Üç şehrin merkezini binaların gerçek taban alanlarıyla çizdim: sadece bina ve boşluk. Plancıların "figure-ground" dediği, şehri en çıplak hâliyle gösteren harita. Videoda binalar en küçükten en büyüğe doğru beliriyor ve yapı yoğunluğu sayacı birlikte yükseliyor. 🔸 Fatih, İstanbul: 30.873 bina, yapı yoğunluğu %32,5. Sonda gelen en büyük yapılar tarihî yarımadanın kompleksleri 🔸 Kızılay, Ankara: 12.881 bina, yapı yoğunluğu %24,8. Ortanca bina 297 m²; daha az ama çok daha büyük bloklar 🔸 Konak, İzmir: 65.751 bina, yapı yoğunluğu %26,2. Küçük binalar ilçeye dağılmak yerine belirli bloklarda toplanıyor. Bu, o bölgelerin OSM'de çok daha ayrıntılı çizildiğini gösteriyor; 44 m²'lik ortanca değeri de büyük ölçüde haritalama ayrıntısı belirliyor Ankara'da ilçeler çok büyük olduğu için (en küçüğü 133 km²) Kızılay merkezli 2,5 km yarıçaplı bir daire kullandım. Alanı yaklaşık 20 km², yani Fatih (16,5 km²) ile Konak (24,4 km²) arasında. 📐 Yapı yoğunluğu = toplam bina taban alanı / toplam alan. Alanlar her ilin kendi TUREF/TM diliminde hesaplandı. 📊 Veri: © OpenStreetMap katkıcıları (ODbL), Geofabrik, 1 Kasım 2026 · İlçe sınırları: geoBoundaries 🛠️ Araç: Python (pyosmium, geopandas, PIL, ffmpeg) Hangisi sizin şehrinize benziyor? #30DayMapChallenge #GIS #CBS #ŞehirPlanlama #UrbanPlanning #FigureGround #Python #OpenStreetMap #DataViz #İstanbul #Ankara #İzmir

2026 Güz Dönemi Açık Kaynak CBS Atölyemizde 5. haftaya geçtik! Bu hafta katılımcılarımız, ileri seviye CBS uygulamalarına odaklanarak ilgi duydukları beş farklı çalışma alanından birini seçecek ve öğrendiklerini uygulamalı projelerle pekiştirecekler. 📌 5. Hafta Çalışma Konularımız: 🔹 PostgreSQL / PostGIS: Mekânsal veritabanı yönetimi, SQL sorguları ve QGIS entegrasyonu. 🔹 GeoServer: Coğrafi verilerin WMS ve WFS servisleri aracılığıyla yayınlanması ve web haritalarında kullanılması. 🔹 GeoAI – Semantic Segmentation: Derin öğrenme yöntemleriyle uydu görüntülerinden otomatik bina tespiti. 🔹 Network Analizi: Yol ağları üzerinden en kısa yol, servis alanı ve erişilebilirlik analizleri. 🔹 Çok Kriterli Mekânsal Analiz (AHP & Overlay): Farklı mekânsal kriterlerin ağırlıklandırılmasıyla uygunluk ve yer seçimi analizleri. Bu haftaki çalışmalarımızla katılımcılarımızın yalnızca farklı CBS araçlarını kullanmalarını değil, aynı zamanda gerçek problemlere yönelik analiz yöntemleri geliştirmelerini ve elde ettikleri sonuçları yorumlamalarını hedefliyoruz. 📅 4 Kasım 2026 Çarşamba 🕗 20.00 🗺️ Haritalar Daha Fazlasını Anlatır! #OpenGISTürkiye #AçıkKaynakCBS #QGIS #PostGIS #GeoServer #GeoAI #NetworkAnalysis #SpatialAnalysis #GIS #CBS

Coğrafi Bilgi Sistemleri (CBS), yalnızca harita üretmekten ibaret değildir. Konumsal verilerin toplanması, düzenlenmesi, analiz edilmesi, yönetilmesi ve kullanıcılarla paylaşılması süreçlerini kapsayan bütünleşik bir yapıdır. Peki, açık kaynak teknolojilerle uçtan uca bir CBS altyapısı oluşturmak mümkün mü? QGIS, PostGIS, GeoServer ve OpenLayers birlikte kullanıldığında bu süreçlerin tamamını destekleyen güçlü bir ekosistem ortaya çıkar. 🔹 QGIS | Veri İşleme ve Mekânsal Analiz Konumsal verilerin görselleştirilmesini, düzenlenmesini ve analiz edilmesini sağlayan açık kaynak masaüstü CBS yazılımıdır. Raster ve vektör veri analizlerinden tematik harita üretimine kadar geniş bir kullanım alanına sahiptir. 🔹 PostGIS | Mekânsal Veritabanı Yönetimi PostgreSQL veritabanına konumsal veri desteği kazandıran açık kaynak eklentidir. Büyük veri kümelerinin merkezi olarak yönetilmesini ve ST_Intersects, ST_Within, ST_Distance gibi fonksiyonlarla SQL tabanlı mekânsal sorgular gerçekleştirilmesini sağlar. 🔹 GeoServer | Coğrafi Veri Servisleri Konumsal verilerin WMS, WFS ve WMTS gibi OGC standartlarına uygun servislerle paylaşılmasını sağlayan açık kaynak harita sunucusudur. Böylece veriler farklı CBS yazılımları ve web uygulamaları tarafından kullanılabilir. 🔹 OpenLayers | İnteraktif Web Haritaları Web tarayıcılarında dinamik ve etkileşimli haritalar geliştirmeye olanak tanıyan açık kaynak JavaScript kütüphanesidir. Katman yönetimi, harita üzerinde gezinme, öznitelik sorgulama ve farklı harita servislerinin entegrasyonu gibi işlevleri destekler. 🔗 Peki, bu teknolojiler birlikte nasıl çalışır? QGIS ile hazırlanan ve analiz edilen konumsal veriler PostGIS üzerinde depolanabilir. GeoServer aracılığıyla web servisleri olarak yayımlanan bu veriler, OpenLayers kullanılarak geliştirilen interaktif harita uygulamalarında görüntülenebilir. Bu bütünleşik yaklaşım; açık standartlara dayalı, ölçeklenebilir, geliştirilebilir ve lisans maliyetlerini azaltabilen CBS çözümleri oluşturulmasına katkı sağlar.

