ArcGIS for AutoCAD Kullanarak CAD-CBS İş Akışlarını Basitleştirmek

ArcGIS for AutoCAD

ArcGıs for AutoCAD, AutoCAD içerisinde, ArcGIS for Server ve ArcGIS Online hizmetlerine bağlanarak CBS verilerine erişmenizi ve oluşturmanızı sağlayan bir eklentidir. AutoCAD ortamında kurumsal CBS haritalarına, harita servislerine, görüntü servislerine ve özellik servislerine kolayca erişebilmektesiniz.

ArcGıs for AutoCAD  , Esri’den ücretsiz olarak indirilebilir.  En son sürüm 64bit AutoCAD 2015-2019 sürümlerine için güncellendi.

ArcGıs for AutoCAD kullanarak;

  • CBS ve CAD grupları arasında bilgi paylaşımını kolaylaştırabilir.
  • AutoCAD üzerinde ESRI’nin sağlamış olduğu canlı, zengin kartografik altlık haritaları ekleyebilir.
  • AutoCAD tasarımlarında CBS analizlerinizin sonuçlarını görüntüleyebilir.
  • AutoCAD çiziminize görüntüler ekleyebilir.
  • ArcGIS for Server feature servisine bağlanıp AutoCAD araçlarını kullanarak feature’ları düzenleyebilirsiniz

 

ArcGIS for AutoCAD

ArcGIS for AutoCAD ile CAD – GIS iş akışlarınıza katkı sağlayacak özellikler;

  • CBS verilerini, ArcGIS for Desktop’ın da okuduğu ve yazdığı standart .DWG dosyalarında oluşturup düzenleyebilirsiniz..
  • Herhangi bir AutoCAD verisine CBS özelliklerini ekleyebilirsiniz.
  • Çizim özelliklerini CBS özellik değerlerine göre seçebilirsiniz.
  • Esri veri formatlarını CAD iş akışlarınıza ekleyebilirsiniz.
  • Grafik seçimlerini feature class özelliğine göre filtreleyebilirsiniz.
  • Binlerce Esri koordinat sistemlerinin (.PRJ) seçip CAD çizimlerinize tanımlayabilirsiniz.
  • Sağlanan özellik tablosu görüntüleyicisinin güçlü özellik düzenleme iletişim kutusunu kullanarak verilerinizin tablo özelliklerini yönetebilirsiniz.
  • Verileri EXPORT TO CAD geoprocessing aracını kullanarak ArcGIS for Desktop’dan dışa aktarıldığında, AutoCAD .dwg dosyasındaki zengin özelikli feature class verilerini kullanabilirsiniz.

ArcGIS for AutoCAD’i kullanma.

ArcGIS for AutoCAD’i kurduktan sonra, AutoCAD’i başlatmak ve eklentiyi başlangıçta yüklemek için Windows görev çubuğundaki Başlat düğmesini kullanabilirsiniz

  1. Windows Başlat düğmesine tıklayın ve Tüm Programlar’a tıklayın .
  2. ArcGIS for AutoCAD klasörünüe tıklayın .

ArcGIS for AutoCAD’i indirip yükledikten sonra, AutoCAD şerit sekmesi için ArcGIS, bir sonraki AutoCAD çalışmanıza eklenecektir. CBS özellikleri ile çalışmak ve ArcGIS for Server hizmetleri için çeşitli diyalog kutuları ve fonksiyonel paneller mevcut olacaktır.

AutoCAD yazılımı içerisine eklenen ArcGIS şeridi. 

ArcGIS şeridinde  ESRI Haritaları (Esri Haritalar) düğmesine tıklayarak bir altlık harita ekleyebilirsiniz.

Esri World Imagery basemap.

Geçerli çizime Add Service iletişim kutusuyla bir ArcGIS harita servisi ekleyebilirsiniz ;

Ekle grubundaki şeritte Hizmet ekle(Add Service) düğmesini tıklayın, ardından açılan CBS Servis iletişim kutusu içerisinde bir ArcGIS sunucusuna tıklayın .Ekrana gelen servis panelinden, bir harita servisine tıklayıp servisi haritanıza ekleyebilirsiniz.Hizmeti raster bir görüntüye dönüştürmek ve sunucudan kalıcı olarak kesmek için Dışa Aktar’ı tıklayın . Harita, ESRI_ <servis adı> adıyla otomatik olarak oluşturulmuş bir katmandaki mevcut çizime eklenmiştir.

Görüntü hizmetini yerel bir görüntü dosyası olarak dışa aktarma.

Detay öznitelik verileri ile çalışmak için gerekli temel kavramlar

Yerel bir ArcGIS Feature Class verisi, ortak bir özellik kümesini paylaşan AutoCAD nesnelerinin adlandırılmış kümesidir. ArcGIS for Desktop tarafından tanınan ArcGIS feature class olarak belirli bir içerik alt kümesini görüntülemek için bunları anında oluşturabilir ve yapılandırabilirsiniz . Bunlar, öznitelik alanlarını tanımlama ve öznitelikleri yerel AutoCAD geometrisine ekleyerek ArcMap’teki tanım sorgularına benzer şekilde çalışır.

