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

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

Neden bu kadar çok model var?

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

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

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

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

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

Mekansal Veri Bilimi Açık Çevrimiçi Eğitimi

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

Mekansal Veri Bilimi Mooc

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

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

Kaynak:

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

Esri Türkiye, 2020

 

ArcGIS Online ve ArcGIS Server Kullanarak Veri Paylaşımı

ArcGIS Online ve ArcGIS Server Kullanarak Veri Paylaşımı

Coğrafi verileri depoladığınız yerel veri tabanında seçeceğiniz bilgileri, internet üzerinden kişi veya topluluklar ile paylaşabildiğiniz ve bunu yüksek güvenlikli, düşük bütçe ve az personel kaynağı ayırarak yapmak istediğinizde ArcGIS Online tam ihtiyacınız olan yazılım servisidir. Amacımız veri tabanımızı dış kullanıma yani ‘public’ kullanıma açmadan, içerdiği coğrafi verileri güvenilir bir platform içerisinde, kimlik doğrulama ve rol bazlı yetkilendirme yetenekleriyle, web haritaları kullanılarak veriyi paylaşmak.

ArcGIS Online bulut tabanlı haritalama ve analiz çözümüdür. Haritalar oluşturma, veri analizleri yapma ve bunların paylaşımı ve iş birliği için kullanılmaktadır. ArcGIS Online içerisinde tutulan veriler ve haritalar güvenli ve özel bir altyapı içerisinde tutulur ve haritalama ve BT gereksinimlerinizi karşılamak için yapılandırılabilir. ArcGIS Online üzerinde oluşturduğunuz web haritaları, web uygulamaları, yönetici panelleri v.b. ArcGIS Online içeriklerini kişi veya bir toplulukla kolay ve güvenilir bir şekilde paylaşılmasına imkan sağlamaktadır.

ArcGIS Online, ‘SaaS’ (software as a service – hizmet olarak yazılım) tipinde bir platform olduğundan bu hizmete üyeliğiniz olduğunda sadece üyeliğinizi yenilemek için ücret ödersiniz, herhangi bir donanım, işlemci, işletim sistemi lisansı v.b. giderleriniz olmaz. Performans olarak ArcGIS Online içerisinde oluşturduğunuz içeriğinizin yoğun kullanımlarında otomatik olarak ölçeklendiğinden 7×24 kesintisiz çalışıp hizmet vermeyi amaçlamaktadır.

Veri tabanınızdaki coğrafi verileri, güvenlik seviyesi yüksek ve belirlediğiniz kişi veya kişilere paylaşmayı imkan sağlayan ArcGIS Online’da web haritaları içerisinde “katman” olarak kolay şekilde paylaşabilirsiniz. Bununla birlikte ArcGIS eko sisteminde bulunan Workforce for ArcGIS, Navigator for ArcGIS, Explorer for ArcGIS, Collector for ArcGIS, ArcGIS Dashboard v.b. uygulamalar içerisinde kullanım imkanı da sağlamaktadır.

Veri Paylaşımı

Kurumsal veya kişisel veri tabanınızdaki coğrafi bilgileri 2 şekilde ArcGIS Online içerisinde kullanabilirsiniz.

1.      Veri Kopyalayarak

Veri tabanınızdaki verileri ArcGIS Desktop ürünü ile uygun formata dönüştürüp, ArcGIS Online içerisine aktarma işlemi yapabilirsiniz.

Artılar

  1. Hızlı şekilde verileri aktarımı.

Eksiler

  1. Veriler kopyalanacağından veri tabanında veri üzerinden yapılan değişiklikler ArcGIS Online içerisinde görünmeyecektir. Tam tersi durum da söz konusudur; içeri aktarım sonrasında ArcGIS Online’da yapılan veri değişiklikleri, yerel veri tabanına yansımayacaktır.
  2. Güncellenen veriler belirli aralıklarla ya manuel ya da yazılacak uygulamalar ile güncelliği tutulmalı hem veri tabanında hem de ArcGIS Online’da.
  3. İçeri aktarım dosya formatlarında veri limiti bulunması.
  4. Aynı veri hem veri tabanında hem de ArcGIS Online içerisinde bulunduğundan hangi verinin güncel olduğu oluşturacağınız özel iş akışları ile belirlenmiş olur.

