Map Viewer Beta Yetenekleri

Map Viewer Beta, ArcGIS Online ve ArcGIS Enterprise için yeni nesil harita oluşturma aracıdır. İlk olarak Ekim 2019’da duyurulan Map Viewer Beta, Kasım 2019’da ArcGIS Online ve Temmuz 2020’de ArcGIS Enterprise için tanıtıldı. İlk sürüm, yeni bir görünüm ve düzen ile verileri görselleştirmek ve web haritaları oluşturmak için yeni yollar sağladı.

Map Viewer Beta ilk sürümden itibaren geliştirilmeye devam ediyor ve her ay yeni özellikler ve geliştirmeler eklenerek güncelleme programı sürdürülüyor. Bu yazıda Map Viewer Beta’nın birçok yeteneğinden bahsedilecektir.

Nokta Yoğunluğu

Nokta yoğunluğu çizim stili, tek bir noktaya sahip varlıkların sayısını temsil etmek için idealdir. Nokta yoğunluğu stili, verilerinizde birden fazla sayımın veya toplamın bulunduğu her durumda ve insanlar, evler, olay raporları, tutuklamalar, toplam maliyet gibi ortak bir birimi paylaştıklarında iyi çalışır.

Geliştirilmiş Renk Paletleri

Map Viewer Beta yüzlerce renk paleti sağlar. Açık veya koyu altlık haritalarının yanı sıra renk körlüğüne uygun paletler gibi kullanım durumuna göre kategorize edilmiş, sıralı renk temalarına sahip renk paletleri seçebilirsiniz.

Kümeleme

Kümeleme, katman için seçilen detay sayısını ve çizim stilini temsil eden veriye dayalı kümelerde tek tek detayları bir araya getirerek örtüşen detayları görselleştirmek için verimli bir yol sunar.

Kümeleme ile ilgili daha detaylı bilgi için Map Viewer Beta’nın Öne Çıkan Özellikleri yazısını inceleyebilirsiniz.

Sembol Çiftleri

Farklı renk paletleri ve yukarı-aşağı değerleri temsil etmek üzere tasarlanmış sembol çiftlerini kullanarak eğilimleri vurgulayabilirsiniz. Verilerinizle güçlü bir anlatım sağlamak için hem boyutu hem de renkleri kullanabilirsiniz.

Ölçeğe göre Otomatik Boyutlandırma

Ölçek değiştiğinde nokta sembolleri, çizgi genişlikleri ve çokgen ana hatları otomatik olarak ayarlanır. Haritaya yakınlaşırken ve uzaklaşırken en uygun boyutlar kullanılır ve bu, tüm ölçeklerde tutarlı bir deneyim sağlamaya yardımcı olur.

Karıştırma Yöntemleri

Map Viewer Beta, katmanlar arasındaki renk ve dokuların nasıl göründüğünü kontrol etmenizi sağlayan 30’dan fazla karıştırma yöntemi içeriyor. Bir karıştırma yöntemi, iki veya daha fazla katman için her katman tarafından çizilen pikselleri karıştırır ve hangi yöntemin seçildiğine bağlı olarak katmanlar için yeni bir görselleştirme oluşturur. Karıştırma, bir özellik ayarı olduğundan katmanlarınız bağımsız kalır ve karıştırmayı kolayca kapatıp katmanın orijinal durumuna geri dönebilirsiniz.

Karıştırma ile ilgili daha detaylı bilgiye ulaşmak için karıştırma yöntemleri ve tematik haritalar için karıştırma yöntemlerinin anlatıldığı blog yazılarını inceleyebilirsiniz.

Etiketleme

Haritanızla bütünleşen etiketler oluşturmak için birden çok etiket sınıfı, ölçeğe bağlılık, yeni yazı tipleri ve daha fazlasını kullanabilirsiniz. Map Viewer Beta’da artık farklı konfigürasyonlar için birden fazla etiket sınıfı ekleyebilirsiniz ve yeni yazı tiplerini kullanabilirsiniz. Etiketlerinizi, sütunlara veya özelleştirilmiş öznitelik ifadelerine göre düzenleyebilirsiniz. Ayrıca yakınlaştırma düzeyine göre etiketlerinizin ne zaman görüneceğini belirleyebilirsiniz. Her bir etiket sınıfı için görünürlük aralığı ayarlayabilirsiniz. Map Viewer Beta’da etiketlerinizin haritanın rotasyonuna göre yön değiştirmesini sağlayabilirsiniz ve etiketlerinizi yeniden konumlandırabilirsiniz.

