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

 

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

Beraber yapalım – ArcGIS Pro 2.4’de Gerçek Zamanlı Veri ile Mekânsal Analiz Örneği

Beraber yapalım – ArcGIS Pro 2.4’de Gerçek Zamanlı Veri ile Mekânsal Analiz Örneği

ArcGIS Pro 2.4’den itibaren kullanabileceğimiz harika bir özelliği siz değerli okurlarımız ile paylaşırken bir yandan da bu özelliği beraber deneyerek keşfedelim. Buyurun lütfen…

Acil müdahale yönetimi için hayat kurtarmak ve zararları azaltmak çok önemlidir. Dolayısıyla, potansiyel hasarı afet gerçekleşmeden önce ilgili bölgedekileri erken uyarmak veya önceden yapılmış değerlendirmelerle olası hasarı azaltma yönündeki analizler hayati önemi sahiptir. Afet gerçekleştiği sırada o bölgeye ait anlık veri akışına sahip olunduğunda ve anlık olarak gerçekleştirilecek mekânsal analizlerle karar verme sürecinizde size yardımcı olabilir.

Bu blog yazısında, bir kasırgadan etkilenen ABD eyaletlerindeki nüfusun harita üzerindeki simülasyonunu görebiliyorken aynı anda etkilenen nüfusu grafik üzerindeki değişimini gözlemleyebilirsiniz. Simülasyonu beraber gerçekleştirebilmek için ise yazı içerisinde paylaşılmış olan ArcGIS Pro eklentisini aşağıda bulabilirsiniz.

  1. İlgili Visual Studio projesini indirin: https://arcg.is/0jH09i
  2. Projeyi açıp derleyin ve derleme zamanı hatası olmadığından emin olun.
  3. F5 tuşuna basın. ArcGIS Pro açılacaktır.
  4. İndirilen zip dosyasıyla beraber gelen Data isimli klasörün içerisinde bulunan ArcGIS Pro projesini açın.
  5. Spatial Analysis – Select Affected Counties isimli haritayı açın. Florence isimli kasırgayı temsil eden ve onun belirsiz bir şekilde ABD’nin Doğu kıyılarında hareket edişini temsil eden bir poligon göreceksiniz.
  6. Content bölmesindeki Counties isimli katmanı genişletin ve katmanla ilişkilendirilmiş grafiği açın.
  7. Real-time Analysis (Gerçek Zamanlı Analiz) sekmesindeki Select Affected Counties düğmesine basın. Kasırgayı temsil eden poligon karaya geldiğinde, kesişen tüm ilgili eyaletlerin otomatik olarak seçildiğini göreceksiniz.

Yukarıda gördüğünüz üzere kasırgadan kaç kişinin etkileneceğini grafik üzerinde inceleyebilirsiniz. Select Affected Counties düğmesine tekrar basarak gerçek zamanlı analizi durdurabilirsiniz.

Tüm bu senaryoda, Florence isimli kasırga verisini içeren bir stream servisi kullanılmıştır. Bknz: https://geoeventsample1.esri.com:6443/arcgis/rest/services/Florence-Demo/StreamServer

Örnek kod’a, veriye ve ArcGIS Pro projesine https://arcg.is/0jH09i bağlantısından erişebilirsiniz.

ArcGIS Pro 2.3 Yeniliklere Genel Bakış

ArcGIS Pro 2.3 Yeniliklere Genel Bakış

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

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

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

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

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

 

Rapor

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

 

Deep Learning

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

 

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

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

LocateXT

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

Editing Tools

Düzenleme iş akışlarınızı geliştirmek için aşağıdaki dört araç eklenmiştir:

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

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

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

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

Attribute Rules

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

3D Interpolation EBK

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

 

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

 

ArcGIS Pro’da Suç Analizi Çözümleri Bölüm 2

ArcGIS Pro’da Suç Analizi Çözümleri Bölüm 2

Suç analizi, elimizdeki veriler sayesinde mekân, zaman, suçun işleniş karakteristikleri, önceki olaylara benzerlikleri gibi konuların tespit edilmesi, aynı zamanda suç trendleri, suçlar ve diğer değişkenler arasındaki korelasyon ve nedensellik ilişkilerini ortaya çıkarmakta kullanılır.

Suç ve şüphelinin belirlenmesi, haritalanması, zaman çizelgelerinin çıkarılması, grafikler, tablolar ve şemalar oluşturulması işlemlerini de içerir. Bu sayede mahkeme sürecine katkı sağlayabilir.

