Problem: In this study, tour operators' perceptions of market changes linked to the pandemic have been investigated. Based on their perceptions, the most effective competition strategies have been described both before and after the pandemic. Aim: The study's intention was to gain an understanding of how Swedish tour operators experience changes in the tourism industry linked to Covid-19 and what competition strategies the companies use before and plan to use after the pandemic. Method: The study uses a qualitative research strategy with an inductive approach and grounded theory as a method. The collected data material has been analyzed mainly by in-depth interviews which were then transcribed and coded from Glaser’s point of view, containing open, selective, and theoretical phase. This resulted in two core categories that expressed the study's main problems: competition strategies and the tourism industry and competition in Sweden. Conclusion: The study results have shown that the most effective competition strategies according to Swedish tour operators are customer orientation, vertical integration, and digitalization. Regarding perceptions of market changes, respondents believe that there have been no major changes in the tour operator market, but the pandemic has affected the tourism industry and competition in general, where market demand and competition between other industries have changed. In addition, the competition strategies used by companies before the pandemic were effective and provide competitive advantages, which results in that these strategies will be largely unchanged after the pandemic. / Problemställning: I denna studie har researrangörernas uppfattningar om marknadsförändringar kopplade till pandemin undersökts. Baserat på deras uppfattningar har de mest effektiva konkurrensstrategierna beskrivits både före och efter pandemin. Syfte: Studiens avsikt var att få förståelse över hur svenska researrangörer upplever förändringar i turistbranschen kopplade till Covid-19 samt vilka konkurrensstrategier företagen använder sig av innan och planerar att använda efter pandemin. Metod: I studien används en kvalitativ forskningsstrategi med induktiv ansats samt grundad teori som metod. Det insamlade datamaterial har analyserats främst med hjälp av djupintervjuer som sedan transkriberades och kodades utifrån Glasers syn, innehållande den öppna, selektiva och teoretiska fasen. Detta resulterade i två kärnkategorier som uttryckte studiens huvudproblematiken: konkurrensstrategier och turistbranschen och konkurrensen i Sverige. Slutsats: Studien resultat har visat att de mest effektiva konkurrensstrategierna enligt svenska researrangörer är kundorientering, vertikal integration och digitalisering. När det gäller uppfattningar om marknadsförändringar anser respondenterna att det inte har skett några större förändringar på researrangörsmarknaden, men pandemin har påverkat turistindustrin och konkurrensen i allmänhet, där marknadens efterfrågan och konkurrens mellan andra industrier har förändrats. Dessutom ansågs de konkurrensstrategier som företag använde före pandemin vara effektiva och ge konkurrensfördelar, vilket resulterar i att dessa strategier kommer i stort sett att vara oförändrade efter pandemin.

Liver segmentation is a cumbersome task when done manually, often consuming quality time of radiologists. Use of automation in such clinical task is fundamental and the subject of most modern research. Various computer aided methods have been incorporated for this task, but it has not given optimal results due to the various challenges faced as low-contrast in the images, abnormalities in the tissues, etc. As of present, there has been significant progress in machine learning and artificial intelligence (AI) in the field of medical image processing. Though challenges exist, like image sensitivity due to different scanners used to acquire images, difference in imaging methods used, just to name a few. The following research embodies a convolutional neural network (CNN) was incorporated for this process, specifically a U-net algorithm. Predicted masks are generated on the corresponding test data and the Dice similarity coefficient (DSC) is used as a statistical validation metric for performance evaluation. Three datasets, from different scanners (two1.5 T scanners and one 3.0 T scanner), have been evaluated. The U-net performs well on the given three different datasets, even though there was limited data for training, reaching upto DSC of 0.93 for one of the datasets.

Estimation of forest parameters using remote sensing information could streamline the forest industry from a time and economic perspective. This thesis utilizes object detection and semantic segmentation to detect and classify individual trees from images over 3D models reconstructed from satellite images. This thesis investigated two methods that showed different strengths in detecting and classifying trees in deciduous, evergreen, or mixed forests. These methods are not just valuable for forest inventory but can be greatly useful for telecommunication companies and in defense and intelligence applications. This thesis also presents methods for estimating tree volume and estimating tree growth in 3D models. The results from the methods show the potential to be used in forest management. Finally, this thesis shows several benefits of managing a digitalized forest, economically, environmentally, and socially.

