ArcGIS Pro’da Regresyon Analizi Temelleri

ArcGIS Pro’da Regresyon Analizi Temelleri

 

Mekansal İstatistikler (Spatial Statistics) araç kutusu, mekansal kalıpları ölçmek için etkili araçlar sağlar. Örneğin, Hot Spot Analysis aracını kullanarak, aşağıdaki gibi sorulara cevaplar bulabilirsiniz:

  • Suç işlenme olasılığının yüksek olduğu noktalar, 112 acil durum çağrıları veya yangınlar nerede?
  • Şehir içerisinde trafik kazası olma ihtimalinin yüksek olduğu yerler nerelerdir?

Harita içerisindeki Kırmızı noktalar gelen ihbarların yoğun olduğu yerleri, artı ile gösterilen yerler ise gelen çağrıya yönelen ekiplerin konumlarını ifade eder.Yukarıdaki soruların her birinde “nerede?” diye sorulmakta, analiz türleri için mantıksal olarak bir sonraki sorulması gereken soru “neden?”

  • Bu olayları azaltmaya yardımcı olmak için maruz kalan bölgelerin özelliklerini modelleyebilir miyim?
  • Trafik kazaların artmasında etkili olan faktörler nelerdir? Trafik kazalarının fazla gerçekleştiği bölgelerde kazaları azaltmak için önlemler alınabilir mi alınabilirse bunların etkisi nasıl olur?

 

Modeling Spatial Relationships toolset içerisindeki araçlar, ikinci soruya cevap vermenizde yardımcı olur. Bu araçlar sıradan en küçük kareler (Ordinary Least Squares) (OLS)  ve Coğrafi Ağırlıklı Regresyon (Geographically Weighted Regression) (GWR) araçlarıdır.

 

Mekansal ilişkiler

Regresyon analizi, mekansal ilişkileri modelleme, inceleme ve keşfetme olanağı sağlar. İnsanların neden şehirlerin belirli bölgelerinde ısrarla yaşadığını veya hangi faktörlerin obezite hastalığın artmasında daha fazla katkıda bulunduğunu araştırmak isteyebilirsiniz. Ayrıca mekansal ilişkileri modelleyerek, regresyon analizini tahmin için de kullanabilirsiniz. Örneğin, üniversite mezuniyet oranlarını modellemek yaklaşmakta olan iş gücü becerileri ve kaynakları hakkında tahminlerde bulunmanıza olanak tanır. Ayrıca, gözlem istasyonlarının her yerde olamamasından dolayı enterpolasyonun yetersiz olduğu durumlarda yağış veya hava kalitesini tahmin etmek için regresyon kullanabilirsiniz. OLS, tüm regresyon tekniklerinin en iyi bilinenidir. Tüm mekansal regresyon analizleri için de uygun bir başlangıç ​​noktasıdır. Anlamaya veya tahmin etmeye çalıştığınız (suç / yağış) değişken veya süreçlerin küresel bir modelini sağlar. Bu süreci temsil etmek için tek bir regresyon denklemi oluşturur.

Coğrafi olarak ağırlıklı regresyon (GWR), coğrafya ve diğer disiplinlerde de kullanılan çeşitli mekansal regresyon tekniklerinden biridir. GWR, veri kümesindeki her özelliğe bir regresyon denklemi oluşturarak tahmin etmeye çalıştığınız değişken veya işlemin yerel bir modelini sağlar. Doğru kullanıldığında, bu yöntemler doğrusal ilişkileri tahmin etmek için güçlü ve güvenilir istatistikler sağlar.

Doğrusal ilişkiler ya olumlu ya da olumsuzdur. Gündüz sıcaklıkları arttığında arama ve kurtarma olaylarının sayısının arttığını görüyorsanız, ilişkinin pozitif olduğu söyleyebilirsiniz yani olumlu bir korelasyon vardır. Bu olumlu ilişkiyi ifade etmenin bir başka yolu, gündüz sıcaklıkları azaldıkça arama ve kurtarma olaylarının azaldığını söylemek olur.Eğer bir alan üzerinde devriye gezen polis memurlarının sayısı arttıkça suç sayısının azaldığını görüyorsanız, ilişkinin negatif olduğu söyleyebilirsiniz. Bu olumsuz ilişkiyi, devriye memurlarının sayısı azaldıkça suç sayısının arttığını belirterek de ifade edebilirsiniz. Aşağıdaki grafik, iki değişken arasında ilişki olmadığı durumu, olumlu ve olumsuz ilişkileri göstermektedir:

Olumlu bir ilişkiyi göstermekte(Sol), negatif ilişkiyi göstermekte(Orta) ve iki değişken arasında ilişki olmadığı göstermekte(Sağ)

Korelasyon analizleri ve yukarıda gösterilen grafikler, iki değişken arasındaki ilişkinin gücünü test eder. Diğer yandan regresyon analizleri daha güçlü bir iddiada bulunur: Bir ya da daha fazla değişkenin potansiyel olarak başka bir değişkendeki pozitif ya da negatif değişimi destekleme derecesini göstermeye çalışırlar.

 

Regresyon analizi, çok çeşitli uygulamalar için kullanılabilir

  • Trafik kazalarını hız, yol koşulları, hava durumu vb. gibi fonksiyonlarla modellemek, kazaları azaltmaya yönelik politikaları bilgilendirmek.
  • Yangın departmanının katılım derecesi, cevap süresi veya özellik değerleri gibi değişkenlerin bir fonksiyonu olarak yangından kaynaklanan mülk kayıplarının modellenmesi. Yanıt süresinin anahtar faktör olduğunu gösterirseniz, daha fazla itfaiye istasyonu oluşturmanız gerekebilir. Katılımı anahtar faktör olarak belirtirseniz, ekipmanı ve görevli çalışan sayısını arttırmanız gerekebilir.

 

Regresyon analizini kullanmak isteyebileceğiniz Temel Senaryolar

  • Temel amaç, bir veya daha fazla değişkendeki değişimin, diğer değişkenleri ortak olarak etkilediğini ölçmektir. Örneğin nesli tükenmekte olan bir hayvan türü için beslenme,barınma,korunma vb. gibi etkilerin hayvanın neslinin tükenmemesi için ortak bir amaç doğrultusunda birlikte değerlendirilmesidir.
  • Başka yerlerde veya ileri tarihlerdeki değerleri tahmin etmek için bazı değişkenleri modellemek. Temel amaç, hem tutarlı hem de doğru olan bir tahmin modeli oluşturmaktır. Örneğin nüfus artışı verilerine göre gelecek yıl elektrik tüketimi ne kadar olacak? gibi değerlendirmeleri ve araştırmaları regresyon analizleri ile yapabilirsiniz.
  • Bir diğer neden aralarında doğrudan bağlantı veya ilişki olmayan değişkenlerin birlikte değerlendirilip değerlendirilemeyeceğinin belirlenmesidir. Örneğin hırsızlık suçlarının bölgesel değerlendirmede Yaşlı ve Kadın nüfusunun fazla olduğu yerlerde gerçekleşmesi. Hırsızların uyuşturucu kullanıp kullanmaması, uyuşturucu temin edebilmek için hırsızlığa başvurması gibi değişkenlerin değerlendirilmesi için regresyon analizlerini kullanabilirsiniz.

 

 

Empirical Bayesian Kriging Nedir?

Empirical Bayesian Kriging Nedir?

Empirical Bayesian kriging (EBK), geçerli bir kriging modeli oluşturmanın en zor yönlerini otomatikleştiren jeoistatistiksel bir enterpolasyon yöntemidir. Geostatistical Analyst’deki diğer kriging yöntemlerinde doğru sonuçları almak için parametreleri ayarlamanız gerekir, ancak EBK, bu parametreleri bir alt-set ve simülasyon işlemi aracılığıyla otomatik olarak hesaplar.

Empirical Bayesian Kriging’in diğer kriging yöntemlerinden farkı altta yatan semivariogramı tahmin etmesi ve ortaya çıkan hatayı hesaplamasıdır. Diğer kriging yöntemleri bilinen veri konumlarından semivariogramı hesaplar ve bilinmeyen yerlerde tahmin yapmak için bu tek semivariogramı kullanır; Bu süreç, tahmin edilen semivariogramın enterpolasyon bölgesi için doğru semivariogram olduğunu kısmen kabul eder. Semivariogram kestiriminin belirsizliğini dikkate almayan diğer kriging yöntemleri, standart tahmin hatalarını hafife alır.

Empirical Bayesian kriging aracı hem Geostatistical Wizard’da hem de  geoprocessing araçları içerisinde bulunmaktadır.

 

Avantaj ve Dezavantajlar

 

Avantajlar

  • Minimum etkileşimli modelleme gerektirir.
  • Standart tahmin hataları diğer kriging yöntemlerinden daha doğrudur.
  • Orta derecede sabit olmayan verilerin doğru tahminlerini sağlar.
  • Küçük veri kümelerinde diğer kriging yöntemlerinden daha doğrudur.

