Site Scan for ArcGIS

Site Scan for ArcGIS

Site Scan for ArcGIS

Site Scan for ArcGIS varlık yönetimi, sahadan ürünlerinin toplanması, işlenmesi, analiz edilmesi ve paylaşılması gibi tüm aşamalarda çözüm sunan, bulut tabanlı bir haritalama çözümüdür. Bu süreçlere ek olarak drone filo yönetimi, uçuşların planlanması, donanım yönetimi ve uçuş / pilot geçmişinin görüntülenmesi gibi ek çözümler sağlamaktadır. Site Scan for ArcGIS, SaaS (Hizmet Olarak Yazılım) şeklinde çalıştığı için projelerin dijital kopyalarını işlemek, yönetmek ve erişim sağlamak için tüm süreç boyunca buluttan yararlanıyor olacağız. Site Scan for ArcGIS çözümünün neler yapabildiğini maddeler halinde inceleyecek olursak;

  • Proje gereksinimlerini belirlemek için drone uçuşlarını planlayabilmekteyiz.
  • Güvenli ve verimli operasyonları yürütmek için drone filomuzu yönetebilmekteyiz.
  • Drone görüntülerinden 2B & 3B ürünler ve analiz ürünleri oluşturabilmekteyiz
  • Çıktı ürünlerini ArcGIS Online, ArcGIS Enterprise ve Autodesk BIM 360’ta yayınlayabilmekteyiz.

Uçuş Planı Oluşturma

Pilotlarımızı yönetebildiğimiz için pilotlarımız arasında yönetici olarak oluşturduğumuz uçuş planlarını paylaşabiliriz. Çoğu kullanıcı uçuşları, internet bağlantısı sınırlı olan veya hiç olmayan yerlerde gerçekleştirilir. Site Scan for ArcGIS ile, haritaları ve katmanları sahada kullanmak üzere çevrimdışı olarak kaydedebilmekteyiz, yani önceden kayıt ettiğimiz haritaları, sahada çevrimdışı olarak kullanabilmekteyiz. Bunlara ek olarak 3B uçuş planları oluşturabilmekteyiz, koridor uçuş planı, dikey tarama gibi uçuş planlarını da direkt olarak kullanabilmekteyiz.

Bunlara ek olarak bir geofence alanı oluşturarak dronu, bir uçuş yolunu tanımlayan poligon içinde kalmaya zorlayabilmekteyiz. Bu seçenek, dronun bir engelden kaçınması veya uçuşa yasak bölge dışında kalması gereken durumlar için efektif çözümler sağlamaktadır.

Uçuş planlarının oluşturulması

Drone filo yönetimi

Site Scan for ArcGIS ile filo yönetimi, uçuşların planlanması, drone donanım yönetimi ve pilot / uçuş geçmişini tek bir yerden takip edebilmekteyiz. Ayrıca uçuş planlamalarını yapan yöneticiler uçuş öncesi kontrol listelerini (checklist) oluşturarak pilotlar ile paylaşabilmektedir

Uçuş planının yapılması

Bulutta verilerin işlenmesi ve son ürünlerin paylaşılması

Sahadan elde edilen veriler bulut ortamında işlenerek doğrudan 2B & 3B ürünler ve analiz ürünleri elde edebiliriz. Sonuçları doğrudan bir web tarayıcısı üzerinde kolayca görselleştirebilir ve analizler oluşturabilmekteyiz. Sonraki süreç olan içeriklerin paylaşılması aşamasında ise ister 3B görünümde ister ArcGIS Online veya ArcGIS Enterprise içinde bir rapor veya harita olarak paylaşabilmekteyiz. Ayrıca Autodesk BIM 360 üzerinde de paylaşım yapabilmekteyiz.

Son ürünlerin paylaşılması

Site Scan for ArcGIS Nasıl Çalışır ?

Site Scan for ArcGIS nasıl çalışır ?

Site Scan for ArcGIS ile uçuş planının yapılmasından son ürünün paylaşılmasına kadar olan süreci 5 adımda inceleyebiliriz.

  1. Uçuş planının oluşturulması
  2. Uçuşun gerçekleştirilmesi
  3. Ürünlerin buluta yüklenmesi ve işlenmesi
  4. Görselleştirme ve analiz çalışmalarının yapılması
  5. Sonuçların paylaşılması

Site Scan or ArcGIS, masaüstü fotogrametri yazılımlarına ek olarak, uçuş planlarını paylaşma, veri yönetimi, depolama, filo yönetimi, projelerin web ortamında paylaşılması gibi ek yeteneklere sahip kapsamlı bir çözümdür.