Deep Learning models have seen great application in demanding tasks such as machine translation and autonomous driving. However, building such models has proved challenging, both from a computational perspective and due to the requirement of a plethora of annotated data. Moreover, when challenged on new situations or data distributions (target domain), those models may perform inadequately. Such examples are transitioning from one city to another, different weather situations, or changes in sunlight. Unsupervised Domain adaptation (UDA) exploits unlabelled data (easy access) to adapt models to new conditions or data distributions. Inspired by the fact that environmental changes happen gradually, we focus on Online UDA. Instead of directly adjusting a model to a demanding condition, we constantly perform minor adaptions to every slight change in the data, creating a soft transition from the current domain to the target one. To perform gradual adaptation, we utilized state-of-the-art semantic segmentation approaches on increasing rain intensities (25, 50, 75, 100, and 200mm of rain). We demonstrate that deep learning models can adapt substantially better to hard domains when exploiting intermediate ones. Moreover, we introduce a model switching mechanism that allows adjusting back to the source domain, after adaptation, without dropping performance. / Deep Learning-modeller har sett stor tillämpning i krävande uppgifter som maskinöversättning och autonom körning. Att bygga sådana modeller har dock visat sig vara utmanande, både ur ett beräkningsperspektiv och på grund av kravet på en uppsjö av kommenterade data. Dessutom, när de utmanas i nya situationer eller datadistributioner (måldomän), kan dessa modeller prestera otillräckligt. Sådana exempel är övergång från en stad till en annan, olika vädersituationer eller förändringar i solljus. Unsupervised Domain adaptation (UDA) utnyttjar omärkt data (enkel åtkomst) för att anpassa modeller till nya förhållanden eller datadistributioner. Inspirerade av att miljöförändringar sker gradvis, fokuserar vi på Online UDA. Istället för att direkt anpassa en modell till ett krävande tillstånd, gör vi ständigt mindre anpassningar till varje liten förändring i data, vilket skapar en mjuk övergång från den aktuella domänen till måldomänen. För att utföra gradvis anpassning använde vi toppmoderna semantiska segmenteringsmetoder för att öka regnintensiteten (25, 50, 75, 100 och 200 mm regn). Vi visar att modeller för djupinlärning kan anpassa sig betydligt bättre till hårda domäner när man utnyttjar mellanliggande. Dessutom introducerar vi en modellväxlingsmekanism som tillåter justering tillbaka till källdomänen, efter anpassning, utan att tappa prestanda.

The population of northern pike in the Baltic sea has seen a drasticdecrease in numbers in the last couple of decades. The reasons for this are believed to be many, but the majority of them are most likely anthropogenic. Today, many measures are being taken to prevent further decline of pike populations, ranging from nutrient runoff control to habitat restoration. This inevitably gives rise to the problem addressed in this project, namely: how can we best monitor pike populations so that it is possible to accurately assess and verify the effects of these measures over the coming decades? Pike is currently monitored in Sweden by employing expensive and ineffective manual methods of individual marking of pike by a handful of experts. This project provides evidence that such methods could be replaced by a Convolutional Neural Network (CNN), an automatic artificial intelligence system, which can be taught how to identify pike individuals based on their unique patterns. A neural net simulates the functions of neurons in the human brain, which allows it to perform a range of tasks, while a CNN is a neural net specialized for this type of visual recognition task. The results show that the CNN trained in this project can identify pike individuals in the provided data set with upwards of 90% accuracy, with much potential for improvement.

