Map Viewer Beta’nın Öne Çıkan Özellikleri (2020)

Map Viewer Beta’nın Öne Çıkan Özellikleri (2020)

Map Viewer Beta, Esri’nin gelecek nesil web haritalama yeteneklerine gelişmiş bir bakış açısı sunuyor. Yeni görünümü  ve seçenekleri ile yaratıcılığı ve deneyi teşvik ederek verilerinizin öyküsünü anlatan görsel olarak çarpıcı haritalar oluşturmak artık daha da kolay!

ArcGIS Online’da bulunan Map Viewer Beta artık 10.8.1 sürümü ile ArcGIS Enterprise’da isteğe bağlı, ek bir kurulum olarak mevcuttur.

Şimdi Map Viewer Beta ile neler yapabileceğinize çeşitli örnekler* üzerinden bakalım:
*Örnekler demo veriler üzerinden gösterilmiştir.

Kümeleme

Haritanız çok sayıda nokta içeriyorsa, noktalar çakıştığında ve diğer noktaların üstünü kapadığında mekansal deseni ayırt etmek zor olabilir. Kümeleme, büyük nokta veri kümeleriyle çalışırken genel deseni görselleştirmenin ve haritanızın çizim hızını iyileştirmenin güçlü bir yoludur. Kümeleme artık sağdaki Ayarlar araç çubuğunda ayrı bir buton olarak görünüyor. Nokta detayları haritaya eklendiğinde Kümeleme butonu otomatik olarak aktifleşecektir. Kümelemeyi etkinleştirdiğinizde harita, mevcut harita sembolojinizi kümelenmiş detaylara çevirecektir.

Varsayılan ayarların ötesine geçerek kümelerinizle daha fazlasını yapabilirsiniz. Herkesin verileri farklıdır, bu nedenle bu seçenekler haritanız için işe yarayan ayarlamalar yapmanıza olanak tanıyacak şekilde düzenlenmiştir. Artık kümelerinizin minimum ve maksimum boyutunda ayarlamalar yapabilirsiniz. Bu özelleştirme, haritanızın en iyi şekilde görünmesine yardımcı olurken aynı zamanda net bir desen göstermesine yardımcı olabilir. En küçük kümeleri ayarlamak veya en büyük daireleri ayarlamak için küme yarı çapındaki çubuğu kaydırabilirsiniz.

Kümeleme yaptığınızda artık kümede toplam kaç tane nokta olduğunu görebilirsiniz. Bu, verilerinizde yoğunlaşan nokta özelliklerinin nerede olduğunu görmeyi kolaylaştracaktır. Etiketlerinize özel bir görünüm ve his vermek için yazı tipini, boyutunu, yerleşimini ve yansımasını kolayca ayarlayabilirsiniz. Aşağıdaki örnekte kişilere ait bilgilerin bulunduğu veriyi görüyorsunuz. Bu veriyi kadın erkek olarak göstermek istediğimizde stiller içinden alan ekleyerek bunu yapabiliriz. Gösterimdeki farklılaşmayı ise kadın ve erkeklerin yaş dağılımına göre yapmak istersek, bu da mümkün. Farklı yaş gruplarını vurgulamak istediğimizde şeffaflık aralığını belirleyerek bunu gerçekleştirebilirsiniz.

 

Artık, Map Viewer Beta’da küme açılır pencerenizi özelleştirme seçeneğiniz var. Kümelemeyi açtığınızda, kümedeki detayların sayısını ve eşlenmekte olan özniteliğe göre küme içindeki noktaların bir özetini bildiren varsayılan bir açılır pencere alabilirsiniz. Aşağıdaki örnekte; her kümedeki kadın ve erkeklerin toplam sayısı açılır pencerede görünmektedir. Ayrıca veri ile ilgili bilgilendirme notu da yine açılır pencereye eklenmiştir.

Nokta Yoğunluğu (Dot Density)

Nokta yoğunluğu ile iyi çalışan yaygın konular arasında, nüfus sayımı verileri, hayati istatistikler, olaylar ve kazalar, suç olayları ve ürün satışları bulunur. Nokta yoğunluğu stili, verilerinizde birden fazla sayımın veya toplamın bulunduğu her durumda ve insanlar, evler, olay raporları, tutuklamalar, toplam TL gibi ortak bir birimi paylaştıklarında iyi çalışır.

Nokta yoğunluğunu stiller butonundan seçerek ayarlamalarını yapabilirsiniz. Ayrıntılarını stil seçeneklerine tıklayarak kişiselleştirebilirsiniz. Ayrıca her bir noktanın kaç detay göstereceğini “nokta değeri kısmından kaydırarak veya nokta değerini tıklayıp ve yuvarlatılmış bir sayı girerek belirleyebilirsiniz. Nokta yoğunluğu göstergesi otomatik olarak güncellenir.

Ülke, il ve sayım bölgesi sınırları gibi alan ana hatlarını görüntülemek için arka plan sembolünü değiştirebilirsiniz. Noktaların parlamasını sağlamak için, şeffaflık ekleyerek veya hiç göstermeyerek dikkat dağıtıcı ana hatları en aza indirebilirsiniz. Nokta yoğunluğu altında yer alan Lejant kısmından ise hangi rengin hangi isme karşılık geldiğini düzenleyebilirsiniz.

 

Diğer Yenilikler

  • Isı Haritası

Yoğunluğu göstermek istediğinizde veya çok sayıda örtüşen noktanız olduğunda ısı haritalarını kullanabilirsiniz. Daha sıcak parlıyor gibi görünen daha güçlü renklerle yüksek aktiviteye sahip alanları vurgulayabilirsiniz. Bir özniteliğe bağlı olarak çok sayıda noktanın nerede olduğunu ve yüksek ve düşük değerlerin bulunduğu yerleri görselleştirebilirsiniz.

