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

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