Yerel feature class şeması, çizimde veri kümesi (veya çizim) düzeyinde gömülü olan bilgi değildir. Bunlar meta verileri saklayan ve gerçek özellik verilerini içermeyen, yalnızca şema niteliğindeki özellik sınıflarıdır. Bilgi, standart bir DWG nesnesi sözlükleri çerçevesinde yerel DWG xrecords olarak depolanır. Şemalar ve kodlama yapıları, CAD için Esri haritalama belirtimi ile tanımlanır.

Detay öznitelik verileri oluşturma

Yerel özellik sınıflarını sıfırdan oluşturabilir veya bir çizim (.dwg) dosyasından veya özellik servisinden aktarabilirsiniz.

 

Feature class ve servislerinizin sembolojisini  AutoCAD yazılımı üzerinde değiştirebilirsiniz

                                                                                                                  

 AutoCAD üzerinde yeni feature class oluşturma işlemi

Yerel özellikleri seçme

Özellikler grubundaki şeritte seçim araçlarıyla AutoCAD nesnelerini özellikler sınıflı (Feature Class) olarak seçebilirsiniz .Özellikler grubundaki şeritte Current Feature Class açılır listesini tıkladıktan sonra özellik sınıfını geçerli özellik sınıfı olarak ayarlayın. Aşağıdaki seçim araçlarından birini tıklayarak seçim yapabilirsiniz.

 Seçim seçenekleri

Feature’ları Öznitelik Bilgilerine göre Seçme (Selecting Features by Attributes)

Özellikler grubundaki şeritte, Niteliklere Göre Seç düğmesine tıkladıktan sonra ( Özniteliklere Göre Seç.) Select by Attributes iletişim kutusu açılır. Özniteliklere Göre Seç iletişim kutusuyla SQL tabanlı ifadeleri kullanarak özellik sınıfının üyelerini seçebilirsiniz .

 Selecting Features by Attributes.

AutoCAD üzerinden öznitelik bilgilerini değiştirebilirsiniz.

ArcGIS for AutoCAD ile ArcGIS tarafından görüntülenen fonksiyonları, hizmetleri, servisleri ve görüntüleri kullanma imkanı elde etmiş olacaksınız.

ArcGIS for AutoCAD ‘in geleceği ArcGIS Online / Portal ile daha iyi entegrasyon doğrultusunda devam edecek. Aynı zamanda, diğer CAD / BIM / AEC uygulamaları, ArcGIS for AutoCAD’ ile benzer bir entegrasyon modelini kullanarak gelecekte değerli çözümler sağlayacak.

Esri Türkiye, 2018

Bu yazı için bir etiket bulunmamaktadır.
ArcGIS Pro ile Görünürlük Analizi

ArcGIS Pro ile Görünürlük Analizi

Daha inşaatlarına başlamadan kuleler ve rüzgâr türbinleri gibi nesnelerin nerelerden görülebileceğini bilmek için ya da bir yamaçtan ya da gözlem kulesi gibi yerlerden ne kadar bir alanın görülebileceğini belirlemek için ArcGIS Pro’daki bir analizden yararlanabilirsiniz.

Viewshed analizi dediğimiz bu analiz girdilerimiz doğrultusunda bize anlamlı raster veriler verir ve bu girdi verilerinin hassasiyetini doğru belirleyerek alacağımız sonuçların kesinliğini arttırabiliriz. Örneğin, rüzgâr çiftlikleri için bu tür bir analiz yaparken, rotor bıçaklarından biri en dik pozisyonda olduğu zaman, rotor bıçağının en yüksek ucundan bu nesne için görüş alanı hesaplamak isteyip istemediğinize karar vermeniz gerekir. Türbinin rotor başı gibi başka bir kısmı için de bu analizi yapabilirsiniz, kararınız görüş analizi sonuçlarınızı doğrudan etkiler.

Rüzgâr türbinleri ve iletişim kuleleri gibi uzun nesneler, düz ve açık alanlarda çok uzun mesafeler boyunca zaten görünür olacaktır. Ancak arazi engebeliyse, binalar ya da yüksek ağaçlardan oluşan alanlar varsa görünürlükte önemli bir fark oluşabilir.

Gözlemcinin görme keskinliği, yerkürenin eğriliği ve ufukta görünür mesafeyi arttırabilen atmosferik kırılma, bir nesnenin görünürlüğünü etkileyen diğer faktörlerdir. Dünya’nın eğriliğinden dolayı yüzeydeki nesneler, ortalama bir insan için, yaklaşık 5 kilometre mesafeden sonra görüntüden dışarı çıksa da kule gibi uzun nesnelerin üst kısımları ufukta hala görülebilir. Aynı zamanda, havadaki toz, su buharı ve kirlilik, ufuksal görme alanınızı çoğu zaman 20 kilometreden daha aza düşürmez. Görsel etkilerin görüş analiziyle değerlendirilmesi sırasında bu faktörlerin dikkate alınması önemlidir.