 

  • Bağımsız Tablolar: Haritanıza bağımsız tablolar ekleme yeteneği gelmiştir. Tablolar, URL’den mevcut bir katmana göz atılarak eklenebilir veya çok katmanlı bir detay katmanının parçası olarak eklenebilir. Burada görünen tabloların coğrafi özellikleri yoktur, ancak genellikle başka bir katmandaki özelliklerle ilgilidir. Örneğin, bir yangın musluğu katmanında ilgili bir denetim tablosu olabilir.

Benzer şekilde, bir parsel katmanında ilgili bir parsel sahipleri tablosu olabilir. Haritanıza ilişkili tablolar içeren bir katman eklediğinizde, tablolar “Tablolar” bölmesinde gösterilir. Ancak, tabloların bir haritaya eklenecek katmanlarla ilişkilendirilmesine gerek yoktur. Bu bağımsız tabloları bağımsız olarak da ekleyebilirsiniz.

Bağımsız tablolarda da katman tablolarında olduğu gibi alanları sıralayabilir, alanları yeniden sıralamak için sürükleyebilir, alanları gösterebilir ya da gizleyebilir ve tablo düzenlemeye açıksa kayıtları düzenleyebilirsiniz.

 

Kaynaklar:
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

 

Nasıl Yapılır: Nokta Konumlarındaki Raster Değerlerini Bulma

Çoğu zaman analizlerinizde nokta konumlarına dayalı olarak yükseklik, eğim ve sıcaklık gibi raster verilerinizden değerler elde etmeniz gerekebilir. Örneğin, belirlenmiş bir havza alanındaki yağış hacmini belirlemek, bir topografik araştırmada her bir istasyonun yüksekliğini belirlemek veya bir akarsuda her bir ölçüm istasyonundaki suyun hızını belirlemek isteyebilirsiniz. Spatial Analyst, 3D Analyst ve Geostatistical Analyst ek bileşenleri nokta konumlarındaki raster değerini belirleyebileceğiniz çeşitli araçlar sunar. Bunlar “Extract Values to Points”, “Extract Multi Values to Points”, “Sample”, “Add Surface Information” ve “Extract Values to Table” araçlarıdır. Bu blog yazısında birbirine benzer işlemler gerçekleştiren bu 5 aracı birbirinden ayıran özellikler ele alınacaktır.

Analizinize başlamadan şu soruları cevaplamanız doğru aracı seçmeniz için size yardımcı olacaktır:

  • Değerler nokta verinize tek bir raster verisinden mi birden fazla raster verisinden mi aktarılacaktır?
  • Eğer girdi raster veriniz çok bantlı ise, değerleri ilk banttan mı yoksa tüm bantlardan mı elde etmek istiyorsunuz?
  • Raster değerlerinizi mevcut bir girdi detay sınıfınıza mı yazdırmak istiyorsunuz yoksa raster değerleri ile yeni bir detay sınıfı mı oluşturmak istiyorsunuz?
  • Girdi raster verinizin tüm öznitelik bilgilerini girdi detay sınıfınıza eklemek istiyor musunuz?
  • Girdi raster verinizden ya da raster verilerinizden tam değerleri mi yoksa interpolasyonlu değerleri mi elde etmek istiyorsunuz?

Analize başlamadan bu soruları cevaplamanız analizinizi gerçekleştirmek için en iyi yöntemi belirlemenize yardımcı olacaktır.

Şimdi de yukarıda yanıtlamış olduğunuz sorular ışığında “Extract Values to Points”, “Extract Multi Values to Points”, “Sample”, “Add Surface Information” ve “Extract Values to Table” araçlarını kısaca inceleyelim.

  • “Extract Values to Points” aracı girdi katmanı olarak tek bir raster veri kullanır. Girdi katmanı olarak çok bantlı bir raster veri kullandığınızda bile varsayılan olarak ilk bant değerlerini ya da sizin tanımlamış olduğunuz tek bir bant değerleri ile işlem gerçekleştirir.
  • “Extract Multi Values to Points” aracı raster değerlerini girdi detaylarınızın öznitelik tablosuna ekler. Detay öznitelik tablonuzda raster değerleriniz varsayılan olarak girdi raster verinizdeki aynı alan adıyla saklanır. Ancak dilerseniz bu araçla alan adını değiştirebilirsiniz.
  • “Sample” aracı ile raster değerleriniz girdi raster verinizdeki aynı alan adıyla saklanır ve araç içerisinden değiştirilemez. Raster değerleriniz yeni bir tabloya yazdırılır.
  • “Add Surface Information” girdi detay sınıfınıza yüzeyden elde edilen bilgiler eklenir. Girdi raster verisi yerine TIN ve LAS veri kümelerini de kullanabilirsiniz.
  • “Extract Values to Table” aracı nokta veya çokgen detay sınıfına bağlı olarak bir veya birden fazla raster katmanınızdan hücre değerlerini bir tabloya yazdırmanızı sağlar.

Tüm bu araçların girdi verileri, çıktı verileri, kullanmış oldukları interpolasyon yöntemleri ve bulundukları ek bileşenler açısından karşılaştırmasını aşağıdaki tablodan inceleyebilirsiniz.

Şimdi de birkaç örnek yardımıyla doğru araçları nasıl belirleyeceğimizi ele alalım.

Belirli bir konumda bulunan nokta detaylarınıza tek bir rasterdan değerleri aktarmak istiyorsanız:

Bazı meteorolojik gözlem istasyonlarınız olduğunu ve bu konumların yüksekliğini bulmak istediğinizi varsayalım.