2.      ArcGIS Server Kullanarak

ArcGIS Server’da referans olarak göstereceğiniz veri tabanınızdaki verileri kullanan web servisler (REST) oluşturarak, ArcGIS Online web haritalarında katman olarak bu servisleri tanıtıp paylaşım yapabilirsiniz.

Artılar

  1. Veri tabanını ArcGIS Server’a kaydedildikten sonra istenilen coğrafi tablolar ArcGIS Online içerisinde kullanılır.
  2. Veri kopyalama yapılmayıp, veri referansı edildiğinden, ArcGIS Online’da veri değişiklikleri direkt olarak veri tabanında gerçekleştirilir.
  3. Verinin her zaman en güncel versiyonu veri tabanında bulunur ve tekildir.

Eksiler

  1. Güvenli bir altyapıya ihtiyaç duyulmaktadır.
  2. Kullanım yoğunluğuna göre sunucu donanımları iyi olmalı.

Bu paylaşım şeklinde size ait olan veri tabanındaki bilgiler ile ArcGIS Online içerisinde servis olarak bulunan altlık haritaları kullanılarak bir web haritasında paylaşımıdır. Bu yapıda verileriniz hiçbir zaman ArcGIS Online ortamına taşınmaz. Web haritasını kim istekte bulunursa örneğin bir internet tarayıcı, o erişim istemektedir.

Yukarıdaki şekilde görüldüğü üzere, kendi iç ağınızda bulunan verileri içeren bir ArcGIS Server REST servisi, ArcGIS Online içerisinde bulunan bir web haritasında katman olarak eklenildiğinde, en sağdaki görüntü, istemcinin (tarayıcı) ekranında oluşur. Ve sizin ArcGIS Server’da bulunan servise istemci istek gönderir, ArcGIS Online değil. ArcGIS Online sadece aracı rolündedir.

ArcGIS Server kullanılarak veri tabanındaki bilgileri dış kullanıma açılacağı zaman, sistem mimarinin aşağıdaki resimde belirtildiği gibi uygun şekilde yapılandırılması gerekmektedir.

Genel Kullanım İçin Veri Paylaşımı Süreçleri

Öncelikle veri tabanınızda bulunan bir coğrafi tabloyu ArcGIS Server üzerinde servis olarak yayınlanmalı. Servisin genel kullanıma (“public”) açık şekilde paylaşılması gerekmektedir.

Sonra ArcGIS Online organizasyon hesabınızda bir web haritası oluşturup, katman olarak ArcGIS Server üzerinde paylaşmış olduğunuz servisin URL adresini katman olarak ekliyorsunuz. Oluşturulan web haritası da genel kullanıma açık şekilde paylaşılmalı.

Kurum dışında internet üzerinde bulunan dış kullanıcılar mobil cihaz veya bilgisayarlardan istekte bulundukları zaman, ArcGIS Online organizasyon hesabınızda oluşturduğunuz web haritasına erişim yapılacaktır. Web haritasında katman olarak tanıtılan servis, kurum içindeki veri tabanındaki bilgileri ArcGIS Server üzerinden paylaşılarak istemcinin ekranında verileriniz görüntülenecektir.

Özel çözümler ve profesyonel destek için Esri Türkiye Profesyonel Hizmet birimi ile iletişim kurabilirsiniz.

Esri Türkiye 2020

Nasıl Yapılır: ArcGIS Enterprise Güncellemelerini Otomatikleştirme

Daha önce yayınladığımız “Nasıl Yapılır: ArcGIS Enterprise Güncellemelerini Yüklenmesi” blog yazımızda ArcGIS Enterprise Güncellemelerini 3 farklı yolla nasıl yükleyebileceğinize değinmiştik. Bu yollara ek olarak ArcGIS Enterprise Patch Notification aracını sessiz bir şekilde çalıştıran komutları bir toplu komut dosyası haline getirip CRON ya da Windows Task Scheduler’a ekleyip çalışma zamanlarını belirleyerek daha da zahmetsiz hale getirebilirsiniz.

