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.

 

 

 

Yerelleştirme Nedir? Çeviri ve Yerelleştirmede Yaşanılan Sıkıntılara Genel Bakış

Yerelleştirme Nedir? Çeviri ve Yerelleştirmede Yaşanılan Sıkıntılara Genel Bakış

Öncelikle bugünkü yazımda size yerelleştirme uzmanları olarak ne iş yaptığımızdan biraz bahsetmek istiyorum çünkü insanlar “Ne iş yapıyorsun?” diye sorduklarında, “Yerelleştirme uzmanı” olan cevabım onları tatmin etmediğinden ayrıca açıklama yapmak durumunda kalıyorum. Ne iş yapar bu yerelleştirme uzmanları? Şöyle açıklayayım: çevirmenlerin yaptığı çevirileri kontrol eder ve kendi ülke/şehir/yörelerine ve hedef kitleye uygunluğa göre çevirilerin düzenlenmesini sağlar. Yani bir bakıma çeviri kontrolörü, editörü. Bir çevirmen çeviri yaparken dokümanın çevirisinin hedef dilin ülkesine uygunluğunu genelde düşünmez, düşünse bile her ayrıntıya dikkat etmesi çok mümkün olmaz ve ona göre uyarlamalar yapmaz, bu yerelleştirme uzmanlarının işidir. Örneğin, bir roman çevirmeni romanı çevirirken isim ve koşulları yerel dile uygun hale getirmez, bunu gerekli ise yerelleştirme uzmanı yapar. Yani yerelleştirme uzmanı hedef dile uygunluğa hakim olmanın yanı sıra, hedef kitlenin kültürüne de hakim olmalıdır.

Her şeyden önce, ürün, hizmet ya da markanın doğru ve uygun bir şekilde konumlandırılması ve yansıtılması hem üreticinin güven kazanmasını sağlayan hem de tüketici sadakatinin kazanılmasında etkin rol oynayan bir durumdur, bunun için de birebir çeviri yerine yerelleştirme kullanılması çok daha mantıklı ve uygundur. Her şeyin çok hızlı geliştiği, değiştiği, yavaş olanın geride kaldığı içinde bulunduğumuz teknoloji çağında; söz konusu olan sanayi, seri üretim, teknoloji, uygulamalar ve ürünler olunca aynı anda hem hızlı hem de kaliteli çeviri yapmak çok mümkün olmuyor çünkü birden fazla çevirmen işin içine giriyor ve böyle bir durumda herkes elinden gelenin en iyisini yapsa bile birden çok insanın işe katılması durumundan dolayı çeviri kaliteleri düşebiliyor. Zamana karşı yarıştığımız çağımızda hızlı bir şekilde yetiştirilmesi gereken ürün ve doküman çeviri ve yerelleştirmeleri birden fazla insana zorunlu olarak verildiğinde metnin çeviri şekli değişiklik gösterebiliyor, farklı kelimeler, terimler farklı çevirmenler tarafından farklı karşılıklarla çevrilebiliyor ve bu süreçler marka ve şirketler için başa çıkılması zor bir hal alabiliyor. Bu süreçlerin hepsi bir araya geldiğinde ise şirketler ve distribütörler uygulama ve dokümanları kendi dillerinde değil ana dilinde kullanmayı tercih ediyorlar.