Bu senaryoda yükseklik bilginiz barındıran sayısal yükseklik modeliniz tek bir raster katmandır. Tüm bu araçlar girdi katmanı olarak bir raster katmanını desteklediği için herhangi birini tercih edebilirsiniz. Burada tercihiniz çıktı katmanı için neye ihtiyacınız olduğuna bağlı olarak değişecektir. Örneğin yükseklik bilgilerinizi girdi detay sınıfınızın öznitelik tablosuna eklemek istiyorsanız “Extract Multi Values to Points” ya da “Add Surface Information” araçlarından birisini tercih edebilirsiniz.

Belirli bir konumda bulunan nokta detaylarınıza birden fazla rasterdan değerleri aktarmak istiyorsanız:

Regresyon kullanarak erozyona etkisi olan faktörleri incelemek istediğinizi varsayalım. Arazinin çeşitli yerlerinde bulunan örneklem noktalarınız var ve bu konumlardaki sıcaklık, toprak nemi, bitki yoğunluğu, eğim ve yağış miktarı gibi çeşitli faktörlerin değerlerini bu örnek konumlarınızda nasıl olduğunu incelemek istiyorsunuz.

Bu senaryoda örnek nokta konumlarınızda birden fazla raster katmandan değer elde etmeniz gerekmektedir. “Extract Multi Values to Points”, “Sample” ve “Extract Values to Table” araçlarının her biri girdi katmanı olarak birden fazla raster katmanı desteklediği için herhangi birisini tercih edebilirsiniz. Burada tercihiniz yine çıktı katmanı için neye ihtiyacınız olduğuna bağlı olarak değişecektir. Örneğin tüm bu raster değerlerini girdi detay sınıfınızın öznitelik tablosuna eklemek istiyorsanız “Extract Multi Values to Points” aracını seçebilirsiniz. Eğer tüm bu raster değerlerini bir tablo olarak elde etmek isterseniz “Sample” veya “Extract Values to Table” araçlarından birisini tercih edebilirsiniz. Eğer bu analizi belirli nokta konumlarında değil tanımlanmış alanlarda gerçekleştirmek isterseniz ise “Extract Values to Table” aracı doğru bir tercih olacaktır.

Bu bilgiler ve kıyaslamalar doğrultusunda önceden tanımlı konumlara dayalı olarak raster verilerinizden değerler elde etmek istediğinizde doğru aracı tercih edebilirsiniz.

Esri Türkiye, 2020

ArcGIS Analytics for IoT ile Coğrafi Sınırlama

ArcGIS Analytics for IoT ile gerçek zamanlı geofence olarak da bilinen coğrafi sınırlama işlemlerini yapabilirsiniz. Örneğin; araç, uçak veya gemi gibi hareketli bir varlığın belirli bir teslimat alanı, kısıtlı hava sahası veya belirlenmiş nakliye şeridi gibi bir ilgi alanı içinde veya dışında olması ile ilgili çalışmaları bu uygulama ile gerçekleştirebilirsiniz. Bu blogda, Geofence yönetimi ile coğrafi sınırlama uygulayabileceğiniz bazı yolları detaylandıracağız. Bulut Ortamında Gerçek Zamanlı Büyük Verilerle Çalışma hakkında detaylı bilgi (ArcGIS Analytics for IoT) için blog yazımızı bu linkten inceleyebilirsiniz.

Coğrafi sınır terimini bir örnek üzerinde açıklayalım

Şehir otobüsünün bir otobüs durağına belirli bir yakınlıkta ne zaman geleceğini belirlemek istediğimiz bir senaryoyu düşünelim. Bu durumda, otobüsler izlenen varlıklar, otobüs durakları ise coğrafi sınırlardır. Bu tür analizler, otobüs geliş saati bilgi panosunu gerçek zamanlı bilgilerle anlık olarak güncellemek veya otobüs bekleyenlere otobüslerin durağa varış bilgilerini bildirme gibi iş akışlarında faydalıdır.

Ayrıca, elde edilen veriler depolanabilir ve bu geçmiş veriler daha derin bir bakış açısı sağlamak amacı ile analizlerde kullanılabilir. Örneğin bu senaryomuzda ortalama varış sürelerinin hesaplandıktan sonra gerçek zamanlı olarak otobüslerin varış sürelerine göre hangi bölgelerde gecikme olduğunu hızlı bir şekilde analiz edebilir ve buna göre önlemler alınabilir.

Gerçek zamanlı bilgilerin alınması

ArcGIS Analytics for IoT gerçek zamanlı verilerin alınmasında oldukça farklı kaynaktan yararlanır. Bu blogumuzda  Azure Event Hub bilgi kaynağı türü bahsedildi. Verileri zenginleştirmek için verilere bir route_pt_time alanı eklendi, böylece her veri yolu özelliği geçerli saate sahip olmuştur. Verilerin şeması aşağıda gösterilmiştir.

Bir veri kaynağı oluşturmak ve yapılandırmak bu blogumuzda değinilmeyecektir. Bunu konu hakkında ayrıntı bilgi almak için tıklayınız.

Gerçek zamanlı analizde coğrafi sınırlandırma

Gerçek zamanlı analitik, gerçek zamanlı bir veri kaynağından gelen olay verilerini dönüştürmenize, zenginleştirmenizie analiz etmenize ve depolamanıza ve ayrıca veriler üzerinde farklı işlemler gerçekleştirmenize olanak tanıyan çok sayıda kullanım modelini sunar. Azure Event Hub veri kaynağından otobüs konumu verilerini alırken, ayırca bu veriler ile birlikte mekansal olarak analiz yapmak için gerçek zamanlı coğrafi sınır verilerinide kullanılabilir.

İlk adım, veri kaynaklarını yeni bir gerçek zamanlı analitik şeklinde eklemektir. Varsayılan olarak, analitik düzenleyici iş akış görünümünde açılır, yani işlemdeki her adım veya düğüm yukarıdan aşağıya listelenir.