Suç analizi, devriye, suçun önlenmesi, soruşturma, planlama, araştırma, personel, operasyon, bütçe vb. birçok birimin faaliyetlerini desteklemede kullanılabilir.

Suç analizlerinin en önemli kısımlarından olan veri toplama, veriyi standart hale getirme, suçların benzerliklerini kategorize etme ve soruşturmaya katkı sağlayacak bütün verilerin hazırlanması gibi işleri Esri’nin suç analizi çözümleri sayesinde hızlı ve etkin bir şekilde gerçekleştirilebiliriz, bu sayede de zaman ve kaynak tasarrufu sağlayabilirsiniz.

Esri’nin Suç analizi çözümleriyle;

  • Meydana gelen veya gelişmekte olan suç serilerini ve suç kalıplarını ortaya çıkarabilir, harita üzerinde görüntüleyebilir,
  • Olması muhtemel suçlar için yakın bir tahminde bulunabilir,
  • Coğrafi profilleme yapabilir, suçların mekânsal ilişkilerini çıkarabilir,
  • Personel, kaynak ve bütçe planlamalarında veri desteği sağlayabilirsiniz.

Daha önceki ArcGIS Pro ile Suç Analizi yazımızda Esri’nin suçla mücadele çözümü olan Crime Analyst Toolbar’ın (Suç Analizi Araç Çubuğunun) barındırdığı araçlara değinmiştik.

Crime Analyst Toolbar, Crime Analysis sayfasından ücretsiz olarak indirip ArcGIS Pro’da kullanabileceğiniz bir Add-in’dir.

Bu yazımızda ise bu araçlar sayesinde yapabileceklerinize değineceğiz. Ama tüm bunlardan önce şunu belirtelim ki bu yazı boyunca kullanılan bütün veriler ve görseller bizler tarafından oluşturulmuş tamamen kurmaca verilerdir. Gerçeklerle hiçbir ilişkileri bulunmamaktadır.

Şimdi de literatürdeki suç analizlerini Esri Suç analizi çözümleri ile nasıl gerçekleştirebileceğinizden kısaca bahsedelim:

Taktik Analizlerinizi gerçekleştirmek için, Suçları istediğiniz kriterlere göre sınıflandırarak (örneğin kişilere karşı suçlar, kamu güvenine karşı suçlar veya mal varlığına karşı suçlar gibi) İstatistiksel olarak anlamlı sıcak ve soğuk noktaları çıkartabilirsiniz. Böylece mevcut veya gelişmekte olan suçların günlük olarak haritalandırabilir, analiz edebilirsiniz.

Belirlenmiş suç türüne göre oluşturulmuş bir Hot Spot analizi haritası. Bu haritaya göre ihbarın en fazla olduğu kırmızı bölgeler için kaynak aktarımı gerektiği düşünülebilir. Bu analiz bize ihbarlara cevap süremizi ve intikal süremizi düşürmek için bölgeye personel aktarımı yapmamız gerektiği bilgisini de verebilir.

Crime Analyst Toolbar ile coğrafik profilleme yapabilirsiniz, bunun için;

İhbar verilerinden ya da elinizdeki raporlanmış herhangi bir veriden (bunlar olaylar sırasında tutulmuş raporlar ya da gelen ihbarlardan tablosal olarak tutulmuş veriler de olabilir) istediğiniz alanlara göre nasıl bir dağılım izlediğini gösteren haritalar oluşturabilirsiniz.

Bu harita tutuklama sayılarına göre gerçekleştirilen mekânsal gösterimdir. Devriye bölgesinde gerçekleşen olay sayılarına baktığınızda çalışma alanımızın kuzeyine ve doğusuna güney ve batıdaki devriye bölgelerinden kaynak aktarımı yapılması gerekmektedir gibi bir kaynak akarımı yorumunda bulunabiliriz.

Bu konuda Crime Analyst Toolbar aracımızın size sağlamış olduğu kolaylık ise birkaç tık işlemi ile bu haritaları otomatik olarak renklendirilmiş ve etiketleri ile birlikte elde ediyor oluşunuzdur. Bu yöntemleri kullanarak bir il, ilçe, mahalle, devriye bölgesi ya da karakol sorumluluk bölgesi için en fazla suç hangi bölgede işleniyor ya da ihbar nerelerden geliyor bunların gösterimini sağlayabilirsiniz. Bu da kaynaklarınızı nereye yönlendirmeniz gerektiğini ortaya koyabilir. Olayların en sık yaşadığı bölgelere devriye kaynaklarınızın aktarılmasını sağlayabilirsiniz.

