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

 

Sağanak Yağışta Taşkın Riski Alanlarının Tespiti

Taşkın riski olan yerlerde yapılaşma taşkın sorunlarını beraberinde getirmektedir. Bundan dolayı taşkınların insan hayatına, altyapı, yol ve çevreye etkisini azaltmak gerekmektedir. Taşkın anında su altında kalabilecek yerlerin önceden mekansal analizler ile  belirlenmesi ve buna göre tedbir alınması sorunları en aza indirmektedir. ArcGIS Çözümleri taşkın anında su altında kalabilecek yerlerin önceden belirlenmesinde büyük kolaylık sağlamaktadır.

Bluespot Haritaları

“Bluespot”, içinde  veya yakınında bulunan bir sağanak yağışta, doldurması veya taşması olasılığı olan alanlar olarak tanımlanır. Sağanak yağış nedeni ile meydana gelen taşkınlar yollar için büyük bir tehdit oluşturur ve ciddi durumlarda trafikte büyük bir soruna ve yol yapılarının zarar görmesine neden olabilir. Bluespot modeli, yol ağlarındaki sele duyarlı alanları tanımlamak için bir yöntemdir. Bu noktalar, taşkın olasılığının nispeten yüksek olduğu ve sonuçlarının önemli olduğu muhtemel yerler olarak tanımlanır. Bu metodoloji, gerekli veriler mevcutsa tüm yurt geneli için kullanılabilir.

ArcGIS ürünleri kullanılarak iki çözüm modeli hazır olarak kullanılabilir. İlk model, Bluespot tanımlayan temel bir modeldir.İkinci model ise Bluespot hacimlerini ve bunları doldurmak için gereken yağış miktarlarını hesaplayan genişletilmiş bir modeldir.

Plancılar ve karar vericiler için, Bluespot haritaları, binaların nerede inşaa edilmeyeceği veya gelişimin özel peyzaj mimarisi ile nereye doğru olması gerektiği konusunda bilinçli kararlar vermek için kullanılabilir.

Bluespot haritaları diğer kullanımlar için de uyarlanabilir. Örneğin, Bluespot Doldurma Değerlerini Tanımla modeli, her Bluespot alanı boyunca değişen derinlikleri hesaplar. Bu bilgiler ayrıca arama kurtarma ekipleri için yürüyerek girilemeyecek yerlerin belirlenmesinde de  kullanılabilir.

Binaların Taşkın Riskini Değerlendirme

Bluespot belirtme modeli sadece bir DEM’deki Bluespot tanımlamakla kalmaz, aynı zamanda her Bluespot’un sağanak yağışta ne kadar miktar yağışta dolabileceğini de hesaplar. Bu bilgi sel riskini daha iyi tahmin etmeyi sağlar. Böylece risk haritalarını oluşturabilirsiniz.

Çalışma hakkında detaylı bilgiye buradan erişebilirsiniz.

Esri Türkiye 2019

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

StreetMap Premium for ArcGIS ile Yüksek Kaliteli Veri

StreetMap Premium for ArcGIS ile Yüksek Kaliteli Veri

StreetMap Premium for ArcGIS nedir ?

StreetMap Premium for ArcGIS, ArcGIS yazılımında kullanılmak üzere yüksek kaliteli ve ölçeklendirilebilir kartografik harita gösterimi sağlamak için zenginleştirilmiş sokak verileri sağlar; kaliteli coğrafi kodlama (toplu, ve basit arama), optimize yönlendirme, yol tarifleri ve ağ analizi sağlamaktaır. StreetMap Premium, ArcGIS Enterprise, ArcGIS Desktop ve ArcGIS Pro ile birlikte kullanılmak üzere özel olarak tasarlanmış, kullanıma hazır bir çözümdür. Veri hazırlığı yapmadan güvenlik duvarınızın ardında hızlı bir şekilde kurulabilir.

StreetMap Premium, önde gelen küresel ve yerel sokak verileri tedarikçilerinin (HERE ve INCREMENT P) ticari sokak referansı verilerine dayanmaktadır: Veriler Kuzey Amerika, Avrupa, Latin Amerika, Orta Doğu ve Afrika, Asya Pasifik ve Japonya için kullanılabilir.

Ortalama trafik düzenini, sürüş kısıtlamalarını ve almanız gereken en etkili rotaları keşfetmek, zamandan ve paradan tasarruf etmek için oldukça efektif çözümler sağlar. StreetMap Premium for ArcGIS önceden bilgi gerektirmez ve hızlı ve kolay bir şekilde başlamanızı sağlamak için semboller ve önceden oluşturulmuş veri katmanları ile birlikte gelir.

StreetMap Premium Ne Fayda Sağlar ?

  • Yüksek kaliteli bir haritada analiz sonuçlarını görebilirsiniz;
    Farklı coğrafyalarda, şehir bilgisinden bina adresine kadar tutarlı, yüksek kaliteli kartografik haritalar oluşturabilir, böylece rotaları ve adım adım yol tariflerini daha iyi görselleştirebilirsiniz.
  • Verilerinizi hassas bir haritaya koyabilirsiniz.
    Bina özelinde en doğru coğrafi kodlama yeteneği ile hassa konumlarla oluşturabiliriz. Kuruluşunuzun varlıklarının konumunu doğru bir şekilde gösteren haritalar oluşturun.
  • Araçları verimli bir şekilde yönlendirebilirsiniz.
    Ağırlık, yükseklik ve taşıdıkları malzemeler gibi araçlarınızın kısıtlarını göz önünde bulunduran optimize edilmiş yollar oluşturmak için nakliye kısıtlamalarını ve diğer gelişmiş ayarları kullanabilirsiniz. Tarihi trafik düzenlerini kullanarak daha doğru varış zamanı projeksiyonları oluşturabilirsiniz.
  • Zaman kazanarak hemen çalışmaya başlayabilirsiniz.
    Veri hazırlığına gerek yok, StreetMap Premium ile hemen çalışmaya başlayabilirsiniz. Önceden oluşturulmuş veri katmanları kullanıma hazırdır.
  • Özel verilerinizle isteğinize göre yönlendirme ağları oluşturabilirsiniz
    Kendi yol verilerinizi StreetMap Premium Custom Roads’a (Özel Yollar) entegre edebilirsiniz. Tek bir yol içinde hem verileriniz hem de StreetMap Premium verileri ile rotalar oluşturabilirsiniz. Özel Yollar, ArcGIS for Desktop  ve ArcGIS for Server ile çalışır ve Navigator for ArcGIS uygulamasında kullanım için optimize edilmiştir.

Esri Türkiye 2019

ArcGIS Pro 2.3 Yeniliklere Genel Bakış

ArcGIS Pro 2.3 Yeniliklere Genel Bakış

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

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

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

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

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

 

Rapor

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

 

Deep Learning

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

 

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

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

LocateXT

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

Editing Tools

Düzenleme iş akışlarınızı geliştirmek için aşağıdaki dört araç eklenmiştir:

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

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

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

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

Attribute Rules

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

3D Interpolation EBK

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

 

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