Diğer adımda coğrafi sınır oluşturmak için, analitik araçlar ekleyebilirsiniz. Farklı coğrafi sınır türlerini destekleyen birden fazla araç mevcuttur. Geometriye Göre Filtrele aracı, verilerin şemasında herhangi bir değişiklik yapmadan olay verilerini yayınlayarak, coğrafi veriler olarak statik bir veri kaynağı kullanıp bir veri kaynağından gelen verileri filtreler.

Geometriye Göre Filtre Aracı, Verileri Yönet (Manage Data) klasöründe bulunur. Analitiklere eklendikten sonra, mekansal sınırlar için kullanılacak özellikleri içeren veri kaynağını seçebilirsiniz.

Bu durumda otobüs durakları coğrafi sınırı nokta detayı olduğundan, çokgen coğrafi sınırında olduğu gibi içeride ya da kesişen şeklinde mekansal ilişki kullanamayacağız. Bunun yerine senaryomuzda herhangi bir otobüsün, otobüs durağına yakın olduğunu belirlemek için 10 metrelik tanımlı bir mesafe eşiğindeki herhangi bir otobüs için gerçek zamanlı veri kaynağını filtreleyeceğiz. Burada hem jeodezik hem de düzlemsel olarak yakınlık kullanılabilir. Mekansal ilişkiler hakkında detaylı bilgi için tıklayın.

Verileri yayma ve görselleştirme

Veri kaynağı ve analitik yapılandırıldığında, artık verileri yaymak için bir veya daha fazla çıktı ekleyebiliriz. İlk hedeflerimizden biri, verileri bir ulaşım gösterge tablosunda görüntülemek olduğundan, verileri bir web haritasında aldığı gibi görselleştirmemize izin vermek için bir Akış Katmanı çıktısı eklenebilir.

Çıktı oluşturmak ve yapılandırmak bu blogumuzda değinilmeyecektir. Bunu konu hakkında ayrıntı bilgi almak için tıklayın.

Çıktı akış katmanı ve mekansal sınır yapılandırıldıktan sonra artık gerçek zamanlı analize başlanabilir. Gerçek zamanlı analize başlarken, giriş veri kaynaklarının da çalıştığından emin olmanız önemlidir.

Analitik çalışma ile,  akış katmanı ve otobüs konum ve durak veri kaynakları ve  diğer destekleyici katmanlar görselleştirme ve üç veri kümesinin nasıl etkileşime girdiğini görmek için bir web haritasına eklenebilir. Web haritasını kaydettikten sonra bir ArcGIS Dashboard’a ekleyebilirsiniz. Bunu yapmayla ilgili ayrıntılar için bkz. Gösterge tablosu oluşturma.

Otobüs veri kaynağını coğrafi sınır verileriyle zenginleştirin

Bu işlem için detay birleştirme (join feature) aracı kullanabilirsiniz. Bu araç, mekansal, zamansal veya öznitelik ilişkilerine veya bunların herhangi bir birleşimine göre coğrafi verileri birleştirir. Yalnızca birleştirme koşulunu sağlayan olay verileri araçtan geçer. Bu şekilde Birleştirme Özellikleri, akış etkinliği verilerini filtreler ve özellikleri birleştirme verilerinden alınan özelliklerle zenginleştirebilir.

Senaryoda, StopID  ile otobüs konumları  ve otobüs durağının adres verileri ile zenginleştirme için detay birleştir aracı kullanıldı.

Analizde, analitik düzenleyiciyi model görünümüne geçilerek , Geometriye Göre Filtrele aracı kaldırılarak Verileri Özetle klasöründen detay birleştir aracı eklendi ve araçlar birbirlerine aşağıdaki resimdeki gibi bağlandı.

Bu araç kullanılırken jeodezik mekansal ilişki kullanıldığı gibi ayrıca  otobüs durakları ile girdi kaynağı zenginleştirilmiştir. Alanları özetle (Summary fields) ile aşağıdaki resimdeki gibi yapılandırma işlemi yapılmıştır.

Bu analiz işleminden sonra otobüs durak katmanları zenginleştirilerek durak kimlik no ve adres bilgileride eklenmiş oldu.

Bu noktada, verilerin depolanması gibi analitiklere ek çıktılar eklenebilir, böylece daha sonra büyük veri analitiği kullanılarak büyük veri analizi yapılabilir. Örneğin, otobüslerin beklenen varış sürelerini duraklara vardıkları süreyle karşılaştırabiliriz. Böylece, gecikmelerin en sık meydana gelme eğiliminin net bir resmini sunabiliriz.

Analytics for IoT hakkında daha fazla bilgi edinmek için aşağıdaki kaynakları inceleyebilirsiniz.

Esri Türkiye 2020

 

 

 

 

Bu yazı için bir etiket bulunmamaktadır.
Bulut Ortamında Gerçek Zamanlı Büyük Veriyle Çalışmak: ArcGIS Analytics for IoT

Bulut Ortamında Gerçek Zamanlı Büyük Veriyle Çalışmak: ArcGIS Analytics for IoT

ArcGIS Analytics for IoT, ArcGIS ailesine gerçek zamanlı görselleştirme ve analitiklerde yeni bir anlayışı getirmiştir. Buradaki en önemli yenilik; görevleri ölçeklendirmek için dağıtılmış bulut işlemeyi (cloud processing) kullanarak IoT sensörü verilerini görselleştirmeyi, analiz etmeyi, depolamayı ve bunlara göre aksiyonlar alma gibi özellikleri sunmasıdır. Uygulama; CBS analisti, veri uzmanları gibi büyük veri ile çalışan kişilerin ihtiyaçlarını karşılayacak şekildedir.

