Utility Network Elektrik Çözümleri & İzleme Yetenekleri

Kuruluşların, elektrik dağıtım ve iletimi sistemlerini bir Utility Network ağı olarak temsil etmeye başlamalarına yardımcı olmak üzere Esri, Elektrik altyapısı için ücretsiz ArcGIS Çözümleri sağlar. En son sürümü kullanacağınız çözüm Elektrik Utility Network ağına başlamak için temel bileşenler barındırmaktadır:

The Electric Utility Network Foundation

  1. Bu StoryMap aracılığıyla Electric Utility Network Foundation içeriklerini öğrenmenize yardımcı olacaktır.
  2. Başlangıç seviyesinde iken dökümandaki kurulum adımlarını izleyebilirsiniz.

Bu adımlar, varlık paketini kullanarak Elektrik çözümünü ArcGIS Enterprise portalınızda dağıtmak ve yapılandırmak için gerekli araçları kurmanızda size rehberlik edecektir. Bu varlık paketi, yaygın elektrik bileşenleri için bir şema ve ağ davranışlarını tanımlayan bir takım temel network kuralları içerir. Bu yapıda elektrik veri modeli bulunmaktadır.

Utility Network ağına başlamak için tüm detay sınıflarını, varlık gruplarını, varlık türleri kurallarını ve diğer ağ özelliklerini içerecek şekilde yapılandırır. Alanlara ve varlık gruplarına genel bir bakış yapmak için içerisinden her detay sınıfının nasıl tasarlandığını gösteren bir veri sözlüğü çıkmaktadır.

Elektrik diyagramları CBS’de karmaşık yapılar oluşturmak için bir kılavuz olarak sağlanır ve varlıkların modellemesinin faydalarını ayrıntılı olarak ortaya koyar. Çözümü, kendi verilerinizin bir alt kümesine uygulamadan önce tamamlayıcı örnek verileri kullanarak test etmenizi öneririm. Bu şekilde önce elektrik çözümüne ve bu çözümün kuruluşunuzun özel ihtiyaçlarına göre nasıl uyarlanabileceğine dair fikir edinebilirsiniz.

Kendi verilerinizi kullanmaya hazır olduğunuzda, bu işlemle ilgili yardım için Electric Utility Network Veri Yükleme Şablonuna göz atabilirsiniz.

The Electric Utility Network Editor

  1. Bu StoryMap aracılığıyla Electric Utility Network Editor’ü inceleyebilirsiniz.
  2. Electric Utility Network Editor dokümanına erişerek Editör işlemlerine başlangıç sekmesinde ki adımları izleyerek kuruluma başlayabilirsiniz.

Bu adımlar, çözümün ArcGIS Enterprise Portalınızda nasıl dağıtılacağına ve ArcGIS Pro için Electric Network Editor haritasının, elektrik tesisatınızda ortak olan varlıkların oluşturulmasına özgü ek feature template şablonlarıyla yapılandırılmasına ilişkin ayrıntıları içerir. Ayrıca yardım bölümünde iş akışı örneklerini düzenleme konusuna bakabilirsiniz.

İzleme Nedir?

Utility Network izleme yetenekleri ağınızdaki yolları analiz etmenize olanak sağlar. Bu araç belirtilen başlangıç ​​nokta veya noktalarından bağlantısallığa dayalı özellikler döndüren bir izleme aracı çalıştırır. Herhangi bir zamanda ağınızın durumuyla ilgili yanıtları keşfetmek ve sorunları çözmek için kullanabilirsiniz.

Utility Network izleme yetenekleri, kuruluşunuzdaki network ağı üzerinde analiz etmenize olanak sağlar. Subnetwork, Subnetwork controllers, Upstream/Downstream, Isolation, Connected, Loops ve Shortest path dahil olmak üzere Trace aracı ile sağlanan birçok temel izleme türü vardır. Bu izleme türlerinin ne işe yaradığından aşağıda ayrıntılı olarak bahsedilmiştir. İzleme işlemi üç bileşene sahiptir, başlangıç ​​noktası (Starting points), engeller ( Barriers) ve izleme sonuçlarını (Trace Results) içerir. Bir izleme, belirtilen network için bir veya daha fazla başlangıç ​​nokta denetleyicisinde başlar ve radyal bir şekilde dışa doğru yayılır. Bağlı özellikler izleme yolu boyunca son konuma ulaşıncaya kadar devam eder.