Dezavantajlar

  • Nokta verileriniz, alt küme boyutu ve üst üste binme sayısı arttıkça işlem süresi etkilenecektir. Bir dönüşüm tipi seçerseniz(Empirical, Log empirical) ve  semivariogram model tipi için de K-Bessel veya K-Bessel Detrended seçilmişse, işlem süresi artacaktır. Bu parametreler  sonraki blog yazılarında açıklanacaktır.
  • İşleme, özellikle raster’e çıktığında, diğer kriging yöntemlerinden daha yavaştır. Aracın sonucunun raster olarak alınması diğer kriging yöntemlerine göre daha yavaştır.
  • Cokriging ve anisotropic düzeltmeler mevcut değildir.
  • Log Empirical dönüşümü bir birinden uzak değerlere özellikle duyarlıdır. Bu dönüşümü, bir birinden uzak değerler içeren verilerle kullanırsanız, giriş noktalarınızın değerlerinden daha büyük veya daha küçük değerleri alabilirsiniz.

Semivariogram Tahmini

Diğer kriging yöntemlerinden farklı olarak , EBK’daki semivariogram parametreleri kısıtlı maksimum olasılık (REML) kullanılarak tahmin edilir. Büyük veri kümeleri için REML’nin hesaplama kısıtlamaları nedeniyle, giriş verileri ilk olarak belirli bir boyutta üst üste binen alt kümelere bölünür (varsayılan olarak her 100 nokta bir alt kümeye bölünür). Her alt kümede, semivariogramlar şu şekilde tahmin edilir:

  1. Semivariogram alt kümedeki verilerden hesaplanır.
  2. Bu semivariogramı model olarak alarak, alt kümedeki giriş konumlarının her birinde koşulsuz olarak yeni veriler simüle edilir.
  3. Simüle edilmiş verilerden yeni bir semivariogram tahmin edilir.
  4. 2. ve 3. adımlar belirtilen sayıda tekrarlanır. 1. adımda tahmin edilen semivariogram girdi verilerinin konumlarında yeni veri kümesini simüle etmek için kullanılır daha sonra simüle edilmiş veriler yeni semivariogramı tahmin etmek için kullanılır.

 

Bu süreç, her bir alt küme için çok sayıda semivariogram oluşturur ve bunlar birlikte çizildiğinde, sonuç, yoğunluk tarafından gölgelenen bir semivariogram dağılımıdır (daha koyu mavi renk, daha fazla semovariogram bu bölgeden geçer). Empirical semivariances mavi (+) ile temsil edilir. Ek olarak, dağılımın medyanı koyu kırmızı bir çizgi ile renklendirilmiş ve 25 ve 75’inci yüzdeler aşağıda gösterildiği gibi kırmızı kesikli çizgilerle renklendirilmiştir.

Simüle edilmiş semivariogramlar

Alt küme için simule edilen semivariogramların sayısı varsayılan olarak 100’e ayarlanır ve bu semivariogramların her biri, alt küme için gerçek semivariogramın bir tahminidir.

Her bir tahmin konumu için noktanın çevresindeki semivariogram spektrumlarından tekil semivariogram örneklerine dayalı bir örneklemeyle oluşturulan yeni bir semivariogram dağılımı kullanılarak hesaplanır. Örneğin, bir tahmin yerinin üç farklı alt kümede (arama komşuluğunda belirtildiği gibi) komşuları varsa, üç alt kümenin her birinden simüle edilmiş semivariogramlar kullanılarak hesaplanacaktır; Bu semivariogramlar olasılık değerlerine göre seçilmiştir.

Geostatistical Wizard ile Empirical Bayesian Kriging’i çalıştırdığınızda tahmin edilen değeri hesaplamak için kullanılan alt kümeleri görebilirsiniz. Aşağıdaki görselde, tahmin yüzeyindeki imleç merkezdir. İmlecin etrafındaki küçük daire, arama merkezidir ve üst üste binen çokgenler, tahminleri hesaplamak için kullanılan iki alt kümede yer alan noktaları gösterir. Bu örnekte, haritanın ortasındaki noktalar her iki alt kümede de bulunur. Bu görselleştirmeyi mavi okla gösterilen buton ile açıp kapatabilirsiniz:

 

Kaynaklar

http://pro.arcgis.com/en/pro-app/help/analysis/geostatistical-analyst/what-is-empirical-bayesian-kriging-.htm

 

