ArcGIS Pro’da Kurallar ile Öznitelik Güncelleme

Grup şablonları, tek bir detay çizerken birden fazla detay oluşturmanın bir yoludur. Birincil detay ya da daha fazla detay oluşturmak için seçenekler bulunur. Bileşen şablonlarının detayları o grup şablonu için ayarladığınız özniteliklere göre otomatik olarak oluşturulur. Grup Şablonu Nasıl Oluşturulur hakkında daha fazla ayrıntı için daha önce hazırladığımız blog gönderisine bakabilirsiniz.

Normalde öznitelik girişleri yapmak için Attributes alanına giderek her yeni bilgi için tek tek giriş yaparsınız. Öznitelik kurallarını kullanarak bu işlemleri otomatikleştirebilirsiniz. Bu çalışmamızda grup şablonu özelliği ile birlikte birden fazla detay için aynı anda öznitelik kurallarını da kullanarak adres bilgileri ve direk numarası güncelleme işlemleri yapacağız.

Örnek kullanım senaryosu

  • Bir elektrik şebekesinde havai abone bağlantı hatlarının direkler vasıtası ile binalara enerji verdiğini ve bu detay çizimi için “Havai Abone + Kofra” grup şablonu kullanalım.
  • Grup şablonunda birincil (primary) olarak girdiğimiz “HavaiAboneHatti” katmanına bağlantısal olarak bağlı olduğu “Direk” katmanında bulunan “Direk Numarasını” aldıralım.
  • İkincil (secondary) olarak ise Abone bağlantı hattının bitiş noktasına “Kofra” katmanı oluşturmasını ve bu kofra katmanına “Yapı” katmanından adres bilgilerini almasını sağlayalım.

Grup şablonunda birincil olarak oluşturulan havai hat katmanına, direk katmanından “DirekNo” öznitelik bilgisini aldıralım. HavaAboneHatti katmanına sağ tıklayarak sırasıyla Design/Attribute Rules seçeneğini seçelim. Subtype alan bilgilerini seçtikten sonra kuralın yazılması istenen öznitelik alanını seçtikten sonra aşağıdaki Arcade kodunu yazalım.

var g = Geometry ($feature);

var fromElektrikJunctionGeometry = g.paths[0][0];

var fsElektrikJunction =FeatureSetByName($datastore, “ElektrikJunction”, [“DirekNo”], false);

var fromElektrikJunction = First(Intersects(fsElektrikJunction, fromElektrikJunctionGeometry) )

if (fromElektrikJunction == null) return {“errorMessage”: “Başlangıç Direk Bulunamadı”}

return fromElektrikJunction.DirekNo;

 

Şimdi grup şablonunda ikincil olarak oluşturulan Kofra katmana benzer şekilde Yapı katmanından adres bilgilerinden Mahalle bilgisini almasını sağlayacak ifadeyi yazalım. Bu örnek çalışmada Kofra katmanının Yapı poligon katmanı alanı içerisinde oluşturulmasını ve yapı olmayan alanlarda hata vermesini istiyoruz. Bunun için hata mesajını “Error” alanına yazdıktan sonra aşağıdaki Arcade kodunu yazalım. Ayrıca isteğe göre tetikleyici menüsünden ilk veri girişi sırasında (insert) ya da mevcut veri üzerinde bir değişiklik yapıldığında (update) kuralın çalışması için ayarlayabilirsiniz.

var fsYapi = FeatureSetByName($datastore, “Yapi”, [“Mahalle”])
var fsYapiIntersect = Intersects(fsYapi,$feature)
var Yapi = First(fsYapiIntersect)

if (Yapi == null) return {“errorMessege”: “Bina Bulunamadı”}

return Yapi.Mahalle

Artık grup şablon kullanarak detaylar oluşturduğunuzda, adres bilgilerini ve direk öznitelik bilgilerini otomatik aldırabilirsiniz. Bu çalışmayı kuruluşunuzda farklı örneklerde hazırlayarak veri giriş sürelerinizi kısaltacak ve veri doğruluğunu destekleyecek şekilde kullanabilirsiniz.

Daha fazla kaynağa aşağıdaki bağlantılardan ulaşabilirsiniz.