Bunlara ek olarak bir sözcüğün ana dil ve hedef dilde birden fazla bağlamda kullanılabilmesi ve bu bağlamların farklı dillerde farklı sözcüklerle ifade edilmesinden dolayı birçok karışıklık ve yanlışlık meydana gelebiliyor. Kişiler ve kurumlar arasında sözcüklerin kullanımı ile ilgili yaşanan ters düşmelerden ve uyuşmazlıklardan dolayı kelimeler farklı karşılıklarla çevrildiğinde karşımıza hoş olmayan bir dil anlaşmazlığı, uyuşmazlığı çıkıyor. Örneğin; İngilizce dilinde “Legend” kelimesi için tek bir karşılık varken Türkiye’de aynı kelime “Lejant” ya da “Gösterim” olarak karşılık bulabiliyor. Bir şirketin bir belgesinde “Legend” kelimesi “Lejant” olarak çevrilip başka bir belgesinde ya da aynı belgenin başka bir satırında ise “Gösterim” olarak çevrildiğinde ortaya pek de hoş olmayan bir dil uyuşmazlığı çıkıyor. Bunun yanında, yapılan çeviri teknik ise, hedef dilin kullanıcıları teknik terim karmaşasından dolayı kafa karışıklığı yaşayabiliyorlar. Yani “Legend” kelimesinin karşılığını “Lejant” olarak bilen bir kullanıcı, müşteri, kişi aynı kelimeyi “Gösterim” olarak gördüğünde bahsedilen şeyin “Legend” olduğunu doğal olarak anlamayabiliyor.

 

Bu konuda yardım/destek alınabilecek güvenilir kurumlar elbette var, ancak yine de yetersiz kalıyorlar çünkü birden çok güvenilir kurum bulunmasından ve bu kurumlar arasında her sözcük üzerinde tam bir dil birliği ve anlaşması sağlanamadığından dolayı çevirmenlerin ve yerelleştirme uzmanlarının kafası karışabiliyor. Bazı durumlarda en güvenilir Türkçe kaynak olarak gördüğümüz Türk Dil Kurumu’nda bile her sözcüğün tam karşılığını bulmak pek mümkün olmayabiliyor.

Bunların yanında, uzun zaman boyunca bir ürünü, uygulamayı, hizmeti ana dilinde kullanmış bir kullanıcı, yerelleştirme işleminden sonra uygulamaya yabancılık çekebiliyor ve teknik terimleri anlamayabiliyor. Örneğin, ArcGIS Desktop ürünümüzü yıllarca İngilizce kullanmış bir kullanıcımız Türkçe halini kullandığında kafa karışıklığı yaşayabiliyor. Çünkü her aracın, araç kutusunun Türkçe’de tam karşılığı bulunmuyor ya da İngilizce kullanımda bir kelime ile ifade edilmiş bir araç adı Türkçe’de bir cümleye karşılık gelebiliyor, ki bu durumda da araç adını Türkçeleştirmek pek de mantıklı görünmüyor.

Tüm bu durumlar ve sıkıntılar göz önüne alındığında, çeviri ve yerelleştirme süreçlerinin zor süreçler olduğunu kabul etmek kaçınılmazdır. Bu yüzden Esri Türkiye olarak ürünlerimizin, uygulama ve hizmetlerimizin Türkçeleştirilmesi ve düzgün ve uygun bir şekilde İngilizce dilinden Türkçe’ye çevrilmesi için elimizden gelenin en iyisini yapıyoruz ve yapmaya da devam edeceğiz.

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.

 

 

 

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

 

Area Solar Radiation Aracı İncelemesi

 Meteoroloji, enerji şirketleri, inşaat mühendisliği, tarım ve ekolojik araştırma gibi bir çok alan için yararlı olan güneş enerjisinin anlamlandırılabilmesi ve yorumlanabilmesi için büyük kolaylık sağlayan solar radyasyon aracını inceleyeceğiz.

Örneğin, bir bölgenin bir zaman dilimi boyunca ne kadar güneş aldığının bilgisi, bir kayak tesisi için yeni bir alanın belirlenmesinde veya optimal büyüme için özel mikro iklim koşullarının gerekli olduğu özel mahsullerin yetiştirilmesi için en iyi konumların belirlenmesinde yararlı olabilir. Başka bir örnekte, orman yangınlarının davranışlarını tahmin etmek ve en iyi yangın söndürme yöntemleri ile ilgili kararlar almak için insolasyon haritalarının önemi kanıtlanmıştır. İnşaat mühendisliği ve şehir planlaması için, ensolasyon, optimum yerleri belirlemek için kullanılan uygunluk modelleri için önemli bir girdi olabilir.

