ArcGIS Pro ile Piksel Tabanlı Denetimli Sınıflandırma Aracılığıyla Raster Verinizi Analiz Edin

ArcGIS Pro ile Piksel Tabanlı Denetimli Sınıflandırma Aracılığıyla Raster Verinizi Analiz Edin

Esri’nin 64-bit ile çalışan, masaüstü çözümlerinden biri olan ArcGIS Pro ile görüntü analizi, görüntü işleme ve görselleştirme alanlarında birçok yeteneğe sahiptir. Image Analyst bileşeniyle birlikte raster verileriniz üzerinde sınıflandırma, değişim tespiti, derin öğrenme gibi çok çeşitli işlemler gerçekleştirebilirsiniz. Görüntü sınıflandırma işlemini denetimle ve denetimsiz olmak üzere iki yöntemle gerçekleştirebilirsiniz. Bu blog yazımızda kullanıcının tanımlamaları doğrultusunda ilerletilen denetimli sınıflandırma işlemi ile ArcGIS Pro içerisinde, görüntü üzerinde piksel tabanlı bir sınıflandırmanın nasıl gerçekleştirilebileceğinden bahsedeceğiz.

Denetimli sınıflandırma, görüntü üzerinde kullanıcının tanımladığı örnekler kullanılarak gerçekleştirilen sınıflandırmadır. Kullanıcı raster görüntü üzerinde gerçekleştirdiği örnek tanımlamaları bir dosyaya aktarmış olur. Bu örnek veriler sayesinde, denetimli sınıflandırma ile spektral olarak benzer değerlere sahip hücreler toplanır ve bunlar belirli sınıflar olarak tanımlanır. Her örnek veride bulunan hücrenin istatistiksel analizi Esri sınıflandırma tanım dosyası (.ecd file) oluşturmak için kullanılmaktadır.

Denetimli sınıflandırma kullanıcı tarafından oluşturulan örnek veriye dayandığı için iyi bir sınıflandırma sonucu elde etmek adına örnek verinin titizlikle toplanmış olması gerekmektedir. Örnek veri oluşturulurken görüntünün içerdiği ögeler iyi analiz edilmelidir. Örneğin, farklı renkte bina çatıları gibi farklı gözüken fakat aynı tipte ögeler olabilir.

Görüntü içerisinden seçeceğiniz örneklerin netliğinin iyi olması, sınıf karışıklıklarının azalmasını ve sınıflandırma sonuçlarınızın doğruluğunun artmasını sağlar. Homojen renk dağılımına sahip örnekler seçmeniz bu açıdan önemlidir.

Örnek Dağılımının Değerlendirilmesi

  • Spektral Olarak Net Örnekler:

Topladığınız örneklerin band dağılımlarını incelediğinizde histogram ne kadar darsa spektral değerler o kadar tek ve net toplanmış anlamına gelmektedir. İdeal örnekler histogramda belirgin tepelere sebep olacaktır.

  • Piksel Sayısı:

Örneklerinizi değerlendirirken, her sınıf için histogram sonuçlarını ve piksel sayılarını dikkate almalısınız. Bir örnekte çok sayıda piksel varsa bu piksellerin spektral anlamda saf olduğundan emin olmalısınız. Örneğiniz çalışma alanı içerisinde birden fazla şekilde tekrar ediyorsa yüksek bir piksel sayısı değerine sahip olabilirsiniz.

  • Örneklerin Ayrılması:

İki farklı örneği spektral olarak karşılaştırdığınızda, değerlerin ortalama çevresindeki dağılımını değerlendirebilirsiniz. Örnekleriniz histogram birden fazla tepe noktasına sahipse bu, örnekleri farklı sınıflara ayırmanız gerektiği anlamına gelir.

  • Örneklerin Birleştirilmesi:

Sınıflandırma için örneklerin toplanmasının ardından oluşturulacak “Esri Signature File” olarak adlandırılan dosyanın her sınıftan birer örnek içermesi, sınıflandırma sonucunun nitelikli olabilmesi için önemlidir. Bu dosya içerisindeki örneklerin aynı spektral değere sahip olarak seçilmesi, sınıfların ayrıştırılabilmesi için elzemdir.  Ancak histogramda aynı değer üzerinde bir çakışma varsa bu örneklerin aynı sınıfta birleştirilmesi düşünülebilir.

ArcGIS Pro ile Piksel Tabanlı Denetimli Görüntü Sınıflandırma İş Akışı

ArcGIS Pro ile sınıflandırma işleminizi gerçekleştirirken Görüntü Sınıflandırma Sihirbazı’nı (Image Classification Wizard) kullanabilirsiniz. Bu sihirbaz arkada birçok coğrafi işlem aracını sizler için çalıştıracak ve size sadece konfigürasyona dair bilgileri girme işi kalacaktır. Arka planda çalışan araçları ArcGIS Pro araç kutusundan bularak siz de çalıştırabilirsiniz, sihirbaz yalnızca belirli bir sıralama ile bu araçları çalıştırarak sizi doğru sonuca götürecektir.

Konfigürasyon: Bu aşamada hangi sınıflandırma metodunu ve tipini kullanacağınızı belirlersiniz. Bununla birlikte bu aşamada sınıflandırma şemanızı ve çıktı dosya yolunu belirleyebilirsiniz.

Örneklem Sınıflandırıcı: Örneklerinizi ve sınıflandırma şemanızı belirler ve sihirbaza tanıtırsınız. Denetimli sınıflandırma yolunu izlediğimiz için kendi oluşturduğunuız örnekleri ve şemayı tanıtabilirsiniz.

Raster Sınıflandırma: Bu adımda sınıflandırılmış raster ve Esri sınıflandırma tanım dosyası (Esri classifier definition file) olarak adlandırılan dosya oluşturulur.  Oluşturulan bu dosya ile spektral olarak benzer olan diğer rasterlarınızı da sınıflandırabilirsiniz.

Sınıfları Birleştirme: Sınıflandırma esnasında oluşturduğunuz alt sınıflarınız varsa bu aşamada birleştirebilirsiniz.

Yeniden Sınıflandırma: Eğer yanlış olarak tanımlanan sınıflar varsa, sınıflandırmayı dışa aktarmadan önce bu aşamada yeniden sınıflandırma işlemi yapabilirsiniz.

 ArcGIS Pro ile Örnek Sınıflandırma Çalışması

ArcGIS Pro Basic, Standard veya Advanced seviyedeki lisanslarınıza ek olarak bu gerçekleştireceğimiz çalışmada ArcGIS Spatial Analyst ve Image Analyst lisansınız olması gerekmektedir. TIFF veri türündeki bir raster verisi ile örnek bir çalışma gerçekleştireceğiz. Yapılan değişiklikler raster veri türünüze ve içerdiği band sayısına göre değişiklik gösterebilir.