Esri Türkiye 2020

ArcGIS ile Derin Öğrenme Modelleri

ArcGIS ile Derin Öğrenme Modelleri

Derin Öğrenme Nedir?

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

ArcGIS’te Derin Öğrenme

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

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

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

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

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

ArcGIS’teki Derin Öğrenme Modelleri ve Örnek Bağlantıları

1. Nesne Sınıflandırması

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

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

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

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

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

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

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması.

2. Piksel Sınıflandırması

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

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

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

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

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

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

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması

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

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

3. Nesne Algılama

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

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

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

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları.

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

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

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

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu.

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

4. Nokta Bulutu Bölümlemesi

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

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

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

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

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

5. Görüntü Geliştirme

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

 Hava görüntülerinde SuperResolution kullanılarak kalite arttırımı.

Hava görüntülerinde SuperResolution kullanılarak kalite artırımı.

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

6. Tablo Verileri Üzerinde Sınıflandırma ve Regresyon

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

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

Gerçek ve öngörülen Güneş Enerjisi üretimi

Gerçek ve öngörülen güneş enerjisi üretimi.

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

7. Yapılandırılmamış Metinden Varlık Çıkarma

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

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

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

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

Suç mahallerinin detay katmanı

Suç mahallerinin detay katmanı

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

Diğer Modeller

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

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

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

Neden bu kadar çok model var?

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

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

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

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

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

Mekansal Veri Bilimi Açık Çevrimiçi Eğitimi

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

Mekansal Veri Bilimi Mooc

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

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

Kaynak:

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

Esri Türkiye, 2020

 

Profesyonel Hizmetler WEBGIS İlk Kullanım Paketi Nedir?

ArcGIS Online ve  Portal for ArcGIS Genel Bakış

ArcGIS Online’da oluşturduğunuz etkileşimli haritaları kullanarak insanlar, konumlar ve veriler arasında bağlantı sağlayabilirsiniz. Akıllı, veri odaklı stiller ve konum zekası sağlan analiz araçlarıyla çalışarak daha efektif sonuçlar elde edebileceksiniz. Bilgilerinizi herkes ile  veya belirli gruplarla paylaşabilirsiniz ArcGIS Online (SaaS) web tabanlı yazılım servisi olduğundan, donanım yatırımı yapmadan CBS araçlarını kullanabilirsiniz. Portal for ArcGIS ile kendi sunuclarınızdan istediğiniz zaman istediğiniz yerde güvenli CBS hizmetleri sunabilir ve kullanabilirsiniz. Haritalarınızı, aynı anda tüm paydaşlarla etkileşime girebilecek şekilde ölçekleyebilirsiniz.

WEB GIS İlk Kullanım Paketi ile artık ArcGIS Platformunu çok hızlı bir şekilde kullanabilirsiniz. İlk kullanım paketi ile ArcGIS Online ya da Portal for ArcGIS içeriğindeki tüm kullanımları deneyimli ve sertifikalı uzmanlarımız eşliğinde sizler de oluşturabileceksiniz. Bu içerikler neler?

1- ArcGIS Online ve Portal for ArcGIS Site Haritası

WEBGIS ana sayfasının kullanımı ve her içeriğin amacı ile yapılandırılması anlatılmaktdır.  Portal arayüzü nasıl tasarlanır, organizasyon içinde güvenlik nasıl sağlanır sizlere aktarıyoruz.

ArcGIS Online Site Haritası

2- Galeri (Gallery)

Öne çıkarılan içerikleri görüntüleye bileceğiniz vitrindir. ArcGIS Online kullanıcılarının paylaşmak istedikleri içeriklerini diğer kullanıcıların görüntülediği alandır. Ayrıca Esri Inc. Galeri ile en iyi uygulamaları kullanıcılarına Galeri üzerinden iletmektedir. WEBGIS ile paylaşıma açılan tüm kaynaklara bir arama kutucuğu ile erişebilirsiniz.

3- Harita ve Uygulama (Map & Webapp)

  • Harta görüntüleyicisi ile var olan haritaları görüntüleyebilir ve web haritaları oluşturabilirsiniz.
  • Web haritaları  üzerinde birden fazla katman ekleyip, semboloji,görünürlük ayarları ile bu katman tiplerine göre konumsal analizler çalıştırabilirsiniz.
  • Dosya tabanlı verilerden CSV ve TXT ya da Shapefile dosyaları kullanarak  harita servisleri yayınlayabilirsiniz.
  • Hazır şablonlar kullanarak haritanızı uygulamaya çevirebilirsiniz.

