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’te Mesafe Analizlerine Genel Bir Bakış

ArcGIS’te Mesafe Analizlerine Genel Bir Bakış

CBS analizlerinin en önemlilerinden ve en çok kullanılanlarından biri yakınlık analizleridir. Çoğu zaman ArcGIS kullanıcıları bu tür analizleri, en bilindik yöntemler olan ve vektör verileri üzerinden uygulanan Buffer ve Near araçlarını kullanarak yaparlar. Bu blog yazımızda vektör verilere uygulanan yakınlık analizlerinden farklı bir yöntem olarak, mesafeleri raster veriler üzerinden hesaplama yöntemlerine değineceğiz.

İşlem sonucu raster bir çıktı katmanı veren Öklidyen Mesafe (Euclidean Distance) analiziyle araçlarımızı tanımaya başlayalım:

Euclidean (Öklidyen) Mesafe Analizi

ArcGIS kullanarak birçok farklı yöntemle mesafe analizi yapabilirsiniz. Bunlardan en yaygın kullanılanlarından biri iki nokta arası mesafeyi doğrusal bir çizgi şeklinde hesaplayan Öklidyen mesafe analizidir. Öklidyen mesafe analizine kuş uçuşu mesafe de denir ve bu analizle Pisagor teoremine göre iki nokta arası en kısa mesafe hesaplanabilir. İki raster hücresi arası kuş uçuşu mesafeyi bulur, bunu bir kağıttaki iki nokta arasını cetvelle ölçmek gibi düşünebilirsiniz. Bunu yaparken rasterda belirlediğiniz hücrenin merkez noktasından hedef hücrenin merkez noktasına doğru hesaplama yapar.

Bu analizi geoprocessing (coğrafi işlem) araçlarından Euclidean Distance’ı kullanarak yapabilirsiniz.

Euclidean Distance, vektör verilerle veya raster verilerle yaptığınız analiz sonucunda, elinizdeki detaylara olan uzaklığı ölçüp çıktı olarak, her bir hücresinde (diğer bir adıyla pikselinde) sizin kaynak verinize olan uzaklığı değer olarak saklayan bir raster katman oluşturur.

Her hücre değeri kaynağa olan mesafeyi gösterir. A hücresinin değeri olarak görünen x A hücresiyle kaynak hücre arasındaki mesafedir.

Birden fazla kaynak hücreye uygulama yaptığınız yüzeylerde, çıktı katmanındaki her hücre değeri, bir kaynak hücreye yakınlığı verir ve bu da kendine en yakın olan kaynak hücredir.

Her hücre değeri en yakın kaynağa olan uzaklığı gösterir. Hücre A Kaynak 1’e en yakındır ve değeri arasındaki mesafeyi verir. Euclidean Distance aracı yatay ve dikey olarak hesaplamalar yapabilir.

Euclidean Distance aracı sonucu kuş uçuşu düz bir çizgi için verir ama yüzeyde dosdoğru şekilde ilerlemek her zaman mümkün olmayabilir, bu çizgi üzerinde ırmaklar ya da dik eğimler gibi çeşitli engeller olabilir. Bu gibi durumlarda maliyet ağırlıklı mesafe araçlarını kullanmak gerçekçi sonuçlar açısından daha doğru olur.

Euclidean Allocation

Euclidean Allocation aracı ise her hücrenin en yakın kaynağa olan kuş uçuşu mesafeye göre belirlendiği bölümlenmiş bir raster oluşturur. Eğer sadece bir kaynak varsa oluşacak rasterdaki bütün hücreler bu kaynak noktaya göre tahsis edilir.

Eğer birden çok kaynak nokta varsa oluşacak rasterdaki hücreler en yakındaki kaynağa göre belirlenerek tahsis edilir. Bu hücrelerin oluşturduğu alanları detayların bölümleri olarak düşünebilirsiniz. Bu bölümlerin şekli ve boyutu hücrelerin kaynağa olan mesafesi tarafından belirlenecektir.

Bu resimde yeşil hücrelerden birinin 1 ve 2. kaynak arasında eşit mesafede olduğunu görebilirsiniz. İki kaynağa da aynı mesafede olan bu hücreler program tarafından otomatik olarak bir kaynağa atanır. Burada bu 2. kaynak olmuştur. Euclidean Allocation’ı rasterdaki her hücrenin en yakın olan kaynağa göre bölümlenmesini istediğinizde kullanabilirsiniz. Araç sonuç olarak her hücrenin en yakın olduğu kaynağa göre değerini verecektir.