ArcGIS Pro’da Viewshed oluşturma aracı, dünyadaki atmosferik kırılma ve eğriliği de hesaba katar, ancak ağaçların veya binaların engellemesi gibi diğer faktörleri hesaba katmaz; bu nedenle, gözlemlenen analize genellikle yere dayalı soruşturmalar da eşlik eder.

Görüş analizi için gerekenlerden biri yüzey şekline ilişkin verilerdir. CBS’de, zemin veya arazi, genellikle bir Sayısal Yükseklik Modeli (DEM) ile temsil edilir.

ArcGIS Pro’da görünürlük analizi

ArcGIS Pro’daki görünürlük araçları içerisinde ufuğu, gölgeleri ve görüş hattı görünürlüğünü modellemek için birçok farklı araç bulunmaktadır.

Viewshed aracı, belirli bir noktadan bakıldığında görülebilecek alanları modelleyen bir çıktı oluşturur. Varsayılan olarak, araç girdisine verdiğimiz raster üzerindeki tüm olası görünür alanları dikkate alır. Çoğu analizler için bu çıktı uygundur ama bazı durumlarda farklı sonuçlar isteyebilirsiniz. Mesela istediğiniz bir noktadan belirlediğiniz bir alana doğru bakış açısı belirleyerek görünen alanları modellemek isterseniz Viewshed aracını nasıl kullanabilirsiniz?

Üsteki resim belirli bir alan için Viewshed aracının sonucunu gösteriyor. Kırmızı noktadan bakıldığında yeşil alanlar görülebilir.

Viewshed analizinin 3 boyutta gösterimi

Bu resim ise ArcGIS Pro Scene ile aynı sonucu 3 boyutlu olarak göstermektedir. Sonuçlarınızı daha iyi anlamak ve değerlendirmek için 3 boyutlu görüntülemek için ArcGIS Pro’da Scene’i kullanabilirsiniz. Analiz sonucunuzda neden belirli alanların görünürken belirli alanların engellendiğini ve görünürlüğün azaldığını anlamanıza yardımcı olacaktır.

Bu blog yazımızda, bilinen bir bakış noktasından görülebilen alanları modellemek için girdi verimizin özelliklerini nasıl değiştirebileceğimize değineceğiz. Bu sayede analizlerinizde sabit bir noktadan bir bakış açısı vererek tüm alanın nasıl göründüğünü değerlendirebilirsiniz.

Görünürlüğün modellenmesi

ArcGIS Pro, görünürlük gibi 3 boyutlu ilişkiler de dahil olmak üzere birçok farklı mekansal ilişkiyi modelleyebilir. Viewshed geoprocessing aracıyla raster verideki bir gözlemci noktasından görünür alanı sembolize edebilirsiniz. Bu araç noktanın çevresindeki herhangi bir engelle birlikte bireyin boyunu da dikkate alır. Gözlemci noktasından görülebilen alanlar sonuç olarak aracın bize verdiği çıktı raster katmanında gösterilecektir.

Araç sonuçları için varsayılan semboloji, hangi alanların görünür olduğunu ve hangi alanların olmadığını gösterecektir. Ancak, birden fazla gözlemci noktası varsa, sonuçlar bu noktaların kaçının aynı pikseli görebileceğini de gösterecektir. Viewshed aracı noktalar ve çizgileri kullanarak görünürlüğü modeller.

Bu resimde tepenin evin görünürlüğünü nasıl gizlediğine dikkat edin. Her ne kadar gözlemci araziden dolayı evden daha yüksekte de olsa arazinin tamamını göremez. Resmin altında belirtilen görüntülenen pikseller, çıktının kesitte nasıl görüneceğin yansıtır. Yani yeşil alanlar görüntülenebilir, kırmızı alanlar görüntülenemez olarak gelecektir.

Viewshed aracı görünür ışığı yansıtacak şekilde ayarlanmıştır, ancak kırılma katsayısını belirlerseniz, cep telefonu kapsama alanı ve radar gibi diğer dalga tabanlı aktarımları modelleyebilirsiniz.

Viewshed çıktısı nasıl kontrol edilir

ArcGIS Pro’daki bazı geoprocessing araçlarında elde edeceğiniz çıktı, ortam yani environment ayarları ve bir takım arayüz içindeki girdi parametreleri tarafından kontrol edilir. Bu durum Viewshed aracında girdi katmanına eklenen sütunlara gireceğiniz gözlem noktası yükseklik değerleri, dikey ofsetler, yatay ve dikey tarama açıları ve tarama mesafeleri aracılığıyla kontrol edilir.