4- Gruplar (Groups)

  • İçerikleri ilgili gruplar ile paylaşabilir, ortak çalışabilirsiniz.
  • Kullanıcıları gruplara davet edebilir ve roller tanımlayabilir içerikleri grup üyeleri ile paylaşabilirsiniz.
  • Web haritalarına veya web uygulamalarına kimlerin erişebileceğini seçebilirsiniz.
  • Gizli, sadece organizasyon içi, genel (Public) grup ayarları yapılabilir.

4- Roller (Roles)

Grubunuzda bulunan her üye için rol organizasyon rolü tanımlayabilirsiniz. Organizasyon rolleri bir üyenin organizasyon içerisinde sahip olduğu ayrıcalıkları tanımlar. ArcGIS kuruluşunuzun birkaç yerleşik rolü vardır

  • Administrator(Yönetici)
  • Publisher(Paylaşıcı, Yayımcı)
  • User(Kullanıcı)

Yöneticiler, giriş sayfasını yapılandırma da dahil olmak üzere her şeyi yapabilir.
Yayıncılar, haritaları yayınlamak için bulutta barındırılan döşemeyi ve özellik hizmetlerini kullanabilir.
Kullanıcılar haritalar yapabilir ve paylaşabilir, ancak siteyi yönetemez veya yeni haritalar yayınlayamazlar.

Özel roller, kullanıcılar için rol şablonlarına göre özelleştirilmiş ayrıcalıklar oluşturmanıza olanak sağlar.

Rollerin oluşturulması ve tanımlanması iş akışı şeması

5- İçeriğim (My Content)

  • Verilerinizi depolayabilir ve organize edebilirsiniz.
  • Kişisel klasörler oluşturabilirsiniz.
  • İçeriklerinizi paylaşabilirsiniz.
  • Var olan içeriklerden web haritası oluşturabilirsiniz.

6- Kuruluşum (My Organization)

  • Kullanıcıları yönetebilirsiniz.
  • Lisans yönetimi ve paylaştırması yapabilirsiniz.
  • Site tercihlerini düzenleyebilirsiniz.

 

Daha fazla bilgi için Esri Türkiye Profesyonel Hizmetler ile iletişime geçebilirsiniz.

Esri Türkiye 2019

Bu yazı için bir etiket bulunmamaktadır.
WMS, WFS, WCS Servisleri ve Kullanımları

WMS, WFS, WCS Servisleri ve Kullanımları

Open Geospatial Consortium (OGC) web servisleri, haritalarınızı ve verilerinizi web üzerinden uluslararası kabul görmüş bir formatta sunabilmenizi sağlar. OGC, desteklenen istemci uygulaması olan herkese web üzerinde haritalar ve veriler oluşturmak için teknik özellikler tanımlamıştır. Tüm geliştiriciler bu desteklenen istemcileri oluşturmak için OGC teknik özelliklerini kullanmakta serbesttir.

Oluşturulan haritaları web’de görüntüleyebilmek ve CBS tabanlı uygulamalar oluşturmak için Web Servislerini kullanarak yayınlamamız gerekir. Bu servislerin hangi amaçlar için kullanıldığını ve nasıl yayınlanacakları ile ilgili bilgilere aşağıda yer verilmiştir.

WMS (Web Map Service): Haritayı tarayıcıda paylaşmak ve oluşturmak veya özel bir harita tabanlı uygulama oluşturmak için OGC Web Harita Servisi (WMS) kullanılır. WMS, çok sık kullanılan bir Harita Servisidir. WMS, haritayı yalnızca resim biçiminde oluşturur. WMS olarak oluşturulan bir harita yakınlaştırma, kaydırma gibi sınırlı işlevselliklerle görüntülenebilir. Daha fazlası için buraya tıklayabilirsiniz. Bir WMS servis yayınlamak istiyorsanız buraya göz atabilirsiniz.