Etiketleme ile ilgili daha detaylı bilgiye ulaşmak için etiketleme yeteneklerini anlatan blog yazısını inceleyebilirsiniz.

Filtreleme

Dinamik bir filtreleme deneyimi, veri keşfini ve filtreleri yapılandırmayı basit ve sezgisel bir deneyim haline getirir. Map Viewer Beta’daki yeni filtreleme  yeteneği ile filtreleme ve öznitelik bilgileriyle katmanı keşfettikçe harita hemen güncellenir.

Filtreleme ile ilgili daha detaylı bilgiye ulaşmak için Map Viewer Beta’da filtrelerle çalışma yeteneklerini anlatan blog yazısını inceleyebilirsiniz.

Açılır Pencereler ve Saha Yönetimi

Map Viewer Beta’da ekleri açılır pencerelerde gösterebilirsiniz. Haritanızda bilgilendirici bir deneyim sağlamak için görüntüler, öznitelikler, özelleştirilmiş metin ve grafikler dahil açılır pencere içeriği oluşturabilir ve yeniden düzenleyebilirsiniz.

Açılır pencere yetenekleri hakkında daha detaylı bilgi için Map Viewer Beta’da yeni açılır pencere deneyimi, verileri Arcade ve açılır pencereler ile ifade etme, özniteliklerin formatlarını toplu olarak düzenleme, açılır pencerelerde grafikleri yapılandırma konuları hakkındaki blog yazılarını inceleyebilirsiniz.

Katmanlarla Çalışma

Map Viewer Beta’daki en büyük geliştirmelerden biri, katmanları gruplama yeteneğidir. Haritanızdaki katmanlar, şeffaflığı ayarlayabileceğiniz, görünür bir aralık tanımlayabileceğiniz ve tüm katman grubuna karıştırma yöntemleri uygulayabileceğiniz tek bir katman halinde gruplanabilir.

Katmanlarla çalışma ile ilgili daha detaylı bilgiye ulaşmak için haritanıza katman, tablo ekleme ve detay katmanları için öznitelik tablosuna erişim hakkındaki blog yazılarını inceleyebilirsiniz.

Geliştirilmiş Yer İşaretleri

Haritadan oluşturulan küçük bir görsel ekleyerek veya kendi özel görüntünüzü yükleyerek yer işaretlerinizi geliştirebilirsiniz. Bir yer işareti oluştururken haritanın yönü değiştirilirse, yer işareti de aynı yönü kullanır.

Map Viewer Beta’da yer işaretleri yetenekleri ile ilgili daha detaylı bilgi için geliştirilmiş yer işaretleri hakkındaki blog yazısını inceleyebilirsiniz.

Altlık Haritalar

ArcGIS Living Atlas of the World ile altlık haritaları kullanabilir veya kendi özelleştirilmiş altlık haritanızı oluşturmak için arka plan rengini, karıştırma yöntemlerini ve yön değiştirmeyi kullanabilirsiniz.

Map Viewer Beta’da altlık haritalar hakkında daha detaylı bilgi için blog yazısını inceleyebilirsiniz.

Harita Ölçeğini Koruma

Map Viewer Beta, haritanın kaydedildiği ölçeği koruma seçeneğini içerir. Harita ölçeği korunduğunda, haritanın merkez noktasında açılmasını ve haritanın kaydedildiği zamanki ölçeğini almasını sağlarsınız. Harita bunun yerine tam olarak açılacaksa, Harita ölçeğini koru seçeneğini devre dışı bırakmanız yeterlidir.

Harita ölçeğini koruma hakkında daha detaylı bilgi için blog yazısını inceleyebilirsiniz.