Giriş özelliklerinde alanlar yoksa, o zaman Viewshed aracı için varsayılan değerler dikkate alınır. Ama bu değerleri girecekseniz feature class katmanınızın özniteliklerine aşağıdaki listedeki sütun isimleriyle yeni alanlar (field) oluşturmanız gerekir.

Alan İsmi Tanımı Varsayılan Değer
SPOT Bir gözlem noktası için yüzey yüksekliği Bilinear enterpolasyon kullanılarak tahmin edilir
OFFSETA Gözlemci konumuna eklenecek dikey uzunluk 1
OFFSETB Değerlendirilmiş yüzeye eklenecek dikey uzunluk 0
AZIMUTH1 Tarama aralığının başlangıç ​​açısı 0
AZIMUTH2 Tarama aralığının bitiş ​​açısı 360
VERT1 Üst yatay açı sınırı 90
VERT2 Alt yatay açı sınırı –90
RADIUS1 Belirlenmiş görünürlük için başlangıç ​​mesafesi 0
RADIUS2 Belirlenen görünürlük için bitiş mesafesi Infinity (Sonsuz)

*Eğer sütun girdi katmanına tanımlayıcılar olarak eklenecekse sütun adları büyük harflerle yazılmalıdır.

Yukarıdaki resim, her alanın viewshed sonuçlarının hangi bölümünü nasıl kontrol edeceğini gösteriyor.

Bu sütunları girdi feature class’ına ekleyerek, belirli bir analiz için Viewshed aracının çıktıda ne vereceğini kontrol edebilirsiniz. Aracın varsayılan değerleri, girdi raster’ındaki her bir pikseli incelemek üzere tasarlanmış olsa da gerçek dünyadaki örneklerin modellenmesi yapmak istediğinizde görünürlük alanının belirli bir sabit açıyı göstermesi gerekebilir ya da sonuçları yalnızca belirli bir mesafe aralığı için almanız gerekebilir.

Viewshed aracını kullanarak aydınlatma alanı modeli oluşturma

Örnek bir senaryo vermek gerekirse; Piknik yapan aileler için hava karardıktan sonra da eğlencelerine ve mangallarına devam etmelerini sağlamak için geniş bir mesire alanını aydınlatmak istiyorsunuz. Bütçeniz ve iş gücünüz 4 adet spot ışığı kullanmanıza izin veriyor. Işıkları yerleştirmeden önce Viewshed aracıyla, bu spot ışıklarıyla hangi alanların aydınlatılabileceğini göstermek için görünür ışığın aydınlatacağı alanları modelleyeceksiniz. Mesire alanına yerleştirilecek ışıkların teknik yetkinliklerine sahipsiniz ve bu bilgileri lambaların aydınlattığı alanı modellemek için kullanmanız gerekecek.

Bu işlemleri gerçekleştirmek için gerekli olan veriler;

  • Spot ışıklarını yerleştireceğimiz mesire alanına ait DEM raster katmanı.
  • Spot ışıklarını yerleştirmek için bir nokta feature class katmanı.
  • Son olarak da bu analizi yaptığımız yeri daha iyi anlamak için Esri’nin bize sağladığı altlık haritalardan ihtiyacımızı karşılayan herhangi biri.

Bu verilerin hepsini ArcGIS PRO’ya çağırdıktan sonra analizimizi yapmaya hazırız demektir.

Sütun bilgilerini düzenlemek:

Bu adımda, yeni ışıkların aydınlatma yeteneklerini ayarlayacak şekilde Spot Noktları katmanını değiştireceğiz. Bize gereken sütunları ekleyeceğiz ve spot lambalarının özelliklerine göre bu sütunları dolduracağız.

Spot Noktaları katmanına sağ tıklayarak Öznitelik Tablosu’nu (Attribute Table) açınız. Ardından Add Field butonuna basarak yeni gelen sekmedeki Field Name sütununun en altına OFFSETA sütununu ekleyin. Ekleyeceğimiz bu sütun isimlerinin doğru yazılması ve büyük harflerden oluşması önemlidir. Viewshed analiz aracı bu bilgileri kullanabilmek için sütunları tanımaya ihtiyaç duyar.

*OFFSETA sütunu, viewshed alanının oluşturulacağı yüksekliği etkileyecektir. Gözlem noktasının yüzeydeki yükseltisine ilave edilecek dikey bir uzunluktur.

OFFSETA sütununu oluşturduktan sonra sütunun değerlerini varsayılan olarak bırakarak Viewshed aracının kullanması için diğer gerekli alanları ekleyeceğiz. Bunlar:

AZIMUTH1
AZIMUTH2
RADIUS2

Bu sütunları da ekledikten sonra ekranın üstündeki şerit bölmedeki Fields sekmesinden Save (Kaydet)’e basarak yaptığımız değişiklikleri kaydedelim.