WFS (Web Feature Service): WFS, haritanın verilerini sorgulamak, güncellemek, silmek, haritanın vektör verilerini veya meta verilerini web üzerinden paylaşmak için kullanılır. Bu protokol CBS verilerinin Web üzerinden düzenlenmesi için kullanışlıdır. Bir haritanın görüntüsünü döndüren WMS’in aksine WFS servisi, istemcilerin her türlü coğrafi analizde kullanabileceği nesneleri geometri ve öznitelikleri ile döndürür. Daha fazlası için buraya tıklayabilirsiniz. Workgroup veya Enterprise Geodatabase içinde bulunan verilerinizin istemciler tarafından düzenlenmesini ve kayıt edilmesini sağlamak istiyorsanız servisinizi WFS-T olarak hazırlamalısınız.

WCS (Web Coverage Service): WCS, raster veri kümelerinin web üzerinde yayınlaması için kullanılır. WCS servisleri, farklı veri platformlarında ve istemcilere raster veri kümelerinizi çevrimiçi olarak kullanıma sunmak istiyorsanız kullanışlıdır. Yine WMS servislerin aksine bir WCS servisi, analiz ve modelleme için girdi olarak kullanılabilecek formatta veri döndürür. Daha fazlası için buraya tıklayabilirsiniz. Bir WCS servisi yayınlamak için yapılması gerekenler için buraya göz atabilirsiniz.

Bu servisleri oluşturmak, tüketmek veya tüketilmesini sağlamak için Esri tarafından Open Geospatial Consortium (OGC) standartlarını destekleyen ürünleri kullanabilirsiniz.

 

Esri Türkiye, 2019

Vector Basemaps ile Kendi Harita Stilinizi Oluşturun

Altlık Haritalar

Esri Vector Basemaps online haritalarınızı, sahnelerinizi ve masaüstü projelerinizi görsel anlamda zenginleştirmek için gelişmiş grafik özellikleri sunmaktadır. Vector Basemaps haritadaki ayrıntılar, yazı tipleri ve gösterim şekillerinden arka planlara kadar değişiklikler yaparak kendi stilinizi yansıtmanızı sağlar. Peki bir altlık haritada gerçekten ihtiyacımız olan şey nedir? Altlık haritalar verilerimizi ölçeklendirmenin ve dünya üzerinde gösteriminin yanı sıra, yer şekilleri, yollar, alanlar ve siyasi sınırlar gibi  başka bilgileri de sağlamaktadır. Bu sebepten ötürü çalışmak istediğimiz türe göre altlık harita seçimi yaparız.

Altlık harita örnekleri

Örneğin bir şirkette akarsu akışları ile ilgili çalışmalar yürüttüğümüzü düşünelim, yukarıdaki altlık haritalarda bulunan OpenStreet map haritasını kullanabiliriz fakat bu altlık harita çok fazla gösterimi içermektedir,Yolların ve binaların nerede olduğunun çalışmam için öneminin olmadığını düşünüyorsam, daha temiz bir altlık harita seçebilirim.

Vector Basemap Nedir ?

Altlık haritalar ilk olarak raster formatında kullanıcıya sunuldu ve daha sonra vektör altlık haritalar sunuldu, Vektör altlık haritalarının farkı ise,altlık haritada sunulan öznitelik bilgisine sahip noktaların çizgilerin ve çokgenlerin bulunmasıdır. Geleneksel altlık haritalarda olduğu gibi bilgiler kolayca işlenebilir ve verimli bir şekilde kullanılabilir.

Vector Basemap(Vektör Altlık Haritaları)’leri Düzenleme

Peki, vektör altlık haritalarını düzenleme pratikte nasıl çalışır? Esri, ArcGIS Vector Tile Style Editor adlı platformu sunarak bu işlemi çok kolaylaştırdı. Platform, harita stilinde yapabileceğiniz basit değişikliklerin çoğunda size yol göstermektedir.

Yeni altlık harita stili oluşturma

Şimdi akarsular ile ilgili yürüttüğümüzü varsaydığımız çalışmamıza geri dönelim. İlk olarak basit bir düz renkli kanvas bir harita kullanmamız gerekmektedir. İhtiyacımız olan içeriğe en yakın olan altlık haritayı (Light Grey Canvas vector tile basemap) seçerek başlayabiliriz, Esri’nin herhangi bir vektör altlık  haritasıyla veya kendi özel vektör stillerimizle çalışabiliriz. Akarsu ağlarını altlık haritada vurgulamak için basitçe “Rivers” katmanını seçebilir ve rengini değiştirebiliriz. Bir temayla çalışıyorsak, özel hex kodlarını bile kullanabiliriz.