Dün 708 depremi nokta olarak çizmiştik; noktalar bir ülkenin fay hatlarını sezdiriyordu. Bugün o hatları doğrudan çizdim. Bu haritada Türkiye'nin aktif fay hatlarını hareket türüne göre renklendirdim: 🟠 Sağ yanal (dextral): 7.110 km. Kuzey Anadolu Fayı bu grupta. 🟢 Sol yanal (sinistral): 6.525 km. Doğu Anadolu Fayı bu grupta. 🟤 Normal: 2.500 km. Batı Anadolu'da yoğunlaşıyor. 🔵 Ters (reverse): 775 km Türkiye sınırları içinde 306 fay ve toplam yaklaşık 16.910 km çizgi var. Altta soluk noktalar olarak dünkü haritadan M ≥ 5 depremler duruyor: çizgiler ve noktalar aynı haritada buluşuyor. 📊 Veri kaynakları • Fay hatları: GEM Global Active Faults Database (GEM Foundation) — lisans CC BY-SA 4.0. Atıf: Styron, R. & Pagani, M. (2020). The GEM Global Active Faults Database. Earthquake Spectra, 36(1_suppl). doi:10.1177/8755293020944182 • Deprem noktaları: USGS ComCat, M ≥ 5, 2000–2026 • Ülke sınırları: Natural Earth 1:10m (kamu malı) • Yazılım: Python (numpy, matplotlib) 🧮 Nasıl hesapladım? Her fay çizgisini iki noktalı parçalara böldüm. Parçanın orta noktası Türkiye sınırı içindeyse içeride saydım ve uzunluğu haversine formülüyle kilometre olarak hesapladım. Karma hareketler (ör. sağ yanal-normal) ilk bileşenine göre gruplandı. ▶️ Videoda veriyi indirmeyi, sınıflamayı, uzunluk hesabını ve çizimi adım adım anlatıyorum. QGIS, PostGIS, MapLibre/Leaflet ve Cesium ile nasıl yapılabileceğine de değiniyorum. Yarın 3. gün: Polygons (Çokgenler). #30DayMapChallenge #Lines #Harita #CBS #GIS #Fay #Deprem #Türkiye #OpenData #Python #Matplotlib #Kartografi

Bir şehrin planlı mı, kendiliğinden mi büyüdüğünü sokaklarının yönünden okuyabilir misiniz? İstanbul, Ankara ve İzmir'in tüm araç yollarını aldım. Her sokak parçası için çevresindeki yaklaşık 300 metrede sokakların ne kadar aynı yöne baktığını tek bir sayıyla ölçtüm. Videoda sokaklar en dağınıktan en düzenliye doğru beliriyor: önce tarihî merkezlerin kıvrımlı sokakları açık renkte, en son ızgara mahalleler koyu renkte geliyor. Üstte ilin tamamı, altta sokakların tek tek okunduğu bir yakınlaştırma var. 🔸 Düzen değeri 0,25 ve üstündeki dokularda kalan yolların payı: İstanbul %34, Ankara %26, İzmir %25 🔸 En düzenli ilçeler metropol merkezinde değil, çeperde ve ilçe merkezlerinde: İstanbul'da Sultangazi, Bahçelievler, Silivri; Ankara'da Kahramankazan, Sincan, Polatlı; İzmir'de Dikili, Torbalı, Kemalpaşa 🔸 Yakınlaştırmalarda fark açıkça görülüyor: Bahçelievler'in ızgarası koyu, Fatih'in, Ulus'un ve Kemeraltı'nın sokakları açık renkte 📐 Yöntem: sokak yönlerinin 36 kutulu, uzunlukla ağırlıklı entropisi (Boeing, 2019), ~300 m'lik Gauss komşuluğunda. 0 = her yöne dağılmış, 1 = kusursuz ızgara. Seyrek kırsal alanları dışarıda tutmak için yalnızca km² başına en az 8 km yol olan yerler hesaba katıldı. 📊 Veri: © OpenStreetMap katkıcıları (ODbL), Geofabrik, 1 Kasım 2026 · İlçe sınırları: geoBoundaries 🛠️ Araç: Python (pyosmium, geopandas, scipy, PIL, ffmpeg) · Her il kendi TUREF/TM diliminde Sizin mahallenizin sokakları ne kadar düzenli? Yorumlara yazın. #30DayMapChallenge #GIS #CBS #ŞehirPlanlama #UrbanPlanning #Python #OpenStreetMap #DataViz #İstanbul #Ankara #İzmir