AEC Web Uygulamaları Serisi – 2

AEC firmaları, projeler yoluyla sonuçları müşterilere ulaştırır. Bu bağlamda projeler ile ilgili ilerleyişi takip edebilme, öncesi ve sonrası arasındaki farkı sunabilme, projenin sağlayacağı faydanın aktarılabilmesi gibi süreçler çok önemlidir.

Daha önceki AEC Web Uygulamaları Serisi – 1 yazımda oluşturduğum 2 adet örnek uygulamayı incelemiştik. Bu uygulamalar, 3D Gelişim Alanı – Halk Katılımı ve Bina Keşif Uygulamasıydı. Bu uygulamaların ikisinde de BIM verilerinin gösterimi ve bazı ek fonksiyonlar ile kullanıcıların bu veriler ile etkileşim içinde olabileceği senaryolar oluşturmuştuk. BIM içeriklerinin gösterimine ek olarak bu fonksiyonların uygulamalar içinde konumlandırılması kullanıcıların yanlızca BIM verilerini incelemesini değil bu uygulamalar ile etkileşim kurmalarını sağlamaktadır. Örneğin bir önceki blog yazımdaki 3D Gelişim Alanı – Halk Katılımı uygulamasını ele alalım. Yeni inşa edilecek bir alandaki değişikleri halka üç boyutlu olarak sunmak, kullanıcı açısından bakıldığında yetersizdir. Fakat yeni inşa edilecek alanla ilgili değişiklikleri sunmanın yanı sıra bu değişikliklerin insanlar için uygun olup olmadığı ile ilgili bilgiyi de bir anket ile konum tabanlı olarak toplayabiliriz.

Bu blog yazısında da daha önce oluşturmuş olduğum iki adet örnek uygulamayı inceleyeceğiz. Bu uygulamalar inşaat ve proje yönetim süreçlerinde kullanılabilecek, tamamen örnek verilerden oluşturduğum uygulamalar.

*Uygulama geliştirme arayüzü olarak ArcGIS Experience Builder’ı kullandım. Buna ek olarak uygulamalara fonksiyon katmaları için ArcGIS Survey 123, ArcGIS Dashboards, ArcGIS Web AppBuilder gibi uygulamalar da kullanıldı.

Örnek Uygulamalar

İnşaat Yönetim Uygulaması

Bu uygulamayı bir senaryo üzerinde maddeler halinde inceleyelim. Örneğin mevcutta devam eden bir inşaat projesi bulunuyor ve yönetici bu proje üzerinde;

  • İnşaat genel ilerleme durumunu
  • Süreçlerle ilgili ilerleme durumunu, örneğin tüm binadaki kaba sıva henüz %60
  • Katlar ile ilgili ilerleme, hangi katta şuan hangi çalışma yapılıyor
  • Odalar ile ilgili ilerleme, hangi odada mevcutta kim ne iş yapıyor
  • Maliyet ile ilgili dökümler, ekipman için ne kadar harcanmış veya işçiler için ne kadar para harcanmış
  • Ekipmanlar ile ilgili güncellemeler, örneğin hangi iş makinası ne durumda

gibi süreçleri yönetici takip edebilsin.İlk olarak uygulamanın anasayfa görünümünü tasarlayalım. Anasayfa’da proje ile ilgili bilgiler, 3D model, katlar arasında geçiş yapılabilecek bir kat aracı, maliyet ile ilgili bilgiler, ilerleme ile ilgili bilgiler olsun.

İnşaat Yönetim Uygulaması Anasayfası

Anasayfa tasarımını tamamladıktan sonra iç kısımda bulunacak sayfaları tasarlayabiliriz. İnşaat yönetim uygulamasında iç kısımlarda oda bazında ilerlemenin görüntülenmesi ve hangi odada kimin çalıştığı gibi özellikleri konumlandırabiliriz.

İnşaat Yönetim Uygulaması Oda Bazında İlerleme ve Hangi Odada Kimin Çalıştığının Gösterimi

Odalar kısmında hangi odada hangi işlemin yapıldığını görüntüleyebilmekteyiz. Örneğin yukarıdaki görselde Laboratory 1 odasında duvarların örülmesi işlemi devam etmekte. Kaba sıva, ince sıva ve duvarların boyanması işlemlerinin henüz başlamadığını görüntüleyebilmekteyiz. Bu ekranda ek olarak kimin çalıştığını görüntüleyebileceğimiz bir açılır pencereyi de konumlandırabiliriz.