Bu yazımızda ise Windows işletim sistemine sahip sistemlerde güncellemeleri otomatikleştirme işleminden bahsedeceğiz. Bunun için öncelikle aşağıdaki komut satırı örneğini kullanarak bir komut satırı dosyası hazırlayacağız ve bu dosyayı .cmd uzantılı olacak şekilde kaydedeceğiz.

cd “C:\Program Files\ArcGIS\Server\tools\patchnotification” && call patchnotification.bat -c -i sec

Hazırlanan bu komut satırı dosyasını Windows Task Scheduler içerisinde oluşturacağımız bir kurala atayarak, güncellemeleri belirleyeceğiniz tek seferlik, günlük, haftalık veya aylık periyotlarla indirip kurulmasını sağlayabilirsiniz.

ArcGIS Enterprise’ın kurulu olduğu makinede Başlat>Görev Zamanlayıcı (Start>Task Scheduler) yolunu izleyerek Görev Zamanlayıcı’yı çalıştırabilirsiniz.

Belirleyeceğimiz kuralı içeren bu kısmı organize etmek için “ArcGIS Enterprise Patch” adında yeni bir klasör oluşturarak ilerleyeceğiz.

Yeni bir görev oluşturmak için biraz önce oluşturduğumuz klasöre sağ tıklayarak listeden Create Task’ı seçeceğiz.

Kural oluşturmamız için açılan ekranda ilgili ayarlamaları yaparak kuralımızı tamamlayabiliriz.

General sekmesinde kurala bir ad ve açıklama girmemiz yeterlidir. Bu kısımda önemli olan ArcGIS Enterprise servislerini çalıştıran Windows kullanıcı bilgilerini sağlıyor olmamızdır. Kullanıcı oturum açsa da açmasa da kuralı çalıştırması için de “Run whether user is logged on or not” seçeneğini işaretlememiz ve yönetici olarak çalıştırabilmesi için de “Run with highest privileges” kutucuğunu seçmemiz gerekmektedir.

Triggers sekmesinde bu kuralın ne sıklıkla tetikleneceğini yani ne zaman ve hangi saatlerde çalıştırması gerektiğini belirleyeceğiz. Örnek çalışmamızda Güvenlik (Security) yamalarını kuralı oluşturduğumuz tarihten itibaren, her ayın ilk gününde kontrol edecek ve indirecek şekilde ayarladık.

Bu kısımda dikkat edilmesi gereken nokta ise kuralın çalışmaya devam etmesini istediğiniz süre boyunca “Enabled” kutucuğunun işaretli kalması gerekmektedir.

Actions sekmesinde New butonuyla birlikte, “Start a program” seçeneğiyle ilerleyerek oluşturduğumuz .cmd uzantılı dosyayı tanıtıyoruz.

Conditions sekmesi için önemli olan nokta ise yalnızca dizüstü bilgisayarlar için dikkat edilmesi gereken “Start the task only if the computer is on AC power” ve “Stop if the computer switches to battery power” seçenekleridir. Dizüstü bilgisayarlarda bu seçenekler işaretliyse bilgisayarınızın şarj kablosunun takılı olduğundan emin olunuz.

Settings sekmesi içerisinde de eğer görev bir nedenden dolayı gecikirse en kısa zamanda tekrar çalıştırılmasını istiyorsanız ilgili kutucuğu işaretlemelisiniz.

Siz de kendi kuralınızı oluşturarak güncellemelerinizi otomatikleştirebilirsiniz.

ArcGIS Enterprise ile ilgili daha fazla blog yazısı için https://blog.esri.com.tr/?s=ArcGIS+Enterprise adresini inceleyebilirsiniz.

Esri Türkiye, 2020

ArcGIS Enterprise Portal Güvenlik Bilgilendirmesi – Portal for ArcGIS Security 2020 Upgrade Patch 1 Yayınlandı

ArcGIS Enterprise Portal bileşeninde kritik bir Sunucu Taraflı İstek Sahteciliği (SSRF) sistem açığı tespit edildi.