ArcGIS Pro’da Stereo Haritalama

ArcGIS Pro ile Stereo Haritalama

ArcGIS Pro stereo haritalama, stereo görüntüleme ve üç boyutlu detayları toplama yeteneklerini sağlar. Parsel düzenleme, basit üç boyutlu binalar oluşturma, uzaklıkları ve yükseklikleri ölçme gibi çeşitli işler için üç boyutlu vektör detaylarını (nokta, çizgi ve alan) toplayabilirsiniz. Stereo görüntüleme için, 3. Boyutu görmenizi sağlayan Shutterglass veya  Anaglyph 3B Gözlük (Red – Cyan) kullanabilirsiniz. Stereo haritadaki editleme işlemi, ArcGIS Pro’daki standart editleme işlemleriyle aynıdır. Düzenleme yaparken mevcut katmanları, sembolleri ve şablonları kullanabilirsiniz. Editleme işlemleri doğrudan bir coğrafi veritabanına kaydedilir ve çok kullanıcılı ve eşzamanlı veri girişi işlemlerini destekleyebilir.

Not: Stereo haritalamayı kullanabilmek için ArcGIS Image Analyst lisansınızın olması gerekir.

Stereo Veri Kaynakları

Stereo haritalama uydu görüntülerini, Ortofoto, drone ve ADS verilerini destekler. Stereo haritalama için kullanılacak görüntünün veri kaynağı, bir stereo görüntü çifti olarak stereo modellerin bir koleksiyonunu veya tek bir stereo modelini kullanan bir mozaik veri kümesi olabilir.Stereo modellerinizin kalitesi, topladığınız özelliklerin sonuçlarını etkileyebilir. Stereo harita için veri kaynağı tanımlandıktan sonra, bir stereo hizalama kalite kontrolü yapılmalıdır. Görüntüleri stereo haritanıza ekleyin ve bir nesneyi bulun; sol ve sağdaki görüntüler yatay olarak hizalanırsa, görüntüler stereo görüntüleme ve doğru veri toplamak için geometrik olarak doğrudur. Yazılım, stereo parazitlenmeyi düzeltmek için Y paralaksını elle ayarlayabilme özelliğine sahiptir, ancak bu ayar stereo haritalamada kullanılmadan önce Block Adjustment araçları kullanılarak yapılması önerilir.

Stereo görüntüleme ve veri toplama için geometrik olarak doğrudur.

Stereo görüntüleme ve veri toplama için geometrik olarak doğru değildir.

Görüntüler stereo görüntüleme için geometrik olarak ayarlanmamışsa, Ortho Mapping araçları blok ayarlaması yapmak ve stereo modelleri oluşturmak için kullanılabilir. Ayarlanmış görüntüleri ve stereo modelleri içeren mozaik veri seti daha sonra stereo haritalama için kullanılabilir.

Görüntüler geometrik olarak ayarlanmışsa, bir mozaik veri kümesi oluşturarak ve uygun raster tipini kullanarak görüntüleri hazırlayabilirsiniz. Daha sonra Stereo Model Oluşturma aracını kullanarak stereo modeli oluşturabilirsiniz. Stereo görüntüleme piramitlere ve istatistiklere dayanır; Bu nedenle, istatistiklerinizi hesaplamanız ve görüntüleriniz için bilineer enterpolasyonlu piramitler oluşturmanız önerilir.

Not: ADS verileri için stereo harita, ek ayarlar yapılmadan L1 görüntülerini doğrudan görüntüleyebilir.

Ayrıca, uydu görüntüsü dağıtıcıları tarafından sağlanan çift gibi iki ayrı görüntü  kullanarak stereo görüntü kaynağını hızlı bir şekilde tanımlayabilirsiniz. Çift kullanıyorsanız, görüntü çiftinin detayları toplamak için gereken geometrik doğruluğa sahip olduğundan emin olun. Pratik uygulama ve daha iyi stereo görüntü için bir mozaik veri seti kullanın, çünkü uydu verilerinin ve ADS verilerinin her ikisinin de metrik bir yükseltiye ihtiyacı vardır. Mozaik veri kümesinde geometrik işlevi kullanarak yüksekliği tanımlayabilirsiniz.

Stereo Görüntülemeyi Etkinleştir

Stereo izlemeyi etkinleştirmek için, ilk önce kullanacağınız stereo gözlük tipine bağlı olan uygun stereo modunu açmanız gerekir.

  1. Proje (Project) menüsünü ve ardından Seçenekler’I (Options) tıklayın.
  2. Seçenekler iletişim kutusunda, Görüntü(Display) sek mesini tıklatın.
  3. Stereoskopik mod (Stereoscopic mode) için Shutter veya Cyan/red gözlüklerinden kullanacağınızı seçin.
  4. Tamam’a tıklayın.

