Veriyi Özetle

Veri Özetleme araç setinde bulunan araçlar; alanlardaki detayların ya da yakındaki diğer detayların toplam sayısını, uzunluğunu, alanını ve temel açıklayıcı istatistiklerini ve bunların özniteliklerini hesaplar.

• Noktaları Birleştir, belirtilen alanlar veya kutular içinde kalan noktalar hakkındaki istatistikleri hesaplar.
• Çok Değişkenli Grid Oluştur kare veya altıgen kutu biçiminde grid oluşturur ve her kutu için değerleri her bir girdi katmanının yakınlığına dayalı olarak hesaplar.
• Veri Kümesini Tanımla girdinizin özetini hesaplar ve isteğe bağlı olarak girdi katmanınızın bir örneğini oluşturabilir.
• Detayları Birleştir, diğer detaylarla bir mekansal ilişki, geçici ilişki veya öznitelik ilişkisi paylaşan detaylar hakkındaki istatistikleri hesaplar.
• İzleri Yeniden Oluştur, aynı ize ait olan nokta veya alanlar hakkındaki istatistikleri hesaplar ve girdileri izlerde yeniden oluşturur.
• Öznitelikleri Özetle, öznitelikleri paylaşan detay verileri veya çizelgelenen veriler hakkındaki istatistikleri hesaplar.
• İçinde Özetle, alanın birbiriyle örtüşen detayların ve özniteliklerinin istatistiklerini hesaplar.

Toplanan Noktalar

Bir nokta detayları katmanı ve bir alan detayları katmanı veya belirli bir mesafeyle tanımlanan kutular kullanan bu araç, her bir alana veya kutuya hangi noktaların düştüğünü belirler ve her bir alan ya da kutu içindeki noktaların tümü hakkındaki istatistikleri hesaplar. Bu araçla birlikte isteğe bağlı olarak zaman dilimleme uygulayabilirsiniz.

Aşağıda örnekleri verilmiştir:

• Suç olaylarının nokta konumlarını ele alarak ilçe ve diğer idari bölgeler başına suç sayımını yapın.
• 100 kilometrelik kutular kullanarak isim hakkı verilen konumların en yüksek ve en düşük aylık cirolarını bulun.

Çok Değişkenli Grid Oluştur

Çok Değişkenli Grid Oluşturma aracı, bir kare veya altıgen kutu biçiminde grid oluşturur ve her kutu için değişkenleri bir ya da daha fazla sayıda girdi katmanının yakınlığına dayalı olarak hesaplar.

Aşağıda örnekleri verilmiştir:

• Toplu taşıma altyapısının çoklu katmanları verildiğinde, şehrin hangi bölümü toplu taşıma araçlarıyla en az erişilebilir durumdadır?
• Göller ve nehirler gibi su yolları katmanları verildiğinde, ABD’de her konuma en yakın su kaynağının adı nedir?
• Bir hane geliri katmanı verildiğinde, ABD’de nerede 50 mil civarında, gelirdeki değişim en büyüktür?

Veri Kümesini Tanımla

Girdi detaylarını istatistik, örnek katmanlar ve görselleştirme ile özetleyin. Bir örnek katman veya kapsam katmanını çıkarmayı seçebilirsiniz.

Aşağıda örnekleri verilmiştir:

• Veri kümenizin hangi değerleri içerdiğini anlamak için hesaplanan özet istatistiklerine bakın.
• Veri kümesinin tamamını çizmek yerine, bir haritaya eklendiğinde detaylarının ve özniteliklerinin görselleştirilmesi için bir alt küme katmanı oluşturun.
• Analizi tüm veri kümesinde çalıştırmadan önce zamandan ve kaynaklardan tasarruf etmek için analizi bir örnek katman üzerinde çalıştırın.

Detayları Birleştir

Detay katmanlarını veya zamansal verileri kullanarak, girdi katmanları veya tabloları arasındaki belirli ilişkilere göre detayları ve kayıtları birleştirebilirsiniz. Birleştirmeler mekansal, zamansal ve öznitelik ilişkileri tarafından belirlenir; özet istatistikler isteğe bağlı olarak hesaplanabilir.