Uygulama içinde Hizmet Olarak Yazılım (SaaS) modeliyle yapılandırma olmadan hızlı bir şekilde çalışmaya başlayabilirsiniz. Bu başka bir deyişle şu anlama gelmektedir; ArcGIS Online’ın bir parçası olarak bulutta bulunan kullanıma hazır bir IoT çözümü elde edersiniz. Bu durum, kurum içinde dağıtılmış bir yazılım yüklemenize veya altyapıyı yönetmenize gerek olmadığı anlamına gelir. Bunun yerine Esri, yazılımı ve altyapıyı sizin adınıza yönetir, böylece hızlı bir şekilde çalışmaya başlayabilirsiniz.

ArcGIS Analytics for IoT ile gerçek zamanlı geofence olarak da bilinen coğrafi sınırlama işlemlerini yapabilirsiniz. Örneğin; araç, uçak veya gemi gibi hareketli bir varlığın belirli bir teslimat alanı, kısıtlı hava sahası veya belirlenmiş nakliye şeridi gibi bir ilgi alanı içinde veya dışında olması ile ilgili çalışmaları bu uygulama ile gerçekleştirebilirsiniz. Bu konuda ayrıntılı bilgi için blog yazımızı buradan inceleyebilirsiniz.

Hemen hemen her tür akış verisine bağlanabilir, bu verileri gerçek zamanlı olarak işleyebilir ve belirtilen koşullar oluştuğunda otomatik mesajlar ve uyarılar gönderebilirsiniz. Ayrıca, yüksek hacimli geçmiş verileri işlemek ve örüntüler (pattern), eğilimler ve anormallikler hakkında bilgi edinmek için analitik modeller tasarlayabilirsiniz. Bu özellikler hep birlikte; gerçek zamanlı farkındalığı arttırmanıza ve kuruluş genelinde paylaşabileceğiniz bilgileri edinmenize yardımcı olur.

 

ArcGIS Analytics for IoT uygulama arayüzü

Kullanım alanlarına örnek olarak; şehir içi ulaşım departmanı için çalışan bir CBS analisti, araçlarından gelen verilerden yararlanarak çalışmalar yapabilir. Araç verilerini alan yol sensörleri, bu gözlemleri ArcGIS Analytics for IoT’ye bir yayın olarak aktarabilir; böylece hız ve trafik verilerinin gerçek zamanlı olarak görüntülenmesini sağlar. Buradan yola çıkarak araçlar için yeni rotalar oluşturabilir. Bir başka örnek olarak altyapı sektöründe elektrik kesintileri de dahil olmak üzere ağlarındaki akıllı sayaçlardan ve sensörlerden gerçek zamanlı okumalar toplayabilir. Elektrik kesintisi olaylarını izlemede gerçek zamanlı analiz gerçekleştirerek gücün hızlı bir şekilde geri kazanılmasını sağlamak için yöneticiye veya yakınlarda çalışan saha ekiplerine bildirim gönderilebilir. Kesintilerin nerede daha sık oluştuğunu ve nedenini daha iyi anlamanıza yardımcı olmak için alan ve zaman içindeki tarihsel kesinti verilerini değerlendirmek için büyük veri analizi uygulanabilir. Bu şekilde, kuruluşun hatalı ekipmanı onarmasına veya değiştirmesine yardımcı olarak gelecekteki kesintilerin önlenmesi sağlanabilir.

Çalışma Şekline Hızlı Bir Bakış

  • Veri kaynağı Oluşturma

Uygulamada çalışmaya başlarken öncelikle veri kaynağı (feed) türünü belirtmeniz gerekir. Veri kaynağıoluşturarak gerçek zamanlı veri akışlarını alabilirsiniz ve  bunu anında bir web haritasında görselleştirebilirsiniz.

Veri kaynağı (Feed) nedir?

ArcGIS Analytics for IoT’ye gelen gerçek zamanlı veri akışıdır. Feed’ler genellikle Nesnelerin İnterneti (IoT) platformları veya üçüncü taraf API’lar gibi harici gözlemsel veri kaynaklarına bağlanır. Bunlar gelen tablo, nokta, çizgi veya çokgen verilerini ayrıştırır, analiz ve görüntüleme için sunar. Feed aynı zamanda bir tür akış katmanıdır (stream layer) ve haritaya eklenebilir, böylece bilgiler alınır alınmaz görselleştirilebilir. Ayrıca ArcGIS katmanlarınızdan, Azure IoT ve AWS IoT gibi IoT bulut hizmet sağlayıcılarından ve Kafka, MQTT ve RabbitMQ gibi mesajlaşma sistemlerinden veri alabilirsiniz.

ArcGIS katmanlarından, bulut hizmet sağlayıcılarından ve mesajlaşma sistemlerinden veri alabilme

 

  • Gerçek Zamanlı Analitik 

Veriler ArcGIS Analytics for IoT’ye aktıkça, alınan iletileri tek tek işleme ve analizini yapmanıza olanak tanıyan gerçek zamanlı analizler tasarlayabilirsiniz. Gerçek zamanlı veriler genellikle verileri dönüştürme, coğrafi sınırlama ve olay tespiti gibi konularda kullanılmaktadır. Analizin sonuçları yeni veya mevcut bir detay katmanında saklanabilir, kilit paydaşlara e-posta olarak gönderilebilir veya Kafka veya RabbitMQ gibi üçüncü taraf mesajlaşma sistemlerine yazılabilir.