Uygulama yeni ayarların etkinleştirilmesiyle yeniden başlayacaktır. Artık stereo iş akışınızı başlatabilirsiniz.

Shutter Gözlükleri İçin Gereksinimler

Stereo haritalamada shutter gözlük kullanmak için aşağıdaki gereksinimler gereklidir:

İşletim sisteminiz Windows 8.1 veya üstü olmalıdır.

Monitörünüzün ekran yenileme hızı en az 120 Hertz olması gerekir.

NVIDIA grafik ayarlarınızın stereoskopik üç boyutlu yetenekleri etkinleştirilmiş olmalıdır.

Not: Sadece NVIDIA grafik kartları, ArcGIS Pro için shutter gözlüklerini destekler

NVIDIA grafik kartınız için stereoscopik 3B ayarlarınızı aşağıdaki gibi etkinleştirebilirsiniz NVIDIA Denetim Masanızı (NVIDIA control panel) açın.

  1. Stereoscopik 3B bölümünü genişletin.
  2. Stereoskopik 3B Kur’u tıklayın.
  3. Stereoskopik 3B’yi etkinleştir onay kutusunu işaretleyin.

Not : Tüm NVIDIA grafik kartları stereoskopik 3B özelliklerini desteklemez.

Stereo Görüntüler Ekle

Stereo ile çalışmaya başlamak için stereo görüntüsüne sahip olmanız gerekmektedir. Yeni bir stereo harita eklemek için aşağıdaki adımları izleyin:

Ekle (Insert) menüsüne tıklayın.Proje (Project) grubunda yeni harita (New Map)  ve  Yeni Stereo Harita’ya (New Stereo Map)   tıklayın.Stereo Harita görünümü aktif olduğunda, Stereo Harita sekmesi kullanılabilir. Stereo Harita sekmesi, stereo görüntüleme ve çalışma için ihtiyaç duyduğunuz tüm araçlara sahiptir. Kaynağını Ayarla’yı(Set Source)   tıklatarak başlayın ve stereo harita girişinizi seçin. Kaynağı Stereo model koleksiyonu veya Stereo model olarak ayarlayabilirsiniz. Stereo model koleksiyonu, stereo kaynağınız olarak bir mozaik veri kümesi seçmenize izin verir. Mozaik veri kümesi, blok ayarlı (block-adjusted) stereo modellerden oluşan bir koleksiyon içermelidir. Stereo model, stereo kaynağınız olarak sol ve sağ görüntü çiftini seçmenizi sağlar. Stereo çifti, görüntü verileriyle ilişkili bir kamera modeline veya RPC’ye sahip olmalıdır. Stereoda düzenlemek istediğiniz katmanlar dahil olmak üzere, stereo görünümünde görüntülemek istediğiniz diğer katmanları eklemek için Veri Ekle’yi   kullanabilirsiniz. Stereo Model Seçici panelini açmak ve birlikte çalışacak stereo setini seçmek için Stereo Model grubunda Model Seçici’yi  kullanabilirsiniz.

Stereo Haritalama modunda verilerin nasıl toplanacağı ve düzenleneceği ile ilgili daha fazla bilgi için Feature compilation using stereo mapping bağlantısını inceleyebilirsiniz.

Bu çalışmayı birlikte yürüttüğüm Teknik Destek Uzmanı arkadaşım @Tuğba Oğuz’a teşekkürlerimi sunarım…

Yararlanılan Kaynaklar

ArcGIS Pro 2.1 ve ArcMap 10.6’da Spatial Analiz için gelen Yenilikler.

Raster verileriniz ile analizler yaparken Spatial Analiz modülünü kullanıyorsanız yeni gelen araçları ve geliştirilen araçları burada bulabilirsiniz.

Nereden indirebilirim ve neler değişti?

ArcGIS Pro 2.1 ve  ArcMap 10.6 versiyonlarını indirmek için aşağıdaki bağlantıları kullanabilirsiniz.

ArcGIS Pro
ArcGIS Desktop

Genel olarak ArcGIS Pro ve ArcMap için gelen yenilikler ve değişiklikler için aşağıdaki bağlantıları kullanabilirsiniz.

Ayrıntıları dört kategoride inceleyeceğiz.

  1. ArcMap ve ArcGIS Pro’daki Spatial Analiz modülüne yeni eklenen araçlar ve güncellenen araçlar.
  2. Spatial Analiz araçları için performans potansiyelinin geliştirilmesi
  3. ArcGIS Pro’da yeni İmage Analiz modülü
  4. ArcGIS Enterprise’da ölçeklendirilen raster analizleriniz için yeni raster analiz araçları.