Hangi Odada Şuan Kimlerin Aktif Olarak Çalıştığının Gösterimi

Oda bazında çalışanların gösterimi, ilerleyişin takip edilmesi ve çalışanların şuanda ne işi yaptığının görüntülenmesi uygulamaya eklenebilecek önemli bir özelliktir. Uygulamanın yönetici tarafına isterlere göre çok fazla fonksiyon eklenebilir.

Sonraki aşamada ise asıl önemli nokta bu verilerin güncellenmesi, çünkü anasayfada bulunan maliyet dökümü, inşaat ile ilgili ilerleme, odalar ile ilgili bilgiler aslında bir veri tabanı üzerinden yönetilmektedir. Şimdi ise sahada bu güncellemeleri yapacak kişi için gerekli olan uygulamayı tasarlayalım. Bu uygulama birden fazla kişi için veri girişi yapılacak şekilde tasarlanabilir. Örneğin bir kişi odalarda kimlerin çalıştığını güncelleyebilmesi gerekirken diğer bir çalışan inşaat için gerekli olan kumun fişini ve fiyatını maliyet kısmına ekleyebilir. Veri tabanında yapılan güncellemeler kimin o veriyi oluşturduğunu ve güncellediğini de tuttuğu için karmaşıklığı da ortadan kaldıracaktır.

İnşaat Takip Uygulaması Veri Giriş Ekranı

Örneğin operatör sahadan oda ile ilgili duvarların örülmesi işlemini tamamlandıya çekerek kaba sıva çalışmasının başladığını açılır menüler ile veri tabanına girebilmektedir. İnşaat yönetim ekranında yönetici bu güncellemeyi direkt olarak  görüntüleyebilmektedir, çünkü tüm süreç aynı veri üzerinden ilerlemektedir. Aynı şekilde anasayfa da bulunan maliyet dökümü kısmında başka bir operatör alınan bir hizmeti veya materyali aynı bu ekran üzerinden girebilmektedir.

Çalışmaya ait video kaydı için buraya tıklayabilirsiniz.

Proje Takip Uygulaması

Bu örnek uygulamada devam eden bütün projeleri görüntüleyebilmek, projeden kimin sorumlu olduğu, kaç kişinin o projede çalıştığı, ilerlemeleri, maliyetleri inceleyebilmek için tasarlayalım. Bir önceki uygulamada olduğu gibi tasarım süreçlerinde kendi marka yüzümüzü yansıtabilir özgür bir tasarım gerçekleştirebiliriz.

Bu örnekte bir giriş sayfası tasarlayalım. Giriş sayfasında devam eden projelerin ve tamamlanan projelerin sayısını görebileceği şekilde tasarlayalım. Anasayfanın üst kısmına ise kullanıcının sayfalar arasında gezinme yapabileceği bir menü tasarımı yapalım.

Proje Takip Uygulaması Anasayfa

Bu web uygulamasının iç kısımdaki sayfalarında projeler ile ilgili detayların görebileceği şekilde tasarlayalım. Örneğin mevcutta devam eden projelerin 3D olarak görüntüleyeceği için projeye ait 3D modeli projeye ait ilerlemeyi, maliyeti ve çalışanları anasayfaya ekleyelim.

Proje Takip Uygulaması / Devam Eden Projeler

ArcGIS Online ve ArcGIS Enterprise ortamlarında Revit modellerini üç boyutlu olarak paylaşarak bu uygulamaları sizler de oluşturabilirsiniz. Bu blog serisinde BIM-GIS entegrasyonunu etkin bir şekilde kullanımı ile ilgili örnekleri kapsayan blog yazılarına yeni uygulamalar ile devam edeceğiz.

Esri Türkiye 2021

ArcGIS Pro ile Uygunluk Modelleyici (Suitability Modeler)

Uygunluk Modelleyici (Suitability Modeler), bir CBS analisti için en yaygın uygulamalardan biridir. Uygunluk modelleyici ile bir nesneyi yerleştirmek veya bir alanı korumak gibi yer seçim kararlarınızda en iyi konumu belirlemek için kullanılabilirsiniz. Örneğin bir alışveriş merkezi, konut geliştirme veya kayak merkezi inşa etmek için en iyi yeri belirlemede uygunluk modeli kullanabilirsiniz. Parklar, nesli tükenmekte olan yaşam habitatı veya taşkın kontrolü için en iyi alanların saptanması için de kullanılabilir.