The housing market segmentation could provide a reference for more targeted policymaking and investment strategies. Although there have been many studies, there are no consistent submarkets delineating methods because of a lack of theoretical support and subjective evaluation. In this paper, two market segmentation methods are introduced. The continuous spatial segmentation divides properties into submarkets according to their coordinates, while the discontinuous spatial segmentation creates submarkets according to the variable having the most significant impact on the price index, which is the construction year of properties. Two valuation methods, the hedonic price model and the XGBoost regression model, are applied to evaluate the overall Stockholm housing markets and the created. The results proved that both market segmentation methods could improve the valuation prediction accuracy compared to the valuation under the overall Stockholm housing market. The non-spatial continuous market segmentation approach delivers more improvement in valuation accuracy but also has greater volatility. As for the two valuation models, no single valuation method can be absolutely advantageous in any market context. / Segmenteringen av bostadsmarknaden skulle kunna utgöra en referens för mer målinriktade politiska beslut och investeringsstrategier. Även om det har gjorts många studier finns det inga konsekventa metoder för att avgränsa delmarknader på grund av brist på teoretiskt stöd och subjektiv utvärdering. I detta dokument presenteras två metoder för marknadssegmentering. Den kontinuerliga rumsliga segmenteringen delar in fastigheter i delmarknader utifrån deras koordinater, medan den diskontinuerliga rumsliga segmenteringen skapar delmarknader utifrån den variabel som har störst inverkan på prisindexet, vilket är fastigheternas byggnadsår. Två värderingsmetoder, den hedoniska prismodellen och XGBoost-regressionsmodellen, används för att utvärdera Stockholms bostadsmarknad och den skapade marknaden. Resultaten visade att båda marknadssegmenteringsmetoderna kunde förbättra värderingens prediktionsnoggrannhet jämfört med värderingen under den övergripande bostadsmarknaden i Stockholm. Den icke-rumsliga kontinuerliga marknadssegmenteringsmetoden ger större förbättringar i värderingsnoggrannheten men har också större volatilitet. Vad gäller de två värderingsmodellerna kan ingen enskild värderingsmetod vara helt fördelaktig i något marknadssammanhang.

In biology, it is common to study cultured cells (in vitro) with fluorescence time-lapse microscopy. The cells are recorded for longer period of time and can later be viewed at an accelerated speed. During the acquisition some live cells tend to migrate. This can be a problem if the cell’s migration speed is high enough to move outside the field of view (FOV) during the acquisition time. The cells that moves outside the FOV can no longer be recorded and the information about them will be lost. This thesis presents scripts that have been developed for ZEN (blue) to be able to track a specific migrating cell of interest in real-time with automated control of imaging parameters. The microscope stage position is modified on-the-fly to have the tracked cell in the center of the FOV for the whole experiment. Three different types of experiments to track migrating NK cells were performed with the scripts. The results show that the scripts were able to track one NK cell for more than 1 hour in both conventional wide-field and lattice light-sheet microscopy. The segmentation was inaccurate when one or more objects were in close proximity to the tracked cell. By applying a watershed algorithm the segmentation result can be improved in some cases. / Inom cellulär biologi är det vanligt att studera odlade celler (in vitro) med time- lapse-mikroskopi. Flertals bilder tas på cellerna under en längre tidsperiod och när experimentet är klart så kan man titta på bilderna som en video. Under förvärvet av bilderna så tenderar vissa levande celler att migrera. Ett problem som kan uppstå är om cellens migrationshastighet är tillräckligt hög för att röra sig utanför synfältet under anskaffningstiden. De celler som rör sig utanför synfältet kan inte längre avbildas och informationen om dem kommer att gå förlorad. I denna avhandling presenteras programmeringskoder som har utvecklats för ZEN (blue) som kan spåra en specifik migrerande cell i realtid med automatiserad kontroll av bildbehandlings parametrar. Mikroskopets scenposition modifieras under experimentets gång för att få den spårade cellen kontinuerligt i mitten av synfältet. Tre olika sorters experiment i kombination med programmeringskoderna utfördes för att spåra NK-celler. Resultaten visar att programmeringskoderna lyckades spåra en NK-cell i mer än 1 timme i både ett bredfältsfluorescensmikroskop och ett lattice light-sheet mikroskop. Segmenteringen var felaktig när ett eller flera objekt var i närheten av den spårade cellen. Genom att tillämpa en watershed algoritm kan segmenteringsresultatet förbättras i vissa fall.