Spatial Analiz Modülü

Spatial Analiz araçlarına dört yeni araç ve mevcutta bulunan bazı araçlara parametreler eklendi.

Distance toolset:

  • Yeni bir araç eklendi. Cost Path as Polyline(Pro | ArcMap) Daha önce bulunan Cost Path aracına benzemekte fakat daha önce çıkan sonucu vektör haline getirmek için 2 araca ihtiyaç duyarken artık analiz sonucunu direk vektör olarak almamızı sağlamaktadır.

Generalization toolset:

  • Nibble (Pro | ArcMap)  aracında artık size daha fazla kontrol sağlayabilmek adına 2 adet parametre eklenmiştir.

Yukarıdaki görselde kırmızı ile 1 ve 2 olarak gösterilen parametrelerin kısa açıklamaları aşağıdadır.

  • İşaretli – En yakın komşu değerinin NoData mı yoksa giriş raster’ında başka bir veri değeri mi kullanılacağını belirtir. Giriş raster’ında ki NoData değerleri, en yakın komşu ise maskede tanımlanan alanlara ayrılabilir.(1)
  • İşaretli Değil — Maske raster’ında tanımlanan alanlara yalnızca veri değerlerinin olduğunu belirtir. Giriş raster`ında ki NoData değerlerinin, en yakın komşu olsalar dahi maske raster`ında tanımlanan alanlara girmesine izin verilmez.(1)
  • İşaretli Değil – Girdi raster`ında ki ve maske içindeki NoData hücrelerinin çıkışta NoData olarak kalacağını belirtir. Varsayılan olarak bu seçenek gelir.(2)
  • İşaretli – Giriş raster’ında ki ve maske içindeki NoData hücrelerinin geçerli çıkış hücresi değerlerine eklenebileceğini belirtir.(2)

Hydrology toolset:
Hidroloji araçlarından iki tanesine parametreler ekledi ve bu araç setine yeni bir  araç eklendi. Hidroloji araç kutusundaki araçlar kullanılarak nasıl Drenaj ağı oluşturulabileceğini önceki yazımızdan öğrenebilirsiniz.(DEM verilerini kullanarak, drenaj ağı çıkarmak)

  • Flow Distance (Pro | ArcMap)
    Her hücre için, akış yolunun mesafesini yatay veya dikey bileşenini, akış üzerindeki hücrelere göre hesaplar. İsteğe bağlı olarak Flow Direction raster`ı sağlandığında, aşağı eğim yönlerini Flow Direction raster`ıyla sınırlandıracaktır. Bu araç taşkın modellemeleri için kullanışlıdır.
  • Flow Direction (Pro | ArcMap) Akış yönlerini bulduğumuz Flow Direction aracına yeni eklenen parametre ile akış yönlerini hesaplarken kullanılacak yöntemi seçmenizi sağlar.
    D8 – Bu yöntem hücresel olarak en dik inen  komşuya göre akış yönü atar. Varsayılan olarak bu seçenek gelir.

MFD – Bu yöntem hücresel olarak aynı yön bilgisine sahip komşulara  çoklu akış yönleri atar.

DINF – Üçgen bir fasetin en dik eğimini kullanarak D-Infinity akış yöntemine dayalı bir akış yönü atar.

  • Flow Accumulation (Pro | ArcMap) Flow Drirection oluştururken yeni gelen yöntemlere göre optimize edilmiştir. Ayrıca aracın çalışma performansında iyileştirme yapılmıştır.

Interpolation toolset:

Segmentation and Classification:

2 adet yeni araç eklenmiştir.( Deep Learning Model To Ecd),( Export Training Data For Deep Learning) ayrıca daha önce ArcGIS Pro 2.0’a eklenen (Generate Training Samples From Seed Points) (Inspect Training Samples) araçları da ArcMap 10.6 sürümü ile ArcMap’e eklenmiştir. Araçlarla ilgili detaylı bilgiye araçlar üzerindeki bağlantılardan ulaşabilirsiniz.

Paralel İşlem

ArcMap 10.6’da, Paralel İşlemleri desteklemek için belirli Spatial Analist araçları güncellendi. Bilgisayarınızda birden çok çekirdeğin kullanılmasına izin vererek, daha büyük veri kümelerindeki işlemleri daha hızlı tamamlayabilmenizi sağlar. Bu şekilde geliştirilmiş araçların listesi, araç setlerine göre gruplandırılmıştır.

  • Distance: Cost Allocation, Cost Distance, Euclidean Allocation, Euclidean Distance
  • Generalization: Nibble
  • Hydrology: Fill, Flow Accumulation, Flow Direction, Sink, Stream Link, and Watershed
  • Reclass: Rescale by Function

Lütfen, yukarıdaki araçların paralel işlemesinin ArcGIS Pro 2.1’de desteklenmediğini unutmayın. Ancak, yakında eklenecek. Bu arada, ArcGIS Pro’da Paralel İşleme’yi kapsayan birkaç Spatial Analist aracı: (Reclassify, Weighted Overlay, Weighted Sum, Viewshed 2, Zonal Statistics, Zonal Statistics as Table)

Image Classification Modülü

ArcGIS Pro’da yeni Image Analyst modülü eklendi. Modül, manuel görüntü görselleştirme, gelişmiş uzaktan algılama ve yarı otomatik görüntü işleme özelliği ile çok sayıda yeni işlevsellik ve yetenek sunuyor. Daha önce yalnızca Spatial Analist araç kutusunda bulunan bazı araç setleri artık Image Analyst modülünün de  bir parçası.

Portal üzerinde Raster Servislerin Analizi

ArcGIS Enterprise kullanıyor ve ArcGIS Image Server lisansınız varsa. Raster Analiz araçlarıyla (ilk olarak ArcGIS Pro 1.4 için piyasaya sürüldü), Portal ve Server üzerinden bazı ek raster analiz yeteneklerine sahipsiniz. Bu sürümle, analiz yeteneklerinize on bir yeni araç ekledi.

New Raster Analysis Portal tools for ArcGIS Pro 2.1

Ayrıca Analysis > Tools > Geoprocessing yolunu izleyerek de araçlara ulaşabilirsiniz.

New Raster Analysis geoprocessing tools for ArcGIS Pro 2.1

Her bir araç kısa açıklamaları ile aşağıda listelenmiştir.Ayrıca araçların servis ve Araç referanslarına bağlantıları kullanarak ulaşabilirsiniz.

Generalize toolset:

  • Nibble (Pro | REST API) Nibble, bir maskeye karşılık gelen giriş hücrelerini, en yakın komşuların değerleriyle değiştirir.Birkaç ayrı hücrenin yerini yakınlardaki değerlerle değiştirmek için kullanılabilir. Daha büyük maske alanları ile daha büyük hücrelerin yerini alabilir.

Hydrology toolset:

Bu araç setinde bir yüzey boyunca suyun akışını modellemek için kullanabileceğiniz araçlar bulunmaktadır.

  • Fill (Pro | REST API) Verilerdeki küçük kusurları gidermek için bir yüzey raster’ında ki boşlukları doldurur.
  • Flow Accumulation (Pro | REST API) Her hücreye birikmiş akışı gösteren bir raster oluşturur.
  • Flow Direction (Pro | REST API) Her hücrenin akış yönünü farklı yöntemlere göre (D8,DINF,MFD) en dik olacak şekilde oluşturur.
  • Flow Distance (Pro | REST API) Her hücre için, akış yolunu içine aktığı bir akış üzerindeki hücrelere göre hesaplar.
  • Stream Link (Pro | REST API) Kesişen noktalar arasındaki raster doğrusal ağın bölümlerine eşsiz değerler atar.
  • Watershed (Pro | REST API) Raster’da ki hücre kümesinin üzerindeki katkı alanını belirler.

Use Proximity toolset:

Bu araç seti, mesafeyi ve yakınlığı analiz etmenize yardımcı olacak araçlar içerir.

  • Calculate Distance (Pro | REST API) Tekli veya çoklu kaynaklardan Öklid mesafesini hesaplar.
  • Calculate Travel Cost (Pro | REST API) Tekli veya çoklu kaynaklardan maliyet mesafesini hesaplar.
  • Determine Optimum Travel Cost Network (Pro | REST API) Optimum maliyet ağını hesaplar.
  • Determine Travel Cost Paths to Destinations (Pro | REST API) Bilinen kaynaklar ve hedefler arasındaki yolları hesaplar.

Not:Tanıtılan yeni işlevler bu sürümde Map Viewer’da mevcut değildir.

ArcGIS Enterprise’da Raster Analizi hakkında

ArcGIS Enterprise ile raster analizleri gerçekleştirebilmek için ArcGIS Enterprise kurulduktan sonra, ArcGIS Image Server’ın  yüklenmesi ve etkinleştirilmesi gerekir. Bu hizmetlerin yapılandırılması ve kullanımı hakkında daha fazla bilgi için lütfen aşağıdaki kaynakları inceleyin.