Alanları ekledik, sırada her spot lambamız için sütun değerlerini girmek var:

Gireceğimiz bu değerler ışıkların teknik yeteneklerine dayalıdır. Lambaları aldığımız aydınlatma şirketi bu bilgileri bize ışıkları sipariş etmeden önce sağlamıştır. Bu bilgiler şunları içerir;

Her spot lambası önünde engel olmadığı sürece 400 metre uzaklığa kadar aydınlatma yapabilir ve her ışık açısal olarak 100 derecelik bir yayı aydınlatabilir.

Işıkları herhangi bir yönü aydınlatacakları şekilde yerleştirebiliriz ama öznitelik tablosunda AZIMUTH sütunlarına gireceğimiz aşağıdaki değerler, mesire alanı içindeki konumlarına göre piknik alanına bakacak şekilde bu 100 derecelik açıların içine girecek şekilde belirlendi.

Spot Noktaları öznitelik tablosuna gerekli değerleri girmek için aşağıdaki tabloyu kullanalım.

OFFSETA AZIMUTH1 AZIMUTH2 RADIUS2
3 80 180 400
3 140 240 400
3 325 75 400
3 245 345 400

Satırlara çift tıklayarak bu değerleri girdikten sonra Edit sekmesinden Save’e tıklayarak yaptığımız veri girişini kaydedelim.

Bütün bilgilerimizi girip ihtiyacımız olan veriyi oluşturduk, artık yeni ışıkların aydınlatma yeteneklerini modellemek için viewshed aracını kullanacaksınız.

Viewshed oluşturmak:

Geoprocessing bölmesinde, arama alanına viewshed yazıp gelen sonuçlardan Viewshed (3D Analyst Tools)’a tıklayın ve ardından aşağıdaki parametreleri girin:

Input raster: Mesire Alanı DEM

Input point or polyline observer features: Spot Noktaları

Output raster: Viewshed

Dünya eğrilik düzeltmelerini kullanmak için de Use earth curvature corrections kutucuğunu işaretleyin.

Ardından Run’a tıklayarak analizi çalıştırın. Biraz sonra görünürlük analizinizin sonucu Contents bölümündeki katmanlarınıza eklenecektir.

 

 

 

 

 

Eğer sonuçtan memnunsanız bu şekilde Işık direklerini mesire alanınıza yerleştirebilirsiniz. Ya da daha çok alanı aydınlatmak için direklerin boyunu yükselterek (örneğin OFFSETA değerine 3 değil de 5 metre girerek) analizi tekrarlayabilirsiniz.

Bu blog yazımızda Viewshed analizini farklı bir senaryo üzerinden gerçekleştirdik ve ArcGIS Pro arayüzünde bu analizin nasıl yapılabileceğini gördük. Bu ve bunun gibi yazılarımızdan faydalanmak için blog Sayfamızı takip etmeye devam edin lütfen.

Esri Türkiye 2018

Bu yazı için bir etiket bulunmamaktadır.
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.

 

 

Drone2Map for ArcGIS ile Üretilen PointCloud (Nokta Bulutu) Verilerinin ve Lidar Verisinin ArcGIS PRO Kullanılarak Sınıflandırılması

Nokta bulutu sahne katmanı

Nokta bulutu sahne katmanları,ArcGIS PRO üzerinde, büyük hacimli, sembolleştirilmiş ve filtrelenmiş nokta bulutu verilerinin hızlı bir şekilde gösterilmesini sağlar. Lidar da dahil olmak üzere birçok sensör verisinin görüntülenmesi ve paylaşılması için optimize edilmiştir . Nokta bulutu sahne katmanları doğrudan bir LAS veri kümesi katmanından oluşturulabilir ve platform genelinde 3D nokta bulutu içeriğini paylaşmamıza yardımcı olur. Nokta bulutu sahne katmanları LAS, ZLAS ve LAZ uzantılı veri türlerini desteklemektedir.

Geoprocessing aracı içinde bulunan Scene Layer Package seçeneği kullanılarak bir nokta bulutu sahne katmanı oluşturabiliriz . Nokta bulutu sahne katmanı, Las uzantılı nokta bulutu verilerini ve Las veri kümeleri ve  Optimize Edilmiş LAS ( .ZLAS ) biçimini destekler.

 

Sınıflandırma

Nokta bulutu sahne katmanının Katman Özellikleri, hangi noktaların çizileceğini seçmenize ve ArcGIS Pro’daki nokta bulutuna katkıda bulunan verilerin görüntülenmesini değiştirmenize izin verir.

  1. Contents bölmesinden nokta bulutu sahne katmanı seçin.
  2. Nokta bulutu sahne katmanını sağ tıklayın ve Properties seçeneğini seçin.
  3. Layer Properties iletişim kutusundan, Point Cloud Layer Filter sekmesini tıklayın.
  4. Point Cloud Layer Filter sekmesinden, istenen nokta bulutu sahne katmanı filtresini tıklayın.