  • ArcGIS Pro içerisinde yeni bir proje oluşturarak raster verimizi açık olan çalışmaya ekleyiniz.

  • “Catalog” bölmesi içerisinde raster verinize sağ tıkladığınızda “Properties” penceresini açınız. Bu pencerede verinizin kaç banda sahip olduğu, çözünürlüğünün ne olduğunu ve format bilgilerini bulabilirsiniz.

  • Bu aşamada görüntünün band kombinasyonun değiştirilerek, yani sembolojide renkleri farklılaştırılacaktır. Böylelikle görüntünün analiz edilmesi kolaylaşacaktır.
  • Contents bölmesinde raster katmanı seçili iken; ArcGIS Pro üst panelinde yer alan Raster Appearance sekmesinde>Rendering grubu Symbology butonuna tıklayarak semboloji ile ilgili pencereyi görüntüleyebilirsiniz.

Bu raster için uygun band kombinasyonu;

Red: Band_4

Green: Band_2

Blue: Band_1 olarak değiştirilecektir. Böylelikle bitki örtüsü içerek alanlar kırmızı renkte gözükecektir.

  • Sınıflandırmak istediğiniz raster katmanı “Contents” panelinde seçili iken pencerenin üst kısmında “Classification Tools” butonu altında Segmentation Training Samples Manager’a tıklarsanız örnek veri toplamak için gerekli olan sihirbaz açılır. Alternatif olarak ArcGIS Pro Image Classification Wizard’ı kullanırsanız da sınıflandırma için gerekli tüm işlem adımlarını sırayla sizler icin gerçekleştirir.

Training Sample Manager kullanılarak hazırlanmış örnek sınıfları aşağıda görebilirsiniz. Bu örnekler poligonlar çizilerek görüntü üzerinden toplanmıştır.

Yukarıdaki ekranda her sınıf için kaç tane örnek toplandığı ve bu örneklerin piksel değerleri de gösterilmiştir.

Bu senaryoda kullanılan raster katmanı 9 sınıf içermektedir. Her sınıf farklı piksel değerlerinden toplanarak oluşturulmuştur. Bu çalışmada farklı renkteki çatılardan ve açık/koyu zeminlerden örnekler toplanmıştır.

Toplanan örnekler Image Classification Wizard panelinde sınıflandırma işlemi için kullanılacaktır.

  • Görüntü Sınıflandırma Sihirbazında ilk adımda;
    • Classification Method: Supervised
    • Classification Type: Pixel based
    • Classification Schema olarak Training Samples Manager kullanılarak toplanan örnek verilerin .ecs uzantılı dosyası tanıtılır.
    • Next butonuna basarak bir sonraki aşamaya geçebilirsiniz.

  • Training Samples Manager ekranında halihazırda toplanmış olan örnek verileri tanıtarak ilerleyebilirsiniz. Örnek veri toplama işlemleri için detaylı bilgiye https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/training-samples-manager.htm bağlantısından ulaşabilirsiniz.
  • Sınıflandırıcı olarak “Maximum Likelihood” yöntemi seçilerek ilerleyiniz. Maximum Likelihood yöntemi geleneksel bir görüntü sınıflandırma tekniğidir. Bu teknik birbirine en fazla benzerlik gösteren, normal dağılımlı pikseller üzerinde sınıflandırma gerçekleştirir ve karar alma sürecinde Bayes teoremini kullanır. Sınıflandırma tekniklerine dair detaylı bilgiye https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/the-image-classification-wizard.htm bağlantısından erişebilirsiniz.

Sağ altta yer alan Run tuşuna basarak sihirbazdaki adımları tamamlayabilirsiniz. İşlemin sonunda sınıflandırılmış raster veriniz katman olarak Contents bölmesine eklenecektir.

  • “Classify” adımında Output Classified Dataset, Output Classifier Definition File (.ecd) dosya adı belirlenir. Ekranında sağ altında yer alan Run butonuna basarak ilerleyebilirsiniz.

  • Eğer örnek sınıflarınızın birleştirilmeye ihtiyacı varsa bir sonraki aşamada Merge Classes işlemi gerçekleştirilebilir. Bu çalışmada herhangi bir işlem yapmadan diğer adıma, Reclassify adımına geçiyoruz.
  • Reclassify adımında yanlış olduğunu tespit ettiğiniz bir sınıflandırma varsa değiştirebilir, yeniden sınıflandırma işlemini gerçekleştirebilirsiniz. Bu işlemi obje seçerek veya alan çizerek belirleyebilirsiniz. Çalışmada Reclassify işlemine gerek olmadığı için bu adımı da geçerek ekranın sağ altında yer alan Run butonuna yeniden tıklıyoruz.

Reclassify aracı da işlemi tamamladığında “Finish” diyerek sihirbazın yürüttüğü süreci tamamlayınız.

Faydalanılan Kaynaklar:

  • https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/overview-of-image-classification.htm
  • https://pro.arcgis.com/en/pro-app/tool-reference/image-analyst/understanding-segmentation-and-classification.htm
  • https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/the-image-classification-wizard.htm
  • https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/training-samples-manager.htm
  • https://www.esri.com/training/

ESRI Türkiye, 2019

 

Bu yazı için bir etiket bulunmamaktadır.
ArcGIS Pro 2.3 Yenilikleri: Görüntü Analizi ve Uzaktan Algılama

ArcGIS Pro 2.3 Yenilikleri: Görüntü Analizi ve Uzaktan Algılama

ArcGIS Pro görselleştirme, görüntü işleme ve yönetimi için temel masaüstü uygulamasıdır. Image Analyst ek bileşeni ise görüntü analizi ve görüntü yorumlama için birçok aracı içermektedir. Bu ek bileşen görüntü analistleri, mekansal analiz uzmanları, görüntü yorumlanma ve bilgi çıkarımına odaklanan herkes için tasarlanmıştır.

ArcGIS Pro 2.3 sürümünün bir parçası olarak, Image Analyst ek bileşeni birçok gelişmiş yetenek ve özellik ile geliştirilmiştir. Deep Learning (Derin öğrenme), motion video (hareketli video), görüntü analizi işlevlerine ek olarak stereo ve image space özelliklerinde de kalite iyileştirmelerine ve hata düzeltmelerine odaklanılmıştır.

Yeni yeteneklerden bazıları:

Görüntü Yönetimi

2019 yılında Esri’nin birçok konuda tüm dünyada olduğu gibi bulut teknolojisine vereceği önem aşikardır. Esri tarafından düzenlenen Partner Conference, Developer Summit gibi birçok etkinlikte de yapılan duyurular da bulut ortama verilen önemi destekler niteliktedir.