Taktik analizleri içerisinde gerçekleşmiş suçların ötesinde “Suçun tahminini” de bulunmaktadır peki bu konuda nelere yapabiliriz bir de bunları inceleyelim:

Gelecekteki suçları tahmin edebilir miyiz?

  • Önümüzdeki hafta kaç hırsızlık suçu işlenmesi bekleniyor? Bunu öngörebilir miyiz?
  • Haftanın belirli gününde ve saatinde nerelerde soygun veya şiddet suçu riskinin artması bekleniyor?
  • Bu doğrultuda güvenlik güçlerimizin kaynaklarını suçların engellenmesi için en etkin şekilde tahsisini nasıl sağlayabiliriz?
  • Suçlar bir doku izliyor mu? Bir mekâna doğru eğilim gösteriyor mu zamansal veya mekânsal bir kümelenme var mı?

Tüm bu gibi sorulara cevap bulabilir miyiz?

Suçları haritalamak, analizler yapmak bizlere çeşitli tahminler yapma imkânı verir. Bu bize suçların engellenmesi için kaynaklarımızı en etkin biçimde kullanmamıza yardımcı olur. Bu sayede bir suç trendi oluşuyorsa bunu engelleyebiliriz.

Kısaca Amacımız suçu engellemek ve güvenlik güçlerinin kaynaklarını en etkin bicimde kullanmak ise Esri suç analizi çözümleri bizlere bu tahminlerimizi gerçekleştirebileceğiniz analiz araçlarını sağlıyor.

Suç tahminlerinin yapılması çerçevesinde gerçekleştirilebilecek analizlere bakarsak:

Esri’nin sunduğu araçlar sayesinde elimizdeki ihbar veya suç verileri ile sıcak nokta analizi uyguladığınızda suçların bir yerde mekânsal olarak kümelendiğini gösterecek haritalar oluşturabilirsiniz.

Sıcak nokta analizlerinizden elde ettiğiniz bilgilere ek olarak Esri tarafından sizlere sunulan işsizlik verileri, nüfus verileri, hane halkı sayısı, eğitim seviyesi gibi çok çeşitli demografik, sosyoekonomik ve coğrafik suça etki eden diğer verileri de ekleyebilir ve tüm bunlara sizden gelen verileri de dahil ederek ki bunlar mobese ile kontrol edilen noktalar, kontrol edilemeyip kör nokta olarak kalan alanlar, suça eğilimi arttıran terk edilen yıkıntı alanlar, arazi kullanım desenine geceyle gündüz aktif kullanılan alanlar ve devriye araçlarının güzergahları v.b. gibi birçok veriyi de ekleyerek risk haritaları oluşturabilirsiniz. Böylece suç riskinin yüksek olduğu alanları görüntüleyebilirsiniz ve önlemler alabilirsiniz.

“Bir suç türü belirli bir mekânda zaman içinde aynı metotlar ile gerçekleşiyorsa, tekrarlanma ihtimali yükselir.” Önceki bir suç olayından sonra etrafındaki risk artacaktır. Sık tekrar eden olayların mekânsal bir ilişki içerisinde olup olmadığını gösterebilirsiniz.

Tekrarlanan suçlar yüksek risk alanı olarak tanımlanan alanlara düşüyorsa önlemlerinizi arttırabilirsiniz.

Yani bu analizlerin sonucundaki çıkarımınız ile hangi bölgelere kaynakların aktarılması gerektiğine karar verebilirsiniz.

Suçun zaman ve mekânsal ilişkisini gösteren 3 Boyutlu bir gösterimle (buradaki 3. boyut zamandır), belirli bir zaman aralığında belirli mekânda suçun dönemler halinde artış mı izlediği ya da yaptığımız bir müdahale sonucu da olabilir, azalış mı izlediğini gözlemleyebiliriz.

Problem analizi olarak da bilinen stratejik analizler, suçla mücadele bağlamında bilgiye dayalı olarak karar vermenizi sağlar. Uzun vadeli problemlerin gösteriminde kullanılan suçun artış ve azalışını gösteren analizleri bu çözümün sunduğu araçlar sayesinde gerçekleştirebilirsiniz.