İzleme Türleri Ne İşe Yarar?

 

  • Connected : Bağlı izleme türünü kullanarak İzleme aracıyla ağınızdaki belirli bir başlangıç ​​noktası kümesine bağlı tüm özellikleri bulabilirsiniz
  • Subnetwork : Alt ağ izleme türü ile alt ağa katılan tüm detayları keşfedebilirsiniz
  • Subnetwork Controllers : Ağınızdaki Subnetwork Controller noktalarını bulabilirsiniz
  • Upstream : Ağdaki bir başlangıç ​​noktası konumundan yukarı akış yönündeki detayları bulabilirsiniz
  • Downstream : Ağdaki bir başlangıç ​​noktası konumundan aşağı akış yönündeki detayları bulabilirsiniz
  • Loops :Döngüler, akış yönünün belirsiz olduğu ağ alanlarıdır. Bir döngü içinde kaynaklar her iki (aşağı ve yukarı akış) yönde de akabilir. Loops izleme aracını kullanarak döngüleri keşfedebilirsiniz.
  • Shortest path : İki başlangıç ​​noktası arasındaki en kısa yol Shortest Path aracıyla belirlenebilir. En kısa yol şekil uzunluğu gibi sayısal bir ağ özelliği kullanılarak hesaplanır. Maliyet veya mesafeye dayalı yollar, en kısa yol izleme aracı ile elde edebilirsiniz
  • Isolation :İzolasyon izleme türüne sahip İzleme aracını kullanarak ağınızdaki yalıtım özelliklerini bulabilirsiniz

 

 

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:

Operasyon Yönetimi Çözümü Yayınlandı

ArcGIS platformunda kullanabileceğiniz yeni Operasyon Yönetimi çözümü yayınlandı. İlk sürümü, savunma sektörü için bir dizi araç görevi gören bir harita ve uygulama koleksiyonunu içeriyor. Operasyonları ve görevleri yöneten diğer sektörlerdeki kuruluşlar da bu çözümü kullanarak kazanç sağlayabilirler.

Operasyon Yönetimi çözümü ile aşağıdakileri yapabilirsiniz:

  • Gerçek zamanlı olay ve görev gelişimini takip etme
  • Aynı arayüz içine birden fazla anket girişi ekleme
  • Tüm destek seviyelerinden gönderilen durum ve saha raporlarını toplama ve inceleme
  • Harita girişlerini düzenleme veya silme
  • Çeşitli formatlarda olay ve görev raporları oluşturma
  • Birimin sorumluluk alanını yükleme ve analize dahil etme
  • Anında harici ve dahili veri kaynakları ekleme
  • Saha raporlarını resim ekleriyle gönderme

Ve daha fazlası…

Bir Olay veya Görevin Tüm Yönlerini Yönetme ve Veri Toplama

Operasyon Yönetimi çözümü; olayların, görevlerin, durum raporlarının ve saha raporlarının girişi ve düzenlenmesi için dinamik bir yöntem sağlamak üzere ArcGIS Survey123 formlarından, ArcGIS Web AppBuilder ve ArcGIS Dashboards’dan yararlanır.

Bir kullanıcı, Olay Giriş raporuyla Operasyon Panelini kullanarak bir olayı kolayca göndermeye başlayabilir. Bu form, bir olayla ilgili ayrıntıların girilmesine izin verir. Dahil edilen operasyonel hava durumu ve olay katmanlarını referans olarak kullanarak, bir olayın ortak özniteliklerini doldurmaya başlayabilirsiniz. Olay kimliği, olay türü, birim ataması, konum vb. gibi ayrıntıların tümü bu ankete girilebilir. Aşağıdaki kısa video, personelin olayla ilgili raporu ne kadar hızlı tamamlayıp bilgi gönderebileceğini göstermektedir. Tüm adımlar, bir web tarayıcısı kullanılarak veya bir mobil cihazda ArcGIS Survey123 saha uygulaması kullanılarak tamamlanabilir.

Operasyon Paneli

Her Zaman ve Her Seviyede Durumsal Farkındalık

Operasyon Yönetimi çözümü, kuruluşların bir olayın veya görevin tüm ayrıntılarını başından sonuna kadar takip etmesini sağlar.

Çözüm, internete bağlı herhangi bir cihazdan ve operasyonlara katılan herhangi bir üye tarafından gönderilebilen dört ayrı Survey123 raporu içerir. Bu giriş formları şunları içerir: Olay, Görev, Durum ve Saha raporu. Gönderildikten hemen sonra, raporlarda yer alan bilgiler paneller, web haritaları ve web uygulamaları çözümlerinde görünecektir.

Survey123 formları ve web uygulamaları arasındaki bu anlık etkileşim, hızlı ve doğru kararlar almaya olanak tanır.

Operasyon Paneli, görev veya operasyon yöneticisine olayları, görevleri, durumu ve saha raporlarını göndermek için özel bir arayüz sağlar. Operasyon Yönetici uygulaması kuruluşa olayları ayırma, raporlar oluşturma, detay katmanlarını değiştirme veya taşıma ve belirli bilgileri saniyeler içinde bulma özgürlüğü verir.

Son olarak, Operasyon Yönetim Paneli gönderilen tüm verileri çeker, bunları tablolarda, grafiklerde düzgün bir şekilde görüntüler. Ayrıca hızlı seçim ve filtreleme sağlar.

Aşağıdaki kısa video, personelin Operasyon Yönetim Paneli’ni ne kadar hızlı filtreleyebileceğini ve bir görevle ilgili belirli ayrıntıları ne kadar hızlı alabileceğini göstermektedir.

 

Operasyon Yönetim Paneli

 

Bu çözümü uygulamak, ArcGIS Solution App‘i kullanarak son derece kolaydır.

Operasyon Yönetimi, dağıtımdan hemen sonra kullanıma hazırdır, ancak kuruluşunuz için geçerli bir adlandırma kuralını yansıtmak için küçük değişiklikler yapmanız gerekebilir. Nasıl yapılacağını öğrenmek için yardım dokümanlarına bakabilirsiniz.

Kullanımı da ArcGIS Online veya Portal ortamınıza dağıtmak kadar kolaydır. İlk önce Try-it-Live sitesi aracılığıyla çözümü test edebilirsiniz.

ArcGIS Solution sitesinden Operasyon Yönetimi çözümünü nasıl hızlı bir şekilde dağıtabileceğiniz hakkında daha fazla bilgi edinebilirsiniz.

 

ArcGIS uygulamaları ve güncellemeleriyle ilgili daha fazla bilgiye ulaşmak için blog sayfamızı takip edebilirsiniz.

 Esri Türkiye 2020

 

Site Scan for ArcGIS

Site Scan for ArcGIS

Site Scan for ArcGIS

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

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

Uçuş Planı Oluşturma

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

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

Uçuş planlarının oluşturulması

Drone filo yönetimi

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

Uçuş planının yapılması

Bulutta verilerin işlenmesi ve son ürünlerin paylaşılması

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

Son ürünlerin paylaşılması

Site Scan for ArcGIS Nasıl Çalışır ?

Site Scan for ArcGIS nasıl çalışır ?

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

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

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

Esri Türkiye 2020

ArcGIS ile Derin Öğrenme Modelleri

ArcGIS ile Derin Öğrenme Modelleri

Derin Öğrenme Nedir?

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

ArcGIS’te Derin Öğrenme

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

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

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

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

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

ArcGIS’teki Derin Öğrenme Modelleri ve Örnek Bağlantıları

1. Nesne Sınıflandırması

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

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

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

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

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

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

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması.

2. Piksel Sınıflandırması

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

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

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

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

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

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

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması

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

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

3. Nesne Algılama

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

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

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

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları.

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

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

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

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu.

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

4. Nokta Bulutu Bölümlemesi

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

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

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

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

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

5. Görüntü Geliştirme

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

 Hava görüntülerinde SuperResolution kullanılarak kalite arttırımı.

Hava görüntülerinde SuperResolution kullanılarak kalite artırımı.

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

6. Tablo Verileri Üzerinde Sınıflandırma ve Regresyon

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

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

Gerçek ve öngörülen Güneş Enerjisi üretimi

Gerçek ve öngörülen güneş enerjisi üretimi.

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

7. Yapılandırılmamış Metinden Varlık Çıkarma

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

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

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

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

Suç mahallerinin detay katmanı

Suç mahallerinin detay katmanı

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

Diğer Modeller

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

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

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

Neden bu kadar çok model var?

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

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

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

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

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

Mekansal Veri Bilimi Açık Çevrimiçi Eğitimi

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

Mekansal Veri Bilimi Mooc

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

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

Kaynak:

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

Esri Türkiye, 2020

 

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