ArcGIS Cloud Storage Connection:

ArcGIS, mozaik veri kümesi (Mosaic Dataset) ile büyük boyutlu raster verilerinizi yönetebilmenizi sağlamaktadır. ArcGIS Pro 2.3 ile birlikte ArcGIS Cloud Storage’in sunmuş olduğu bulut bağlantıları sayesinde doğrudan bulut mağazalarına bağlanmanıza klasörlere göz atmanıza ve projenizdeki raster verilere erişmenize imkan tanır. Amazon Web Services, Azure, Alibaba, Google, Huawei ve Webhdfs şu anda desteklenen bulut mağazalarıdır.

Catalog penceresinde veya Catalog görünümünde “Cloud Stores” kategorisinden bir bulut depolama bağlantısı ekleyebilirsiniz. Aynı zamanda Insert şerit menüsünden Connections butonuna tıklayarak yeni bir bulut depolama bağlantısı ekleyebilirsiniz.

Harita Üretimi

Orto Haritalama – Hava araçlarıyla sağlanan görüntülerin işlenmesi:

Build Frames & Cameras Table aracıyla drone, hava fotoğrafı ve taranmış fotoğraflarınızı orto haritalama için hazırlayabilirsiniz. Çerçeve ve kamera tablosu üretimi “Ortho Mapping Workspace Wizard” ile birlikte manuel olmaktan çıkmıştır. Bu araç, kamera tablosu ve çerçeve tablosu şema bilgilerini doldurduğunuz ve iç yönlendirme bilgilerini hesapladığınız bir iletişim kutusu açar. Kameranızın modelini ve temel bilgilerini vererek, afin dönüşümü için gerekli ayarlamaları otomatik olarak yapabilirsiniz.

Analizler:

Derin Öğrenme ve Görüntü Sınıflandırma:

Makine öğrenimi ve görüntü sınıflandırma araçları, kullanıcıların gelişmiş sınıflandırma ve makine öğrenimi algoritmalarını kullanarak arazi bitki örtüsü ve arazi kullanımı sınıflandırma haritaları gibi türetilmiş ürünler yaratmasını sağlamaktadır. ArcGIS, yıllardır uzaktan algılama görüntülerini istatistiksel ve makine öğrenmesi sınıflandırma yöntemlerini kullanarak sınıflandırmayı olanaklı hale getirmiştir. ArcGIS bu yetenekleri artırarak, ArcGIS Pro 2.3 ile birlikte derin öğrenme modellerini doğrudan CBS iş akışlarına dahil edilmesini sağlayan derin öğrenme araç setini (Deep Learning Toolset) piyasaya sürmüştür.

Deep Learning araç seti üç yeni coğrafi işlem aracını içermektedir. Bu araçlar, TensorFlow, CNTK ve Keras gibi derin öğrenme çerçeveleri tarafından oluşturulan derin öğrenme modellerini kullanan görüntü sınıflandırma ve nesne algılama iş akışlarını destekler. Derin öğrenme işlemlerini gerçekleştirmek için girdi verisi olarak kullanılan eğitim örneklerini ve meta veri oluşturmayı basitleştirmek için “Export Training Data For Deep Learning” aracında iyileştirmeler ve güncellemeler yapılmıştır. Araçlardan bazıları şu şekildedir:

  • Classify Pixels Using Deep Learning: Bu aracı kullanarak girdi raster verinizde derin öğrenme modellerini kullanarak sınıflandırılmış raster veri üretebilirsiniz.
  • Detect Objects Using Deep Learning: Bu aracı kullanarak girdi görüntüde bulunan nesneleri içeren bir katman üretebilirsiniz.
  • Non Maximum Suppression: “Detect Objects Using Deep Learning” aracını kullanarak çiftli üretilen nesneleri tespit ederek yinelenen nesne içermeyen çıktı üretebilirsiniz.

Raster Fonksiyonları:

Image Analysis ek bileşeninde ArcGIS Pro 2.3 ile birlikte analistlerin karmaşık ve özel görüntü işleme algoritmalarını tasarlamalarını ve çalışmalarını sağlayan raster fonksiyonlarının sayıları arttırılarak iyileştirilmeye gidilmiştir. Bu sürüm ile birlikte ArcGIS’e aşağıdaki raster fonksiyonları eklenmiştir:

  • Corridor: İki girdi kümülatif maliyet rasterı için kümülatif maliyetlerin toplamını hesaplar.
  • Focal Statistics: Her girdi hücre konumu için, etrafındaki diğer komşu hücrelerin değerler istatistiğini hesaplar.
  • Lookup: Girdi raster verinin tablosunda bulunan diğer sütunlardaki değerlere göre yeni bir raster oluşturur.
  • Path Allocation: Yatay ve dikey maliyet faktörleriyle birlikte yüzey mesafesini hesaba katarken, bir maliyet yüzeyindeki en düşük toplanmış maliyete dayanarak her hücre için en düşük maliyetli kaynağı hesaplar.
  • Path Distance: Yatay ve dikey maliyet faktörleriyle birlikte yüzey mesafesini hesaba katarken, her bir hücre için en düşük maliyetli kaynağa olan en düşük toplam maliyet mesafesini hesaplar.
  • Path Distance Back Link: Yatay ve dikey maliyet faktörleriyle birlikte yüzey mesafesini hesaba katarken, en düşük maliyetli kaynağa giden en düşük toplam maliyetli yoldaki bir sonraki hücre olan komşuyu tanımlar.
  • Region Group: Her bir girdi hücresi için, hücrenin ait olduğu bölgenin kimliğini belirler.
  • Flow Distance: Akış mesafesini hesaplamak için kullanılan bu aracın hesaplama yöntemlerine etki eden istatistik tiplerine yeni parametreler eklenmiştir.

Görselleştirme

Hareketli Görüntü (Motion Imagery):

Motion Imagery, ArcMap’deki Full Motion Video (FMV) eklentisinden doğmuştur. ArcMap için FMV eklentisinde mevcut olan işlevlerin çoğu, artık ArcGIS Pro 2.3’e tamamen entegre edilmiştir. Motion Imagery, coğrafi mekânsal meta verileri içeren video verileriyle çalışmanıza ve analiz etmenize olanak sağlayan bir dizi özellik ve yeteneği içermektedir. Bu yetenekleri şu şekilde sıralayabiliriz:

  • Video oynatıcıda ve harita görünümünde bina, ağaç, hidroloji vb. gibi CBS katmanlarını görüntüleyebilme
  • Video oynatıcıda yeni detay oluşturabilme ve düzenleyebilme ve mevcut detayları güncelleyebilme
  • Hem canlı videolardan hem de arşivlenmiş videolardan meta verilerin elde edilebilmesi
  • CBS ile gerçekleştireceğiniz analizlerde kullanmak üzere videodan görüntülerin dışa aktarılması
  • Raporları hızlı oluşturabilmek için videodan almış olduğunu görüntü karelerini PowerPoint’e aktarılabilmesi.
  • Zaman bilgisi içeren katmanlarla entegrasyonu geliştirmek için zaman kaydırıcı aracıyla senkronize edilmiş videoları görüntüleme

İki yeni coğrafi işlem aracı ile FMV uyumlu video akışlarından veri ayıklanmaktadır.

  • Video Metadata To Feature Class aracı FMV uyumlu bir videodan öznitelik meta verilerini, çerçeve ana hattını dışa aktarır ve çıktı geometrisini ve öznitelikleri detay olarak kaydeder.
  • Extract Video Frames To Images aracı videodan elde edilen görüntüleri ve ilişkili meta verileri FMV uyumlu bir video akışından dışa aktarır ve kaydeder. Dışa aktarılan görüntüler, daha fazla analiz işlemini gerçekleştirmek için mozaik veri kümesine (Mosaic Dataset), diğer araçlara veya fonksiyonlara eklenebilir.

Daha fazla bilgi için aşağıdaki bağlantıları kullanabilirsiniz.

  • Esri tarafından yayınlanan ArcGIS Pro 2.3 ile birlikte gelen tüm yenilikler için:

https://pro.arcgis.com/en/pro-app/get-started/whats-new-in-arcgis-pro.htm

  • “ArcGIS Pro 2.3 Yeniliklere Genel Bakış” adlı blog yazımız için:

https://blog.esriturkey.com.tr/2019/02/19/arcgis-pro-2-3-yeniliklere-genel-bakis/

  • Image Analyst ek bileşeni hakkında daha fazla bilgi almak için:

https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/general-information-abourt-the-image-analyst-extension.htm

  • Image Analyst ek bileşini elde etmek için:

https://www.esriturkey.com.tr/tr-tr/urunler/arcgis-image-analyst/genel-bakis

  • Image Analyst ile kullanabileceğiniz örnek ver kümesi için:

https://esri.app.box.com/s/dgb0c8khvtyt2vko80j3dxf5r03eo4m7

 

 

Denetimsiz Piksel Tabanlı Sınıflandırma

Denetimsiz Piksel Tabanlı Sınıflandırma

Denetimsiz ya da kontrolsüz görüntü sınıflandırma dediğimiz sınıflandırma, kullanıcının görüntüde kaç tane arazi örtüsü bulunduğunu bilmediğinde kullanabileceği iyi bir yöntemdir. Denetimsiz sınıflandırma görüntüdeki pikselleri sadece sınıf sayısı vererek sınıflandırmayı sağlar ve sınıflandırma işlemleri bittikten sonra uygulayacağınız birkaç basit uygulamayla çıkan sonucu işimizin niteliğine göre çok daha uygun hale getirebiliriz. ArcGIS Pro bizim için sınıflandırmayı yaptıktan sonra biz de yeniden sınıflandırma yaparak çıktımızı işimize daha yararlı hale getirebiliriz.

Bu yazıda denetimsiz sınıflandırmaya değineceğiz ama başka bir yöntem olarak bunun dışında işinizin niteliğine göre denetimli sınıflandırma metotlarını da kullanabilirsiniz. Mesela arazi yapısındaki belirli bir konuya dikkat çekmek istiyorsak o zaman o konuya göre uygun sınıf sayısı belirleyerek bu sınıflara girecek detayları kendimiz örnekler toplayarak belirlememiz gerekebilir. Örneğin bir ormandaki farklı ağaçları farklı sınıflara ayırmak isteyebiliriz. Çam ağaçlarına odaklanarak, ormandaki geri kalan diğer ağaçlardan ayırabilirsiniz. Bunu yapmak için sınıfların içeriğini bizim belirlediğimiz denetimli bir sınıflandırma izlemek gereklidir.

Denetimsiz sınıflandırma yaparken kullanacağımız Iso Cluster Unsupervised Classification aracı girdi olarak kullandığınız raster’ın band’larına göre bizden bir müdahale beklemeden sınıflandırma yapan bir coğrafi işlem araıdır.

Denetimsiz piksel tabanlı görüntü sınıflandırma, geniş çalışma alanlarını analiz etme ve raster verilerindeki potansiyel sınıfları tanımlamak için bilgisayar işlemlerini kullanmanızı sağlar. Denetimsiz piksel tabanlı görüntü sınıflandırmayı kullanmak için bir iş akışı mevcuttur ve bu akışı kullanarak bu işlemi her defasında sorunsuzca gerçekleştirebilirsiniz.

*Denetimsiz piksel tabanlı sınıflandırma, bazı rasterlar için iyi çalışırken bazı rasterlarda ise istediğimiz sonucu vermeyebilir. Bunun için analizinizde bu yöntemi kullanmadan önce göz önünde bulundurmanız gereken bazı faydalar ve kısıtlar vardır. Bu teknik, kullanıcılara girdi raster içindeki detaylar hakkında bilgi veren tematik rasterlar oluşturur. Belirlediğiniz sınıf sayısına göre girdi rasterından daha basitleşmiş ve pikselleri kümelenmiş bu raster daha sonra siz tarafından yeni sınıfların neyi anlatığı bilgisiyle birlikte paylaşılabilir ve başka işlemler için girdi olarak kullanılabilir.

Denetimsiz piksel tabanlı görüntü sınıflandırma yöntemi, bir algoritmanın pikselleri spektral değerlerindeki benzerliklerine dayanarak kümeler halinde bir araya getirdiği ve kullanıcının müdahale etmediği bir teknik kullanarak sınıflandırır. Algoritma, spektral değerlerin nasıl kümelendiğine bağlı olarak her pikseli sınıflandırmaya çalışır.

Rasterın sınıflandırılması otomatik bir işlem olmasına rağmen daha sonra kullanıcıların sınıflandırılmış kümeleri, hangi özelliğin veya objenin sınıflandırıldığını belirtmek için dokümante etmesi yani tanımlaması gerekir.

Bu teknik rahatlıkla Landsat 8 uydusundan elde edilen görüntülerde kullanılabilir. İlk olarak belirlediğiniz değer sınıfların sayısı için önemli olan şey, spektral çeşitliliği sağlamak için görünür band’lardan daha fazla olması gerektiğidir. Genellikle, elde edeceğiniz birçok sınıf bir objeyi ya da sınıfı oluşturacaktır, yani denetimsiz olarak oluşturulan birçok sınıfı birleştirip tek bir sınıf haline getirmeniz gerekecektir. Örneğin çeşitli ağaç türleri için birden çok farklı piksel değerine/rengine sahip ağaç sınıflarını birleştirerek Orman sınıfını oluşturmanız gerekecektir. Buna reclassification yani yeniden sınıflandırma denir. Bu işlemi sınıflandırmayı neden yaptığını bilen kullanıcı yapmalıdır.

Denetimsiz piksel tabanlı görüntü sınıflandırma tekniği, her bir pikselin spektral özelliklerini değerlendirir ve bunları kümeler halinde gruplar, bu gruplar spektral olarak benzer piksellere dayanmaktadır. Yukarıda da bahsettiğimiz gibi tüm piksellerin sınıflandırılmasından sonra, kümeleri başka bir rasterda birleştirerek sınıflandırma sonuçları rapor edilir.

Landsat 8 uydusundan elde edilmiş görüntüler Dünya’nın geniş bölümünü kapsar ve ilgilendiğiniz herhangi bir bölgedeki değişimi tespit edebilmeniz için ideal olan aynı noktaya ait birden çok zaman aralığında veriyi de barındırır. Bunun yanında Landsat görüntüleri binalar, ağaçlar ve kaldırımlar gibi ayrık detayları tanımayı zorlaştıran mevcut 11 bandının çoğu için 30 metrelik bir mekânsal çözünürlüğü sahiptir. Görünür bandların dışındaki ek bandlarla da elektromanyetik spektrumun görünür kısmının dışındaki alan hakkında da bilgi içermesini sağlar.

30 x 30 metrelik çözünürlüğe sahip raster verilerinde küçük detayların tanınması zordur. Düşük mekânsal çözünürlüğe rağmen görüntüler sınıflandırmada değerlendirilecek çok sayıda spektral veri içerir.

Bir görüntüden denetimsiz piksel tabanlı sınıflandırma yoluyla elde edilen yeni görüntü birbirinden ayırt edilebilir farklı sınıflardan oluşabilir. Bunları da yukarıda bahsettiğimiz gibi bilinçli bir şekilde tekrardan sınıflandırmamız gerekebilir.

Denetimsiz sınıflandırma, Landsat’dan gelen nispeten kaba çözünürlüğe sahip raster verilerle iyi iş görür çünkü spektral olarak benzer hücreleri benzer spektral özelliklere sahip sınıflara kümeler. Görsel değerlendirme sayesinde, hangi arazi örtüsünün kümeleri tanımladığını yorumlayabilirsiniz.

Analizinizde kullanmadan önce denetimsiz piksel tabanlı görüntü sınıflandırmasının faydalarını ve eksiklerini de göz önünde bulundurmalısınız.

Faydaları:

  • Kullanıcı tarafından belirlenmiş örnek sınıfları gerektirmez.
  • Girdi olarak kullanılan raster’ın spektral özelliklerine göre sınıf sayısını uyarlar
  • Hızlı bir işlemdir.

Eksikleri:

  • İlk çıktı raster’ın yorumlaması zor olabilir.
  • Algoritma tarafından bulunan sınıfları tanımlamak için manuel bir çaba gerekir.
  • Bitişik pikselleri dikkate almaz.

Denetimsiz piksel tabanlı görüntü sınıflandırma uygulama aşamaları, eğer tek tek yapacaksanız bir dizi coğrafi işlem (Geoprocess) aracıyla tamamlanabilir. ArcGIS Pro bu işlemler için size Görüntü Sınıflandırma Sihirbazı’yla (Image Classification Wizard) kılavuzluk eder. Sihirbazda kullanılan tüm araçları araç kutusundan bulabilmenize rağmen, sihirbaz size adımları tek tek tamamlamak için bir yol gösterici gibi çalışarak işinizi oldukça kolaylaştıracaktır. Denetimsiz sınıflandırmalar için yol gösterdiği gibi denetimli sınıflandırma iş adımlarını da bu sihirbazla kolaylıkla gerçekleştirebilirsiniz.

Esri Türkiye, 2019

Sentinel 2 Uydu Görüntüleriyle Esri Sentinel-2 Explorer Web Uygulaması Aracılığıyla Çalışmak

Sentinel 2 Uydu Görüntüleriyle Esri Sentinel-2 Explorer Web Uygulaması Aracılığıyla Çalışmak

Sentinel-2 Explorer Web App‘i sayesinde 13 ön tanımlı bant değerleriyle gösterimler yapabilir, ArcGIS Online hesabınızla giriş yaparak 14 ay önceye giden görüntüler arasından değişim tespiti gibi analizler yapabilirsiniz. Avrupa Uzay Ajansı’nın GMES (Global Monitoring for Environment and Security) programının devamı olan Copernicus projesinin geniş kapsamlı gözlem uydusu Sentinel-2, Dünya yüzeyini sürekli olarak gözlemleyerek elde ettiği yüksek çözünürlüklü multi-spektral (çoklu spekturumlu) ve multi-temporal (çoklu zamanlı) veriler sürekli olarak paylaşılmakta. Sentinel-2’nin multi-spektral görüntüleri yüksek çözünürlüklü 13 banttan oluşmakta ve 3 görünür aralık ve yakın kızıl ötesi bantları için 10 metre çözünürlüğe sahipken, Red Edge ve Kısa dalga kızılötesi 6 bant için 20 metre ve son olarak 3 atmosferik bant için ise 60 metre çözünürlükte veri sağlamaktadır.

Ön tanımlı bant aralıklarından ya da endeks görüntüleme seçeneklerinden istediğinizi seçebilir ve bunlara ek olarak bantları ve endeksleri özelleştirerek analizler yapabilirsiniz.

Uydunun bu kadar geniş aralıkta bantta veri sağlamasının yanında en büyük faydası; bu servis ile paylaşılan bütün yersel görüntülerin 5 ila 7 günde bir tekrar aynı konumdan geçerek yakın aralıklı zamansal veriler kaydetmesidir.

Bitki örtüsü değişiklikleriyle ilgili yüksek çözünürlüklü hassas ve sık zaman aralıklı görüntüleri sayesinde tarım ve orman koşullarının iyileştirilmesi, arazi örtüsü değişikliklerinin izlenmesi gibi amaçlar için çok faydalı olan uydu, tüm Dünya’ya ait görüntü sağlamasıyla acil durum ve afetlerin yönetimine yardımcı olmaktadır.

Görüntüleme seçenekleri arasından hızlıca seçim yapabilirsiniz.

Esri ise bu multi-spektral verileri ArcGIS Image Server yetenekleri sayesinde çok daha hızlı bir şekilde erişilebilir ve analiz edilebilir hale getirerek ArcGIS Living Atlas of the World aracılığıyla herkesin kolayca analizler yapabileceği şekilde bizlerin kullanımına sunuyor.

ArcGIS Online hesabınız sayesinde 14 ay öncesine kadar olan yersel görüntüler arasından tercihlerde bulunarak değişim tespiti yapabilirsiniz.

ArcGIS Image Server alt yapısıyla AWS bulut hizmetinin Frankfurt bölgesindeki sunucularından servis yaparak Avrupa bölgesi için çok hızlı erişime izin veren proje ArcGIS Desktop yazılımlarının ara yüzünden çağırabileceğiniz ve analizler yapabileceğiniz bu görüntüler aynı zamanda Esri’nin Sentinel 2 Explorer web uygulamasıyla internet tarayıcınızla ulaşabileceğiniz şekilde herkese açık olarak da paylaşılmaktadır.

Çeşitli ön tanımlı gösterimler arasından tercihlerde bulunabilirsiniz.

Eğer Web App ara yüzünden ArcGIS Online hesabınızla giriş yaptığınız da güncelleme aralığı 5 gün olan görüntülerden 14 ay kadar geriye kadar giderek değişim ve karşılaştırma analizleri yapabilirsiniz. Herhangi bir konumdaki görüntü her 5 günde bir uydunun tekrar geçmesiyle güncellenir ve bu güncellenen veriyle her gün 14 aydan eski tarihli görüntüler kullanımdan çekilmektedir.

Değişim tespiti yapabilir ve bu katmanı ArcGIS Online hesabınıza kaydederek daha sonra ArcGIS Desktop’ta kullanabilirsiniz.

Bir Web App olan ve sentinel2explorer.esri.com adresinden ulaşabileceğiniz Sentinel 2 Explorer ile çevresel faktörlerin daha iyi anlaşılması için bitki örtüsü sağlığı veya toprak nemi gibi özellikleri gösteren endeksler oluşturmak ve zaman içindeki değişiklikleri ölçmek için doğrudan görüntü üzerinden analiz yapabilirsiniz.

ArcGIS Online’dan, internetten ve yerel bilgisayarınızdan veriler ekleyebilir ve bunlarla çalışabilirsiniz.

Aşağıdaki ön tanımlı bant kombinasyonlarıyla endekslere hızlı erişim sağlanır, Sentinel-2 uydusundan gelen görüntülerin dalga boyu aralığı ve bantlara göre çözünürlükleri aşağıdaki tabloda bulunmaktadır.

Band Açıklama Dalga Boyu (µm) Çözünürlük (m)
1 Kıyılar ve Aerosol (Coastal/Aerosol) 0.433 – 0.453 60
2 Mavi (B) 0.458 – 0.523 10
3 Yeşil (G) 0.543 – 0.578 10
4 Kırmızı (R) 0.650 – 0.680 10
5 Vejetasyon Red Edge 0.698 – 0.713 20
6 Vejetasyon Red Edge 0.733 – 0.748 20
7 Vejetasyon Red Edge 0.773 – 0.793 20
8 NIR (Yakın Kızıl Ötesi) 0.785 – 0.900 10
8A Narrow NIR (Daraltılmış Yakın Kızıl Ötesi) 0.855 – 0.875 20
9 Su buharı (Water vapour) 0.935 – 0.955 60
10 SWIR – Cirrus (Kısa Dalga Kızıl Ötesi) 1.365 – 1.385 60
11 SWIR-1 (Kısa Dalga Kızıl Ötesi-1) 1.565 – 1.655 20
12 SWIR-2 (Kısa Dalga Kızıl Ötesi-2) 2.100 – 2.280 20

Çalışmalarınızı yerel bilgisayarınıza ve ArcGIS Online hesabınıza kaydedebilirsiniz.

Görüntüleme seçenekleri için açıklamalara aşağıdaki bağlantılardan ulaşabilir ve bu katmanlarla ArcGIS Online hesabınızda ya da ArcGIS Desktop üzerinde çalışabilirsiniz:
Agriculture with DRABathymetric with DRAColor-Infrared with DRANatural Color with DRAShort-wave Infrared with DRAGeology with DRANDMI ColorizedNormalized Difference Built-Up Index (NDBI)NDWI RawNDWI – with VRE RawNDVI – with VRE Raw (NDRE)NDVI – VRE only RawNDVI RawNormalized Burn RatioNDVI Colormap.

Esri Türkiye 2019

Drone2Map for ArcGIS Kullanarak Daha Etkili  Çevresel Analizler Yapın

Drone2Map for ArcGIS Kullanarak Daha Etkili Çevresel Analizler Yapın

Drone2Map for ArcGIS

Drone2map for ArcGIS, Drone ve İHA’lar vasıtasıyla elde edilen ham fotoğrafların, ArcGIS’te değerli bilgi ürünlerine dönüşmesini sağlayan bir masaüstü uygulamasıdır. Drone kullanımının gün geçtikçe yaygın hale gelmesi dahilinde , arazi koşulları yüzünden erişilmesi zor bölgelerin, 2 boyutlu ve 3 boyutlu haritalarını oluşturmak, Drone2Map yazılımı ile daha da kolay bir hale gelmiştir. Bunun yanı sıra çevresel değişiklikleri, doğal afetlerin etkilerini, ve diğer çevresel olayları kolaylıkla takip edebilir ve haritalayabilirsiniz.

Drone2Map for ArcGIS’ in faydaları;

  • Üçüncü taraflara bağlı kalmadan veri elde edebilirsiniz.
  • Pahalı hava görüntü işleme hizmetlerine olan ihtiyacınızı azaltabilirsiniz
  • Drone2Map, drone’nuzun kamerasını ve sensor parametrelerini algılar ve hızlı işlemeyi mümkün kılan doğru varsayılanları akıllıca uygulayarak zaman konusunda tasarruf yapmanızı sağlar.
  • Görüntü yakalama, işleme, analiz ve paylaşım uygulamalarının hepsini bir yazılımda bularak enerji tasarrufu yapmanızı sağlar.
  • ArcGIS, Pix4D ile ortaklaşa tüm iş akışını destekler.
  • Doğru ayarları oluşturup kaydederek zamanınızdan tasarruf edebilirsiniz

Drone2Map projesinin öğeleri, kullandığınız şablona göre değişecektir, ancak tüm projeler drone uçuş yolunuzun çizgi özellikleri, uçuş sırasında toplanan görüntülerin konum belirleme özelliklerine sahip nokta özellikleri içerir.-

Drone2Map proje çıktıları;

Ortomozaik görüntü.
Dijital yüzey modeli (DSM)
Dijital arazi modeli (DTM)
Kontur hatları
Normalleştirilmiş bitki örtüsü indeksi (NDVI)
Çalışma alanının 3D renklendirilmiş nokta bulutu
Çalışma alanının 3D ve gerçek dokulu mesh dosyası
Dokulu mesh dosyasının PDF dosyası

ArcGIS for Drone2Map içerik tablosu, seçilen şablona ve seçeneklere ve üretilen ürünlere dayalı olarak önceden tanımlanmış gruplar ve katmanları içerir.

Drone2Map, proje kurulumu sırasında görüntülerden veya harici bir coğrafi konum dosyasından GPS bilgisi alır. Bu bilgiler Ground Control Points yani Zemin Kontrol Noktalarınız dan alınır, Ground Control Points, dronunuza çekim esnasında ‘Z’ değerlerini algılamasını sağlamaktadır. Bu noktalar genelde zeminle renk olarak karışmayacak renklerde olan plakalar veya gps noktaları olabilir. Daha sonra bu kontrol noktaları RTK GPS veya Total Station gibi profesyonel hassaslıkta ekipmanlar yardımıyla ölçülmelidir. Proje alanınız için GCP’ lere sahip bir dosyanız varsa, bunları Drone2Map’e içe aktarabilir veya manuel olarak oluşturabilirsiniz. Çoğu projede 5-10 arasında GCP önerilir ve genellikle yeterlidir. 10 taneden daha fazlası  gerekli değildir ve sonuçlarınızın doğruluğunu önemli ölçüde artırmaz.
Sadece 2 adet hava fotoğrafınızı dahi işleyecek olsanız bile, beş veya daha fazla GCP önerilir.
Ölçek ve yönelimdeki hataları en aza indirmek için GCP’ler proje alanı boyunca eşit olarak dağıtılmalıdır.

Drone2Map’ınıza entegre edilmek üzere, Collector for ArcGIS kullanarak yer kontrol iş akışınızı basitleştirip düzenleyebilirsiniz..

Sonrasında Drone2Map programına giriş yaparak verilerinizi işleyebilirsiniz.

Drone2Map programına giriş yaptığınızda ilk karşınıza çıkan ekranda 4 adet proje şablonu olduğunu görmektesiniz.

İlk olarak Rapid şablonunu örnek bir proje üzerinden inceleyelim.

Rapid–>

Rapid şablonu, görüntü koleksiyonunuzun kapsamını ve kalitesini doğrulamak için ortomozaik, dijital yüzey modelleri ve dijital arazi modelleri oluşturmak üzere tasarlanmıştır.

Rapid şablonunu seçip oluştur sekmesine tıklayın daha sonra projenize bir isim verin. Sahada elde ettiğiniz verileri programda içe aktarın.

Görüntü bilgilerini görüntülemek için Görüntü Özellikleri’ne tıklayın ve varsayılanları kabul etmek için Tamam’a tıklayın.

İşleme seçeneklerine tıklayın ve işaretli seçenekleri inceleyin. Varsayılan olarak, kilit noktaları,görüntü skalası, azaltılmış işlem süresi için düşük kaliteli olarak ayarlanır. Varsayılan ayarları kabul etmek için Tamam’a tıklayın.
İşleme başlamak için Başlat’a tıklayın.

Gördüğümüz sonuçlar;

İ

Fotoğrafta görülen koyu sarı renkli çizgi dronumuzun rotasını,mavi noktalar ise fotoğraf alınan noktaları göstermektedir.

İşlem tamamlandığında, ortomozaik harita ekranınıza eklenir; ve Ortomozaik, DSM hillshade ve DTM hillshade katmanları da sol tarafda bulunan 2d ürünler kısmına eklenir.

Rapid şablonunun, işlem süresini optimize etmek için daha düşük çözünürlüklü bir ürün üretir. Daha yüksek çözünürlüklü projeler için, 2D mapping şablonunu seçebilirsiniz veya Rapid şablon seçeneğinde, görüntü

işleme seçeneklerinde ayarları manuel olarak ayarlayabilirsiniz.

2D Mapping

2D haritalama şablonu, yüksek çözünürlüklü ortomozaik, yükseklik modelleri ve multispektral indeksler oluşturmak için tasarlanmıştır.

Projeniz için bir ad verdikten sonra kaydetmek için bir konum seçin. Eğer verileriniz,harici bir telemetri dosyası içeriyor ise. GPS Dosyası gerekli penceresi belirdiğinde, veri klasöründeki koordinat dosyasına gidin ve coğrafi konum dosyasını ekleyin. Coğrafi konum verilerini eklemek için Tamam’a ve tekrar Tamam’a tıklayın.

İşlem tamamlandığında, harita ekranında ortomozaik veri görünür. Ortomozaic ve DSM hillshade katmanları içindekiler tablosuna eklenir. Bu şablonla üretilen harita çözünürlük olarak yüksektir.

3d Mapping

3D mapping şablonu, ayrıntılı 3D renklendirilmiş nokta bulutları, 3D dokulu meshler ve 3D PDF’ler oluşturmak için tasarlanmıştır.

Diğer şablonlarda olduğu gibi bu şablonda da aynı proje dosyalarınızı açabilirsiniz. Daha sonra işleme Seçenekleri’ne tıklayarak, varsayılan olarak hangi sekmelerin seçili olduğuna  dikkat etmeliyiz. 3D mapping proje şablonunda, 3D Ürün adımları varsayılan olarak çalışır. Bu şablonun bir parçası olarak ortomozaik veya DSM oluşturmak için, 2D Ürünler’in yanındaki kutuyu işaretleyebilirsiniz.

İşlem tamamlandığında, harita görünümü 3D görünümüne geçer ve dokulu ağınız, harita ekranınıza ve içeriklerinize eklenir.

Drone2Map, proje kurulumu sırasında görüntülerden veya harici bir coğrafi konum dosyasından GPS bilgisi alır. Zaman zaman, projeler GPS’in sağlayabileceğinden daha iyi bir doğruluk gerektirebilir. Bu yüzden yazının başında da bahsettiğim gibi daha iyi bir hassasiyet için, projenize zemin kontrol noktaları (GCP) ekleyebilirsiniz. GCP’ler, yerkürenin yüzeyinde, resimlerinizi doğru konuma coğrafi olarak yerleştirmek için kullanılabilecek noktalardır. Drone2Map, bir dosyadan GCP’leri içe aktarma veya GCP’leri haritadan manuel olarak ekleme yeteneği sağlar.

Ayrıca 3D mapping şablonunda oluşturulan .las uzantılı nokta bulutu verinizi ArcGIS Pro veya Arcmap yazılımları ile .lasd (LasDataset) uzantısına dönüştürerek görüntüleyebilirsiniz.

ArcGIS Pro da yeni map oluşturduktan sonra .lasd  uzantısına dönüştürdüğümüz nokta bulutu verimizi 2 boyutlu ve 3 Boyutlu görüntüleyebiliriz.

Nokta bulutu verisini ArcGIS Pro yazılımında 2 Boyutlu gösterimi.
Nokta bulutu verisini Arcgis Pro yazılımında 3 Boyutlu gösterimi.

Inspection

Inspection şablonu, ilgilenilen nesneleri hızlı bir şekilde incelemek için tasarlanmıştır. Varsayılan varyanslar seçili iken herhangi bir ürün oluşturmaz. Diğer şablonlarda olduğu gibi inspection şablonunda da hava fotoğraflarımızın olduğu dosyayı içe aktararak, projenizi oluşturabilirsiniz.

İşlem tamamlandığında, harita görüntüleyicinizde inceleme görüntüleyici açılır ve Fotoğraflarınız ve Uçuş Yolu katmanları, içeriklerinize eklenir.

Project data kısmındaki görüntüleri seçerek  veya harita üzerinde bir görüntü merkezi seçerek  görüntülerini inceleyebilirsiniz.

 

ArcGIS for Drone2Map yazılımında bulunan hazır şablonların haricinde, çalışma alanınızın büyüklüğüne ve detayına göre kendi şablonunuzu manuel olarak oluşturabilirsiniz.

ArcGIS Pro ile Stereo Haritalama Çalışmalarınızı Gerçekleştirin!

ArcGIS Pro ile Stereo Haritalama Çalışmalarınızı Gerçekleştirin!

Stereo görüntü, üç boyutlu model üretmek için farklı açılardan elde edilen ve örtüşen bir görüntü biçimidir. Bu görüntüleme tekniği 19.yy’ da ortaya çıkmış ve sonrasında I. ve II. Dünya Savaşları esnasında hava fotoğraflarından görülen topoğrafya ve yer şekillerini tanımlamak, aynı zamanda doğru şekilde ölçüm yapabilmek için geliştirilmiştir. Stereo tekniği binalar, altyapı, orman alanları, topoğrafya, eğimler, yer şekilleri ve başka birçok amaca hizmet eden uygulama süreçlerinde kullanılabilen bir tekniktir. Bu teknikle çalışmanın gerektirdiği hassasiyete göre görüntü yakın veya uzak mesafeli stereo fotogrametri teknikleriyle gerçekleştirilebilir.

Günümüzde yüksek çözünürlüklü multispektral görüntülerin, dijital yükseklik modellerinin ve GPS verilerinin varlığıyla ortorektifikasyon işlemi görmüş bir görüntü kullanılarak yeryüzüne ait farklı niteliklerde katmanlar oluşturulmaktadır. Uzaktan algılama ve görüntü işleme teknikleri, verinizi fotogrametrik doğrulukta tanımlamak ve sınıflandırmak için kullanılabilir. Stereo çalışmalarının bilgisayar algısı ve işlemleriyle otomatik olarak yürütülmesindense, insan eli ile gerçekleştirilmesi daha hassas ve kontrollü çalışmayı sağlayacaktır. Bu duruma örnek olarak, bitki örtüsü sebebiyle algılanamayan binaların, yolların ve diğer zemin özelliklerinin keşfedilmesi verilebilir.

Stereo Haritalama ArcGIS Pro Arayüzü

ESRI ArcGIS Pro 2.1 sürümüyle üç boyutlu çalışma süreçlerini oldukça ileri taşıdığı gibi, stereo haritalama tekniğiyle de ArcGIS Pro içerisinde üç boyutlu çizimler oluşturmak ve düzenlemek oldukça kolaydır. Bu teknikle üç boyutlu çalışmalarınız için veri toplayabilir, aynı zamanda bu verileri ArcGIS Pro’da hem iki boyutta hem üç boyutta eş zamanlı olarak görüntüleyebilirsiniz.

ArcGIS Pro ile Stereo Haritalama Çalışmalarının Avantajları Nelerdir?

ArcGIS Pro içerisinde Stereo haritalama çalışmalarınızı Image Analyst bileşeni ile birlikte gerçekleştirebilirsiniz. ArcGIS Pro ile Stereo haritalamanın bazı avantajlarını aşağıda sizler için listeyebiliriz :

  • Farklı bir fotogrametrik pakete ve veri dönüştürme özelliğine gerek duymadan entegre bir iş akışı sağlar.
  • Çok çeşitli veri formatlarını desteklediği gibi hava fotoğrafı, uydu fotoğrafı ve drone aracılığıyla elde ettiğiniz görüntüleri de destekler.
  • Görüntü toplama ve stereo modellerini yönetmek için gelişmiş bir ortam sağlar.
  • Stereo modelleri ister kendiniz filtreleyebilir veya ArcGIS Pro tarafından otomatik olarak en iyi şekilde algılanan modeli kullanabilirsiniz.
  • Monitördeki görüntüyü üç boyutlu görmenizi sağlayan shutter glasses veya anaglif gözlüklerle çalışmanıza imkanı tanır.
  • Üç boyutlu detay verilerin üretilmesi sırasında bir yandan da birden çok işlemin parallel olarak çalışmasını sağlar.
  • Ekran kartınızdan (GPU) güç alarak daha hızlı stereo görüntü oluşturma,
  • Detay şablonları, çok kullanıcılı düzenleme, versiyonlama ve daha fazlası için gelişmiş düzenleme yeteneği,
  • Topolojiniz ve veri yapınız korunurken stereo detaylarınızı doğrudan CBS veri tabanınıza toplar.
  • Oluşturacağınız üç boyutlu detaylar için amacınıza uygun sembolleri barındırır.
  • Sabit imleç modu ile yüzey takibi ve stereo görüntü üzerinde gezinirken detay çizimine olanak sağlar.
  • Stereo görüntüden ürettiğiniz detayları sahne görünümünde anlık olarak görüntüleyebilirsiniz.

Geçmişte stereo görüntü toplama işlemleri için çok fazla emek ve maliyet gerektirirken, artık gelişen teknolojiyle birlikte bu süreç oldukça kolay ve erişilebilir hale gelmiştir. Görüntü toplama işleminin kolaylaşması, toplanan görüntülerin işlenmesi veya bu görüntülerden veri elde edilmesi çalışmalarını da etkilemiştir. Bu noktada ESRI, ArcGIS Pro yazılımıyla stereo haritalama yeteneklerini bu ilerleyen teknolojiyle uyumlu hale getirmiştir. ArcGIS Pro ile birlikte stereo görüntüler üzerinde çalışmayı, yorumlamayı, veri üretme ve düzenleme işlemlerini basit ve kolay kullanılabilir bir şekilde siz değerli kullanıcılarımıza sunmaktadır. Stereo görüntüleri üzerinden oluşturduğunuz verileri hızlı bir şekilde kullanarak, projelerinizi üç boyutlu olarak ArcGIS platformu içerisinde diğer kişilerle kolaylıkla paylaşabilirsiniz.

Stereo haritalamada ESRI ürünleri kabiliyetleri ile ilgili daha fazla bilgi için bizleri takip edebilirsiniz…

Bu çalışmayı birlikte yürüttüğüm Eğitim Uzmanı arkadaşım Bekir Yüzer’e teşekkürlerimi sunarım…

Yararlanılan Kaynaklar :

  • https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/introduction-to-stereo-mapping.htm
  • https://www.esri.com/arcgis-blog/products/arcgis-enterprise/3d-gis/whats-in-the-january-2018-arcgis-release/
  • https://www.esri.com/arcgis-blog/products/arcgis-pro/3d-gis/check-out-the-arcgis-image-analyst-extension-for-arcgis-pro/

 

Bu yazı için bir etiket bulunmamaktadır.