Aşağıda örnekleri verilmiştir:

• Bir zaman aralığında suç olaylarının nokta konumları verildiğinde, suçların birbirleriyle arasında 1 kilometrelik bir mekansal ilişki ve 1 saatlik bir zaman diliminde gerçekleşmiş olması koşulu ekleyerek suç verilerini kendisiyle birleştirebilir ve alan ve zaman olarak birbirine yakın suç olaylarında benzerlik olup olmadığını belirleyebilirsiniz.
• Nüfus bilgilerini içeren bir ZIP Kodları tablosu ve konut olarak kullanılan binaları gösteren alan detayları verildiğinde, her konuta ait bilgileri oluşturmak için nüfus bilgilerini konutlarla birleştirebilirsiniz.

İzleri Yeniden Oluştur

Zaman içinde bir an gösteren zaman etkin nokta veya çokgen detayları katmanı kullanan bu araç, bir ize sahip olan ve girdileri zamana göre sıralı biçimde düzenleyen girdi detaylarını belirler. Her iz içindeki girdi detayları için istatistikler isteğe bağlı olarak hesaplanır.

Aşağıda örnekleri verilmiştir:

• Nokta konumları ve fırtına ölçümleri saati verildiğinde, ortalama rüzgar hızını ve fırtınanın maksimum rüzgar basıncını hesaplayabilirsiniz.
• Gemi yollarını çizgiler olarak yeniden oluşturmak için gemilerin GPS ölçümlerini kullanın.

Öznitelikleri Özetleme

Detay verilerini veya zamansal verileri kullanan bu araç, belirtilen alanlar için istatistikleri özetler.

Aşağıda örnekleri verilmiştir:

• COMPANY_NAME alanı olan süpermarketlerin konumları verildiğinde, her şirket için istatistikleri belirlemek üzere mağazaları şirket adına göre özetleyebilirsiniz.
• COMPANY_NAME ve COUNTY alanlarına sahip şarküteri tablosu verildiğinde, her bölgedeki her şirket için istatistikleri belirlemek üzere şirket adına ve bulunduğu yere göre mağaza bilgilerini özetleyebilirsiniz.

İçinde Özetle

İki katman arasında bindirme yapan alanları (ve alanların kısımlarını) bulur ve bindirme hakkındaki istatistikleri hesaplar.

Aşağıda örnekleri verilmiştir:

• Bir boşaltma havzası alanları katmanı ve arazi kullanım türüne göre bir arazi kullanım alanları katmanı verildiğinde, her boşaltma havzası için arazi kullanım türünün toplam yüz ölçümünü hesaplayın.
• Bir ilçedeki parsellerin bir katmanı ve şehir sınırlarının bir katmanı verildiğinde, her bir şehir dahilindeki boş parsellerin ortalama değerini özetleyin.

Olayları Algıla

Bu araç, zamana bağlı olarak nokta,çizgi,alan veya tabloların zamanla etkinleştirilmiş bir katmanı ile çalışır. Bu araç, parçalar adı verilen sıralı olarak düzenlenmiş detayları kullanarak, hangi detayların ilgi odağı olaylar olduğunu belirler. Olaylar belirttiğiniz koşullara göre belirlenir.

Aşağıda örnekleri verilmiştir:

• Kategori 4 kasırgaları olan kasırga ölçümlerini bir rüzgar hızı özniteliğine dayalı olarak algılar.
• Gemi hareketinin GPS ölçümlerini gemi hızını temsil eden bir alanla kullanarak, önceki beş ölçümün ortalamasının 1,5 katından daha büyük olan ölçümleri bulur.

Duraklama Yeri Konumlarını Bul

Bu araç iz veri kümeleri ile çalışır; nesnelerin belirli bir mesafe ve süre içinde nerede durakladığını bulmak için zaman etkin bir nokta katmanından oluşur.

Aşağıda örnekleri verilmiştir:

• Hayvan hareket kalıplarını analiz ederek koruma çalışmalarını iyileştirin. Bu aracı, biyoçeşitliliği korumak için hayvanların popüler kalış noktalarını potansiyel korunan alanlar olarak ortaya çıkarmak amacıyla kullanın.
• Taşıtlar için GPS konumlarını kullanarak, trafik güvenliğini artırmak amacıyla yavaşlamaların olduğu yerleri bulun ve irdeleyin.