Solar Radiation analiz araçları yatay bir alanda veya belirlenen özel konumlarda Rich(1990) ve arkadaşlarının(1994) geliştirdiği ve daha sonra ileri düzeye Fu ve Rich’in taşıdığı yarıküresel görüş açıklığı algoritmasıyla güneşlenme süresini hesaplar.

Bu yazı, Esri Türkiye’nin 2017 yılında düzenlemiş olduğu Genç Bilginler Yarışması’nın kazananı Balca Ağaçsapan ve ekibine ait “İnsansız Hava Aracı Verileri Kullanılarak Bina Çatılarının Fotovoltaik Potansiyellerin CBS Tabanlı Değerlendirilmesi” başlıklı projede kullanılan önemli araçlardan bir tanesi olan “Area Solar Radiation” aracına ait parametrelerin kısa bir incelemesidir.

 

 

Input raster: Yükseklik bilgisini barındıran raster verinin (DEM) tanımlandığı alan.

Output global radiation raster: Girdi verisinin her bir konumunda hesaplanan toplam solar güneşlenmenin kaydedileceği çıktı küresel radyasyon verisi. Birimi metrekareye bir saatte düşen watt cinsindendir (WH/m²).

Latitude (optional): Alana ait enlemin tanımlandığı alan. Birimler on’luk derece cinsindendir ve bu birimler; alan kuzey yarımkürede ise pozitif, güney yarımkürede ise negatif olarak değer alırlar. Mekansal referans barındıran veriler için; ortalama enlem otomatik olarak hesaplanır, eğer mekansal referans barındırmıyorsa enlem değeri varsayılan olarak 45 derece enlemi gelir.

Sky size/ Resolution (optional): Gökyüzü ve Güneş haritaları rasterlarında görülebilir alan için gökyüzü boyutu ve netlik(çözünürlük) ayarının yapıldığı alan. Birimi hücrelerdir. Varsayılan olarak bırakılırsa 200’e 200 hücre matrisine sahip bir raster üretilir.

Time configuration (optional): Hesaplamalar için bir zaman periyodunun ayarlandığı alandır.

Special days: Gündönümü (yaz ve kış) ve ekinokslar için solar güneşlenmeyi hesaplar. İlkbahar ve sonbahar ekinoksları aynı kabul edilir.

Within a day: Tek bir gün içinde belirlenen zaman periyodunda hesaplama yapar. Bu seçenek seçildiğinde Date/Time settings penceresindeki parametreler seçtiğiniz tarihin yılın kaçıncı gününe denk geldiğini gösteren bir kutucuğa (day number of the year) ve  Start ve End time kısmında da bu seçtiğiniz tarihte analizi gerçekleştirmek istediğiniz saat aralığını belirleyebilirsiniz. Başlangıç ve bitiş saat aralığını belirlerken kutucukların yanında bulunan saat butonu yardımıyla Yerel Standart Zaman veya Yerel Güneş Zamanı arasında seçim yapabilirsiniz. Bu alanda alanınıza ait boylam derecesi ve saat dilimi belirlemelerini yapabilirsiniz.

Multiple days in a year: Bir yıl içinde belirlenen birden fazla günlük periyodlar dahilinde hesaplama yapar. Yıl, Başlangıç günü ve Bitiş günü belirlenir. Bitiş günü, Başlangıç gününden önce girilirse; Bitiş günü bir sonraki yıla ait olarak kabul edilir. Varsayılan olarak gelen değer Başlangıç gününü Julian takvimine göre (belirlenen tarihin, yılın kaçıncı günü olduğu) 5, Bitiş tarihini ise 160 alır. Başlangıç ve Bitiş tarihlerini girebilmeniz için bu kutucukların yanına ayrıca bir Takvim ikonu yerleştirilmiştir.