 

  • Büyük Veri Analizi 

Gerçek zamanlı analizler veri akışını alındığı gibi işlerken, büyük veri analizleri bir kaynaktan mevcut verileri yüklemenize ve depolanan verilerde yer ve zaman içinde toplu analiz ve işleme yapmanıza olanak tanır. Büyük veri analizi tipik olarak gözlemleri özetlemek, örüntü analizi yapmak ve olay tespiti için kullanılır. Büyük veri analizleri bir kez çalışacak şekilde yapılandırılabilir veya yinelenen bir şekilde çalışmak üzere programlanabilir. Gerçek zamanlı ve büyük veri analitiği çalıştırıldığında sonuçlar bir çıktıya gönderilir. Çıktı, gerçek zamanlı veya büyük veri analitiğinde son adım olarak alınacak bir sonuç veya aksiyondur. Analytics, verileri yeni veya mevcut bir detay katmanına depolama, bir akış katmanına veri gönderme, e-posta gönderme, Amazon S3 gibi bulut mağazalarına yazma gibi çeşitli farklı hedeflere veri yayabilir ve cihaz çalıştırma için üçüncü taraf IoT sistemlerini tetikleyebilir.

Büyük veri analizinizi tamamladıktan sonra, bulgularınızı başkalarıyla paylaşabilirsiniz. ArcGIS Analytics for IoT, bilgileri iş akışlarınıza en uygun şekilde yaymanıza olanak tanır. Analiz sonuçlarını ArcGIS haritalarında ve uygulamalarında kolayca görüntülenebilen detay katmanları olarak yayınlayabilirsiniz.

İşlem ve Depolamanın Yönetimi ve İzlenmesi

Kuruluş yöneticisi olarak ArcGIS Analytics for IoT aboneliğinin işlem ve depolama kullanımını doğrudan Analytics for IoT uygulamasında görüntüleyebilirsiniz. Genel bilgi işlem ve depolama tüketimi Giriş sayfasında özetlenir ve ayrıntılı bilgi Compute Utilization ve Storage Utilization sayfalarında bulunur.

 

ArcGIS Analytics for IoT Kullanmak için;

ArcGIS Online aboneliğinizde ArcGIS Analytics for IoT lisansına sahip olmalısınız. Bu abonelik; kullanım durumlarını izleme (monitoring use cases) ve çoklu izleme (multiple tracking) için yeterli bilgi işlem ve depolama kapasitesi içermelidir. Altyapı veya sistem yapılandırması gerekmez ve kullanıcı sayısında bir sınır yoktur. Kuruluşunuzun Creator türünde veya daha yüksek kullanıcı türünde bir üyesine, ArcGIS Analytics for IoT’ye erişim izni verilebilir ve kullanıcı hemen feed’ler, gerçek zamanlı, büyük veri analizi ve çıktılar oluşturmaya başlayabilir.

 

Kaynaklar:

Esri Türkiye 2020

COVID-19 Salgınında Temas Edilen Kişi ve Yerler Arasındaki Bağlantıları Bulun

COVID-19 Salgınında Temas Edilen Kişi ve Yerler Arasındaki Bağlantıları Bulun

COVID-19 pandemisinin çok hızlı yayılması nedeniyle herkes fiziksel mesafe kuralını hayatına dahil etmek zorunda kaldı. Bulaşma oranını azaltmak için alınan önlemlerin yanısıra, virüs taşıyan kişilerin öncesinde kimlerle temasta bulunduğu öğrenilerek, o kişilere de test yapılması ve onların da kimlerle görüştüğü veya nerelerde bulunduklarının haritalanması bu salgının yayılmasını önlemede büyük bir önem arz ediyor.

Bu noktada sağlıkçılar, analistler ve karar vericiler bilinmeyenleri yanıtlama zorluğu ile karşı karşıya kalıyor. Cevaplanması gereken en önemli sorulardan bazıları: “COVID-19 hangi bireylere bulaştı?” ve “Bulaşan kişiler kiminle temas kurdu ve nerelere gittiler?” Koronavirüs pozitif çıkan ya da şüpheli olan kişilerin temas ettiği yer ve kişileri izleme, bulaşıcı hastalığın yayılmasını etkili bir şekilde sınırlayabilen bir sağlık müdahalesi olarak önem taşımaktadır. Teması izlemenin amacı; enfekte kişiyle yakın temas halinde olabilecek kişileri tanımlayarak bilgilendirmektir. Bu sayede risk altında olabilecek kişiler fiziksel mesafe, izolasyon, bakım ve tedavi gibi uygun önlemleri alabilirler.

Dünya Sağlık Örgütü teması izlemenin önemine vurgu yapmış ve bu izleme sürecini 3 önemli adımla anlatmıştır: temas kimliği, temas listesi ve temas takibi.

  1. Temas Kimliği: Kişinin virüsü taşıdığı onaylandıktan sonra, kişinin aktiviteleri ve hastalığın başlangıcından bu yana etrafındaki insanlarla iletişimleri ve rolleri sorularak temaslar belirlenir. Temas kişileri enfekte olmuş bir kişiyle temas halinde olan herkes olabilir: aile üyeleri, iş arkadaşları, arkadaşlar veya sağlık hizmeti sağlayıcıları.
  2. Temas Listesi:  Hastalık bulaşmış kişiyle temas kurduğu düşünülen tüm kişiler temas olarak listelenmelidir. Listelenen her kişiyi tanımlanarak temas durumları, bunun ne anlama geldiği, izlenecek eylemleri ve semptom geliştirirse erken bakım almanın önemini bildirmek için çaba gösterilmelidir.
  3. Temas Takibi: Semptomları izlemek ve enfeksiyon bulgularını test etmek için tüm temasların düzenli takibi yapılmalıdır.

Onaylanmış vakaları izlemenin ve hareket kalıplarını anlamanın; şeffaflığın artması, topluluk bilincinin artması ve kaynakların tahsisi gibi konularda faydaları vardır. Hareket kalıplarını anlamak sadece insanlar arasındaki yakın teması belirlemenize değil, aynı zamanda “temas yerlerini” (market, mağaza, kurumlar vb.) belirlemenize de olanak tanır.