Uygunluk modeli oluşturmak, doğrusal olmayan yinelemeli bir süreçtir. Bundan dolayı uygunluk modelinde adımları sırayla izlemeniz gerekmez. Bunun yerine, ileri geri, yinelemeli bir karar verme süreci ile analizini gerçekleştirebilirsiniz.

Bir uygunluk modelini beş adımda oluşturabiliriz:

  1. Kriter verilerini belirleme ve hazırlama
  2. Uygunluk modeli oluşturma
  3. Her bir kriterin değerlerini ortak bir uygunluk ölçeğine dönüştürme
  4. Birbirine göre ağırlık kriterleri belirleme ve bunları birleştirerek bir uygunluk haritası oluşturma
  5. Uygun alanların seçilmesi

1. Kriter verilerini belirleme ve hazırlama

Uygunluk modeli oluşturmanın ilk adımı, modelin konusuna ilişkin kriterleri belirlemektir. Bazı temel veriler, model için doğrudan girdi kriteri olarak kullanılabilir. Diğer kriterler ise çeşitli Spatial Analyst coğrafi işlem araçları kullanılarak türetilebilir. Uygunluk modelleyici içinde veri türetemezsiniz. Ancak, uygunluk modelleyici ve geoprocessing araçları arasında geçiş yapabilirsiniz. Örneğin Slope aracı kullanılarak raster yükseklik verisinden eğim kriteri türetebilirsiniz.

2.Uygunluk modeli oluşturma ve kriter ekleme

Uygunluk Modelleyici (Suitability Modeler), ArcGIS Spatial Analyst eklenti lisansıyla birlikte sunulmakta ve ArcGIS Pro içerisinde Analysis sekmesinden erişilebilmektedir. Bu sekmede Uygunluk Modelleyici (Suitability Modeler) açıldığında Content kısmında bir uygunluk modeli grubu katmanı oluşacaktır. Bu katman modelde girdi ve çıktıları saklamak için kullanılmaktadır.

Suitability Modeler bölmesi içerisinde Settings, Suitability ve Locate sekmelerini içeren sekmeler bulunmaktadır. Settings sekmesinde modeli adlandırabilir, uygunluk ölçeğini seçebilir ve kriterlerin ağırlıklandırılması için kullanılacak yöntemi belirtebilirsiniz.

Kriterleri ağırlıklandırmak için Multiplier veya Percent olarak iki farklı yöntem bulunmaktadır.

Settings sekmesinde Weight kriteri için Multiplier yöntemini belirttiyseniz dönüştürülen kriter değerleri bu değer ile çarpılır. Çarpılan kriter değerleri daha sonra eklenir. Bu yöntemi, kriterleri birbirine göre doğrudan ağırlıklandırabildiğinizde kullanabilirsiniz.

Settings sekmesindeki Weight parametresinde Percent yöntemini belirlediyseniz, yüzdeler uygulandıktan ve ölçütler eklendikten sonra elde edilen uygunluk haritasındaki çıktı değerlerinin aralığı Settings sekmesindeki uygunluk ölçeğine doğrusal olarak dönüştürülür. Varsayılan olarak bu aralık 1 ila 10’dur. Bu yöntemi her bir kriterin ortaya çıkan uygunluk haritasını ne kadar etkilediğini belirtmek istediğinizde kullanabilirsiniz.

Modeli adlandırıp model ayarlarını belirledikten sonra uygunluk haritasını oluşturmak için Suitability sekmesine geçebilirsiniz. Suitability sekmesi kriterlerin eklendiği yerdir. Her bir kriter tabloya eklendiğinde, Content bölmesindeki uygunluk grubu katmanına da eklenir.

Suitability sekmesi ve beraberindeki Transformation Pane uygunluk iş akışının ilk dört adımını ele aldığınız yerdir. Locate sekmesi ise alanı tanımladığınız yerdir.

3.Her bir kriterin değerlerini ortak bir uygunluk ölçeğine dönüştürme

Bir kriteri ortak bir uygunluk ölçeğine dönüştürmek için Suitability sekmesindeki kriter listesindeki kriter düğmesine tıklayın. Bu düğmeye tıklandığınızda aşağıdakiler meydana gelmektedir:

  • Transformation Pane görünür.
  • Ölçütün dönüştürülmüş bir katmanı, Contents bölmesindeki uygunluk grubu katmanına eklenir.
  • Giriş değerlerinin türüne göre varsayılan bir dönüşüm uygulanır.