Server

Portal

 

Özet

Spatial Analist modülünü kullanan biri olarak sizin için ArcGIS Pro 2.1 ve ArcMap 10.6’da raster analizleri için önemli değişiklikleri ve geliştirmeleri ele aldım. Ayrıca, Portal ve Server aracılığıyla ArcGIS Enterprise ile kullanılabilen işlevselliğe de değinmiş bulunuyoruz. Yeni sürümleri indirdikten sonra, yeni yetenekleri deneyin. Ve her zaman olduğu gibi, lütfen karşılaştığınız sorunları bize bildirin.

 

Insights for ArcGIS 2.3 Yenilikleri

Insights for ArcGIS 2.3 yayınlandı. Veri bağlantılarınızı modelleyin ve tahminlerde bulunun.

Insights for ArcGIS 2.3 versiyonuyla gelen yenilikleri ArcGIS Online veya ArcGIS  Enterprise ile deneyebilirsiniz. Gelen yeniliklerin temel özellikleri:

Link analysis , ilgili veri öğeleri arasında ilişkiler kurmanıza ve bağlantıları görüntülemenize olanak tanır. İnsanlar, yerler, etkinlikler ve diğer varlıklar arasındaki ilişkileri anlamlandırmanıza yardımcı olur. İlişkiler, derece ve yakınlık  ile tarif edilebilir.

Bir bağlantı haritası, hem bağlı bölgeleri göstermek için hem de yönelimi göstermek için örümcek ağına benzer bir akış haritası şeklindedir. Bağlantı tablolarının ve bağlantı haritalarının yararlı olabileceği bazı örnekler aşağıda verilmiştir:

  • Hastalık hangi yolla yayılıyor, hastalık nereden geliyor
  • Sosyal medyayı kullanarak kim kiminle iletişim kuruyor
  • CRM müşterileri nasıl yönlendiriyor
  • Tedarik zincirinin ne, üründe hangi parçaların kullanılıyor, ürünler nereye gidiyor

Link kartlarını ve Link haritalarını gösteren videoyu incelemek için aşağıdaki bağlantıyı kullanabilirsiniz.

Insights for ArcGIS – Link Analysis

Regression Analysis, Scatterplot Matrix ve Predict Variable

Yukarıda belirtilen bu üç yeni özellik, bir iş akışı içinde birlikte kullanıldığında oldukça güçlüdür.

Regression analysis tahminler yapmanızı sağlar. Analistlerin bağlı olduğu en standart ve yaygın olarak kullanılan istatistik ve regresyon modellerinden biridir. Scatterplot matrix ile Insights, bağımlı bir değişkeni açıklamak için iyi bir modeli hızlı bir şekilde belirlemenize yardımcı olur ayrıca regresyon model yapısının bir parçası olarak değişkenlerin dağılım grafiğini oluşturmanıza olanak tanır.

Daha sonra, Insights, sonuçları görüntülemek için güçlü bir yol sağlayarak korelasyon çıktı istatistiklerini eşler. Predict Variable bir veri kümesindeki yeni değerleri tahmin etmek için bir regresyon modeli kullanır. Regresyon modelleri, basit bir sürükle ve bırak deneyimi kullanarak, bağımlı değişkeninizin tahminlerini yapmak için kolayca kullanılabilir.

Regresyonun yararlı olabileceği bazı örnekler:

  • Doğal kaynaklar: Fiziksel özelliklerin verimli bir petrol kuyusunu nasıl etkilediğini daha iyi anlayın ve daha sonra benzer kuyuların açılabileceğini tahmin edin. Altyapının onarılması veya değiştirilmesi gerektiğinde kullanılacak olan model, daha sonra bakım işleminde de kullanılabilir.
  • Çevre: Hava kirliliğini hangi faktörler etkiler ve gelecekte ne kadar hava kirliliği olacak.
  • Yerel Yönetim: Yapı değerlerinin, nüfus, suç, gelir ve okullara göre nasıl bağlantılı olduğunu keşfedin. İşletmelerin başarılı olmasını sağlayan ekonomik faktörleri belirleyin.

Aracın kullanımı ile ilgili videolara ulaşmak için aşağıdaki bağlantıyı kullanabilirsiniz.

Insights for ArcGIS – Regression Analysis

Bunlar,Insights 2.3 sürümüyle öne çıkan özelliklerden sadece birkaçı.

Daha detaylı ve eksiksiz bir liste için,burayı inceleyebilirsiniz.

Hemen denemek için ücretsiz ArcGIS Online hesabınızı oluşturun. Try it free with ArcGIS Online.

Bu yazı için bir etiket bulunmamaktadır.