Stratejik Analiz Yüzde Değişimi haritamızda emek çevresinin sorumlu olduğu devriye bölgesinde hırsızlık suçlarının ikinci altı aylık dönemde %85 oranında arttığını görebilirsiniz.

Ya da ihbarların gece ve gündüz gibi belirli zaman periyodları arasındaki dağılım yoğunluğu çıkartarak hem telefon ihbarlarına yanıt veren ofis personeli açısından hem de olay yerine intikal edecek devriye ekiplerinin yönetilmesini sağlayabilirsiniz.

Tüm bu bahsetmiş olduğumuz taktik ve stratejik analizlerinizi birkaç tık ile gerçekleştirerek, zamanınızın çoğunu alan istatistik hazırlama ve rapor yazma süreçlerinizi çok daha hızlı yürütebilirsiniz. Bu veriler grafikler oluşturabilmenizi, oluşturduğunuz web uygulamaları ve dashboard’larda sorgulamalar yapabilmenizi ve ihtiyaçlarınızı detaylı şekilde görmenizi sağlayacaktır.

Bu harita bir ihbara, ekiplerin 3 dakika içinde intikal edilebileceği alanları temsil etmektedir.

Kaynakların yönetilmesi adına, devriye bölgelerinin olaya intikal etme süresine göre belirlenmesi, hizmet verilen bölgelerin büyüklüğü, personel sayısı, görevlendirme politikaları hatta görev yoğunluğunu analizlerinize dahil ederek kaynaklarınızı en etkin şekilde yönetebilirsiniz.

Tekrar etmek gerekirse, Esri’nin Suç analizi çözümleri sayesinde;

  • Meydana gelen veya gelişmekte olan suç serilerini ve suç kalıplarını ortaya çıkarabilir, harita üzerinde görüntüleyebilir,
  • Olması muhtemel suçlar için yakın bir tahminde bulunabilir,
  • Coğrafi profilleme yapabilir, suçların mekânsal ilişkilerini çıkarabilir,
  • Personel, kaynak ve bütçe planlamalarında veri desteği sağlayabilirsiniz.

Esri Türkiye 2018

ArcMap Kartografik Gösterim Yetenekleri ile İleri Düzey Sembol Yönetimi

Coğrafi bilgi sistemlerinde; verilerin okunabilirliğini sağlamak adına haritaları doğru görselleştirmek, verilerinizi sayısallaştırmak kadar önemlidir. ArcMap, işte bu görselleştirmeleri mekansallık ve bilimsellikten uzaklaşmadan yapabilmek adına Representation özelliği ile çözüm getirmiştir. Bu yazıda ilgili aracın yeteneklerinden kısaca bahsedilecektir.

Representation formatı ile Feature Class veri tipindeki katmanlarda çalışılabilmektedir. Çünkü bu yetenekler, veritabanında bir domain yapısıyla çalışır. Bu sayede aşağıda verilen örneklerdeki gibi durumlarda sembol kontrollerini gerçekleştirebilirsiniz.

Nokta geometrisine sahip bir katmanı ele alacak olursak; mekansal verilerinizi haritalarken ya da haritalarınızı çıktıya hazırlarken, birbirine oldukça yakın olan detaylara ait sembollerde zaman zaman çakışmalar meydana gelebilir. Standart semboloji teknikleri ile bu çakışmalar ortadan kaldırılamaz. Bilinen haliyle bu çakışmalar ortadan kaldırılmaya çalışılırsa da veride konum bilgisi anlamında gerçeklikten uzaklaşmalar meydana gelebilir. Bu gibi durumlarda ileri düzey düzenleme araçlarından faydalanılmaktadır. Benzer bir durum poligon geometrisine sahip verilerin sembollendirilmesinde de gerçekleşebilir. Örneğin, projenizde poligon geometrisine sahip bir Park katmanı olduğunu varsayalım. Bu park katmanını çeşitli ağaç sembolleri ile görüntülemek istiyorsunuz. Bu durumda kendi sembolünüzü oluşturarak verinizi görüntüleyebilirsiniz. Ancak söz konusu sembollendirmeyi yaptıktan sonra harita yayılımı değişikliğinde sembollerin dinamik bir halde değiştiğini gözlemlersiniz. Bu dinamikliği kontrol altına almak için de Representation yeteneklerini kullanmalısınız. Yazının devam eden adımlarında bu durum örnek ve görseller ile birlikte açıklanacaktır.