Bu blog yazısında temas izlemeyi sağlayacak çözümlerimizden bahsedeceğiz. Buradaki senaryo kısaca şu şekildedir; enfekte olmuş ya da olma ihtimali olan kişi ya da bu kişilerden bilgi toplayan görüşmeci bir form doldurur. Bu formlardan gelen bilgileri hem harita üzerinde hem de grafiksel olarak bağlamayı sağlayan bağlantı analizi yapılır.  Bunlara ek olarak bu bağlantıların zamansal dağılımını çıkararak bir öngörü kazanılması hedeflenir.

Bu çözümde kullanılan ürünler: Survey123 Connect for ArcGIS, ArcGIS Pro for Intelligence ve  ArcGIS Insights‘tır.

Temasların Haritalanması için minimumda;

  • Benzersiz vaka numaraları,
  • Temas bilgileri (yerlerin veya kişilerin adı),
  • Tarihler ve Saatlerin bilgilerine sahip olunmalıdır.

Bu temel bilgiler salgında temas bağlantılarını izlemeyi mümkün kılar. Temas olarak sadece kişi değil aynı zamanda bakkal ya da ofis gibi mekanlar da kabul edilebilir.

Formlarla Temas Bilgilerinin Toplanması

Salgın yayıldıkça kişilerden birebirde bilgi toplamak gittikçe zorlaşabilir. Bunu yapmanın daha kolay ve hızlı bir yolunu bulma düşüncesinden yola çıkarak hasta ya da hasta ile görüşen kişinin hazır bir formu doldurarak bilgi toplama işini hızlandırabilecekleri bir model düşünülmüştür. Aşağıda bu amaçla hazırlanmış bir form örneğini görmektesiniz:

Survey123 for ArcGIS ile hazırlanmış Temas Bilgi Formu Örneği

Belirtileri gösteren ancak henüz durumu onaylanmayan veya test edilmeyen kişiler, mekansal bilgileri de girebildiği bir web formu aracılığıyla temas ettikleri yerleri ve kişileri kendi kendilerine bildirebilirlerse potansiyel “sıcak noktaları” tanımlamaya yardımcı olmak için yeterli bilgi toplanabilir.

Örnek form ile oluşturulan verilerin (mekan ve kişi isimleri) hepsi örnek olması amacıyla üretilmiş olup, hiçbirinin gerçek vakalarla ilgisi bulunmamaktadır.

Bağlantı Grafikleri Oluşturma

ArcGIS Pro for Intelligence uygulamasında Catalog içinden Portal sekmesine geçilir, oluşturulan forma (kendi içeriğim (My Content) ya da gruplardaki (Groups) içeriğim gibi seçeneklerden hangisi içindeyse arama yapılarak) tıklanır ve formun bulunduğu detay katmanınına (Feature Layer (Hosted)) erişilir.

Bu katman çalışma ekranına alınarak, veri üzerinde çalışmaya başlandı. Veriyi içeri aldıktan sonra Contents içinde verinin nasıl göründüğüne bakalım. Aşağıdaki görselde görüldüğü üzere Temas Bilgi Formu altında iki farklı bilgi görünüyor: bunlardan birincisi formu dolduran kişinin hastalık durumu, diğeri ise kişinin mekanla ve diğer bireylerle olan temaslarının bilgisi. Bu bilgilerdeki sembolleri semboloji ayarlarından düzenleyerek harita üzerinde daha okunaklı olması sağlandı.

Verinin Portal’dan ArcGIS Pro for Intelligence’a alınması

Amacımız bağlantıları ortaya çıkarmak ve zamansal dağılımı görmek oluğu için Analizler kısmından “Link Chart” ve “Timeline” kullanacağız. Bağlantı grafiği (Link Chart), verilerinizdeki varlıklar arasındaki ilişkileri görselleştirmenin bir yoludur. Bağlantı grafiği iki ana bileşen içerir: düğümler ve bağlantılar. İçinde bir sembol ve bir etiket bulunan kutular olarak görüntülenebilen düğümler;  varlıkları, herhangi bir kişiyi, yeri veya şeyi temsil eder.  Bağlantı grafiği oluşturmak için öncelikle düğüm noktalarını belirlemek gerekiyor, daha sonra ise bu düğümleri kullanarak bağlantılar oluşturulur. Bağlantılar; grafikteki düğümleri bağlayan çizgilerdir. Düğümlerle eşleşen bağlantıları otomatik olarak yüklemek için bir Bağlantı Kümesi (link set) ekleyebilirsiniz. Bağlantı kümesi oluşturmanız için önemli olan nokta; iki düğüm arasında ortak bir alanın olması, böylece “Key Fields” içinde birbiriyle eşleşen alanları seçerek bağlantıyı sağlayabilirsiniz. (Bu alan; benzersiz referans numarası gibi bir bilgi olabilir.) Bu örnekte bağlantı grafiği; kişilerle temas ettiği kişi ve mekanlar arasında kurulmuştur.

Link Chart ve Timeline araçlarının arayüzdeki yeri

 

Bağlantı grafiği oluştururken “Change Layout” kısmından farklı seçenekleri seçerek bağlantıları farklı şekillerde görselleştirebilirsiniz. Ayrıca linklerin içinde hangi bilgilerin yazacağını ve okların görünümünü de düzenleyebilirsiniz. Bağlantı grafiğinde seçtiğiniz alana düşen bilgiler harita üzerinde de görüntülenebilir. Burada oluşturduğunuz linki haritada görmek içinse “Display Links On Map” seçeneğini seçebilirsiniz. Böylece konumsal olarak da kimin nerelerle temasta olduğunu görüntüleyebilirsiniz.