Nokta Bulutu Katman Filtresi Seçenekleri

İstenen filtrenin yanında bir onay işareti görüntülendiğinde, Classification Codes veya Return Values ve Classification Flags sekmeleri  görüntülenecektir. Bu işaretli tüm noktalar görüntülenecek ve bu işarete sahip olmayan noktalar görüntülenmeyecektir.

Classification Codes

İşlemden geçirilen her lidar noktası, lazer atımını yansıtan nesnenin türünü tanımlayan bir sınıflandırmaya sahip olabilir. Lidar noktaları çıplak toprak veya toprak, gölgelik ve su dahil olmak üzere bir dizi kategoride sınıflandırılabilir. LAS dosyalarındaki sayısal tamsayı kodları kullanılarak farklı sınıflar tanımlanır.

 

* Lidar veriler üzerinde bir sınıflandırma yapıldığında, noktalar sınıflandırmanın birden fazla kategorisine girebilir. “Classification Flags” lidar noktaları için ikincil bir açıklama veya sınıflandırma sağlamak için kullanılır. LAS sürüm 1.0 ile, bir lidar noktası aynı anda atanan iki sınıflandırma özelliğini koruyamaz. Örneğin, su yüzeyinden bir lidar sınıflandırmasının nihai çıktı veri kümesinden çıkarılması gerekebilir, ancak yine de LAS dosyasında toplanan bir lidar noktası olarak yönetilmelidir.

Daha sonraki sürümlerde (LAS 1.1 ve üstü), bu sorunu çözmek için “Classification Flags” kullanılmaktadır

Lidar Verisi

Lidar (light detection and ranging), dünyanın yüzeyini detaylı bir şekilde örnekleme alınnması ve yüksek doğrulukta x, y, z ölçümleri üretmek için, lazer ışığı kullanılarak gerçekleştirilen bir optik uzaktan algılama tekniğidir. Lidar, ArcGIS ile yönetilebilen, görselleştirilebilen, analiz edilebilen ve paylaşılabilen kitlesel nokta bulutu veri setleri üretmektedir.

Her lidar noktasının, lazer atımını yansıtan nesnenin türünü tanımlayan bir sınıflandırması olabilir. Lidar noktaları çıplak toprak veya toprak, gölgelik ve su dahil olmak üzere bir dizi kategoride sınıflandırılabilir. LAS dosyalarındaki sayısal tamsayı kodları kullanılarak farklı sınıflar tanımlanır. Sınıflandırma kodları, LAS verisi sürümleri 1.1, 1.2, 1.3 ve 1.4 için Amerikan Fotogrametri ve Uzaktan Algılama Derneği (ASPRS) tarafından tanımlanmıştır. ArcGIS, LAS’ın tüm versiyonlarını desteklemektedir. 1.4 en son LAS sürümüdür ve ek nokta sınıflandırmasını desteklemektedir.

Filtre Seçeneklerinin Değiştirilmesi

Appearance  sekmesindeki filtreler grubu, ArcGIS Pro’daki LAS veri kümesine katkıda bulunan verilerin görüntülenme türünü değiştirmenize olanak sağlar. Bir LAS veri kümesi birçok LAS dosyasına ve yüzey sınıflandırmasına  referans sağlayabilmektedir. Filtreler grubu kullanılarak hangi lidar noktalarının ve yüzey kısıtlamalarının çizileceğini ayarlayabilirsiniz.

  1. Contents bölmesinden LAS veri kümesi katmanı seçin.
  2. Appearence sekmesinden, Filtreler grubunda, istenen LAS veri kümesi filtresi seçeneğini veya seçeneklerini tıklayın

LAS noktası filtrelerini değiştirme

Bir lidar verisi bir veya daha fazla özellikten yansıyabilir ve bu nedenle birden fazla lazer darbesi oluşabilir. LAS veri kümesi içinde var olan lidar verilerini görüntülemek için bu ayrı lazer filtrelerini kullanabiliriz. En yaygın filtreler, temel olarak zemin lazer dönüşleri ve özellikli lazer geri dönüşleri anlamına gelen Toprak ve Toprak olmayan’dır. Farklı lazer geri dönüş seçeneklerine dayanarak lidar verilerini ayırabilmeniz, çeşitli uygulamalar için hızlı ve verimli bir şekilde analiz etmenizi ve görselleştirmenizi sağlar.

LAS  Points filtreleri açılır menüsü, genel lidar filtrelerine erişmek için hızlı bir yol sağlar.

Aşağıdaki lidar noktası filtrelerinden herhangi birini seçin:

 

  • All Points : LAS veri kümesini görüntülemek için tüm lidar noktalarını kullanabilmemizi sağlar.
  • Ground : LAS veri kümesini görüntülemek için yalnızca yer işaretli olarak işaretlenen lidar noktalarını kullanabilmemizi sağlar.
  • Non-Ground : LAS veri kümesini görüntülemek için yer işaretli olmayan tüm lidar noktalarını kullanabilmemizi sağlar.
  • First Return Points : LAS veri kümesini görüntülemek için yalnızca ilk dönüş lidar noktalarını kullanabilmemizi sağlar.