Görselde bulunan Parks katmanı, yeşil renkle gösterilmektedir. Şimdi kendi sembolümüzü oluşturacağız.

Yukarıdaki görselde olduğu gibi, poligon katmanı için kendimize ait bir semboloji oluşturduk ve aşağıdaki görüntüyü elde ettik.

Ancak var olan haliyle, harita yayılımı her değiştiğinde semboller yer değiştirmekte, sembole komut olarak verdiğimiz rastgele dağılım özelliği devreye girmektedir. Ayrıca ağaçları temsilen seçtiğimiz yeşil semboller detay sınırına takılmakta ve neredeyse hiç biri bütünüyle poligon içinde görülememektedir.

Şimdi bu durumu kontrol altına alabilmek için, bir çok ileri seviye yeteneğe sahip olan Representation formatına geçiş yapacağız.

Representation formatına geçiş yapabilmek için ilgili katmana “Convert Symbology to Representation” komutu verilmelidir.

“Convert Symbology to Representation” penceresinde, Representation formatının gerekliliklerinden olan RuleID ve Override sütunlarına ve Representation kuralına verilecek isimler belirlenir. Çünkü bir veritabanı veya bir katman, birden fazla Representation kuralına sahip olabilir. Bu gereklilikler tamamen, Representation formatının Domain ve Domain’e bağlı kural yapısı ile çalışıyor olmasından kaynaklıdır.

Representation formatına geçildiğinde, katmana ait Layer Properties>Symbology sekmesinde Representations adında yeni bir sembollendirme seçeneği geldiği görülür.

İşte bu bölümde, poligonu temsil edecek her bir desenin boyut, açı ve dağılım gibi özellikleri yönetilebilir durumdadır.

Biz bu uygulamada biri açık yeşil ve büyük, diğeri koyu yeşil ve küçük olan iki ayrı sembol seçmiştik. İlerleyen adımlarda bu semboller yönetilecektir.

Representation özelliklerini düzenleyebilmek için, Editor’un Start Editing durumunda olması gerekmektedir. Ayrıca, bu düzenlemeleri yaparken Representation araç çubuğu da gerekli olacaktır. Düzenlenmek istenen Representation, Representation araç çubuğunda bulunan Select Tool ile seçilmeli ve ardından Representation Properties penceresi açılmalıdır.

Sembol üzerinde değişiklikler yapabilmek için Representation Properties penceresinde bulunan ve aşağıdaki görselde kare içine alınmış olan ikona çift tıklayarak Representation Marker Selector penceresi açılır ve Properties butonuna tıklanır.

Açılan Marker Editor penceresinde Create Polygon komutu aracılığıyla sembole eklemeler yapacağız.

Sembole ekleme yaptıktan sonra, Marker Editor penceresinin alt kısmında bulunan “Add new stroke layer” komutu ile, yapılan eklemenin dış sınırını oluşturacak ve renklendireceğiz.

Sembol değişikliğinden sonra Parks katmanı aşağıdaki gibi sembollendirilecektir.

Şimdi de sembollerin büyüklükleri üzerinde değişiklikler yapacağız. Bu işlem için Layer Properties>Symbology>Representations metoduna gidilmelidir. Katman görüntülenirken açı yeşil ve büyük olan sembolün daha belirgin olması için boyutu, diğer sembolden daha büyük olarak ayarlanacaktır. Bu işlemleri yapabilmek için, sürecin başında açılan Editor, Stop Editing durumunda olmalıdır.

Yapılan son ayarlamalar ile elde edilen görüntü görseldeki gibi olacaktır.

Sembollerin bütünüyle poligon içinde kalması istenmektedir. Bunun için, yine Layer Properties>Symbology>Representations alanında, ilgili markerların her biri için yerleştirme komutları bulunmaktadır.

 

Clip markers at boundary: Sınıra gelen sembolleri sınırın bittiği hattan keser.

Clip markers at boundary metodu ile gösterim

Whole markers cross boundary: Semboller detay sınırının dışına taşsa bile bütünüyle gösterilir.

Whole markers cross boundary metodu ile gösterim

No markers touch boundary: Detayın sınırlarına değecek olan semboller gösterilmez. Semboller bütünüyle poligon içerisinde olacak şekilde yerleştirilir.

No markers touch boundary metodu ile gösterim

Daha detaylı bilgiler için linke tıklayabilirsiniz.

Esri Türkiye, 2018

Bu yazı için bir etiket bulunmamaktadır.