 

Utility Network Nedir? — ArcGIS Pro

Utility Network; Elektrik, Gaz, Su, Telekomünikasyon gibi hizmet sistemlerinin modellenmesi için kapsamlı bir işlevsellik çerçevesi sağlayan, kullanıcıların ArcGIS’te ağlarını yönetirken birlikte çalıştıkları ana bileşendir. Sisteminizi oluşturan tüm bileşenleri (hatlar, borular, vanalar, trafolar ve devreler gibi) modellemek için tasarlanmıştır. Hizmet varlıklarınızı modelleyebilir, düzenleyebilir ve analiz edebilirsiniz. Utility Network ağının yetenekleri, verilerinizin herhangi bir cihazda veya web uygulamasında kullanılabilmesini sağlayan servis tabanlı bir mimari tarafından desteklenmektedir.

Utility Network, gelişmiş varlık modelleme yetenekleri ve daha iyi operasyonel farkındalık ile karar vermek için benzeri görülmemiş düzeylerde bilgi edinme sağlayan analiz araçları sunar.

Utility Network ile neler yapabilirsiniz:
  • Her tür detayı, ekipmanı modelleyip özellikler oluşturup düzenleyin.
  • Network üzerindeki detayların ağa nasıl bağlandığını (connected) keşfedin.
  • Gaz, su ve elektrik gibi altyapıların ağda nasıl aktığını izleyin (trace).
  • Ağın kesintiler, fırtınalar veya cihaz arızaları gibi gerçek dünyadaki olaylardan nasıl etkilendiğini analiz edin.
  • Utility Network ile tüm varlıkların şu anda nasıl yapılandırıldığına ilişkin operasyonel bir görünüm sağlayın.

Utility Network ağına çok kullanıcılı bir model veya tek kullanıcılı bir modelle erişilebilir:

Çok Kullanıcılı Model: ArcGIS Enterprise’ı kullanan servis tabanlı bir mimari aracılığıyla Utility Network’ ün en zengin yeteneklerini sağlar. ArcGIS Enterprise hizmetlerini yayınlamak ve düzenlemek için kurumsal bir coğrafi veri tabanı kullanan Utility Network için birincil dağıtım modelidir. Çok kullanıcılı model servis tabanlı mimari ile bir Utility Network ağının tüm platformlarda (masaüstü, mobil ve web) paylaşılmasına izin verir.

Tek Kullanıcılı Model: Yerel dizinde saklanan coğrafi veritabanında (gdb) depolanan Utility Network’ün tam analitik yeteneğine erişim sağlayan alternatif bir dağıtım modelidir. Bir dosya yerel dizinde saklanan coğrafi veritabanında barındırılırken Utility Network ağının masaüstünde ArcGIS Pro aracılığıyla ile etkileşim kurmanıza imkan verir.
Ağınızı görselleştirin
Utility Network ağ sisteminizi ve varlıklarınızı görüntülemek için bir dizi farklı yol sunar:
  • Müşteri servisleri, araziden veri toplama, inceleme veya dağıtım yönetimi gibi farklı kullanım durumları için tematik haritaları görüntüleyebilirsiniz
  • Ağ bağlantısallığını kolayca kontrol etmenize ve bilginin daha basitleştirilmiş, sembolik bir temsilinde ağınızın mantıksal görünümlerini oluşturmanıza olanak tanıyan ağ diyagramları oluşturabilirsiniz. Bu diagramları farklı gösterim seçenekleri ile çok kolay ve hızlı bir şekilde amacınıza uygun olarak görselleştirebilirsiniz.

  • Enerji kaynaklarınızın, hatların karmaşık iç montajlarını görüntüleyebilir ve varlıklarınızın ağınıza nasıl bağlandığını yönetebilirsiniz.

 

Ağınızı analiz edin
Utility Network; çok çeşitli analitik iş akışlarını desteklemek için bir dizi analiz ve izleme aracı sağlar:
  • Şiddetli fırtına gibi bir olayın ardından network ağınızda incelemeler yapın
  • Enerji kaynağınıza bağlı olan müşteri sayısını belirleyin. Örneğin, bir elektrik şebekesinde belirli bir devre tarafından beslenen müşterilerin sayısını sunmak için bir yük özeti raporu oluşturabilirsiniz
  • Belirli bir konumdan yukarı veya aşağı akış fonksiyonları ile ağınızı izleyin.

Örneğin, su altyapısında bir boru patladığında hangi vanaların kapatılacağını belirleyebilir, tek bir Utility Network içerisinde birden çok Utility Network ağı modelleyip bunların hepsinde izleme analizlerini çalıştırabilirsiniz. Elektrik şebekesinden kaynaklanan bir kesinti, gaz veya su gibi başka bir altyapının dağıtımını etkileyebilir. İlgili tüm sistemlerde izleme gerçekleştirebilir, sorunun nerede olduğunu görebilir ve en iyi eylem planına karar verebilirsiniz.