Euclidean Direction

Öklidyen yönelim her hücreden kaynak hücreye kuş uçuşu en kısa doğrunun yönelimi derece cinsinden verir. Euclidean direction’ın verdiği raster verideki her hücre değerleri en yakın kaynağa olan yolun açısını gösterir. Bunu aşağıdaki resimdeki gibi bir pusulanın, yüzeydeki her hücre için olduğunu düşünebilirsiniz. Her hücre içindeki değerler 1 ile 360 derece arasındadır ve 360 derece kuzeyi ifade eder.

Euclidean direction rasterında hücre değerleri azimuth derecelerine dayanmaktadır. Bu resimdeki örnekte hücrenin yönelim değeri 45 derecedir.

Bu resimde kaynak 1 noktası, A hücresine en yakın noktadır. İki nokta arasındaki doğru çizgi hattı A noktasından 1. kaynağa 15 derecelik bir açıdadır. A noktasının hücre değerine baktığımızda 15 yazdığını görürüz. Kaynak 2 ise B hücresinden 135 derecelik bir açıdadır.3. kaynak ise C noktasına en yakındır ve 320 derecelik bir açıya sahiptir. Gri hücreler ise 0 derecedir yani bir yönü yoktur.

Euclidean Direction sayesinde, “En yakın şehre ulaşmak için hangi yöne doğru seyahat etmeliyim?” gibi sorulara cevap bulabilirsiniz.

Euclidean Distance 

Bu resim yüzeydeki her konumdan kamp alanlarına olan mesafeleri simgelemektedir. Açık renklerde daha yakın koyu renkler daha uzaktadır.

 

 

 

 

 

 

Euclidean Allocation

Bu yüzey resmi her iki kamp alanı için lokasyon tahsisini göstermektedir. Yeşil alan A kampına yakındaki pikselleri (raster hücreleri), mavi ise B kamp alanına yakın olan pikselleri göstermektedir.

 

 

 

 

 

 

Euclidean Direction

Bu resim ise yüzeydeki her yerin kamp alanlarına olan pusula yönlerini göstermektedir. Oklar Euclidean Direction aracının çıktısı değildir, otomatik olarak yönleri göstermez. Bunu yapmak için çıktı raster katmanına Vector Field semboloji özelliğini uygulayarak haritanızda görüntülenmesini sağlayabilirsiniz.

 

 

 

 

 

Ağırlıklandırılmış Mesafe analizi:

Weighted distance analysis yani ağırlıklı mesafe analizi ArcGIS’deki başka bir mesafe analiz türüdür. Bir noktadan diğerine doğru bir çizgi çizmenin işinizi görmediği durumlar vardır. Bazı durumlarda analiziniz, birden çok mesafe sonucunu karşılaştırmanızı gerektirebilir. Örneğin A ve B noktaları arasında üç tane yol varsa bu yolları hız limiti, hava durumu, yol tipi gibi faktörlere göre ağırlıklandırarak en iyi rotayı belirleyebilirsiniz. En kısa yol her zaman en kısa yolculuk zamanını vermeyebilir. Eğim fazla olabilir veya hız limitlerinden dolayı şehir içinden geçen bir yol daha kısa olmasına rağmen çevre yolundan daha uzun bir yolculuk zamanı verebilir.

Bu resimde 2 kamp noktası arası 2 yol çıkarılmıştır. Sarı çizgi kuş uçuşu mesafeyi simgelerken siyah çizgi iki kamp noktası arası en hızlı yolu simgeler. Çünkü kuş uçuşu mesafe dağlık arazi yüzünden daha yavaş ilerlenecek ve ulaşım sürenizi uzatacak bir yoldur.

Bir konumdan diğerine potansiyel olarak çok sayıda yol olduğunda ve genellikle zaman gibi belirli bir kaynağı maliyet olarak kabul ettiğimiz durumlarda ağırlıklandırılmış mesafe kullanabilirsiniz.