Akarsuların ön plana çıktığı örnek altlık harita stili

Bu araç, temel haritalarımızı daha az ilgi çeken noktaları bastırmanın yanı sıra, seçici olmamıza ve önemli katmanları ortaya çıkarmamıza olanak sağlar. Daha iyi görselleştirme ve daha hızlı karar vermeyi sağlayan daha sezgisel ve bilgilendirici çıktılara ulaşmamızı sağlar.

Kentsel alanlardan yollara, demiryolu, park, ulaşım, eğitim, kanallar, göller okyanusları, siyasi sınırlar ve hatta hayvanat bahçelerine kadar, altlık haritalarda ön plana çıkarabileceğiniz unsurlar bulunmaktadır.

Binaların ve yolların ön plana çıktığı örnek altlık harita stilleri.

Bu örnekte de binaları ve yolları ön plana çıkaran bir altlık harita oluşturduk.Bu haritayı sitemizde,uygulamamızda, masaüstü çalışmalarımızda kullanabiliriz.

Örneğin markanızın renklerini yansıtan bir altlık harita oluşturabilirsiniz.

Esri Türkiye 2019

Bu yazı için bir etiket bulunmamaktadır.
CBS Servislerinizi Esri’nin İyi Uygulamaları Doğrultusunda Yapılandırın

CBS Servislerinizi Esri’nin İyi Uygulamaları Doğrultusunda Yapılandırın

ArcGIS Server yöneticisi iseniz zaman zaman servislerinizin performans için en iyi şekilde nasıl optimize edileceğine, bekleme sürelerinin kısaltılmasına ve servis aksaklık sürelerinin ortadan kaldırılmasına dair karar vermeniz gerekebilir.

Örneğin, kullanıcılarınızdan servislerin görüntülenirken uzun bekleme sürelerine sahip olduğu konusunda veya çok kullanılan bir web uygulamanızın ağır çalıştığına dair şikayetler alıyorsanız, bu blog yazımızda sizlere süreçlerinizi iyileştirmek için kullanabileceğiniz yöntemlerden bahsedeceğiz.

Servis Performansınızı İzlemek için ArcGIS Server Manager İşlem Kayıtlarını Kullanın

Sisteminiz içerisinde problemin nerede olduğunu tespit edebilmek için en etkili yöntemlerden birisi ArcGIS Server işlem kayıtlarının izlenmesidir. ArcGIS Server tarafından tutulan işlem kayıtlarıyla birlikte servislerinize ait aşağıdaki parametreleri takip edebilirsiniz:

  • Katmanların çizim süreleri
  • Servislerin kullanım istatistikleri
  • Çalışmayan servisler

ArcGIS Server işlem kayıtlarının servisler üzerindeki problemlerde nasıl yardımcı olabileceğini anlamak için aşağıdaki örnek senaryoları inceleyebilirsiniz.

Senaryo #1

Kuruluşunuz içerisinde bulunan bir harita servisinin çok uzun süren görüntüleme sürelerine sahip olmasından şikayet eden bir kişinin sizinle iletişime geçtiğini varsayalım. Bu konuya dair araştırma ve test yapmaya başladığınızda servisinizin içerisinde bulunan bir katmanın çizim süresinde yavaşlığa sebep olduğunu gözlemleyebilirsiniz. Sorunun kaynağını tam olarak tespit edilebilmesi için bu harita servisi ile ilgili ArcGIS Server’ın tutmuş olduğu işlem kayıtlarını incelemeniz faydalı olacaktır.

Muhtemel Sebep #1

ArcGIS Server işlem kayıtlarını incelediğinizde servis içerisindeki uzun süren çizim sürelerine sahip katman veya katmanları bulabilirsiniz.

Çözüm #1

Harita performansınızı optimize etmek için aşağıdaki yöntemleri kullanabilirsiniz:

  • Ölçeğe bağlı olarak gösterim yapmayı (renderlamayı) deneyin,
  • Kullanılmayan katmanları veya data frameleri (veri çerçevelerini) servisinizden kaldırın,
  • Servisinizde eğer bir tanım sorgusu varsa, kontrol (validation) işleminden geçirin,
  • Katman sembolojinizi basitleştirin,
  • Veriniz düzensiz periyotlarla güncelleniyorsa önbelleklenmiş harita kullanmayı düşününebilirsiniz. Önbelleklenmeyen haritalardaki performans ipuçlarına dair detaylı bilgiyi http://desktop.arcgis.com/en/arcmap/latest/map/publish-map-services/map-authoring-considerations.htm bağlantısından alabilirsiniz.