Benzer Konumlar Bul

Belirttiğiniz kriterlere göre aday arama katmanınızdaki konumların bir veya birkaç referans konuma benzerliğini ölçerek benzer konumları bulabilirsiniz.

Aşağıda örnekleri verilmiştir:

• Çalışan sayısını ve yıllık satışları inceleyerek en çok benzer olan 10 mağazayı bulabilirsiniz.
• Nüfus, yıllık büyüme ve vergi geliri arasındaki ilişkiyi inceleyerek birbirine en çok benzeyen 100 şehri bulabilirsiniz.

Modelleri Analiz Et

Bu araçlar, mekansal modelleri tanımlamanıza, sayısallaştırmanıza ve görselleştirmenize yardımcı olur.

• Yoğunluğu Hesapla, bazı olayların bilinen miktarlarını alır ve bu miktarları haritada dağıtır.
• Etkin Nokta Bul aracı, verilerinizin mekansal modelindeki istatistiksel açıdan anlamlı olan kümelenmeyi tanımlar.
• Nokta Kümelerini Bul aracı, ortam gürültüsündeki nokta özellikli kümelerini mekansal dağılımlarına göre bulur.
• Orman Sınıflandırma ve Regresyon aracı, Leo Breiman’ın rastgele orman denetimli makine öğrenme yönteminin bir uyarlamasını kullanarak modeller oluşturur ve tahminler üretir.
• Genelleştirilmiş Doğrusal Regresyon aracı, tahminler oluşturur ya da bir dizi açıklayıcı değişkenle ilişkisi açısından bağımlı bir değişken modeli oluşturur.
• Coğrafi Ağırlıklı Regresyon, mekansal olarak değişen ilişkileri modellemek için kullanılan yerel bir lineer regresyon formunu kullanarak modeller oluşturur.

Yoğunluğu Hesaplama

Yoğunluğu Hesaplama aracı, bazı olayların bilinen miktarlarını (nokta öznitelikleri olarak gösterilen) haritada dağıtarak nokta detaylı bir yoğunluk haritası oluşturur. Sonuçta ortaya çıkan yoğunluğu gösteren alanlar katmanıdır.

Aşağıda örnekleri verilmiştir:

• Bölgedeki hastane yoğunluğunu hesaplama. Sonuç katmanı, yüksek ve düşük hastane erişimini gösterir ve bu bilgiler yeni hastanelerin yapılması gereken yerleri belirlemek için kullanılabilir.
• Orman yangınlarının geçmişte oluştuğu yerlere göre, orman yangını riskinin yüksek olduğu alanların tanımlanması.
• Yeni yolların nereye yapılması gerektiğini planlamak amacıyla ana yollardan uzakta yaşayan toplulukların belirlenmesi.

Nokta Kümelerini Bul

Nokta Kümelerini Bul aracı, ortam gürültüsündeki nokta özellikli kümelerini mekansal dağılımlarına göre bulur.

Aşağıda örnekleri verilmiştir:

• İmha çabalarını desteklemek için zararlılarla mücadele eden hane kümelerini bulabilirsiniz.
• Doğal afetler veya terör saldırılarının ardından coğrafi konum tweet’lerini kullanarak kümelerin boyut ve konumlarına göre kurtarma ve tahliye ihtiyaçları konusunda bilgilendirme yapabilir ve harekete geçebilirsiniz.

Etkin Noktaları Bulma

Etkin Nokta Bul aracı, verinizin mekansal modelinde istatistiksel açıdan önemli bir kümelenme olup olmadığını belirleyecektir.

• Noktalarınız (suç olayları, ağaçlar, trafik kazaları) gerçekten kümelenmiş mi? Nasıl emin olabilirsiniz?
• Gerçekten istatistiksel açıdan önemli etkin nokta (harcama, bebek ölümü, sürekli yüksek test puanları) buldunuz mu, ya da haritanız, sembolize edilme şeklini değiştirdiyseniz farklı bir şey mi anlatıyor?