Marketing is a key function for all organizations and is seen as essential in order to achieve success when launching a new business. Following from the overwhelming amount of accessible data for companies, there exist an urge to understand what activities to include in the marketing process and how to manage them. Despite the vital role and the urge to further understand marketing, there is a lack of research about marketing in the small entrepreneurial business context that is encountered in startups. In addition, a call for further development of empirical research is identified in the business to business (B2B) and business to consumer (B2C) dichotomy. Therefore, the purpose of this study was to evaluate the marketing process used by B2B and B2C Software as a Service (SaaS) startups. This in order to contribute with understanding of the marketing process in the startup context and contribute with development of the research within the B2B and B2C dichotomy. This was done by conducting a multiple case study where the empire was collected from four SaaS startups either selling to consumers or businesses. The empirical findings of the study show that the customer type, being a consumer or a business, affects the marketing process. Both differences and similarities were identified between the marketing process applied in the B2B and the B2C startups. Due to different levels of knowledge within the companies and different complexity levels in the buying process differences were found in the evaluation, segmentation, targeting and positioning done by the B2B and the B2C startups. It was found that the B2B companies put in less effort into the market analysis and segmentation compared to the B2C companies. Historically the channels utilized were identified to be different between the segments. However, a trend towards similar targeting channels was identified since the B2B segment is moving towards using more inbound marketing, which already is the main approach applied by the B2C segment. The B2B segment was, compared with the B2C segment, also identified to put more emphasize on achieving a position within the market that radiates credibility. Furthermore, the marketing process was found to be approached differently in startups than what was suggested in literature due to the lacking attention given to the scare resources and the innovative environment of a startup. A suggestion was therefore provided of how the marketing process better could be adapted to the startup context by including a feedback loop, making the marketing process more iterative. / Marknadsföring är en nyckelfunktion för alla organisationer och ses som en avgörande framgångsfaktor vid uppstarten av ett nytt företag. Till följd av den överväldigande mängden data som många företag besitter finns det ett behov av att förstå vilka aktiviteter som ska ingå i marknadsföringsprocessen samt hur man på bästa sätt hanterar dessa aktiviteter. Trots marknadsföringens vitala roll och det identifierade behovet av ytterligare förståelse är det brist på forskning om marknadsföring inom det entreprenöriella småföretagskontext som påträffas i startups. Vidare identifierades ett behov för vidareutveckling av den empiriska forskningen inom business to business (B2B) och business to consumer (B2C) dikotomin. Syftet med denna studie var därför att utvärdera marknadsföringsprocessen som används av B2B och B2C startups som tillhandahåller mjukvara som en tjänst. Detta för att skapa ökad förståelse av marknadsföringsprocessen i startupkontexten, men även för att bidra i utvecklingen av forskningen inom B2B och B2C dikotomin. Detta gjordes genom en fallstudie där empirisk data samlades in från fyra startups som tillhandahåller en mjukvara som en tjänst och som antingen säljer till konsumenter eller till företag. De empiriska resultaten av studien påvisar att kundtypen, konsument eller företag, påverkar marknadsföringsprocessen. Både skillnader och likheter identifierades mellan marknadsförings-processen som används av startups som säljer till antingen konsumenter eller företag. På grund av olika kunskapsnivåer inom företagen och olika komplexitetsnivåer i inköpsprocessen identifierades skillnader i utvärderingen, segmenteringen, inriktningen och positioneringen som gjordes av B2B och B2C startups. Det påvisades att företagen som säljer till andra företag satsar mindre på marknadsanalys och segmentering jämfört med de företagen som säljer till konsumenter. Historiskt sett har olika marknadsföringskanaler använts av de två segmenten. En trend har emellertid identifierats mot användning av liknande kanaler, eftersom B2B segmentet rör sig mot att tillämpa inkommande marknadsföring, vilket redan är det huvudsakliga tillvägagångssättet som tillämpas inom B2C segmentet. B2B segmentet identifierades även, jämfört med B2C segmentet, lägga vikt vid att uppnå en position inom marknaden som utstrålar trovärdighet. Vidare visade sig marknadsföringsprocessen i startups skilja sig från vad som föreslogs i litteraturen, detta till följd av att litteraturen inte tar hänsyn till de bristande resurserna och den innovativa miljön som präglar en startup. Därför tillhandahålls ett förslag på hur marknadsföringsprocessen bättre kan anpassas till startupkontexten, detta genom att inkludera en återkopplingsslinga vilket resulterar i en mer iterativ marknadsföringsprocess.