Reclassification (Yeniden Sınıflandırma) ve Cost (Maliyet) Yüzeyleri

Genelde veriler doğrudan maliyetleri iletmez, bunu yapabilmeleri için dönüştürülmeleri lazımdır. Örneğin dik bir arazi yol yapım masraflarını arttırabilir yani arazinin eğimi bir maliyet faktörü olabilir. Eğim yüzdeleri yolun yapım maliyetlerinin az mı çok mu olduğu bilgisini bize direk vermez. Maliyetleri göstermenin yolu eğim değerlerini maliyet değerlerine TL cinsinden çevirmek daha iyi şekilde maliyetleri yansıtacaktır. Ya da ağırlıklandırarak göreceli bir değer sıralaması belirleyerek de bunu yapabilirsiniz.

Ağırlıklandırılmış mesafe analizlerinde maliyet faktörlerine bir sıralama yaparsınız ya da bir alanda yolculuğun verimliliğini belirleyen faktörlere değer vererek sıralama yaparsınız. Yüksek verimlilik gösteren değerlere sahip hücreler düşük bir değer alır ve düşük verimlilikle değerleri olan hücreler yüksek bir değer alır. Örneğin, hücre değerlerinde sürüş zamanlarını içeren bir rasterınız varsa ve yeniden sınıflayacaksanız, sürüş zamanı değeri 25 dakika olan bir hücreye 1 değeri verebilir ve sürüş zamanı 65 dakika olan bir hücre değerine 3 değerini verebilirsiniz. 25 dakikada kat edilen bir hücre 1 değerini alarak daha düşük bir değer alacaktır ama sıralama yaptığımızda 1. olduğu anlamına gelecektir. Böyle bir veri dönüşümünden sonra 25 dakikalık sürüş zamanına sahip raster hücreleri daha tercih edilen hücreler olacaktır. Bu dönüşümü yaptığımız işleme Reclassification yani yeniden sınıflandırma denir. Yeniden sınıflandırılmış bu rasterlara da maliyet yüzeyi denir.

Bir öznitelik tablosundaki sütunlarındaki değerler kar derinliklerinden hız sınırlarına ya da herhangi bir arazi özelliğinin sayısal değeri gibi herhangi bir değeri ağırlıklandırma yapmak için seçebilirsiniz. Bunu yaparken hangi özniteliklerin maliyeti etkilediğini belirlemek ve sonra bu özniteliklerin değerlerini sıralamak çok zaman alıcı bir işlem olabilir. Bunu belirlemek için uzmanlara ya da akademisyenlerin çalışmalarına başvurmanız gerekebilir.

Ağırlıklama ölçeğinizi bir aralık içinde belirleyebilirsiniz. Ağırlık ölçeği, en yüksek ve en düşük maliyeti kolayca ayırt edebilme konusunda yönetilebilir bir değer aralığı olacaktır. Örneğin 1 ila 9 arasında rakamlar verebilirsiniz. Burada 9 değeri 1 değerinden 9 kat maliyetlidir anlamına gelmez. En az masraflı hücreler 1 en çok masraflı hücreler de 9 değerine sahiptir anlamına gelir. Analizinizde birden çok maliyet faktörünü ele almak istediğinizde maliyet yüzeylerini aynı ağırlıklandırma ölçeğine göre yapmanız gerekir, bu sayede bütün maliyet yüzeylerini birbirleriyle işleme sokarak toplam maliyet yüzeyini elde edebilirsiniz. Buna ağırlıklı bindirme analizi de denir.

Kar derinliği hücre değerleri raster verisinden 1-9 ağırlık ölçeği kullanarak yeniden sınıflandırılarak maliyet yüzeyi oluşturulur. Karın en derin olduğu yerlerde zaman ve kaynaklar açısından daha masraflı olduğunu varsayarak, en yüksek kar derinliği değerleri 9 değerine atanır ve en düşük kar derinliği değerleri 1 değeri ile belirlenir.

Bu skalada eğim yüzdeleri kar derinliklerinde olduğu gibi 1-9 ağırlık ölçeğine göre sınıflandırılmıştır. Daha dik eğimler daha fazla zaman ve kaynağa mal olacağından eğimi en yüksek olan yerler 9 ve eğimi düz ve düze yakın olan yerler 1 değeriyle yeniden sınıflandırılmıştır.