Kriterin yanındaki düğme yeşile döndüğünde Transformation Pane’nin etkin ölçüt olduğunu gösterir. Düğme, ölçüt dönüştürüldüğünde griye döner ve Transformation Pane artık etkin ölçüt olmaktan çıkar.

Transformation Pane paneli giriş ölçütü değerleri için en iyi dönüştürme yöntemini seçmek üzere kullanabileceğiniz üç ayrı bölümden oluşur. Son uygunluk değerlerinin bir histogramı solda yer almaktadır. Dönüşüm yöntemlerini ve işlevlerini seçmenize yardımcı olması için ise sağdaki grafiği kullanabilirsiniz.

Transformation Pane‘nin orta bölümünde ise dönüştürme yöntemleri yer almaktadır. Bu kapsamda ölçüt değerlerine uygulanabilecek üç dönüştürme yöntemi bulunmaktadır. Bunlar Unique Categories, Range of Classes ve Continuous Functions’tır.

Unique Categories: Arazi kullanım türleri gibi kategorik veriler için en iyisidir. Bu yöntem, ölçüt değerinin uygunluk değeri ile birebir eşleştirilmesidir.

Range of Classes: Değer aralıklarının aynı uygunluk tercihine atanabilen homojen sınıflar halinde gruplandırılabildiği sürekli veriler kullanılır.

Continuous Functions: Eğim, bakı veya uzaklık gibi sürekli değerlerle temsil edilen kriterler için en iyisidir. Bu yöntem, değerleri sürekli olarak uygunluk ölçeğine dönüştürmek için doğrusal ve doğrusal olmayan fonksiyonlar uygular. Kriter değerlerine sürekli bir fonksiyon uyguladığından, kriter değerindeki her artışla elde edilen uygunluk değeri sürekli değişir. Bundan dolayı bu yöntem sürekli veriler için en yaygın kullanılan dönüştürme yöntemidir.

Siz yöntemleri, işlevleri ve parametrelerini keşfettikçe, Content bölmesindeki uygunluk grubu katmanındaki dönüştürme grafiği, son uygunluk histogramı ve son uygunluk haritası katmanları güncellenir. Bu güncelleme, dönüşümün dönüştürülen kriter üzerindeki etkilerinin yanı sıra nihai uygunluk haritasına etkisi hakkında geri bildirim sağlar.

Kriter içerisinde en iyi değerleri yakalamak için dönüşümü belirledikten sonra bir sonraki kriteri dönüştürür ve tüm kriterler dönüştürülene kadar işlem tekrarlanır.

4.Birbirine göre ağırlık kriterleri belirleme ve bunları birleştirerek bir uygunluk haritası oluşturma

Bu kısımda kriterleri birbirine göre ağırlıklandırma işlemi yapılmaktadır. Ağırlıklar değiştirildiğinde, Transformation Pane içerisinde son uygunluk haritasının histogramı ve Content bölmesindeki uygunluk grubu katmanındaki son uygunluk haritası güncellenir. Konumdaki özniteliklere dayalı olarak her bir konumun göreli tercihini belirleyen, ekran çözünürlüğünde bir uygunluk haritası oluşturulmuş olur.

5.Uygun alanların seçilmesi

Locate sekmesinde, uygunluk modeli için mekansal gereksinimleri belirtebilirsiniz. Uygunluk modelleme sürecinin konum bileşeni, mekansal gereksinimlerin belirlenmesine olanak tanır. İstenilen alanların toplam alanı, bölge sayısı ve şekil özellikleri belirlenir. Ayrıca minimum ve maksimum bölge boyutlarını ve bölgeler arasındaki mesafeleri de belirleyebilirsiniz. Seçilmek istenilen alan için kriterler tanımlanıp araç çalıştırıldığında Content bölmesindeki uygunluk grubu katmanına, yerleştirilecek veya korunacak en iyi konumları tanımlayan yeni bir katman eklenmiş olur.

Uygunluk Modelleyici (Suitability Modeler) hakkında daha fazla bilgiye buradan ulaşabilirsiniz.

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.