 

Bu blog yazısında bahsedilen yetenekler, Map Viewer Beta’nın sunduğu yeteneklerin yalnızca bir kısmıdır. Sunulan tüm işlevler hakkında daha detaylı bilgi için Map Viewer Beta dokümanlarını inceleyebilirsiniz.

 

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

 Esri Türkiye 2021

ArcMap’ten Portal for ArcGIS İçeriğine Erişim

ArcMap’ten Portal for ArcGIS İçeriğine Erişim

ArcGIS Pro masaüstü yazılımı bütünleşik olarak Portal for ArcGIS ile çalışabilirken, ArcMap masaüstü yazılımı kullanılarak Portal for ArcGIS içerisindeki içeriğe erişim, iki yöntem ile sağlanmaktadır:

  • Portal bağlantısı kurularak
  • ArcGIS Server bağlantısı oluşturarak

1.      Portal Bağlantısı Kurularak

Organizasyonunuza ait portal’a erişim için aşağıdaki adımları uygulayınız:

1- Windows Başlat menüsü içerisinden “ArcGIS->ArcGIS Administrator” uygulaması çalıştırılır.

2- Açılan “ArcGIS Administrator” uygulama içerisinden “Advanced” düğmesine basılır.

3- Ekrandaki “Manage Portal Connections” düğmesine basılır.

4-Açılan ekrandan “Add” düğmesine basılarak, Portal for ArcGIS’e erişim URL’si girilir. URL bilgisini teknik personelden elde edebilirsiniz.

Listeden yeni girilen URL bağlantısı seçilir ve “Connect” düğmesine basılır. Bağlantı bilgileri doğru ise ekran kapatılır. “Save” düğmesine basılır. “ArcGIS Administrator” ana ekranında “Ok” düğmesine basılır.

5- ArcMap uygulaması açılır. Üst kısımdan araç menülerinden “Add Data” menü düğmesine basılır ve açılan listeden “Add Data From ArcGIS Online…” menü parçası seçilir.

6- Açılan ekranda sağ kısımdaki “Sign in” linkine tıklanır. Kullanıcı bilgileri girilir ve kullanıcıya ait katman bilgileri görüntülenir. Eklenmek istenen katman seçilir ve “Add” düğmesine basılır. ArcMap içerisinde görüntülenir.

2.      ArcGIS Server Bağlantısı Oluşturarak

Portal for ArcGIS içerisinde oluşturulan katmanlara ait servisler ArcGIS Server tarafından konumlandırılır. Bu sebeple ArcGIS Server’e bağlantı kurulduğunda, Portal for ArcGIS içerisinde kullanıcının oluşturduğu katmanlara da erişim sağlanır.

1- Öncelikle ArcMap içerisinden “Add ArcGIS Server” seçilir.

2- Açılan ekrandan “Use GIS services” seçeneği seçilir ve “Next” düğmesine basılır.

3-Gösterimi yapılan ekranda ArcGIS Server bağlantı ve yetkilendirme bilgileri girilir. “Finish” düğmesine basıldığında bilgiler doğru ise, “Catalog” panelinde yeni bir ArcGIS Server bağlantısı oluşturulacaktır.

4- “Catalog” panelinde oluşturulan ArcGIS Server bağlantısı içerisinden gösterimi yapılmak istenen katman bulunur ve haritaya eklenir.

Özel çözümler ve profesyonel destek için Esri Türkiye Profesyonel Hizmet birimi ile iletişim kurabilirsiniz.

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 Online ve ArcGIS Server Kullanarak Veri Paylaşımı

ArcGIS Online ve ArcGIS Server Kullanarak Veri Paylaşımı

Coğrafi verileri depoladığınız yerel veri tabanında seçeceğiniz bilgileri, internet üzerinden kişi veya topluluklar ile paylaşabildiğiniz ve bunu yüksek güvenlikli, düşük bütçe ve az personel kaynağı ayırarak yapmak istediğinizde ArcGIS Online tam ihtiyacınız olan yazılım servisidir. Amacımız veri tabanımızı dış kullanıma yani ‘public’ kullanıma açmadan, içerdiği coğrafi verileri güvenilir bir platform içerisinde, kimlik doğrulama ve rol bazlı yetkilendirme yetenekleriyle, web haritaları kullanılarak veriyi paylaşmak.

ArcGIS Online bulut tabanlı haritalama ve analiz çözümüdür. Haritalar oluşturma, veri analizleri yapma ve bunların paylaşımı ve iş birliği için kullanılmaktadır. ArcGIS Online içerisinde tutulan veriler ve haritalar güvenli ve özel bir altyapı içerisinde tutulur ve haritalama ve BT gereksinimlerinizi karşılamak için yapılandırılabilir. ArcGIS Online üzerinde oluşturduğunuz web haritaları, web uygulamaları, yönetici panelleri v.b. ArcGIS Online içeriklerini kişi veya bir toplulukla kolay ve güvenilir bir şekilde paylaşılmasına imkan sağlamaktadır.

ArcGIS Online, ‘SaaS’ (software as a service – hizmet olarak yazılım) tipinde bir platform olduğundan bu hizmete üyeliğiniz olduğunda sadece üyeliğinizi yenilemek için ücret ödersiniz, herhangi bir donanım, işlemci, işletim sistemi lisansı v.b. giderleriniz olmaz. Performans olarak ArcGIS Online içerisinde oluşturduğunuz içeriğinizin yoğun kullanımlarında otomatik olarak ölçeklendiğinden 7×24 kesintisiz çalışıp hizmet vermeyi amaçlamaktadır.

Veri tabanınızdaki coğrafi verileri, güvenlik seviyesi yüksek ve belirlediğiniz kişi veya kişilere paylaşmayı imkan sağlayan ArcGIS Online’da web haritaları içerisinde “katman” olarak kolay şekilde paylaşabilirsiniz. Bununla birlikte ArcGIS eko sisteminde bulunan Workforce for ArcGIS, Navigator for ArcGIS, Explorer for ArcGIS, Collector for ArcGIS, ArcGIS Dashboard v.b. uygulamalar içerisinde kullanım imkanı da sağlamaktadır.

Veri Paylaşımı

Kurumsal veya kişisel veri tabanınızdaki coğrafi bilgileri 2 şekilde ArcGIS Online içerisinde kullanabilirsiniz.

1.      Veri Kopyalayarak

Veri tabanınızdaki verileri ArcGIS Desktop ürünü ile uygun formata dönüştürüp, ArcGIS Online içerisine aktarma işlemi yapabilirsiniz.

Artılar

  1. Hızlı şekilde verileri aktarımı.

Eksiler

  1. Veriler kopyalanacağından veri tabanında veri üzerinden yapılan değişiklikler ArcGIS Online içerisinde görünmeyecektir. Tam tersi durum da söz konusudur; içeri aktarım sonrasında ArcGIS Online’da yapılan veri değişiklikleri, yerel veri tabanına yansımayacaktır.
  2. Güncellenen veriler belirli aralıklarla ya manuel ya da yazılacak uygulamalar ile güncelliği tutulmalı hem veri tabanında hem de ArcGIS Online’da.
  3. İçeri aktarım dosya formatlarında veri limiti bulunması.
  4. Aynı veri hem veri tabanında hem de ArcGIS Online içerisinde bulunduğundan hangi verinin güncel olduğu oluşturacağınız özel iş akışları ile belirlenmiş olur.

2.      ArcGIS Server Kullanarak

ArcGIS Server’da referans olarak göstereceğiniz veri tabanınızdaki verileri kullanan web servisler (REST) oluşturarak, ArcGIS Online web haritalarında katman olarak bu servisleri tanıtıp paylaşım yapabilirsiniz.

Artılar

  1. Veri tabanını ArcGIS Server’a kaydedildikten sonra istenilen coğrafi tablolar ArcGIS Online içerisinde kullanılır.
  2. Veri kopyalama yapılmayıp, veri referansı edildiğinden, ArcGIS Online’da veri değişiklikleri direkt olarak veri tabanında gerçekleştirilir.
  3. Verinin her zaman en güncel versiyonu veri tabanında bulunur ve tekildir.