 

 

 

Bu yazı için bir etiket bulunmamaktadır.
ArcGIS Pro ile Mini Atlas Oluşturmak

ArcGIS Pro ile Mini Atlas Oluşturmak

Büyük bir haritanın en güzel yanı her şeyi aynı anda görmenizi sağlamasıdır ancak bu haritanın sorunu ise her şeyi bir anda görebiliyor olmanızdır. Bazen anlaşılması da biraz zor olabiliyor, değil mi? Genellikle küçük haritalar daha çok sevilir çünkü kullanışlıdırlar ve yanınızda taşınabilirler. Bu blog yazısı küçük haritalardan oluşan bir atlasın hikayesini anlatmaktadır. ArcGIS Pro ile hazırlamaya başladığım, haritaların basılması ve kitapçığa dönüştürülmesi ile tamamladığım bu sürecin sonucunda elde ettiğim haritalar dikkatinizi küçük bir sayfaya odaklayan farklı bir harita okuma deneyimi sunmaktadır.

Kullanılan Veriler

Türkiye nüfusunun yaklaşık %18,6’sının İstanbul’da yaşadığı gerçeğini hepimiz biliyoruz. Küçük atlasımızın konusu, Marmara Bölgesi nüfus dağılımını göstererek bu dramatik senaryoyu yansıtmaktır. Bu atlas, 2017 TÜİK nüfus verilerinin mevcut bir takım mekansal veri kümesi ve ArcGIS Editor for OpenStreetMap aracılığıyla Open Street Map’den/ten elde edilen mekasal veri setleri birleştirilerek oluşturulmuştur.

Görselleştirme

İl ve ilçelerin nüfus verileri “Propotional Symbol” yöntemi kullanılarak görselleştirilmiştir.

2017 nüfus verilerine göre en küçük yerleşim 2.254 nüfus ile Bilecik’in İnhisar ilçesi’ne en küçük sembol atanırken, 15.029.231 nüfusu ile en büyük yerleşim olan İstanbul’a en büyük boyutlu sembol atanmıştır. Diğer tüm semboller bu iki değer arasında nüfusa oranla değişmektedir. Büyük semboller alttaki diğer coğrafi detayları görmemizi engelleyeceğinden oluşturduğumuz bu sembolleri saydamlaştırmak iyi bir fikir olabilir. Böylece üst üste gelen sembolleri de görebilirsiniz. “Color Properties” ten saydamlığı aşağıdaki görseldeki gibi ayarlayabilirsiniz.

Etiketleme

Peki oluşturmuş olduğumuz nüfusları gösteren bu sembollerin hangi yerleşime ait olduğunu nasıl görüntüleyeceğiz? Tabii ki ArcGIS’in etiketleme kabiliyetlerini kullanarak. Tüm detaylar için aynı türden bir etiketleme kullanmak, yerleşim adlarında karmaşaya neden olacağından istediğimiz görünümü bizlere sunmayacaktır. Bu nedenle nüfusun daha fazla olduğu yerleşmeleri tanımladığımız semboller daha büyük olacağından, bu yerleşimlerin etiketinin de büyük puntolar ile yazılmış olması tercihimiz olacaktır. İstediğimiz bu görünümü elde etmek için etiketleme sınıflarını kullanacağız.

Bu atlası üretmek için kullandığımız her bir etiket sınıfı için SQL sorgulamaları şu şekildedir.

Nüfusu 1,000,000’dan fazla olan yerleşimler için;

Sınıf 1: Nüfus2017 is Greater Than or Equal to 1,000,000

Nüfusu 1,000,000 ile 500,000 arasında olan yerleşimler için;

Sınıf 2: Nüfus2017 is Less Than 1,000,000 And is Greater Than or Equal to 500,000

Nüfusu 500,000 ile 100,000 arasında olan yerleşimler için;

Sınıf 3: Nüfus2017 Less Than 500,000 And Nüfus2017 is Greater Than or Equal to 100,000

Nüfusu 100,000’den daha az olan yerleşimler için;

Sınıf4: Nüfus2017 is Less than 100,000

Her etiket sınıfı için aynı yazı tipini farklı boyutlarla kullanabilirsiniz ya da renklerini değiştirebilirsiniz. Ayrıca, bu çalışmada en küçük etiket sınıfı diğerlerinden farklı olacak şekilde tasarlanmıştır, çünkü bu etiketleri sembolün orta noktasına konumlandırmaktansa dışında konumlandırmak zaten küçük olan bu sembolün görünmesini sağlayacaktır. Etiketleme hakkında daha fazla bilgi edinmek isterseniz ArcGIS Pro’nun Etiketleme Yetenekleri” blog yazımızı inceleyebilirsiniz.