Whole year monthly interval: Bütün bir yıl boyunca, aylık fasılalar halinde bir hesaplama yapar. Bu seçenek seçildiğinde alt kısımda bulunan “Create outputs for each interval (optional)” seçeneğinin çeki atılırsa eğer; her ay için ayrı bir çıktı ürünü ortaya çıkacaktır. Çekin atılı olmadığı durumlarda ise tüm bir yıl için tek bir çıktı ürünü olacaktır.

Day interval (optional): Güneş haritası oluşturulmak istendiğinde gökyüzü katmanları üzerinde hesaplama yapılması için yıl boyunca bir zaman aralığı verilir.  Birimi gün’dür.Varsayılan değer 14 gün (iki haftalık) olarak gelir.

Hour interval (optional):  Güneş haritası için gökyüzü katmanları üzerinde hesaplama yapılırken gün aralığı belirlenebildiği gibi saat aralığı da belirlenebilmektedir. Birimi saat’tir. Varsayılan olarak gelen değer 0.5’tir. Bu da her yarım saatte bir hesaplama yapılacağı anlamına gelir.

Topographic parameters:

Z factor (optional): Yüzey z birimleri zemin x, y birimlerinden farklı birimler halinde ifade edildiğinde, hesaplamaların düzeltilmesi için bir z-faktörünün kullanılması esastır. Doğru sonuçlar elde etmek için z birimleri x, y zemin birimleriyle aynı olmalıdır. Birimler aynı değilse, z birimlerini x, y birimlerine dönüştürmek için bir z faktörü kullanılır. Örneğin, x, y birimleriniz ve z birimleriniz feet ise, feet’i metreye dönüştürmek için 0.3048’lik bir z faktörü belirtebilirsiniz.

Slope and aspect input type (optional): Analiz için gerekli olabilecek olan eğim ve bakı bilgisinin nereden alınacağı belirlenir.

FROM_DEM: Eğim ve bakı bilgisinin girdi raster yüzeyinden alınacağını belirtir. Varsayılan olarak gelen değerdir.

FLAT_SURFACE: Sabit bir değer verilerek eğim ve bakı için kullanılır.

Calculation directions (optional): Görülebilir alanlar belirlenirken kullanılan azimut yönleridir. Bu alana girilebilecek değerler 8’in katları şeklinde olmalıdır. Karmaşık topoğrafyaya sahip alanlar için yeterli olan ve varsayılan olarak gelen değer 32’dir.

Radiation parameters:

Zenit divisions (optional): Gökyüzü katmanları oluşturulurken kullanılacak bölüm sayısının girildiği alan. Varsayılan değer 8 bölümdür (zenite bağlı olarak). Bu alana girilecek olan değerler sıfırdan büyük ve gökyüzü değerinin yarısından küçük olmalıdır.

Azimuth divisions (optional): Kuzey ile ilişkili olarak varsayılan değer 8’dir. Bu alana girilebilecek değerler 8’in katları şeklinde ve sıfırdan büyük, 160’dan küçük olmalıdır.

Diffuse model type (optional): Radyasyon dağılımının modelleme türünün belirlendiği alan.

UNIFORM_SKY: Genel dağılım modeli. Radyasyon dağılımının tüm gökyüzü yönlerinde aynı olduğu varsayılır. Varsayılan model tipi olarak bu seçenek seçilidir.

STANDARD_OVERCAST_SKY: Standart bulutlu hava dağılım modellemesini yapacak seçenektir.Gelen radyasyon dağılımının zenit açısı ile akış değişkenleri ele alır.

Diffuse proportion (optional): Normal küresel radyasyon dağılımının orantısı. Değer aralığı 0 ile 1 arasındadır. Bu değer atmosfer koşullarına göre ayarlanmalıdır. Genel olarak gökyüzü akımlarını temizlemek için varsayılan olarak gelen değer 0,3’tür.