Ağınızı düzenleyin

İş akışlarınızı kolaylaştırmak için ArcGIS Pro temel düzenleme kabiliyetleri ile Utility Network ağınızı düzenleyebilirsiniz:

  • Tek bir tıklama ile; ilgili Utility Network varlıklarının koleksiyonlarını oluşturmak için şablonları kullanın.
  • Ağdaki düzenleme kuralları ile doğrulama (validate) işlemi yaparak mantıksal olarak geçersiz veri ilişkilendirmelerinin girişini önleyerek veri kalitesini üst düzeyde tutabilirsiniz.

Utility Network ağı kullanmanın avantajları hakkında daha fazla bilgi için, Utility Network’ün faydaları içeriğine bakabilirsiniz.

 

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

 

 

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

 

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.

FMV Nedir ve Neler Yapabilirsiniz

ArcGIS Pro’nun Image Analyst ek bileşenindeki Full Motion Video (FMV), coğrafi veriler üzerinden video verileriyle birlikte analizler yapmanızı ve FMV uyumlu videolar oluşturmanızı sağlar. FMV uyumlu demek, video ve mekânsal verinin birlikte kullanılabilir olması demektir.

Buna basit bir ifadeyle haritalarla videoların senkronize çalışması diyebiliriz. Örneğin havadan çekilmiş bir videoyu oynattığınızda haritanızda videoyu çeken hava aracıyla ilişkili nokta da hareket edebilir.

Sadece bununla kalmaz, eğer videonuzdaki hastalanmış bitkileri sayısallaştırmak isterseniz, haritada basitçe çizmeniz yeterlidir. Ardından haritanızdaki her bir sayısallaştırdığınız detay videonuzda da görünecektir, hatta tam tersini de yapabilirsiniz. Videoda işaretlediğiniz bir detay haritanızda bir nokta detay katmanına eklenecektir. Hatta; İHA’nız ya da herhangi bir hava aracınızın nereden uçtuğunun görmek istediğinizde, haritada sadece bir noktanın hareket etmesiyle gösterilmekle yetinmeyip, isterseniz arkasında uçuş rotasının bıraktığı bir çizgi de oluşturabilirsiniz.

FMV, meta veriyi kullanarak video görüntüsünden haritadaki koordinatlar arasında kesintisiz bir rota oluşturur. Bu dönüşüm CBS’deki ilişkili tüm coğrafi verilerinizin ve bilgilerin yorumlanmasına temel sağlar. FMV verileri toplandığı anda gerçek zamanlı ya da adli olarak analiz edilebilir. Durum farkındalığı (Situation Awareness) için çok uygundur. Örneğin, bir doğal felaketten sonra hasar değerlendirmesi yaparken, İHA’dan toplanmış en güncel video verilerini analiz etmek için elinizdeki CBS katmanlarıyla birlikte FMV’yi kullanabilirsiniz. Video’nun ayak izi haritada görüntülenebildiği için, videoda o anda hangi binaların ve altyapının göründüğünü tam olarak bilebilirsiniz, bu sayede durumlarını değerlendirebilir, video ve haritadaki detayları işaretleyebilir, konumlarını gösterebilir ve bunlara notlar düşerek açıklamalarda bulunabilirsiniz.

Durağan kameralardan gelen görüntüleri de FMV olarak kullanabilirsiniz, her türlü hava aracıyla çekilmiş video da FMV de kullanılabilir ama burada önemli olan video kaydedilirken konum bilgisini meta veri olarak kaydetmektir. Doğru meta veriye sahipseniz FMV’yi anında kullanabilirsiniz. Bu meta veri sayesinde kamera videoyu çektiği anda neredeydi veya nereye bakıyordu gösterebilirsiniz. Kameranın hareket ettiği rotadan ayak izi oluşturarak harita üzerinde görüntüleyebilir ve bu sayede, video’nun gücüyle haritalar daha güçlü bir bilgi kaynağı haline gelir.

ArcGIS’in FMV yeteneği, hareketli bir videoyu ArcGIS Pro’ya sorunsuz bir şekilde entegre eder ve Esri platformunun bir parçası olarak video oynatıcı, video düzenleyici ve coğrafi işlem araçlarıyla birlikte gelir.

Dahası için;

https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/introduction-to-full-motion-video-in-arcgis-pro.htm

Esri Türkiye, 2019