Çıktı

Haritanızı, görselleştirmeyi ve etiketleme işlemlerinizi tamamladığınızda, Layout kısmından çıktı haritanızın düzenini oluşturmak için bir kâğıt boyutu seçin. Atlasınızda yer almasını istediğiniz her bir haritanız için “Map Frame” ekleyerek, çıktı almak istediğiniz haritalarınızın boyutlarını ayarlayabilirsiniz. Bu küçük atlas için benim kullandığım çıktı boyutları 10cmx10cm ve 10cm x 20cm’dir.

Atlasınızda yer almasını istediğiniz her bir harita için yeni bir harita çerçevesine ihtiyacınız olacaktır. Bu atlasta 16 harita bulunmaktadır. İsterseniz bu haritaları aynı ölçekte tutarak aynı haritanın parçaları gibi kurgulayabilirsiniz. Eğer her bir haritanız için ölçeğiniz değişecekse haritalarınızda kullandığınız ölçeği mutlaka belirtmelisiniz.

Harita çerçevelerinizden birine sağ tıklayıp “Activate” seçeneğini seçerek haritanızı etkinleştirebilirsiniz.

Seçtiğiniz harita etkinken yakınlaşıp uzaklaşma işlemi sadece o haritanızın ölçeğini değiştirecektir. Tüm haritalarınız için en iyi görünümü elde ettiğiniz ölçeği seçebilirsiniz. Her bir haritanız için kullandığınız ölçeği çıktı haritanızda göstermek için “Insert” sekmesinden ölçek ekleyebilirsiniz. Aktif harita seçiminizi isterseniz Layout sekmesinden “Close Activation”a tıklamalısınız.

Gösterim

Çalışmamızda bir atlas oluşturduğumuzdan haritalara ek olarak birkaç sayfaya daha ihtiyacımız olacak. Bu sayfalar, kapak sayfası, tüm Marmara Bölgesi’ndeki illeri gösteren genel bir harita, nüfus verilerinin yer aldığı tablo ve bir de gösterimi içermektedir.

Kullandığımız gösterim anahtarı biraz alışık olduklarımızın dışında. Bu anahtarı oluşturmak için izlemeniz gereken adımlar şu şekildedir:

  1. Nokta geometrisine sahip bir “Feature Class” oluşturun. Oluşturduğunuz haritaların dışındaki bir alana önce iki nokta koyun.
  2. Asıl gösterimimizi oluşturacak semboller için ihtiyacımız olan beş adet noktayı birebir aynı konumda çizin. Noktaları tam olarak aynı konuma koyabilmek için ekranınızın sol at köşesinde bulunan “Snapping” araçlarını kullanabilirsiniz.
  3. Öznitelik tablosuna nüfus verilerimizi işlemek için “Long Integer” tipinde yeni bir sütun oluşturalım. Oluşturduğumuz ilk iki nokta semboloji işlemimiz için gerekli oranlamayı yapmamızı sağlayacağından öznitelik tablosuna birisi için en küçük yerleşimimizin nüfusu olan 2.254 değerini, ikinci noktamıza ise en büyük yerleşimimizin nüfusu olan 15.029.231 değerini girelim. Bu iki nokta gösterim anahtarımızda yer almayacak sadece sembolleri doğru oranlarda gösterimde ifade etmek için kullanılacaktır.
  4. Bu örnek için diğer beş noktanın özniteliklerine 100.000, 500.000, 1.000.000, 2.500.000 ve 5.000.000 değerleri girilmiştir. Bunlar gösterim anahtarımızı oluşturacak değerlerdir.
  5. Ana haritanızda kullandığınız aynı semboloji metodunu ve renkleri burada kullanmalısınız. Nüfus için en küçük ve en büyük değerleri kullandığımızdan dolayı boyutlar gerçek değerleri yansıtacaktır.

Elde ettiğiniz görüntü hedef tahtasına benzeyen aşağıdaki görsele benzeyecektir.

Gösterim katmanınız için semboloji özelliklerinin “Layers” sekmesindeki Y değerini “- %50” olarak değiştirirseniz, sembolleriniz aşağıdaki görsele benzeyecektir.

İstediğimiz görünümü hala tam olarak elde edemedik. Semboller için kullandığımız renkler saydam olduğundan bu semboller üst üste geldiğinde renkleri farklıymış gibi görünmektedir. Tabi ki bunun için de bir çözümümüz var. Katmanınızı kopyalayın, birinci katmanda semboloji ayarlarından halkaların içindeki mor rengi silin ve sadece dış çerçevelerin görünmesini sağlayın.

İkinci katman için ise “Definition Query” kullanarak en büyük sembole sahip olan (nüfus2017 değeri 5.000.000 olan) detayın görünmesini sağlayın.

Layout pencerenizde halkaların göstermiş olduğu nüfus değerlerini yazabilirsiniz.

Son aşama olarak oluşturmuş olduğunuz bu haritaların çıktısını alıp bir kitapçık haline getirerek siz de kendi atlasınızı oluşturabilirsiniz.

 

 

 

Bu yazı için bir etiket bulunmamaktadır.
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