Orman Sınıflandırma Ve Regresyon

Orman Sınıflandırma ve Regresyon aracı, Leo Breiman’ın rastgele orman denetimli makine öğrenimli yönteminin bir uyarlamasını kullanarak modeller oluşturur ve tahminler üretir.

Aşağıda örnekleri verilmiştir:

• Deniz yosununun oluşumu ile ilgili veriler ve hem üretime dönük fabrikalara hem de ana limanlara olan mesafeleri hesaplamak için çok değişkenli bir grid kullanılarak zenginleştirilen öznitelikler olarak temsil edilen bir dizi çevresel açıklayıcı değişken verildiğinde, gelecekteki deniz yosunu oluşumu aynı çevresel açıklayıcı değişkenler için olan gelecek projeksiyonları dikkate alınarak tahmin edilebilir.
• Ülke genelindeki yüzlerce çiftliğe ait ürün verimi verilerinizin yanı sıra bu çiftliklerin her birine ait başka özniteliklerinizin (çalışan sayısı, alan yüz ölçümü, vb.) olduğunu varsayalım. Bu veri parçalarını kullanarak, ürün verimi bilgisinin bulunmadığı (ancak diğer değişkenlerin hepsine sahip olduğunuz) çiftlikleri temsil eden bir dizi detay sağlayabilir ve ürün verimi hakkında bir tahmin yapabilirsiniz.
• Konut değerleri, cari yılda satılan evlerin fiyatlarına göre tahmin edilebilir. Yatak odası sayısı, okula uzaklık, ana karayollarına yakınlık, ortalama gelir ve suç sayıları gibi bilgilerle, birlikte satılan evlerin satış fiyatı, benzer evlerin satış fiyatlarını tahmin etmek için kullanılabilir.

Genelleştirilmiş Doğrusal Regresyon

Genelleştirilmiş Doğrusal Regresyon aracı, tahminler oluşturur ya da bir dizi açıklayıcı değişkenle ilişkisi açısından bağımlı bir değişken modeli oluşturur. Bu araç sürekli (OLS), ikili (lojistik) ve sayım (Poisson) modellerine uyması için kullanılabilir.

Aşağıda örnekleri verilmiştir:

• Hangi demografik özellikler yüksek toplu taşıma kullanım oranlarına katkıda bulunuyor?
• Vandalizm ile hırsızlık arasında pozitif bir ilişki var mı?
• Hangi değişkenler 911 çağrılarının hacmini etkili bir şekilde öngörüyor? Gelecek tahminleri göz önüne alındığında, acil müdahale kaynakları için beklenen talep nedir?
• Hangi değişkenler düşük doğum oranlarını etkiler?

Coğrafi Olarak Ağırlıklı Regresyon

Bu araç, mekansal olarak değişen ilişkileri modellemek için kullanılan yerel bir doğrusal regresyon formu olan Coğrafi Olarak Ağırlıklı Regresyon (GWR) işlemini gerçekleştirir.

Aşağıda örnekleri verilmiştir:

• Eğitimsel kazanım ve gelir arasındaki ilişki, çalışma alanı içinde tutarlı mı?
• Orman yangınlarının sıklığını açıklayan temel değişkenler nelerdir?
• Çocukların yüksek puan aldıkları ilçeler nerededir? Hangi özellikler ilişkili gibi görünüyor? Her özelliğin en önemli olduğu yer neresi?

Verileri Yönet

Bu araçlar hem günlük coğrafi verilerin hem de tablo verilerinin yönetimi için kullanılır.

• Verileri Ekle özellikleri mevcut bir barındırılan detay katmanına ekler.
• Alan Hesapla, yeni bir alan oluşturur veya mevcut bir alanı değiştirir ve içeriklerinizde yeni bir katman oluşturur.
• Katmanı Kırp, belirli bir ilgi alanı ile kesişen detayları kopyalar.
• Veri Deposuna Kopyala, verileri ArcGIS Data Store‘a kopyalar ve içeriğinizde bir katman oluşturur veya verileri büyük veri dosyası paylaşımına kopyalar.
• Sınırları Bütünleştir, ortak bir sınır veya öznitelik değerini paylaşan alanları birleştirir.
• Katmanları Birleştir, iki katmandan tüm detayları tek bir sonuç katmanına kopyalar.
• Katmanları Çakıştır iki veya daha fazla katmanı birleştirerek tek bir katman haline getirir.

Veri Ekle

ArcGIS Enterprise içindeki içeriğinizde barındırılan mevcut bir katmana detaylar ekler.

Aşağıda örnekleri verilmiştir:

• Raporlarınız kullanıma sunulduğunda her ay 2018_Sales detay katmanını güncelleyebilirsiniz.
• 2016 ve 2017 yıllarındaki kasırga izleme veri kümelerini ana kasırga veri kümesine ekleyebilirsiniz.
• Özel alan eşlemesini kullanarak farklı şemalara sahip çeşitli kaynaklardan veri kümeleri toplayabilir ve bunları ekleyebilirsiniz.

Alan Hesapla

Yeni veya mevcut bir alandaki değerleri hesaplar ve ArcGIS Enterprise içindeki içeriklerinizde bir katman oluşturur.

Aşağıda örnekleri verilmiştir:

• total adlı mevcut bir alanı, total_2016, total_2017 ve total_2018 alanlarından alınan gelirin toplamı olacak şekilde değiştirin.
• windspeed (rüzgar hızı) ve pollutant (kirletici) gibi alan değerlerine dayalı tehlike düzeylerini kategorize etmek için bir alan oluşturun.

Veri Deposuna Kopyalama

Bir girdi detayı katmanını veya tablosunu ArcGIS Data Store içine kopyalar ve ArcGIS Enterprise içindeki içeriklerinizde bir katman oluşturur.

Aşağıda örnekleri verilmiştir:

• Görselleştirme için bir büyük veri dosya paylaşımındaki .csv dosyalarını mekan zamansal veri deposu içine kopyalayabilirsiniz.
• Mekan zamansal veri deposu içinde saklanan geçerli harita yayılımı detaylarını ilişkisel veri deposuna kopyalayın.

Katmanları Birleştir

Tek bir sonuç katmanı oluşturmak için iki detay katmanını birleştirir. Birleştirilen katmandaki tüm alanlar varsayılan olarak dahil edilir veya elde edilecek şemayı tanımlamak için özel birleştirme kuralları belirleyebilirsiniz.

Aşağıda örnekleri verilmiştir:

• Tek bir İngiltere katmanı oluşturmak için İngiltere, Galler ve İskoçya’nın demografik bilgilerini içeren üç katmanı birleştirin.
• Bitişik kasabalar için parsel bilgilerini içeren iki katmanı birleştirin, sadece iki katmandaki aynı ada ve türe sahip alanları tutun.

Katmanları Çakıştır

İki ya da daha fazla katmanı tek bir katmana bindirir. Bindirme, coğrafyanın en temel sorularından birine cevap vermek için kullanılır: Neyin üstünde ne var?

Aşağıda örnekleri verilmiştir:

• Hangi parseller 100 yıllık taşkın yatağı düzlemi içindedir? ("İçerisinde", "üstünde" demenin bir diğer yoludur.)
• Hangi arazi kullanımı hangi toprak türü üzerinde?
• Hangi kuyular terk edilmiş askeri üslerin içinde?

Çok Değişkenli Kılavuzdan Zenginleştir

Çok değişkenli bir kılavuzdan bir nokta katmanına öznitelikleri verimli bir şekilde birleştirir, daha fazla mekansal analizde kullanılmak üzere verileri işaretlemek için geniş ve çeşitli bir bilgi koleksiyonunu hızlı bir şekilde eklemenizi sağlar.

Aşağıdaki bir örnektir:

• Milyonlarca elektrik kesintisi olayını içeren bir katman verildiğinde, bu faktörler ve elektrik kesintisi sıklığı arasındaki ilişkiyi incelemek için, olay detaylarını tipik kullanım, çevresel riskler ve altyapı koşulları hakkında bilgilerle zenginleştirin.