Bağlantı grafiğinde düzeni değiştirme seçenekleri

Bağlantı grafiğindeki güzel bir özellik ise; aynı kişi farklı günlerde forma bilgi girişi yaparsa, bu bilgileri aynı isim altında tutmaya da olanak veriyor. Örneğin Fatih adlı kişi 13.04.2020 tarihinde hastalığı için muhtemelen diye işaretleyerek temas bilgilerini girmişken, 21.04.2020’de durumunu Pozitif olarak girdiği yeni bir form dolduruyor. İki form da Fatih olarak görünen bağlantı grafiğinin öznitelik bilgisinde görüntülenebilmektedir. Ayrıntılı bilgi için aşağıdaki görseli inceleyebilirsiniz.

Aynı kişinin farklı zamanlarda girdiği bilgiler

Bilgilerin Zaman Çizelgesi İçinde Gösterilmesi

Temasın nerede gerçekleştiğini bilmenin yanı sıra, ne zaman ve ne kadar sürdüğünü anlamak da önemlidir. ArcGIS Pro for Intelligence içindeki Timeline, diğer bir deyişle Zaman Çizelgeleri’ni kullanarak, konum-tabanlı şekilde temasları gerçekleştiği sırayla görselleştirebilirsiniz. Bu, temasların aynı anda mı yoksa aynı zaman aralığında mı gerçekleştiğini belirlemenizi sağlar. Bunun aksine, eğer temaslar arasında günler veya haftalar varsa, muhtemelen aynı kümenin parçası değildirler.

Zaman çizelgesinde olayların nerede ve hangi zaman aralığında sıklaştığını görme

Sezgisel Analitik Yoluyla Web Ortamında Bağlantı Grafiği Oluşturma

Formdan gelen bilgilerle web ortamında kullanabileceğiniz ArcGIS Insights ile neler yapabileceğimize kısaca bakalım.

Seçtiğiniz veri ile oluşturabileceğiniz grafik seçeneklerini sürükle bırak yöntemiyle hızla görüntüleyebilme

ArcGIS Insights verilerinizi hızlı bir şekilde grafiklerle göstermenize olanak sağlayan bir arayüze sahiptir. Formdan gelen bilgileri kullanarak bir çok grafik oluşturabilirsiniz.

Sağdaki görüntüden gördüğünüz grafik seçenekleri içinden Bağlantı Çizgesini kullanarak bağlantı grafiği oluşturabilirsiniz. Bu grafiği mekansal olarak da gösterebilir ve sembolojilerini düzenleyebilirsiniz. Bağlantı çizgilerini özel bir alana göre görselleştirerek veride bulunan gizli kalmış bilgileri hızlıca görselleştirebilirsiniz.

Her grafiğin verideki farklı detayları ön plana çıkaracak gücü bulunduğu içi, istediğiniz kadar kart oluşturarak farklı grafikleri aynı çalışma sayfası içinde kullanabilirsiniz.

 

 

 

ArcGIS Insights ile oluşturulan bağlantı grafiği ve haritada görselleştirilmesi

 

Toplanan bilgiler ışığında enfekte kişilerin temas ettiği sıcak bölgelerin bulunmasıyla;

  • Bu etkin noktalar, yeni test merkezlerinin nerede kurulacağı gibi yanıtın önceliklendirilmesine yardımcı olabilir,
  • Yayılmayı yavaşlatmada gereken desteği artırmak için kamu bilincini arttıracak bilgi levhaları bu bölgelere konabilir,
  • Karar vericilere yardımcı olacak ek mekansal analizler veya coğrafi zenginleştirme gerçekleştirerek uygun halk bilgilendirme kampanyaları ve bu semtlere uygun müdahale tedbirleri tanımlanabilir,
  • Öncelikli olarak dezenfekte edilmesi gereken mekanlar belirlenebilir.

Bu konuda hazırladığımız videomuzu izleyerek daha ayrıntılı bilgi alabilirsiniz.

 

Son olarak; aşağıda bu çözümde kullanılan ürünlere nasıl erişebileceğinizle ilgili kısa bir bilgilendirme bulacaksınız:

COVID-19 pandemisi ile savaşmada Esri’nin sağlamış olduğu Afetle Müdahale Programı içinde kurumlara sağlanan içerikle bu çözümü hayata geçirmeniz için gereken araçların hepsine ve daha fazlasına sahip olacaksınız. Bu konuda bilgi almak için tıklayınız.

  • Survey123 Connect for ArcGIS, form uygulamasının masaüstü kısmı olup sizin ayrıntılı formlar oluşturmanıza olanak verecek birçok özelliği içerir. Ayrıntılı bilgi için tıklayınız.
  • ArcGIS Pro for Intelligence ise  Eklentiler, Coğrafi İşleme Araçları ve diğer proje bileşenleriyle birlikte ArcGIS Pro’nun Yönetilen Yapılandırmasından (Managed Configuration) oluşur. Bu uygulamayı kullanabilmeniz için ArcGIS Pro 2.5 kullanıyor olmanız gerekmektedir. İndirmek için MyEsri veya ArcGIS Solutions olmak üzere iki farklı yol izleyebilirsiniz. Ayrıntılı bilgi için tıklayınız.

MyEsri üzerinden ya da ArcGIS Solutions sayfası içinden erişim

  • ArcGIS Insights web tabanlı bir uygulama olup birçok veriyi kullanmanıza olanak sağlayan ve çok kolay bir şekilde verilerinizi analiz etmenize olanak sağlayan bir arayüz sunar. Bu konuda yazılmış olan blog yazımızdan ayrıntılı bilgiye erişebilirsiniz.

Kaynaklar: