Landsat Explorer App ile Şimdiyi ve Geçmişi İnceleyin

Landsat Explorer App ile Şimdiyi ve Geçmişi İnceleyin

Çalışma alanınızda görüntüleri veya uzaktan algılama verilerini kullanırken, gerçekleştirmeniz gereken ilk adımlardan biri; uzaktan algılama verileri içindeki, istenen detayların özelliklerini keşfetmek için verileri görsel olarak incelemektir. Bu konuda Esri çeşitli görüntüleri incelemeniz, üzerinde analiz yapmanız için içerik ve uygulamalar sunmaktadır. Bu blog yazımızda Esri’nin uygulama olarak kullanımınıza sunduğu Landsat Explorer’dan detaylı olarak bahsedilecektir.

Bu web uygulaması, ArcGIS for Server tarafından desteklenen Landsat görüntü katmanlarına erişim ve Amazon Web Hizmetleri Bulutu üzerinde çalışan Landsat Genel Veri Kümelerine erişim için bazı yetenekleri vurgular. Katmanlar, günlük olarak yeni Landsat görüntüleri ile güncellenir. Gezegenimizi görselleştirmeniz ve Dünya’nın zaman içinde nasıl değiştiğini anlamanız için oluşturulan Esri Landsat Explorer uygulaması, gözle görülemeyecek kadar çok veri toplayan Landsat uydularının gücünden yararlanır. Dünyanın jeolojisini, bitki örtüsünü, tarım alanlarını ve şehirlerini daha iyi keşfetmek için Landsat’ın farklı gruplarından yararlanabilirsiniz. Ek olarak, Dünya yüzeyinin son kırk yılda nasıl değiştiğini görselleştirmek için tüm Landsat arşivine erişebilirsiniz.

Görüntülerle ilgili olarak kısa bir bilgiden sonra Landsat görüntülerine nereden ulaşacağımıza bakıp, görüntüde araştırma ve değişiklik analizi yapma ile ilgili detaylara geçeceğiz.

Her görüntü veri kümesinin niteliği, görüntüleri toplamak için kullanılan sensör tipiyle ilgilidir. Her bir sensör tipinin teknik detayları, her bir veri seti için meta verilerde bulunabilir. Görüntülerle ilgili ek bilgiler; görünür alan, toplama tarihi veya sensörün diğer teknik yönleri gibi öğeleri içerebilir. Görüntünün bu teknik yönlerini anlamak, çalışma alanınızda istenen özellikleri bulma yeteneğinizi geliştirecektir. Uzaktan algılama verileri, özellikler hakkında bilgi toplar ve bu bilgileri raster bantlar olarak depolanan bir görüntüdeki değerler olarak sunar. Tek bir özelliğin ölçüsü, bu raster bantlardan birinde bir eleman olarak kaydedilir. Tekil görüntü veri kümeleri birçok raster bant içerebilir. Bu tarama bantlarını bant kombinasyonları veya bant kompozitleri olarak birleştirebilir ve görüntüleyebilirsiniz. Bu bant kombinasyonları, görselleştirme ihtiyaçlarına ve özelliklerine bağlı olarak görüntü verilerini bir haritada görüntülemek için kullanılır.

Arzu edilen bir özelliği keşfetmede raster bantların nasıl kullanılabileceği hakkında daha fazla bilgi edinmek için ArcGIS Living Atlas of the World’de bulunan Landsat görüntü katmanını kullanırsınız. Bu görüntü katmanı, dünyayı izlemek için kullanılan çeşitli tarama bantlarını toplamak için uyduları kullanan Landsat programından alınan görüntülere dayanmaktadır.

ArcGIS Living Atlas, dünyanın dört bir yanından gelen geniş bir coğrafi bilgi koleksiyonudur. Analizinizde kullanmak veya bir analizin bulgularını sunmak için kullanıcı tarafından oluşturulan veri ürünlerini sunan görüntü katmanlarını, uygulamaları, modelleri ve veri katmanlarını içerir. (Göz atmak için: https://livingatlas.arcgis.com/en/home/ ) Browse kısmında ArcGIS Living Atlas içindeki büyük miktardaki veriyi keşfetmeniz için Görüntü, Altlık Harita, Sınırlar, Çevre gibi önceden yapılandırılmış birden çok kategori göreceksiniz. Biz “Imagery” seçeneğinden ilerliyor olacağız.

Imagery Kategorisi; temel harita olarak kullanılmak üzere oluşturulmuş çok ölçekli görüntüler, farklı özellikleri ortaya çıkaran multispektral görüntüler, zaman içindeki değişimi ortaya çıkaran geçici (temporal) görüntüler ve önemli olaylardan etkilenen yerlerin görüntüleri gibi çeşitli türlerdeki görüntüleri içerir. Web sayfasındaki seçeneklerde, sonuçları seçilen veri kaynaklarıyla sınırlamak için arama sonuçlarını yalnızca Esri (Esri-only content) veya Yalnızca Yetkili İçerik (Authoritative-only content) olarak odaklama özelliğini de göreceksiniz. Arama kısmına Landsat yazılınca gelen “Landsat Explorer App” seçilir.

Mevcut uydu, dokuz spektral bant ve termal bant toplayan Landsat 8 sensörüdür. Bu uygulama içinde aşağıdaki bant kombinasyonlarına ve endekslerine hızlı erişim sağlanır:

  • Agriculture : Highlights agriculture in bright green; Bands 6, 5, 2
  • Natural Color : Sharpened with 15m panchromatic band; Bands 4, 3, 2 +8
  • Color Infrared : Healthy vegetation is bright red; Bands 5, 4 ,3
  • SWIR (Short Wave Infrared) : Highlights rock formations; Bands 7, 6, 4
  • Geology : Highlights geologic features; Bands 7, 6, 2
  • Bathymetric : Highlights underwater features; Bands 4, 3, 1
  • Panchromatic : Panchromatic images at 15m; Band 8
  • Vegetation Index : Normalized Difference Vegetation Index(NDVI); (Band 5 – Band 4)/(Band 5 + Band 4)
  • Moisture Index : Normalized Difference Moisture Index (NDMI); (Band 5 – Band 6)/(Band 5 + Band 6)
  • SAVI : Soil Adjusted Veg. Index); Offset + Scale*(1.5*(Band 5 – Band 4)/(Band 5 + Band 4 + 0.5))
  • Water Index : Offset + Scale*(Band 3 – Band 6)/(Band 3 + Band 6)
  • Burn Index : Offset + Scale*(Band 5 – Band 7)/(Band 5 + Band 7)
  • Urban Index : Offset + Scale*(Band 5 – Band 6)/(Band 5 + Band 6)

Toplanan belirli dalga boyları hakkında daha fazla bilgi için, Landsat 8 sensörü için USGS web sitesini ziyaret edebilirsiniz. Bu spektral bantlar, ArcGIS uygulamalarında görüntülendiğinde raster bantlar olarak rapor edilir. Uydu tarafından toplanan her spektral bant için bir raster bant vardır. Bu farklı raster bantları farklı şekillerde birleştirilebilir, buna “rendering” denir. Her renderer, arazinin belirli özelliklerinin veya yönlerinin daha görünür olduğu bir görselleştirme oluşturmak için üç ayrı bandın farklı bir kombinasyonunu kullanır.

Renderer

Uygulama açıldığında sol sütunda çeşitli araçlar göreceksiniz. Burada ilk sırada renderer aracı yer almaktadır. Aşağı açılan pencereye tıklayarak ilgili renderer seçilebilir. Ayrıca her bir seçeneğin açıklamasını incelemek isterseniz soru işaretine tıklayarak bant kombinasyonlarını ve renklerin ne anlama geldiğini öğrenebilirsiniz.

 

Ancak Landsat Explorer uygulaması, yalnızca farklı bant kombinasyonları veya geliştirmeleri kullanarak görüntüleri görüntülemekle ilgili değildir. Analiz araçları, anında değişiklik tespiti gerçekleştirmenize, özel maskeler oluşturmanıza, kendi dizinlerinizi oluşturmanıza, spektral ve zamansal profiller oluşturmanıza ve daha fazlasını yapmanıza olanak tanır. Dünya yüzeyinin son kırk yılda nasıl değiştiğini ortaya çıkarmak için multispektral ve zamansal Landsat görüntülerine anında erişmek için uygulamayı kullanabilirsiniz.

Time Selector

Time Selector aracı ikinci sıradadır ve seçilen bir nokta için geçici bir zaman kaydırıcısına ve farklı endekslerin zamansal profiline erişim sağlar. Zaman aracına yalnızca daha büyük yakınlaştırma ölçeklerinde erişilebilir. NDVI (Normalize Fark Bitki İndeksi), NDMI (Normalize Fark Nem İndeksi) ve Kent İndeksi için zamansal profiller sağlar.

Her Landsat görüntüsünün raporlanmış bir bulut örtüsü değeri vardır, böylece kriterleri karşılayan en güncel görüntüyü seçerek o mekansal boyutta hangi görüntünün görüneceğini seçebilirsiniz. Bulut örtüsünde düşük bir değer idealdir çünkü değer, bulutların kapladığı alanın yüzdesini temsil eder.

Identify 

Identify aracı, görüntülerle ilgili bilgilere erişim sağlar ve ayrıca seçilen bir nokta için spektral bir profil sağlayabilir.

Farklı zamanları seçip etkilenen alanları vurgulamak için “Change Detection” aracını kullanabilirsiniz. Değişikliği hesaplamadan önce Birincil ve İkincil Tarihleri seçmeniz gerekir. Daha eski bir tarih seçmek için Zaman Kaydırıcısını kullanın ve İkincil Katman Olarak Ayarla düğmesini tıklayın. Ardından daha ileri bir tarih seçin ve bunları karşılaştırmak için Değişiklik Algılama aracına dönün. Farklı endeks ve modlarda değişimi incelemeye başlayabilirsiniz. İncelemek istediğiniz alanın sınırlarını “Define Areas of Interest”i seçip alanı çizerek ayarlayabilirsiniz.

Bu özelliklere ek olarak yaşadığınız şehrin yıllar içinde nasıl genişlediğini merak mı ediyorsunuz? Şehre yakınlaşın, önce ve sonra görüntüleri karşılaştırmak için zaman kaydırıcısını (Swipe) kullanın. Tarım alanlarını veya orman yanıklarını ölçmek istediğinizde; etkileşimli olarak eşikler ayarlayarak belirli arazi örtüsü türlerini belirlemek için Maske (Mask) aracını kullanın.

Özetlemek gerekirse görselleştirme ve analiz araçları, kullanıcıların aşağıdakileri anında yapmasına olanak tanır:

  • Özel dizinleri ve bant kombinasyonlarını kullanarak verileri görselleştirme
  • Analiz etmek ve karşılaştırmak için belirli tarihleri filtreleme ve seçme
  • Bir kaydırma aracı kullanarak iki görüntüyü etkileşimli olarak karşılaştırma
  • Özel maskeler oluşturma
  • Değişiklik algılamayı gerçekleştirme
  • Spektral ve zamansal profiller oluşturma
  • Spektral bantları kullanarak dağılım grafikleri oluşturma
  • ArcGIS Online’dan veri ekleme (örneğin şehir yolları)

 

Sonuç olarak Landsat Explorer ile dünyanın herhangi bir yerindeki jeoloji, bitki örtüsü, tarım ve şehirler hakkındaki soruları kolayca ve dinamik bir şekilde araştırabilirsiniz. Ve keşiflerinizi paylaşmak istiyorsanız, sonuçlarınızı ArcGIS Online’a (Save top the ArcGIS Online) veya yerel (Export)  dosyalar olarak kaydedebilirsiniz.

 

Kaynaklar:

 

ArcGIS Excalibur Mayıs Güncellemesinde Bizi Neler Bekliyor

ArcGIS Excalibur, analistlerin görüntüleri arayıp bulabileceği ve bu görüntülerle çalışabilecekleri web tabanlı bir uygulamadır. Excalibur, geleneksel olarak ayrı iş akışlarına sahip olan mekânsal ve raster tabanlı görüntüleri tek bir bütünleşmiş deneyimde birleştirerek görüntü tabanlı iş akışlarını modernize eder ve geliştirir. Kullanımı kolay, web tabanlı bir sahip olan Excalibur, kuruluşlar arası karar almayı geliştirecek kullanım özelliklerine sahiptir.

ArcGIS Excalibur’un Mayıs 2021 sürümü, etkileşimli tablo görünümü, haritadaki ya da görüntüdeki herhangi bir konuma hızlıca gitmeyi sağlayan işlemler gibi gözlemleme yeteneklerini geliştiren birçok yeni özellikle gelecek. Bunlardan bazılarını aşağıda bulabilirsiniz.

Gözlemleri Kopyalama (Copy Observations)

Aralık 2020 sürümünde Excalibur kullanıcıların bir düzenleme oturumu sırasında aynı anda birden çok gözlemde değişiklik yapmalarına izin vererek iş akışlarını optimize etmeyi amaçlayan özellikler getirmişti. İş akışı optimizasyonu bu sürümde de gelişti. Kullanıcılar artık birden çok gözlemi tek seferde seçip yeni gözlemler olarak kopyalayabiliyorlar. Bu araç, kullanıcıların daha önceden toplanan gözlemlerini yeni görüntülere uygulamasını yaparken fayda sağlayacaktır. Kullanıcılar yeni gözlemlerin meta verilerini de istedikleri gibi düzenleyebileceklerdir.

 

Etkileşimli Detay Tablosu

Bir detayın özniteliklerine bakarken bulunduğu konumun görüntüsündeki bilgilere bakmanız gereken durumlar olabilir. Detay tablosu, görüntü projenizdeki bağlamsal veya gözlem katmanlarının etkileşimli bir tablo görünümünü size sağlayacaktır. Bir tablodan gözlemleri seçebilir ve haritanızdan ya da görüntünüzden ilgili detayların vurgulanmasını sağlayabilirsiniz.

Koordinatlara Git (Go-to Coordinate) Aracı

Bir görüntüde ya da haritada bir konuma hızlıca gitmeniz gerektiğinde Go-to Coordinate aracını kullanarak hızlıca ulaşabilirsiniz. Kullanıcılar, bir koordinat sistemi kullanarak koordinatları girebilir ve ardından birden çok notasyon biçimi kullanarak çıktıyı farklı bir koordinat sistemine görüntüleme veya kopyalama seçeneğine sahip olabilecekler. Bu aracı kullanarak, kullanıcılar görüntülerdeki ilgili konuma gidebildikleri gibi haritadaki herhangi bir konuma tıklayarak o konumun koordinatlarını da alabilecekler.

 

Yeniliklerden Haberdar Olun

ArcGIS Excalibur, ArcGIS’in yetenekleri üzerine inşa edilerek, kullanıcı isteklerini de göz önünde bulundurarak sürekli iyileştirmelerle görüntü iş akışlarını dönüştürmeye devam ediyor. Excalibur hakkında daha fazla bilgi edinmek için Esri Topluluk sayfasını ve YouTube Oynatma Listesini ziyaret edebilirsiniz.

Kaynaklar ve Yardımcı Bağlantılar:

What’s Coming in ArcGIS Excalibur 2021 – Esri

ArcGIS Excalibur | Documentation for ArcGIS Enterprise

Esri Türkiye, 2021
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 Excalibur ile Tanışın!

ArcGIS Excalibur’un ilk sürümü hazır! ArcGIS Enterprise 10.7 ile kullanıcılara; proje tabanlı ortamda görüntü analizini ve yapı gözlem yönetimini (structure observation management) düzenleyen araç ve yetenekler sağlayan bir web uygulamasıdır. Etkili görüntü analizi için görüntü projesi iş akışları oluşturup kullanmaya olanak sağlar.

Görüntü Ara

ArcGIS Excalibur, kuruluşunuzda mevcut olan görüntüleri çeşitli seçeneklerle aramayı ve keşfetmeyi kolaylaştırır. Doğrudan bir görüntü katmanına, görüntü servisi URL’sine  bağlanabilir veya görüntü katalogu araması yapabilirsiniz.

ArcGIS Excalibur Açılış Sayfası

Görüntü katalogu araması, görüntüleri daha ileride kullanmak üzere sıraya koymak ve keşfetmek için ilgilendiğiniz yerlerde görüntü katmanlarını hızlıca aramanıza olanak sağlar.

Görüntü katalogu araması (Imagery Catalog Search)

Görüntülerle çalışın

İlgilendiğiniz görüntüyü bulduktan sonra, görüntülerinizle çalışmaya başlamak için çok çeşitli araçları kullanabileceğiniz görüntü kullanım kanvasına (imagery exploitation canvas) kolayca bağlanabilirsiniz. Görüntü Kullanım Kanvası, görüntülerinizin otomatik olarak harita ile ortorektifikasyonunu ve hizalamasını yaparak varsayılan bir altlık üzerinde görüntülemenizi sağlar. Görüntü Kullanım Kanvası eş zamanlı olarak aynı görüntüyü çekilme anındaki perspektifiyle görmenizi sağlar.

Görüntü Kullanım Kanvası (Imagery Exploitation Canvas)

Görüntüleme Araçları (Display Tools)

Her görüntü pikselinden en yüksek değeri elde etmek için görüntüyü optimize etmek, ArcGIS Excalibur görüntüleme araçlarıyla (Display tools) kolayca yapılabilir. Görüntü görüntüleme araçları, görüntü render alma, filtreleme, bant kombinasyonlarını değiştirme kabiliyetini ve hatta DRA ve Gama gibi ayarları bile uygular. Görüntü şeffaflığını ve sıkıştırmasını değiştirme ayarları da bu araçların içindedir.

Görüntüleme araçlarıyla; render alma, filtreleme, bant kombinasyonlarını değiştirme gibi ihtiyaca yönelik araçlar

Görüntü Projeleri

ArcGIS Excalibur, görüntü tabanlı bir görevi tek bir yerde tamamlamak için gereken kaynakları organize etmenin dinamik bir yolu olan görüntü projesi sunmaktadır. Görüntü projeleri, görüntü görevinize içerik sağlayan  jeouzamsal referans katmanlarını ve görüntü tabanlı iş akışlarını düzene sokan araçları içerir. Görüntü projeleri ArcGIS Excalibur’da oluşturulur, görüntülenir ve kullanılır. Bu projeler, kullanıcılara projenin ismi, açıklaması, oluşturulduğu tarih, proje oluşturucusu ve proje talimatları gibi konuların ne olduğunu anlamalarını sağlayacak bilgiler içerir.

Bir görüntü projesi oluştururken, görüntü görevinize göre bir proje türü seçersiniz. Seçilen projenin türü, görüntülere dayalı görevi kolaylaştırmak için araçlar panelinde hangi araçların kullanılabileceğini belirler. Örneğin, bir gözlem görüntü projesi türü, görüntü projesini açtığınızda araç panelinde gözlem araçları sağlar. Aşağıdaki, mevcut görsel proje türleridir:

Proje türü içindeki temel görüntü ya da gözlem görüntü projesi seçenekleri

Bu örnekte gözlem görüntü projesi seçilerek ilerlenmiştir. Bu görüntü projesi, görüntülerden gözlem toplamak için iş akışı sağlar. Bu proje türü, gözlemleri gerçekleştirmek, düzenlemek ve bu faaliyetlerden türetilmiş bilgi ürünleri oluşturmak için araçlar ve kaynaklar ekler.

Bir gözlem görüntüsü projesi oluşturmak için aşağıdaki kaynaklar gereklidir:

  • Bir görüntü servisinden görüntü veya görüntüler
  • Proje talimatları (Tüm görüntü projelerinin, görevinizde size rehberlik edecek proje talimatlarına sahip olması gerekir. Proje talimatları, proje oluşturulduğunda tanımlanır ve proje açıkken herhangi bir zamanda görüntülenebilir)
  • Düzenlenebilir koleksiyon katmanları

İsterseniz  mevcuttaki gözlem katmanları ile ilerleyebilir isterseniz projenize eklemek için yeni bir gözlem katmanı oluşturabilirsiniz.

Görüntü Projesi oluştururken projeye varolan katmanları ekleme ya da yeni katmanlar oluşturma

Rehberli iş akışınız sırasında, minimum gerekli alanları içeren yeni görüntü projesi oluştururken yeni bir gözlem katmanı oluşturabilirsiniz. Bu sayede, gözlem toplama görevinize bağlı olarak ek alanlar ekleme ve katmanınıza stil oluşturma becerisine sahip olacaksınız.

Katman seçme adımında gözlem katmanı oluştururken gelen arayüz ekranı

Alan eklerken tür, domain, doldurulması zorunlu ya da değil gibi bilgileri belirleyebilirsiniz. Aşağıdaki örnekte yol genişliği adı ile oluşturulan alana kodlu değer atanarak toprak, beton ve asfalt şeklinde adlar eklenmiştir.

Oluşturulan katmanın alan ayrıntılarının belirlenmesi

Gözlem katmanı ile ilgili işlemleri tamamladığınızda size oluşturacak olduğunuz katmanın geometri türü, etiketi gibi ayrıntıları içeren özet bilgiler sunulur.

Katman özeti ve oluşturulan alanların listesi

Yaptığınız çizimlere, çalışmalara dair ArcGIS Excalibur içindeki görselleri raporlar ya da brifingler için dışa aktarmanıza ve kuruluşunuzdaki diğer kişilerle paylaşacağınız sunumları derlemenize ve oluşturmanıza olanak sağlar.

Çalıştığınız görüntüyü sunumunuza ekleme yeteneği

 

Kaynakça: