Beraber yapalım – ArcGIS Pro 2.4’de Gerçek Zamanlı Veri ile Mekânsal Analiz Örneği

Beraber yapalım – ArcGIS Pro 2.4’de Gerçek Zamanlı Veri ile Mekânsal Analiz Örneği

ArcGIS Pro 2.4’den itibaren kullanabileceğimiz harika bir özelliği siz değerli okurlarımız ile paylaşırken bir yandan da bu özelliği beraber deneyerek keşfedelim. Buyurun lütfen…

Acil müdahale yönetimi için hayat kurtarmak ve zararları azaltmak çok önemlidir. Dolayısıyla, potansiyel hasarı afet gerçekleşmeden önce ilgili bölgedekileri erken uyarmak veya önceden yapılmış değerlendirmelerle olası hasarı azaltma yönündeki analizler hayati önemi sahiptir. Afet gerçekleştiği sırada o bölgeye ait anlık veri akışına sahip olunduğunda ve anlık olarak gerçekleştirilecek mekânsal analizlerle karar verme sürecinizde size yardımcı olabilir.

Bu blog yazısında, bir kasırgadan etkilenen ABD eyaletlerindeki nüfusun harita üzerindeki simülasyonunu görebiliyorken aynı anda etkilenen nüfusu grafik üzerindeki değişimini gözlemleyebilirsiniz. Simülasyonu beraber gerçekleştirebilmek için ise yazı içerisinde paylaşılmış olan ArcGIS Pro eklentisini aşağıda bulabilirsiniz.

  1. İlgili Visual Studio projesini indirin: https://arcg.is/0jH09i
  2. Projeyi açıp derleyin ve derleme zamanı hatası olmadığından emin olun.
  3. F5 tuşuna basın. ArcGIS Pro açılacaktır.
  4. İndirilen zip dosyasıyla beraber gelen Data isimli klasörün içerisinde bulunan ArcGIS Pro projesini açın.
  5. Spatial Analysis – Select Affected Counties isimli haritayı açın. Florence isimli kasırgayı temsil eden ve onun belirsiz bir şekilde ABD’nin Doğu kıyılarında hareket edişini temsil eden bir poligon göreceksiniz.
  6. Content bölmesindeki Counties isimli katmanı genişletin ve katmanla ilişkilendirilmiş grafiği açın.
  7. Real-time Analysis (Gerçek Zamanlı Analiz) sekmesindeki Select Affected Counties düğmesine basın. Kasırgayı temsil eden poligon karaya geldiğinde, kesişen tüm ilgili eyaletlerin otomatik olarak seçildiğini göreceksiniz.

Yukarıda gördüğünüz üzere kasırgadan kaç kişinin etkileneceğini grafik üzerinde inceleyebilirsiniz. Select Affected Counties düğmesine tekrar basarak gerçek zamanlı analizi durdurabilirsiniz.

Tüm bu senaryoda, Florence isimli kasırga verisini içeren bir stream servisi kullanılmıştır. Bknz: https://geoeventsample1.esri.com:6443/arcgis/rest/services/Florence-Demo/StreamServer

Örnek kod’a, veriye ve ArcGIS Pro projesine https://arcg.is/0jH09i bağlantısından erişebilirsiniz.

ArcGIS Pro 2.4 ile Görüntü Analiz (Image Analyst) eklentisine gelen yenilikler

ArcGIS Pro 2.4 ile Görüntü Analiz (Image Analyst) eklentisine gelen yenilikler

Görüntü görselleştirme, kullanım ve analiz iş akışlarınızı geliştirmek için ArcGIS Pro 2.4 ArcGIS Image Analyst eklentisindeki yeni görüntü ve uzaktan algılama özelliklerini kullanın. ArcGIS Image Analyst şimdi genişletilmiş derin öğrenme (deep learning) yetenekleri, gelişmiş hareketli video yetenekleri, çok boyutlu veri desteği ve yeni piksel düzenleme (Pixel Editor) araçlarını sunuyor. ArcGIS Pro 2.4 versiyonu ile eklenen görüntü ve uzaktan algılama özelliklerinin birkaçını Analiz, Görselleştirme, Düzenleme başlıkları ile inceleyeceğiz.

Analiz

Derin Öğrenme (Deep Learning)

Güçlü analiz yetenekleri sağlamak için Derin Öğrenme araç setimizi geliştirmeye devam ediyoruz. Bu sürümde sunulan temel özellikler şunlardır:

  • ArcGIS Enterprise ile derin bir öğrenme paketi (DLPK) oluşturmak ve paylaşmak için ArcGIS Pro 2.4 kullanarak derin öğrenmeyi yürütme yeteneği
  • PyTorch derin öğrenme modeli çıkarımı için dahili destek eklendi
  • Aşağıdakileri içeren Export Traning Data aracındaki geliştirmeler:
    •  Veri arttırma yöntemleri (Rotate & Shift)
    •  Görüntü parçaları için geliştirilmiş meta veri formatları (Labeled Tiles)
    •  Bir görüntü koleksiyonunu girdi olarak kabul etme seçeneği (Folder)
    •  Çalışma alanını sınırlamak için girdi maskelerini kabul etme yeteneği

Raster foksiyonlar ve Coğrafi işlemler

ArcGIS Pro’da erişilebilen raster fonksiyonların listesi, ArcGIS Pro 2.4’te ek göstergeler, mesafe ve hidrolojik fonksiyonlarla genişletilerek analistlerin mesafe modellemesi ve hidrolojik modelleme için iş akışlarını tasarlamalarını sağlar.

Birkaç yeni raster foksiyonu ve bazı fonksiyonlarda iyileştirmeler yapılmıştır:

  • The Focal Statistics foksiyonu, GP araçlarında bulunan parametreleri desteklemek için geliştirilmiştir.
  • Most raster foksiyonu, çok boyutlu veri setlerinin analizini gerçekleştirmek için geliştirilmiştir.
  • Çok boyutlu verilerde çalışmak için yeni coğrafi işlem araçları eklendi:
    • Çok boyutlu raster verilerini bir boyut boyunca birleştirme aracı.
    • Çok boyutlu bir veri kümesi oluşturmak için; çok boyutlu bir rasterda her dilim için anomali hesaplama aracı

Görselleştirme

Hareketli Görüntü

Hareketli video desteğimizi geliştirmeye ve iyileştirmeye devam ediyoruz, böylece videoyu yerleşik coğrafi meta verilerle yönetebilir ve etkileşimli olarak kullanabilirsiniz. Bu sürümdeki temel özellikler şunları içerir:

  • Yeni video arama aracı, coğrafi yere göre büyük video koleksiyonlarında arama yapmanızı sağlar.
  • Video penceresinde 2B mesafe ve alan ölçümleri yapabilme.
  • Video çerçevesinde belirlenmiş bir bölge seçmek ve onu  raporlama ve kopyalama seçeneği.
  • Video akışına gömülü Video Hareketli Hedef Göstergesi (VMTI) meta verilerini okuma ve görüntüleme özelliği.

Çok Boyutlu Raster Yönetimi, İşleme ve Analiz

Bu sürümle eklenmiş yeni araçları ve yetenek setini kullanarak çok boyutlu veri kümeleriyle çalışın. Bu araçlar zamanla verilerinizi toplamanıza ve birden fazla değişken ve boyutta anormallikleri hesaplamanıza olanak tanır. Anahtar özellikler:

Veri yönetimi araçları:
  • Çok boyutlu verilere meta veri oluşturun ve çok boyutlu verilerden mozaik veri seti yapın
  • Çok boyutlu veri yapısını yeniden optimize edin ve çapraz boyutlu analizi daha verimli hale getirin
Analiz araçları:
  • Bir boyut boyunca, çok boyutlu veri kümesi değişkenleri, (zaman olabilir) çok boyutlu bir rasterda her dilim için anomalileri hesaplayın

Aşağıdakiler dahil, çok boyutlu rasterları desteklemek için geliştirilmiş mevcut raster fonksiyonları:

  • Tüm raster fonksiyonlar (100’den fazla fonksiyon)
  • Classify, Clip, Contour, Extract Band, Mask, Reproject, Resample, Unit Conversion, Vector Field, Weighted Sum
Aşağıdakiler Python ortamında çok boyutlu verilerin yönetimi ve işlenmesi için desteklenmektedir:
  • Genişletilmiş raster nesne yetenekleri
  • ArcGIS Image Analyst ve ArcGIS Spatial Analyst Python modüllerinde yeni fonksiyon seti

 

Düzenleme

Piksel Düzenleme (Pixel Editor)

Pikselleri düzenleme yeteneğini soruyordunuz. Dinledik! Piksel Düzenleyici, raster ve görüntü verilerinin piksel değerlerini işlemek için araçlar sağlar. Redaksiyon, gürültü giderme veya kategorik verileri yeniden sınıflandırmak için araç setlerini kullanın. Tek bir pikseli veya bir piksel grubunu tek seferde düzenleyebilirsiniz. Yükseklik veri setlerinde ve çok bantlı görüntülerdeki pikselleri düzenleye bilirsiniz.

Piksel Düzenleyicinin temel özellikleri şunlardır:
  • Çok bantlı, tek bantlı, tematik ve yükseklik verilerinde pikselleri düzenleme
  • Yükseklik verilerindeki boşlukları doldurmak, keskin uçları ve delikleri kaldırmak, yükseklik sınır çizgilerini, ofsetleri veya belirli değerleri düzeltmek
  • Pikselleri, bölgeleri veya nesneleri yeniden sınıflandırma
  • Detay verileri kullanarak pikselleri yeniden sınıflandırma
  • Gürültüyü ve uç değerdeki pikselleri kaldırma
  • Alanları düzeltmek için önceden ayarlanmış filtreler kullanma
  • Pikselleri gizleme veya düzeltme

Daha fazla bilgi almak için aşağıdaki linke tıklayabilirsiniz.

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

Esri Türkiye, 2019

Learn ArcGIS ile CBS’yi Öğrenmek

Learn ArcGIS ile CBS’yi Öğrenmek

Bu yazımızda, Esri’nin kendi kendinize eğitim alabileceğiniz ve CBS üzerine olan yeteneklerinizi geliştirebileceğiniz eğitim sitesi olan Learn ArcGIS’i sizlere tanıtacağız.

Learn ArcGIS sitesi gerçek dünyadan, gerçek verilerle, gerçek mekânsal problemleri çözdürerek ArcGIS platformunun bileşenlerini öğreten bir platformdur. CBS’nin neler yapabileceğini hangi sektörlere nasıl dokunabildiğini anlayabileceğiniz örnek senaryolarla dolu ve sürekli yeni eğitimler eklenen bir sitedir. Diğer eğitim platformlarından farkı içinse kısaca: Size Esri’nin “Coğrafi Yaklaşım” dediği ve problemlere mekânsal düşünerek çözümler bulmamızı sağlayan düşünce yapısını öğretmesidir diyebiliriz. Biz Esri Türkiye Eğitim Birimi olarak bu yaklaşımı eğitimlerimizde detaylıca öğretiyoruz, isteriz ki bunu kendi kendinize deneyimleyebileceğiniz bu siteyi de sıklıkla kullanırsınız.

Burada CBS’ye yeni başlıyor olsanız da CBS yazılımlarımızı yıllardır kullanan bir CBS uzmanı olsanız da işinize yarayacak eğitimler bulunmaktadır. Bu sitedeki üzerine iyi düşünülmüş eğitimler, problemleri kavramsallaştırma ve analiz etme, sonuçları değerlendirerek harita oluşturma ve paylaşma konularında daha iyi olmanıza yardımcı olacaktır.

Kendi kendinize istediğiniz zaman istediğiniz hızda alacağınız bu eğitimler Esri teknolojisiyle çözmeniz için size gerçek coğrafi problemler vererek, haritaların işlevselliğini de size öğretecektir. Yazılım işlevlerinden ziyade problem çözmeye odaklanarak ve CBS’nin her alanından karşınıza çıkması muhtemel senaryolarla çalışarak gündelik CBS görevlerinden çok daha derin bilgiler öğrenebilirsiniz.

Tamamen ücretsiz bir eğitim sitesidir. CBS teknolojisini ve kavramlarını hikayeler ve problemler üzerinden öğreten bir metotla çalışabileceğiniz sistemiyle kontrolü size bırakır. Kendi kendinize öğrenme üzerine tasarlanmıştır. ArcGIS Online, ArcGIS Pro, ArcMap üzerinden farklı işlevleri öğrenebileceğiniz gibi son güncellemeyle artık ArcGIS Enterprise yapısıyla da çalışabileceğiniz senaryolar eklenmiştir.

Senaryolar üzerine iyi düşünülmüş diyerek anlatmak istediğim, sadece ara yüzde bulunan butonlar, seçim araçları ya da topoloji kurallarını tek tek açıklamak yerine bizlere günümüz dünyasından gerçekte var olan bir problem vererek, nasıl çözülebileceği üzerinden ilerleyen eğitimlerle başarma hissini yaşatıyor. Örneğin küresel ısınma sonucu yükselen sular ya da hava kirliliğinin tahminlerini belirleyebileceğiniz senaryolar ya da işletmenizi sizin için en kârlı ve masrafsız nereye kurabileceğiniz gibi ya da seçim sonuçlarını anketlerden tahmin ederek seçim çalışmalarınızı nerelerde yoğunlaştırmanız gerektiğini bulabileceğiniz senaryolar bunlardan sadece birkaçı.

Buradaki çoğu ders bir hikâyeye dayanır, her bir eğitim senaryosu, arkada yatan olayla ilgili giriş bilgilendirmesinden sonra uygulamaya başlatır.

Ama gene de Learn ArcGIS’i Esri Türkiye’de bir eğitmen tarafından verilen tam teşekküllü eğitimlerimiz ya da esri.com/training sayfasındaki web kursları gibi değil de eğitimlerimize ek olarak katılımcıların öğrenme ve araştırma iştahlarını kabartacak leziz öğrenme tarifleri gibi düşünebilirsiniz. ?

LearnArcGIS’i kullanmak için herhangi bir Esri yazılımına sahip olmanıza gerek yoktur.

Örnek verilerle çalışabilmek için bir Learn ArcGIS deneme hesabı açmanız yeterlidir. Tabi isterseniz kendi kurumsal ArcGIS Online hesabınızla da çalışabilirsiniz. Eğer Learn ArcGIS deneme hesabı açarsanız 60 gün boyunca eğitimlerde ve kendi işlerinizde de kullanabileceğiniz ArcGIS Online’daki bulut tabanlı araçlara erişiminiz olacaktır. Learn ArcGIS hesabı oluşturduğunuzda ArcGIS Desktop veya Collector for ArcGIS ya da Explorer for ArcGIS ürünlerini gerektiren eğitimler için, bu yazılımların deneme sürümlerine de ulaşabilirsiniz.

Learn ArcGIS sitesi size CBS hakkında bilginizi geliştirebileceğiniz ücretsiz kitaplar da sunmaktadır.

Learn ArcGIS sitesi size CBS hakkında bilginizi geliştirebileceğiniz ücretsiz kitaplar da sunmaktadır.

Başta da bahsettiğimiz gibi bu eğitimlerde CBS hakkında bilgi sahibi olmanıza gerek bile yoktur, siteye kaydolduğunuzda en temelden başlayarak çok değişik alanlarda CBS’nin nasıl kullanılabileceğine dair birçok eğitime ulaşacaksınız. Emniyet güçlerinden, politikaya, tarihten, sağlığa ve bunlar dışında daha birçok sektörde örnek senaryolarla sorunları çözeceksiniz.

Dersler arasında arama ve sınıflara göre sıralama yaparak gezinebileceğiniz bir galeriden seçerek istediğiniz konudan çalışmaya başlayabilirsiniz. Bazı eğitimlerde haritalar ve diğer mecralarla hikayeler anlatmak isteyenlere de yardımcı olacaktır, Story Map’ler aracılığıyla yapılabilecekleri deneyimleyeceğiniz bu eğitimler sayesinde etkileyici hikayeler anlatabilirsiniz.

Yukarıda da bahsettiğimiz gibi bu site CBS’de haritalarla sorunları nasıl çözebileceklerini daha iyi anlamak isteyenlere çok faydalı olacaktır ama daha da önemlisi bu eğitimlerle “mekânsal düşünmek” dediğimiz yapıyı öğrenerek “Cevaplamak istediğiniz soruyu dikkatlice çerçevelendirdikten sonra, veri toplamak, analiz yapmak ve çıkan sonuçları değerlendirdikten sonra da sonuçları paylaşmak.” bir konu hakkında mekânsal düşünmeyi özetleyen yapıdır.

Buradaki eğitimler analizinizin cevaplamasını istediğiniz soruyu dikkatlice düşünmeyi, sonuçların dikkatlice yorumlanmasını ve haritalarınızı nasıl paylaşacağınızı sizlere gösterecektir.

Bu ve bunun gibi kaynaklar hakkında daha fazla bilgi almak için eğitimlerimize katılabilirsiniz.

Esri Türkiye 2019

Haritanızın Performansını Nasıl Arttırabilirsiniz?

Haritanızın Performansını Nasıl Arttırabilirsiniz?

Hedef kitlemize ulaşırken yaptığımız haritaların güzelliği ve anlattıkları ne kadar önemliyse, bu haritaları hızlı bir şekilde sunmak da bir o kadar önemli. Haritamızla anlatmak istediklerimizin çokluğu bazen hızdan feragat etmemize sebep olabiliyor ama içinde bulunduğumuz çağda hız, kullanıcı tarafında haritalarımızın tüketiminde çok önemli rol oynuyor. Bunu eğitimlerimizde katılımcılarımızdan gelen sorulardan da anlayabiliyoruz. Esri Türkiye bünyesinde yaptığımız eğitimlerde gelen sorulardan biri genellikle “Haritalarımızı nasıl hızlandırırız?” oluyor. Bu blog yazımızda kendi bilgisayarınızda yalnızca kendi kullanımınız için bir harita hazırlayacak olsanız da harita servisi olarak geniş kullanıcı topluluklarıyla paylaşacak olsanız da haritalarınızın performansını arttırabilecek püf noktalarına değineceğiz.

Haritalarınızı ister web’de paylaşın ister ArcGIS Desktop yazılımlarından birinde kullanın, görüntüleme işlemlerini hızlandırmak ve performansı arttırmak için uygulayabileceğiniz birçok teknik vardır. Daha hızlı görüntülenen bir harita, ArcGIS Desktop ortamında yapacağınız analizler için daha iyi bir kaynak oluştururken, ArcGIS Server üzerinden paylaştığınızda ise kullanıcılara daha iyi bir görüntüleme ve analiz deneyimi yaşatacaktır.

Performansı iyileştirmenin birçok yöntemi vardır ama bu yöntemlerin hepsi tek bir temel stratejiyi baz alır: bilgisayarınız çizimleri ekrana getirdiği sırada ne kadar az işlem kararı alırsa o kadar hızlı bir çizim yapar. Çoğu durumda sembolojide, data frame’de (veri çerçevesinde) veya harita katmanlarda yapacağınız birkaç küçük değişiklikle haritalarınızın görüntüleme hızının artmasında büyük fayda sağlayabilirsiniz.

Performans İçin Haritadaki Öğeleri Optimize Etme

Veri ayarlarınızı ve veriyi kullanma şeklinizi ArcGIS Desktop’ta performansı iyileştirmek için optimize edebilirsiniz. Veri kaynağının formatı da dahil olmak üzere birçok faktörün haritanızın hızında rolü vardır. Verinin konumu, katmanlar, veri çerçevesi ve harita çıktısındaki detayların ayarlarını değiştirerek çok büyük hız artışı sağlayabilirsiniz.

Verinizi hazırlamak

Veri formatını seçerken kullanıcı ihtiyacı, verinin kullanım amacı, boyutu, yapılacak analiz türleri veri bakım gereksinimleri gibi birçok faktör belirleyici olur. Bir haritanın en iyi performansta çalışması için verilerin uzaktaki bir makinede saklanması yerine, görüntüleyeceğiniz bilgisayarda bulunması hızı arttıracaktır.

Bununla birlikte çok büyük veri kümelerinden veri çekerek küçük alanların gösterimini yapacak haritalar için, verinin ArcSDE’den servis edilmesi, aynı veriyi dosyalara kaydetmeye kıyasla önemli performans avantajları sağlayacaktır.

Eğer haritanızı paylaşacaksanız ya da çoklu kullanıcı erişimine açacaksanız verinizi Personal Geodatabase’lerde (Kişisel coğrafi veri tabanlarında) saklamak doğru olmayacaktır.  Personal Geodatabase’ler bunun için tasarlanmamışlardır.

Veriyi hazırlarken dikkat edilmesi gereken birkaç ek husus:

  • Bütün projeksiyonları aynı yapmak: Data Frame’iniz ve altına eklediğiniz her katmanı mümkün olan her durumda aynı projeksiyon sistemine çevirmeniz veri düzenlerken ve paylaşıma hazırlarken çok önemlidir. Bütün katmanlar aynı projeksiyonda olduğu zaman sürekli olan on-the-fly projeksiyon hesaplamasına ihtiyaç kalmayacaktır. Bu durum ciddi bir performans artışına sebep olur.
  • Join ve Relate’le çalışmak: Verinize Join ya da Relate’le eklediğiniz sütunlarla semboloji, etiketleme, sorgu ve daha birçok işlem yapabilirsiniz. Ancak Join ve Relate’le veri eklemek performansınızı yavaşlatabilir. Bu yavaşlamadan kaçınmak için püf noktalarına buradan ulaşabilirsiniz.
  • Öznitelik ya da Mekânsal indeksleri kullanmak: Eğer veri kaynağınız izin veriyorsa sorgulamada ya da gösterimde kullandığınız sütunlarınızı indeksleyin. İndeksler her veri formatı için farklıdır. Shapefile’lar için buradan ve Geodatabase’ler (Coğrafi Veri Tabanları) için de buradan daha fazla bilgiye sahip olabilirsiniz. Bunlara ek olarak Geoprocessing çatısı verinizdeki öznitelikleri indekslemeniz için bir araca sahiptir, bu araç hakkındaki bilgiye de bu bağlantıdan ulaşabilirsiniz: Add_Attribute_Index.
  • Veriyi Basitleştirmek: Verinizin basitleştirilmiş ya da genelleştirilmiş versiyonlarını kullanmak da ciddi performans artışına sebep olur. Eğer küçük ölçekte gösterim yapacaksanız verinizin genelleştirilmiş veya basitleştirilmiş bir sürümüyle çalışırsanız zaten görünmeyecek olan detaylar için yazılımın hesaplama yapmasına gerek kalmayacaktır. Örneğin, Dünya kıyı şeritlerinin çok detaylı bir haritası tam ölçekte gösterildiğinde yavaş çalışacaktır, verteksleri azaltarak verinizi sadeleştirirseniz, sorgu ve tanılama yeteneklerinin performansının arttığını göreceksiniz.

Katmanları, Rasterları ve Çıktı Düzenlerini Optimize Etmek

Aslında performans artışı ve hız için yapabileceğiniz en kolay ve hızlı yöntem, gereksiz katmanları ve veri çerçevelerini (Data Frame) haritanızdan kaldırmaktır. Haritanın amacına hizmet etmeyen veri çerçevelerini ve katmanları kaldırmak, çıktı düzeninizdeki gereksiz harita öğelerini kaldırmak ciddi bir performans artışı sağlayabilir.

Bütün bunları yaptıktan sonra daha ileri bir performans artışı isterseniz aşağıdaki ek hususlara da bakabilirsiniz.

  • Belirli katman ve detayları otomatik olarak gizleyerek performansı artırmak: Katman gösteriminde performansı arttırmanın en iyi iki yoldan biri detayları sadece göstermenin uygun olduğu ölçek aralığında göstermektir ve diğeri ise özniteliklerden tanım sorgusu oluşturarak her detayın gösterilmesinden kaçınmaktır.
  • Eğer belirli bir ölçekte haritanızdaki bir katmanın görünmesine ihtiyacınız yoksa, o katman için ölçek bağımlılığını açarak, sadece belirlediğiniz ölçek değerlerinde görüntülenmesini sağlayabilir bu sayede performansı arttırabilirsiniz. Bu konuda bilgiye buradan ulaşabilirsiniz,
  • Tanım sorgusu yaparak haritanızdaki verinin miktarını kısıtlayabilirsiniz. Bir sorgu oluşturarak sadece dikkat çekmek ve gösterimini yapmak istediğiniz verilerin gösterilmesini sağlayabilirsiniz. Nasıl yapıldığını öğrenmek için buraya bakabilirsiniz,
  • Semboloji ve performans ilişkisi hakkında bilgi için buraya bakabilirsiniz,
  • Gösterim performansını optimize etmek için altlık haritaları kullanmak hakkında buradan bilgi alabilirsiniz,
  • Haritanızdaki verileri bilgisayarınız önbelleğine kaydedilmesini sağlamak: ArcMap detay önbelleklemesi haritadaki detayları geçici olarak bilgisayarınızın belleğine alarak veriye daha hızlı ulaşılmasını sağlar. Bu işlemin etiketleme, düzenleme, detay seçimi, birden çok katmanda kullanılan aynı detayın daha hızlı çağrılması gibi birçok işleme faydası vardır. Bu konuda daha fazla bilgi için buradan faydalanabilirsiniz,
  • Rasterları hızlandırmak için ise birden çok teknik kullanabilirsiniz. Görüntü kalitesini mümkün olduğunca düşük tutmak, doğru yeniden örnekleme yöntemini kullanmak ve raster’ı on-the-fly projeksiyon yerine kendi projeksiyonunda göstermek gibi yöntemleri kullanabilirsiniz. Bunların yanında piramitleme’de etkin bir performans arttırıcı yöntemdir. Raster’ları hızlandırmanın çeşitli yöntemlerini buradan inceleyebilirsiniz,
  • Çıktı düzenini ayarlarken veri çerçevelerinizin kenarlarını yuvarlak hatlı olması, arkaplan renklendirmeniz, çerçevelere gölge vermeniz gibi görselleştirme özellikleri performansı yavaşlatacaktır. Bu özellikleri veri çerçevesine sağ tıklayarak Properties (Özellikler), Frame (Çerçeve) yolundan ayarlayabilirsiniz.

ArcGIS Server ile Servis Edilecek Haritaları Optimize Etmek

Yukarıdaki haritaları optimize etme yöntemleri ArcGIS Server’la servis edilecek haritalarda da işe yarar. Bu yöntemlere ek olarak bu bağlantı altındaki yöntemlerden de yararlanabilirsiniz. Haritayı servis etmeden önce hedef kitleye göre tasarlayarak, gerekmeyen hiçbir öğeyi ve katmanı eklemeyerek baştan performans düşüşlerinin önüne geçebilirsiniz. Amaçlanan uygulama için gerekmeyen her veri çerçevesini kaldırıp, varsayılan olarak sadece birkaç katmanın gösterilmesini sağlayarak hızı arttırabilirsiniz. Kullanıcılar ihtiyaçları olan katmanları kendileri açıp kapatarak performansı kendileri belirleyebilir.

Önbelleklenmiş harita servisi kullanmak her zaman harita servisi sunmanın en hızlı yoludur. Çünkü harita önbelleği oluşturulduğunda görüntüleme de oluşturulur. Ama bu yöntem pek de dinamik değildir ve sürekli veri değişikliklerine uygun bir yöntem değildir. Önbelleklenmiş harita servisi kullanmak işinize uygun olmadığı zamanlarda bu blog yazısındaki diğer yöntemler performans artışı için çok işinize yarayacaktır.

Performansı haritalar oluşturmak için burada değindiğimiz ve daha birçok yöntem için ArcGIS 1 & 2 CBS’ye Giriş & Temel Uygulamalar eğitimimize katılabilirsiniz.

Esri Türkiye 2019

Esri Jupyter Notebook’ta OpenStreetMap Bina Verisi Kullanılarak Basit Analizler Yapımı

Esri Jupyter Notebook’ta OpenStreetMap Bina Verisi Kullanılarak Basit Analizler Yapımı

ArcGIS Pro yüklü makinede yüklenebilen ücretsiz Jupyter Notebook sayesinde ‘ArcGIS API for Python’ kullanılarak coğrafi uygulamalar geliştirip analizler gerçekleştirebilirsiniz. Bununla birlikte ArcGIS Online yönetimini de yapılabilmektedir.

ArcGIS Pro yazılımına sahip ama henüz Jupyter Notebook’u bilgisayarınıza yüklemediyseniz link içinde geçen yönergeleri takip edip bilgisayarınıza yükleyebilirsiniz. Hemen şimdi kullanmak istiyorsanız da Esri’nin ücretsiz hizmete sunduğu notebooks.esri.com adresinde Jupyter Notebook’u kullanabilirsiniz. Dikkat etmeniz gereken husus bu adreste yapacağınız çalışmaları ve verilerinizi kendi yerel bilgisayarınıza kopyalamanız. Çünkü açacağınız oturum, süre kısıtlı; eğer hiçbir işlem yapmazsanız belirli bir süre içinde oturumunuz otomatik olarak kapatılır ve yaptığınız çalışmaları kaybedebilirsiniz.

Bu yazıda Jupyter Notebook platformu üzerinde 3 boyutlu bir harita üzerinde OpenStreetMap (OSM) bina verilerini görselleştirip, metro duraklarına kendi oluşturacağımız yakınlık analizi algoritmasına göre görselleştirmesi anlatılmaktadır.

İşleyiş adımları aşağıdaki gibi olacaktır:

Şekil 1. İşleyiş adımları

Gereksinimler:

  1. ArcGIS Developer hesabı (ücretsiz oluşturmak için https://developers.arcgis.com/ adresini ziyaret edin)
  2. Jupyter Notebook

1.      OSM Bina Verilerinin Alınması

OSM ücretsiz servisler sunması nedeniyle içerdiği büyük boyutlarda coğrafi verilerin son kullanıcılar tarafında erişimi farklı ücretli ve ücretsiz olarak erişilebilmektedir. Bu yazıda overpass-turbo.eu sitesi üzerinden ücretsiz olarak bina verilerini indireceğiz. Yasal kullanım hakları için https://www.openstreetmap.org/copyright sitesine mutlaka bakın.

İlgili sitede, arama kutusuna istediğiniz bölgeyi yazın ve alacağınız bina verilerini öncelikle olabildiğince dar alan için alın. Yazı bitiminde istediğiniz büyüklükte bir alan üzerinden çalışabilirsiniz.

Şekil 2. Ankara şehir merkezi binalar

Sol üstteki ‘Wizard’ (Sihirbaz) düğmesine basıp, çıkan ekranda haritada görüntülenen alan için alabileceğimiz OSM verisi için sorgu oluşturacağız. Buradaki sorgu için kullanacağınız kelimelerin detaylarını linkte bulabilirsiniz.

Şekil 3. Sorgu sihirbazı

Sorgu sihirbazına yazacağınız ‘building=* OR building:levels=*’ yazarak, haritada görüntülediğiniz alandaki tüm binaları ve varsa seviye (kat) bilgisini da almış oluyorsunuz. Burada seviye bilgisi her bina için farklılık gösterecektir. ‘build and run query’ (derle ve çalıştır sorguyu) düğmesine basarak, ilgili alan için veriler çekilir.

Web sayfasının sol üst kısmındaki ‘Data’ (Veri) sekmesine tıklayarak, çekilen verileri görüntüleyebilirsiniz. Eğer verilerinizde sıkıntı yoksa, web sayfasının sol kısmındaki ‘Export’ (Dışarı Çıkart) düğmesine tıklayarak verileri indirme için gerekli paneli açacağız.

Şekil 4. ‘Dışarı Çıkarma’ paneli

‘Export’ panelindeki ‘Data’ kısmını genişlettiğinizde ‘download/copy as GeoJSON’ (indir/kopyala GeoJSON olarak) linkine tıklayın. Bu şekilde ArcGIS Developer hesabı ile giriş yapabileceğiniz ArcGIS Online içerisine kolay bir şekilde format değişimi yapmadan atabileceğiz.

2.      Verinin ArcGIS Online İçerisine Atılması

ArcGIS Online giriş yapın ve ‘Content’ (İçerik) linkine tıklayın. Sol kısımdaki ‘Add Item’ (Öğe Ekle) düğmesine tıklayıp dosya içeri aktarma sürecini başlatalım. ‘From my computer’ (Bilgisayarımdan) seçeneğini seçelim.

Şekil 5. ArcGIS Online ‘Bilgisayarımdan bir öğe ekle’ paneli

Bir önceki bölümden indirdiğimiz dosyayı burada seçip, ilgili alanları dolduruyoruz. Başlık kısmına girdiğimiz değeri sonraki bölümlerde kullanacağız. Kısa bir süre sonra öğemiz ‘Feature Layer’ (Feature Katmanı) olarak eklenmiş olacak.

Yeni eklenen öğeyi tıklayıp sayfasını açın. Analizler için kullanacağımız yeni bir ‘Field’ (Alan) oluşturmak için ‘Data’ (Veri) sekmesine tıklayıp verilerin görüntülendiği sayfa açılsın.

Şekil 6. ‘Alan Ekle’ menüsü

Sol kısımdaki üç tırtıklı ikona tıklandığı zaman açılan menüde ‘Add Field’ (Alan Ekle) menü seçeneğini tıklanır ve aşağıdaki resimdeki veriler girilir.

Şekil 7. ‘Alan Ekle’ paneli

3.      Jupyter Notebook içerisinde Programlama

Öncelikle analiz için kullanacağımız metro bilgisini almak. Bunun için ‘Jupyter Notebook’ uygulamasını çalıştırın ve yeni bir çalışma kitabı oluşturun ve aşağıdaki kodları yazıp çalıştırın.

Şekil 8. Metro bilgisinin alınıp ArcGIS Online’a kaydetme

Yukarıdaki kodlarda kırmızı ile kapatılmış alanları kendi bilgilerinize göre doldurmanız gerekmektedir. Bu kod parçası Ankara merkezde metro istasyonları POI bilgisini ‘feature’ olarak en fazla 20 tane olacak şekilde almaktadır. Sonrasında da harita üzerinde gösterimini sağlayıp, bilgiyi ArcGIS Online üzerine ‘metrolar’ olarak kaydetmektedir.

İsterseniz kaydedilen ‘metrolar’ katmanının görsel ikonunu değiştirebilirsiniz.

Metro bilgisini alma işlemini bitirdikten sonra, ana uygulamamızı oluşturabiliriz. Bunun için yeni bir çalışma kitabı oluşturalım Jupyter Notebook üzerinde.

Kod hücrelerinde:

  1. Gerekli kütüphane kullanımları yapılıyor ve ArcGIS Online hesabına bağlantı sağlanıyor.
  2. Merkezi Ankara olacak şekilde bir harita objesi oluşturuluyor.
  3. ArcGIS Online hesabına bağlı olan içerikte bina bilgilerini içeren ‘export’ katmanı bulunuyor.
  4. ‘metrolar’ katmanı bulunuyor.
  5. Yapılacak analiz sonucunda 3 boyutlu binaların görselliğini değiştirmek için özel bir semboloji tanımlanıyor. ‘ClassBreak’ tipindeki bu sembolojide alan ‘distance’ içindeki 0, 15, 25, 50, 75 ve 100 metrelik değerlere göre bina renklendirilmesi farklı olmaktadır.
    Metro katmanı haritaya katman olarak eklenir. Haritayı 3 boyutlu hale getirmeyi unutmayınız.
  6. Basit bir analiz yapılıyor. Metro konumlarına göre oluşturacağımız ‘buffer’ işlemini 100,75,50,25 ve 15 metrelik tekrarlar ile yapıp, her oluşturulan ‘buffer’ poligonun bina poligonu ile arasındaki uzaklık farkının sıfır olması durumunda, bina bilgisindeki ‘distance’ alanına ilgili ‘buffer’ uzaklığının değeri yazılmaktadır. Bu şekilde tüm binaların metro duraklarına olan uzaklığı hesaplanmaktadır.

Şekil 9. Basit bina-metro durağı analizi

Kodun çalıştırılması sonrasında haritamızda analiz sonucunu görüntüleyeceğiz.

Şekil 10. Ankara merkez bina-metro yakınlık analizi

Metro bilgisi yerine isteyeceğiniz farklı POI bilgilerin ve bina bilgilerine göre farklı analizler yapabilirsiniz artık.

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