Bu güvenlik sorunundan ArcGIS Enterprise 10.8’den eski tüm Windows ve Linux versiyonları etkilenmektedir. Buna yanıt olarak Esri, ArcGIS Enterprise’ın 10.5’ten 10.7.1’e kadar mevcut tüm versiyonları için Portal for ArcGIS Security 2020 Update 1 Patch adlı yamayı yayınlamıştır. ArcGIS Enterprise 10.8 bu durumdan etkilenmemektedir. ArcGIS Enterprise 10.3.x ve 10.4.x versiyonları vadesi gelmiş destek durumundadır. Esri, emekli olmuş (retired) ya da vadesi gelmiş (mature) durumda olan versiyonlar için yama desteği sunmamaktadır. Daha fazla bilgi için Esri Ürün Ömrü Politikası’nı inceleyebilirsiniz.

 Amazon Web Services’de (AWS) bu sorunu özellikle bu dağıtımlar için acil hale getiren bilinen kötüye kullanım vektörleri bulunmaktadır, ancak diğer bulut ortamlarında çalışan müşteriler kendi bulut sağlayıcısının spesifik özelliklerine bağlı olarak etkilenebilir. ArcGIS Enterprise’ın hangi ortamda kurulu olduğuna bakmaksızın Esri, her zaman tüm ArcGIS Enterprise yazılımları için en güncel yamaların kurulmasını önermektedir.

Esri, tüm ArcGIS Enterprise yöneticilerine bu yamayı ArcGIS Enterprise Patch Notification aracını kullanarak kurmalarını ya da https://support.esri.com/en/download/7777 adresinden kendilerine uygun olan yamayı bularak indirmelerini tavsiye eder.

Bu konu ile ilgili sonraki güncellemeler ve diğer güvenlik ile ilgili konular için trust.arcgis.com RSS Feed’ine abone olabilirsiniz.

ArcGIS Server Güvenlik Bilgilendirmesi – ArcGIS Server Security 2020 Upgrade Patch 1 Yayınlandı

Esri, ArcGIS Enterprise’ın ArcGIS Server bileşeninde, dağıtıma ağ erişimi bulunan kişiler tarafından belirli işlem adımları gerçekleştirildiğinde Sunucu Taraflı İstek Sahteciliği (SSRF) ile sonuçlanabilen kritik bir sistem açığı keşfetti. Bu, kimliği doğrulanmamış kişilerin diğer altyapı kaynaklarına erişmesine ya da kaynakları kontrol etmesine yol açabilir.

Bu sorun, altyapıya ve yapılandırmaya bağlı olarak herhangi bir dağıtımı etkileyebilir ve tüm müşterilerden en kısa zamanda uygun yamayı yüklemeleri istenmektedir. Amazon Web Services’de (AWS) bu sorunu özellikle bu dağıtımlar için acil hale getiren bilinen kötüye kullanım vektörleri bulunmaktadır.

Bu güvenlik sorunu Windows ve Linux’ta ArcGIS Server 10.8’den önceki desteklenen tüm versiyonları etkiler.

Ne yapmanız gerekiyor?

10.4’ten 10.7.1’e kadar tüm ArcGIS Server versiyonları için yamalar yayınlanmıştır. Esri, mümkün olan en kısa sürede ilgili yamayı kurmanızı tavsiye etmektedir. ArcGIS Server 10.8 bu düzeltmeleri içermektedir ve bu sorundan etkilenmemektedir.

Tüm yamalar, daha fazla bilginin bulunduğu Esri Destek sitesinden indirilebilir. ArcGIS Server Security 2020 Upgrade 1 Patch, 10.4, 10.4.1, 10.5, 10.5.1, 10.6, 10.6.1, 10.7, ve 10.7.1 versiyonları için mevcuttur.

Ayrıca, uygun olan yamayı indirmek ve kurmak için Patch Notification Tool’u da kullanabilirsiniz. Bu aracın nasıl kullanıldığı ile ilgili yazılım dokümantasyonunu inceleyebilirsiniz. Bu yamanın tüm ArcGIS Server makinelerinizde kurulu olduğundan emin olunuz.