Servisinizi bu parametreler doğrultusunda gözden geçiererek, tavsiye edilen yöntemleri performans artışı için değerlendirebilirsiniz. Servisinizi yeniden yayınladığınızda performanstaki ciddi değişikliği yalnızca  değil çalışma arkadaşlarınız da farkedecektir.

Muhtemel Sebep #2

ArcGIS Server Manager işlem kayıtlarını incelediğinizde, servis içerisindeki bir katmana ağ erişimindeki gecikmenin servisin performansını düşürdüğünü tespit ediyorsunuz.

Çözüm #2

Ağdaki gecikmeleri minimuma indirmek ve servis performansınızı optimize etmek için veri erişim ve yönetimi konusunda aşağıdaki başlıkları inceleyebilirsiniz:

Servis Performansınızı İzlemek için ArcGIS Server İstatistiklerinizi İzleyin

ArcGIS Server istatistikleriniz ArcGIS Server Manager sayfanızın Logs (İşlem Kayıtları) sayfasında yer alır. Sunucu istatistikleri servisleriniz ile ilgili sizlere aşağıdaki sorulara cevap bulmanızda yardımcı olacaktır:

  • Sistemim geçen hafta toplam kaç istek almıştır?
  • Servislerimin saatlik performansı ne şekildedir?
  • Belirli bir servis için belirli bir zamanda kullanımı en fazla olan servis örneği nedir?

ArcGIS Server istatistiklerinin, servis kaynaklarını etkin bir şekilde sağlamanıza nasıl yardımcı olabileceğini göstermek için aşağıdaki senaryoyu, muhtemel sebebini ve çözümlerini de inceleyiniz.

Senaryo #2

Çok aranan bir web uygulaması oluşturdunuz ve açıklanacak bir tarihte yani haftanın ilerleyen saatlerinde bu uygulamayı daha geniş bir kitleye sunmak istiyorsunuz. Bu uygulamadaki servisler için yüksek miktarda talep beklemektesiniz, bu sebeple bu kullanımı desteklemek için yeterli makine kaynağına sahip olduğunuzdan emin olmanız gerekmektedir.

Bu web uygulamasının yüksek kullanımını desteklemek ve yeterli miktarda sunucu makinesi sağlayabilmek için az kullanılan servisleri tanımlamak ve bu uygulamanın kullanıcılarına göre servis özelliklerini ayarlamak için ArcGIS Server istatistiklerini gözden geçirebilirsiniz. Buna karşılık web uygulamalarında tüketilecek servisler için servis özelliklerini uygun bir şekilde ayarlayabilirsiniz.

Muhtemel Çözüm #2

ArcGIS Server sisteminiz içerisinde servis yönetimi ve servis özelliklerinin iyi bir şekilde ayarlanmasıyla aslında kaynaklarınızda da gereksiz kullanımını ortadan kaldırmış olursunuz.

Servisiniz maksimum kullanım sürelerinin üstünde kullanılıyorsa ya da son kullanıcılarınız bir servisteki aşırı istek nedeniyle zaman aşımına uğruyorsa; servis özelliklerinizi kullanıcıların isteklerine yönelik ayarlayabilmek için aşağıdaki önerileri takip edebilirsiniz:

  • En sık kullanılan servislerin neler olduğunu belirleyin ve bu servisler için çalışan minimum instance sayısını arttırın. Böylelikle kullanıcılarınızın bekleme süreleri azalacaktır.
  • En az kullanılan servislerin neler olduğunu belirleyin ve bu servisler için çalışan minimum instance sayısını “0” a çekin. Bu diğer servisler için uygun kaynak yaratmanız anlamına gelecektir.
  • Servisleriniz için maksimum/minimum instance sayılarını, bekleme sürelerini, idle süresini ve kullanım sürelerini arttırın. Böylelikle kullanıcıların servisi bekleme süreleri azalacaktır.
  • Instance, bekleme süresi ve idle sürelerini azalttığınızda sistemde boşa çıkacak kaynaklar oluşacaktır.

Servis kaynaklarınızın ve sitenizin yönetimi için ek bilgiler:

Coğrafi Bilgi Sistemlerine yönelik kurumsal ihtiyaçlarınız, hedefleriniz doğrultusunda ihtiyacınız olan teknoloji/teknik bilgi desteğine ulaşmak için Esri Türkiye web sitemizi inceleyebilirsiniz.

Esri Türkiye, 2019

Bu yazı için bir etiket bulunmamaktadır.