Transmittivity (optional): Atmosferden geçen radyasyon fraksiyonu (tüm dalga boylarının ortalaması). Değer aralığı 0 (iletim yok) ile 1 (tümü iletilir) arasındadır. Varsayılan olarak gelen ve gökyüzünü netleştirmek için genellikle yeterli olan değer 0.5’tir.

Optional outputs:

Output direct radiation raster (optional): Her lokasyon için doğrudan gelen solar radyasyon bilgisini barındıracak çıktı raster verisi. Birimi WattSaat/m²’dir.

Output diffuse radiation raster (optional): Her lokasyon için gelen solar radyasyon dağılımı verisini barındıracak olan çıktı raster verisi. Birimi WattSaat/m²’dir.

Output direct duration raster (optional): Doğrudan gelen solar radyasyon süresini barındıracak raster veri. Birimi Saat’tir.

Solar Radyasyon çalışmasına bir örnek:

 

Yandakigörselde, bir üzüm bağı için potansiyel alanları temsil eden bir yamaçta dört yer (kırmızı noktalar) seçilmiştir. Üzümlerin büyümesini en üst düzeye çıkarmak için, büyüme mevsiminde (Nisan-Ekim) hangi noktaların en fazla güneşe maruz kalacağı belirlenmelidir.

 

 

 

 

Alanın solar radyasyon analizi sonucuna göre, yaz ayları boyunca en yüksek radyasyon miktarının nerede olduğunu gösteren insolasyon haritası (direct + diffuse, WH / m2) oluşturulmuştur. (kırmızı = yüksek solar radyasyon; mavi = düşük solar radyasyon).

 

 

 

 

Solar radyasyon analizinden elde edilen öznitelik tablosu, her bir saha konumu için hesaplanan küresel güneş çarpmasını gösterir. Konum 3 (mavi renkle vurgulanmıştır) en yüksek güneş ışığına sahiptir ve bu kritere göre üzüm yetiştirmek için en iyi yer olarak düşünülebilir.

Coğrafi Kodlamanın Kolaylığını “Geocoding” İle Keşfedin!

İnsanların kendi arazilerinin sınırlarını belirleme ihtiyacıyla başlayan ilk harita oluşturma süreci günümüzde de çeşitli konuların mekânsal olarak belirtilmesi için kullanılmaktadır. Coğrafi Bilgi Sistemleri’nde harita üzerinde mekânsal olarak konumun belirlenmesi coğrafi kodlama (Geocoding) ile yapılır.

Geocoding Nedir?

Geocoding, bir yerin koordinatları, adresi veya o yerin ismi gibi herhangi bir açıklamasını bir konuma dönüştüren işlemdir. Bu işlem sonucunda ortaya çıkan konumlar haritalama veya mekânsal analizler için kullanılabilecek özelliklere sahip olacak şekilde ortaya çıkar.

Geocoding işlemini kısaca harita üzerinde adres tanımlama olarak da ifade edebiliriz. Bu tanımlama işlemi tek bir adresi etkileşimli olarak girmenizi ve haritadaki yerini bulmanızı sağladığı gibi milyonlarca adres içeren bir veri tabanı tablosuna erişmenizi ve bulunan her adres için bir nokta özellikleri oluşturmanızı da sağlar.

Basit veri analizlerinden iş ve müşteri yönetimine kadar geocoding işleminin kullanılabileceği çok çeşitli uygulamalar vardır. Coğrafi kodlanmış adreslerde, adres konumlarını mekânsal olarak görüntüleyebilir ve bilgi içindeki kalıpları tanıyabilirsiniz. Bu, sadece bilgilere bakmak veya ArcGIS ile mevcut olan analiz araçlarını kullanarak yapılabilir. Ayrıca, adres bilgilerinizi belirli parametrelere göre görüntüleyebilir, böylece bilgileri daha fazla analiz edebilirsiniz.

Geocoding, basit bir iş akışına sahiptir. Bu iş akışı temel olarak dört işlemden oluşur;

  1. Referans verilerinizi alın ya da oluşturun: Adres bilgilerini içeren özellik sınıflarından oluşturulmuş nokta, çizgi veya alan geometrisine sahip referans verilerinizi veri tabanınızdan alın ya da oluşturun.
  2. Adres bulucu stilinizi seçin: Oluşturduğunuz referans verilerinin ev numarası, sokak adı veya posta kodu gibi bir adres belirleyici stili tarafından istenen adres öğelerine denk gelen alanları içerdiğine at edin.
  3. Adres bulucunuzu oluşturun: Adres bulucuyu seçili adres bulucu stili ile oluşturup referans verileriyle adres bilgilerini içeren özellik sınıflarını yükleyin.
  4. Adres eşleştirmenizi yapın: Verilerinizi oluşturduğunuz adres bulucu ile eşleştirin. İlk eşleştirmeniz sırasında tüm adreslerinizi eşleştiremediğiniz takdirde eşleşmeyen adreslerinizi yeniden düzenleyip, eşleştirin.

Adres tanımlama işlemini yaparken elimizdeki verinin doğruluk ve hassasiyet derecesi parametrelerinize bağlı olarak farklı şekillerde sonuç elde etmenizi sağlar. Örneğin; belirli bir bölgede kahve satışı yapan bir kafenin müşteri listesi elimizde olsun. Bu listede müşterilerin adları, adresleri, satın alma alışkanlıkları gibi bilgiler olsun. Bu bilgilerin doğruluk ve hassasiyet seviyelerine göre geocoding işlemi sonucunda çıkan konumları şekildeki gibi (Şekil 1) değişebilir. Sizin belirlediğiniz bu parametrelere göre değişen sonuçlarınız da pazarlama stratejilerinizi, belirli müşteri grubu hedef analizleriniz ve bu hedeflere yönlendirmeniz gibi birçok çözüm yöntemi olarak kullanılabilir.

Şekil 1: Doğruluk ve Hassasiyet Arasındaki İlişkiye Göre Geocoding İşlemi

(Kaynak: https://www.esri.com/arcgis-blog/products/arcgis-enterprise/analytics/geocoding-delivering-high-location-accuracy/ (Erişim Tarihi: 29/05/2018))

Geocoding İşleminin Kullanıldığı Projelerden Örnekler

Geocoding işlemini analizlerinizde sonuca giderken yardımcı araç olarak da kullanabilirsiniz. Bunun için aşağıda dünyadaki tüm Esri kullanıcılarının sorunlarının çözümleri için uyguladığı örnekleri inceleyebilirsiniz;

  • Amerika Birleşik Devletleri’nde Brevard County, Florida’da yapılan trafik kazalarının nerede ve ne zaman meydana geldiğini belirleyerek kazaların önlenebilmesi amacıyla bir çalışma yapılmıştır. Bu çalışma sırasında Lixin Florida Üniversitesi GeoPlan Merkezi’nden 2010-2015 yılları arasındaki her motorlu taşıt trafik kazası için yer, tarih ve saati içeren veriler alınarak bunun geocoding işlemi ile harita üzerine işlenmesi yapılır. (Daha detaylı bilgi için; http://desktop.arcgis.com/en/analytics/case-studies/analyzing-crashes-1-overview.htm)

Sonuç

Geocoding, tanım olarak harita üzerinde adres tanımlama olarak özetlense de yukarıdaki örneklerden de görebileceğiniz gibi kamu güvenliğinden yangın departmanına, polis departmanından planlama birimlerine kadar pek çok alanda gitmek istenilen çözüme göre ana veya ara işlem olarak uygulanabilir. Bunun için, coğrafi kodlamanın kolaylığını geocoding ile keşfedebilirsiniz!

Faydalı Linkler:

Geocoding işleminin nasıl yapıldığına dair aşağıdaki linklere bakabilirsiniz;