Daha fazla bilgi için;

Detaylı bilgi için buradan ilgili teknik makaleyi inceleyebilirsiniz.

Bu konu ile ilgili sonraki güncellemeler ve diğer güvenlik ile ilgili konular için trust.arcgis.com RSS Feed’ine abone olabilirsiniz.

Esri Türkiye 2020

FMV Nedir ve Neler Yapabilirsiniz

ArcGIS Pro’nun Image Analyst ek bileşenindeki Full Motion Video (FMV), coğrafi veriler üzerinden video verileriyle birlikte analizler yapmanızı ve FMV uyumlu videolar oluşturmanızı sağlar. FMV uyumlu demek, video ve mekânsal verinin birlikte kullanılabilir olması demektir.

Buna basit bir ifadeyle haritalarla videoların senkronize çalışması diyebiliriz. Örneğin havadan çekilmiş bir videoyu oynattığınızda haritanızda videoyu çeken hava aracıyla ilişkili nokta da hareket edebilir.

Sadece bununla kalmaz, eğer videonuzdaki hastalanmış bitkileri sayısallaştırmak isterseniz, haritada basitçe çizmeniz yeterlidir. Ardından haritanızdaki her bir sayısallaştırdığınız detay videonuzda da görünecektir, hatta tam tersini de yapabilirsiniz. Videoda işaretlediğiniz bir detay haritanızda bir nokta detay katmanına eklenecektir. Hatta; İHA’nız ya da herhangi bir hava aracınızın nereden uçtuğunun görmek istediğinizde, haritada sadece bir noktanın hareket etmesiyle gösterilmekle yetinmeyip, isterseniz arkasında uçuş rotasının bıraktığı bir çizgi de oluşturabilirsiniz.

FMV, meta veriyi kullanarak video görüntüsünden haritadaki koordinatlar arasında kesintisiz bir rota oluşturur. Bu dönüşüm CBS’deki ilişkili tüm coğrafi verilerinizin ve bilgilerin yorumlanmasına temel sağlar. FMV verileri toplandığı anda gerçek zamanlı ya da adli olarak analiz edilebilir. Durum farkındalığı (Situation Awareness) için çok uygundur. Örneğin, bir doğal felaketten sonra hasar değerlendirmesi yaparken, İHA’dan toplanmış en güncel video verilerini analiz etmek için elinizdeki CBS katmanlarıyla birlikte FMV’yi kullanabilirsiniz. Video’nun ayak izi haritada görüntülenebildiği için, videoda o anda hangi binaların ve altyapının göründüğünü tam olarak bilebilirsiniz, bu sayede durumlarını değerlendirebilir, video ve haritadaki detayları işaretleyebilir, konumlarını gösterebilir ve bunlara notlar düşerek açıklamalarda bulunabilirsiniz.

Durağan kameralardan gelen görüntüleri de FMV olarak kullanabilirsiniz, her türlü hava aracıyla çekilmiş video da FMV de kullanılabilir ama burada önemli olan video kaydedilirken konum bilgisini meta veri olarak kaydetmektir. Doğru meta veriye sahipseniz FMV’yi anında kullanabilirsiniz. Bu meta veri sayesinde kamera videoyu çektiği anda neredeydi veya nereye bakıyordu gösterebilirsiniz. Kameranın hareket ettiği rotadan ayak izi oluşturarak harita üzerinde görüntüleyebilir ve bu sayede, video’nun gücüyle haritalar daha güçlü bir bilgi kaynağı haline gelir.

ArcGIS’in FMV yeteneği, hareketli bir videoyu ArcGIS Pro’ya sorunsuz bir şekilde entegre eder ve Esri platformunun bir parçası olarak video oynatıcı, video düzenleyici ve coğrafi işlem araçlarıyla birlikte gelir.

Dahası için;

https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/introduction-to-full-motion-video-in-arcgis-pro.htm

Esri Türkiye, 2019