Kar derinliği raster’ı ve eğim raster’ı aynı ağırlıklandırma ölçeğine göre yeniden sınıflandırıldığı için beraber işleme sokularak toplam maliyet yüzeyini elde edebiliriz. Maliyet yüzeylerini aynı ağırlık ölçeğinde yeniden sınıflandırdıktan sonra birleştirerek her hücre için toplam maliyeti belirleyebiliriz. Örneğin, eğim maliyeti 2 olan bir hücreyle kar derinliği maliyeti 1 olan bir hücre birleştirildiğinde toplam masraf 3 olur. Nihai maliyet yüzeyi en az maliyetli yol analizi (Least-Cost Path Analysis) için gereklidir.

Least-cost Path Analysis (En az maliyetli yol analizi)

Elde ettiğiniz toplam maliyet yüzeyiyle ArcGIS analiz araçlarını kullanarak maliyet ağırlıklı mesafe analizi yapabilirsiniz. En az maliyetli yol, maliyetin zaman, mesafe veya kullanıcı tarafından tanımlanan diğer ölçütlerin bir işlevi olduğu ve iki konum arasındaki en düşük maliyetli yoldur.

Least-cost path analizi bu yüzeyleri kullanarak iki nokta arasındaki en uygun maliyetli yolu belirlemenize yardımcı olur. Bu aracı kullanarak en ucuz şekilde bir boru hattını nasıl yapabileceğinizi belirleyebilirsiniz.

En az maliyetli yol analizi, kaynak hücreyi çevreleyen sekiz komşu hücreyi değerlendirir ve yolu en düşük değere sahip hücreye yönlendirir. Kaynak ve hedef birbirine bağlanana kadar bu işlem kendisini yineler. Tamamlanan yol, iki nokta arasındaki hücre değerlerinin en küçük toplamını temsil eder.

Bu örnekte analiz sonucu ulaşılan yol kaynaktan hedefe en kısa yolu vermemiştir ama en masrafsız yolu hücrelerdeki değerlere göre karşılaştırarak çıkarmıştır.

Kaynak ve hedef noktalardan oluşan herhangi bir kombinasyon least-cost path analizinin bir parçası olabilir, bir kaynaktan bir çok hedefe en düşük masraflı yolu hesaplayabileceğiniz gibi birçok kaynak noktadan da bir hedef noktaya en masrafsız yolu belirleyebilirsiniz.

Bu resimde en düşük maliyetli yol analiziyle kaynaktan hedeflere en uygun yollar çıkarılmıştır.

Least-cost path (En az maliyetli yol) analizi iş akışı

Aşağıdaki liste bu analizi yaparken izlemeniz gereken iş akışının bir özetidir.

  1. Ortak bir ağırlıklandırma ölçeği oluşturmak için rasterlarınızı yeniden sınıflandırma.
  2. Yeniden sınıflandırılmış rasterları birleştirerek toplam maliyet yüzeyinin oluşturulması.
  3. Toplam maliyet yüzeyini kullanarak maliyet mesafeleri ve yönelimleri yüzeylerinin oluşturulması.
  4. Maliyet mesafesi ve maliyet yönü yüzeylerini kullanarak en az maliyetli yolun belirlenmesi.

Aşağıdaki diyagram arazi kullanımı ve eğim katmanları kullanılarak en az maliyetli yolun oluşturulmasını gösterir.

Yakınlık/Mesafe analizleri hakkında daha fazla bilgi almak ve uygulamalarını öğrenmek için ArcGIS 3: Mekansal Analiz Uygulamaları eğitimimize katılabilirsiniz.

Daha fazla bilgi için: egitim.esri.com.tr

Esri Türkiye 2018

ArcGIS Monitor ile Kurumsal Uygulamalarınızı Etkin Bir Şekilde Yönetin

ArcGIS Monitor ile Kurumsal Uygulamalarınızı Etkin Bir Şekilde Yönetin

ArcGIS Monitor; kurumsal CBS altyapınızı analiz ve optimize etmenize yardımcı olmak üzere tasarlanmıştır. Kuruluşunuza ait CBS mimarinizin donanımsal durumu, sistem performansı ve kaynak kullanımlarına dair tanımladığınız aralıklarla periyodik olarak kapsamlı ölçümler yaparak veriler toplar. Toplanan bu verileri yine sizin belirleyeceğiniz süre boyunca saklar ve interaktif raporlar ya da grafikler halinde sunar. Üstelik tüm bunları tek bir merkezden izlemenize ve yönetmenize olanak sağlar. Bu yeteneklere ek olarak, sisteminizde meydana gelebilecek arıza veya darboğaz durumlarında anlık bildirimler almanızı sağlar. (daha&helliip;)