Eksiler

  1. Güvenli bir altyapıya ihtiyaç duyulmaktadır.
  2. Kullanım yoğunluğuna göre sunucu donanımları iyi olmalı.

Bu paylaşım şeklinde size ait olan veri tabanındaki bilgiler ile ArcGIS Online içerisinde servis olarak bulunan altlık haritaları kullanılarak bir web haritasında paylaşımıdır. Bu yapıda verileriniz hiçbir zaman ArcGIS Online ortamına taşınmaz. Web haritasını kim istekte bulunursa örneğin bir internet tarayıcı, o erişim istemektedir.

Yukarıdaki şekilde görüldüğü üzere, kendi iç ağınızda bulunan verileri içeren bir ArcGIS Server REST servisi, ArcGIS Online içerisinde bulunan bir web haritasında katman olarak eklenildiğinde, en sağdaki görüntü, istemcinin (tarayıcı) ekranında oluşur. Ve sizin ArcGIS Server’da bulunan servise istemci istek gönderir, ArcGIS Online değil. ArcGIS Online sadece aracı rolündedir.

ArcGIS Server kullanılarak veri tabanındaki bilgileri dış kullanıma açılacağı zaman, sistem mimarinin aşağıdaki resimde belirtildiği gibi uygun şekilde yapılandırılması gerekmektedir.

Genel Kullanım İçin Veri Paylaşımı Süreçleri

Öncelikle veri tabanınızda bulunan bir coğrafi tabloyu ArcGIS Server üzerinde servis olarak yayınlanmalı. Servisin genel kullanıma (“public”) açık şekilde paylaşılması gerekmektedir.

Sonra ArcGIS Online organizasyon hesabınızda bir web haritası oluşturup, katman olarak ArcGIS Server üzerinde paylaşmış olduğunuz servisin URL adresini katman olarak ekliyorsunuz. Oluşturulan web haritası da genel kullanıma açık şekilde paylaşılmalı.

Kurum dışında internet üzerinde bulunan dış kullanıcılar mobil cihaz veya bilgisayarlardan istekte bulundukları zaman, ArcGIS Online organizasyon hesabınızda oluşturduğunuz web haritasına erişim yapılacaktır. Web haritasında katman olarak tanıtılan servis, kurum içindeki veri tabanındaki bilgileri ArcGIS Server üzerinden paylaşılarak istemcinin ekranında verileriniz görüntülenecektir.

Özel çözümler ve profesyonel destek için Esri Türkiye Profesyonel Hizmet birimi ile iletişim kurabilirsiniz.

Esri Türkiye 2020

ArcGIS Ürünleri ile COVID-19 Sürecinde Gıda Dağıtım Çözümleri

Etkin bir şekilde yönetilen gıda dağıtımı, mal ve hizmetlerin güvenli bir şekilde ve zamanında teslim edilmesini sağlar. Özellikle COVID-19 süreci gibi risk faktörlerinin yoğun olduğu dönemlerde gıda dağıtımının önemi artmaktadır. Günümüzde COVID-19 sürecinde sokağa çıkma yasağı olan günler veya sokağa çıkma yasağı bulunan yaş grupları için gıda dağıtımı zorunluluk haline gelmiştir.

Bir gıda dağıtım sürecinin başarılı olabilmesi için konum bilinci, gerçek zamanlı izleme ve iletişimin bir entegrasyonu olmalıdır. Konum bilinci, durumsal farkındalık sağlayarak hızlı yanıt vermeye hazır olmanızı sağlar. Esri çözümleri ile gıda dağıtım süreçlerini interaktif bir şekilde yönetmek için ihtiyacınız olan tüm bilgileri edinebilirsiniz.

Gıda dağıtım sürecinin ilk adımı vatandaştan gelen taleplerin toplanmasıdır. İnsanlar bu süreçte telefonla veya internet üzerinden gıda talebinde bulunabilirler. Gıda taleplerinin kolay ve hızlı bir şekilde konum bazlı olarak alınabilmesi için bir web uygulaması çözümü kullanılabilir. Gıda taleplerini bir web uygulamasında Twitter üzerinden konum bilgisi paylaşılmış olan tweetler kullanılarak alabilirsiniz ve hızlıca talepler nerelerden geliyor ve nerelerde yoğunlaşıyor görebilirsiniz.

ArcGIS Configurable Apps ile hiçbir kod bilgisi gerekmeden ihtiyaca göre hazır şablonlar üzerinden kendi interaktif web uygulamanızı tasarlayabilir ve istediğiniz gibi yapılandırabilirsiniz. ArcGIS Online veya ArcGIS Enterprise’da “İçerik” sekmesinden “Oluştur” butonuna tıklayarak Yapılandırılabilir Uygulamalar’ı seçebilir ve ihtiyacınıza göre şablonlar arasından seçim yapabilirsiniz.

Gıda taleplerinin toplanabilmesi için Yapılandırılabilr Uygulamalardaki şablonlar arasından “Halka Açık Bilgiler” şablonu kullanılmıştır.

Hazırlanan bu çözüm ile bir web uygulaması oluşturularak Twitter üzerinden sosyal medya akışının anlık olarak görüntülenebilmesi sağlanmıştır. Yapılandırma aşamasında belirlenen sosyal medya etiketi ile atılan konum bazlı tweetler harita üzerinde görüntülenebilir ve üzerine tıklandığında taleplere ulaşılabilir. Örneğin, #corona etiketi ile konum bilgisi paylaşılmış olarak atılan herhangi bir tweet haritada eş zamanlı olarak konumlanacaktır. Böylece belirlenen etiket ile vatandaşlardan hızlı bir şekilde gıda talepleri alınabilir ve Twitter üzerinden büyük bir kitleye ulaşılabilir.

Gıda dağıtımı iş akışlarından bir diğer çözüm ise toplanan gıda taleplerinin ve depo stok bilgilerinin tek bir yönetici ekranından anlık olarak takip edilmesidir. Ofis tarafında operasyon yöneticisi, bu talepleri anlık olarak görüntüleyebilir ve talep detaylarına ulaşabilir. Böylece dağıtım ekiplerini hızlı bir şekilde yönlendirebilir. Ayrıca yine bu yönetici ekranı üzerinden depolar, üreticiler ve stok miktarları ile ilgili verilerle grafikler oluşturulabilir ve tek bir ekrandan tüm gıda dağıtım süreçlerindeki bilgilere erişilebilir.

Gıda dağıtım sürecinde bir diğer adım talepler doğrultusunda vatandaşa dağıtımın gerçekleştirilmesidir. Gıda dağıtımının, ofis tarafında yönetiminin sağlanması ve saha tarafında dağıtım işlemlerinin gerçekleştirilmesi olmak üzere iki kolu vardır. Dağıtım sürecinde ofis ve diğer ekip üyeleriyle anlık olarak birebir iletişimin sağlanması bu süreci hızlandıracaktır. ArcGIS Mission ile tüm bu gereksinimleri tek bir platformdan gerçekleştirebilirsiniz. ArcGIS Mission 3 bileşenden oluşan bir platformdur.

  • ArcGIS Mission Server ile kendi sunucunuzda çalışabilirsiniz.
  • ArcGIS Mission Manager ile ofis tarafında sahadaki personel ile iletişime geçebilir ve takibini sağlayabilirsiniz.
  • ArcGIS Mission Responder uygulamasına sahada tablet veya telefonunuzdan erişebilir ve diğer takım arkadaşlarınız veya ofis yöneticiniz ile hızlı bir şekilde iletişime geçebilirsiniz.

Gıda dağıtımı için ArcGIS Mission Manager ile öncelikle bir görev oluşturulmuştur ve bu görev için harita tanımlanarak, dağıtım ekipleri ve ekipler için üyeler belirlenmiştir. Ayrıca ekipler için sorumlu oldukları çalışma alanları sınırlar ile belirlenmiştir. Harita üzerinde alınan gıda talepleri ve çalışma alan sınırları konumlandırılmıştır. Oluşturulan görev açıldığında karşınıza bir yönetici ekranı açılmaktadır. Bu ekranda ekipleri ve üyeleri görebilirsiniz. Ayrıca üyelerin bağlantı durumları hakkında bilgi alabilirsiniz. Tüm iletişim bildirimleri tek bir ekrandan takip edilebilmektedir. Harita üzerinden sahadaki personelin konumlarını ve izlerini takip edebilirsiniz.

Saha tarafında dağıtım ekipleri açılan göreve mobil olarak erişerek görev haritasını, mesajları, görevle ilgili materyalleri diğer takım arkadaşlarının konumlarını görüntüleyebilir ve anlık olarak mesajlar gönderebilir. Örneğin, ofis tarafında oluşturulan “Unlu Mamüller Dağıtım Ekibi” seçilerek bir mesaj gönderildiğinde anlık olarak mobil ekranda mesaj görülür ve birebir iletişim sağlanabilir. Ayrıca GeoMessage özelliği ile nokta, çizgi veya çokgen çizimler yapılarak mesajlar gönderilebilir ve böylece konum bazlı iletişim sağlanmış olur. Örneğin bir alan çizilip bu alanda dağıtım tamamlanmıştır şeklinde mesaj gönderildiğinde sahadaki personel bu alanı ve mesajı görecek ve orada vakit harcamayıp zamandan tasarruf etmiş olacaktır. Ayrıca dağıtım ekiplerinin stoklarının bitmesi durumunda anlık olarak ofis tarafına mesaj göndererek bilgilendirme sağlanabilir ve destek isteği hızlı bir şekilde iletilebilir.

Gıda dağıtım sürecindeki bir diğer aşama ise dağıtım ekiplerinin süreç işlerken hızlı bir şekilde sahadan verileri ofise iletebilmesidir. ArcGIS QuickCapture uygulaması ile dağıtım ekipleri dağıtılan ürünleri ve miktarlarını konum bazlı olarak ofise hızlı bir şekilde ileteceklerdir. Ayrıca bu çözüm ile hangi araç, nereye, ne kadar ürün dağıtmış görülebilir ve gerektiği durumlarda anlık olarak stok desteği sağlanabilir.

ArcGIS QuickCapture kullanım kolaylığı sağlayarak büyük butonlarla ve araç içinde hareket halindeyken dahi konum doğruluğunu yakalayarak verileri ofis ortamına iletir.

Dağıtım ekibi, mobil ortamdan uygulamaya erişerek oluşturulan projeye giriş yapabilir. Proje açıldığında eğer yapılandırma gerçekleştirilmiş ise bir kullanıcı girdisi ile giriş yapması gerekir. Hazırlanan çözümde kullanıcı girdisi olarak araç plakası belirlenmiştir. Proje oluştururken araç plakası gibi kullanıcı girdilerini kolaylıkla oluşturabilir ve girdi maskesi yapılandırabilirsiniz. Örneğin, telefon numarası veya kimlik numarası gibi kullanıcı girdileri için şablonlar belirlenebilir. Böylece yanlış girişler önlenebilir.

Giriş yapıldıktan sonra ürünlerin bulunduğu büyük butonlar açılır. Butonların büyüklükleri, renkleri veya grupları yapılandırılabilir. Ayrıca butonlara görseller eklenerek hızlı veri girişi için kolaylık sağlanabilir.

Veri girişi yapıldıkça tıklama sayısına göre ürün miktarları, ürünlerin ismi ile birlikte veri girişinin yapıldığı konuma tanımlanır ve haritadan konum seçildiğinde girilen ürünlerin isim ve miktarları görüntülenebilir. Hatalı bir veri girişi olduysa buradan hızlı bir şekilde silme işlemi de gerçekleştirilebilir.

Gıda dağıtımı için hazırlanan tüm çözümler birbiri ile entegre bir şekilde çalışmaktadır. Kullanıcılar faklı konumlardan ve farklı platformlardan eş zamanlı olarak bilgilere erişebilir. Böylece durumsal farkındalık ve karar desteği sağlanmış olur.

 

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

 Esri Türkiye 2020