Remote sensing data has great potential for wildfire detection and monitoring with enhanced spatial resolution and temporal coverage. Earth Observation satellites have been employed to systematically monitor fire activity over large regions in two ways: (i) to detect the location of actively burning spots (during the fire event), and (ii) to map the spatial extent of the burned scars (during or after the event). Active fire detection plays an important role in wildfire early warning systems. The open-access of Sentinel-2 multispectral data at 20-m resolution offers an opportunity to evaluate its complementary role to the coarse indication in the hotspots provided by MODIS-like polar-orbiting and GOES-like geostationary systems. In addition, accurate and timely mapping of burned areas is needed for damage assessment. Recent advances in deep learning (DL) provides the researcher with automatic, accurate, and bias-free large-scale mapping options for burned area mapping using uni-temporal multispectral imagery. Therefore, the objective of this thesis is to evaluate multispectral remote sensing data (in particular Sentinel-2) for wildfire detection, including active fire detection using a multi-criteria approach and burned area detection using DL models.        For active fire detection, a multi-criteria approach based on the reflectance of B4, B11, and B12 of Sentinel-2 MSI data is developed for several representative fire-prone biomes to extract unambiguous active fire pixels. The adaptive thresholds for each biome are statistically determined from 11 million Sentinel-2 observations samples acquired over summertime (June 2019 to September 2019) across 14 regions or countries. The primary criterion is derived from 3 sigma prediction interval of OLS regression of observation samples for each biome. More specific criteria based on B11 and B12 are further introduced to reduce the omission errors (OE) and commission errors (CE).        The multi-criteria approach proves to be effective in cool smoldering fire detection in study areas with tropical &amp; subtropical grasslands, savannas &amp; shrublands using the primary criterion. At the same time, additional criteria that thresholds the reflectance of B11 and B12 can effectively decrease the CE caused by extremely bright flames around the hot cores in testing sites with Mediterranean forests, woodlands &amp; scrub. The other criterion based on reflectance ratio between B12 and B11 also avoids the effects of CE caused by hot soil pixels in sites with tropical &amp; subtropical moist broadleaf forests. Overall, the validation performance over testing patches reveals that CE and OE can be kept at a low level  (0.14 and 0.04) as an acceptable trade-off. This multi-criteria algorithm is suitable for rapid active fire detection based on uni-temporal imagery without the requirement of multi-temporal data. Medium-resolution multispectral data can be used as a complementary choice to the coarse resolution images for their ability to detect small burning areas and to detect active fires more accurately.        For burned area mapping, this thesis aims to expound on the capability of deep DL models for automatically mapping burned areas from uni-temporal multispectral imagery. Various burned area detection algorithms have been developed using Sentinel-2 and/or Landsat data, but most of the studies require a pre-fire image, dense time-series data, or an empirical threshold. In this thesis, several semantic segmentation network architectures, i.e., U-Net, HRNet, Fast- SCNN, and DeepLabv3+ are applied to Sentinel-2 imagery and Landsat-8 imagery over three testing sites in two local climate zones. In addition, three popular machine learning (ML) algorithms (LightGBM, KNN, and random forests) and NBR thresholding techniques (empirical and OTSU-based) are used in the same study areas for comparison.        The validation results show that DL algorithms outperform the machine learning (ML) methods in two of the three cases with the compact burned scars,  while ML methods seem to be more suitable for mapping dispersed scar in boreal forests. Using Sentinel-2 images, U-Net and HRNet exhibit comparatively identical performance with higher kappa (around 0.9) in one heterogeneous Mediterranean fire site in Greece; Fast-SCNN performs better than others with kappa over 0.79 in one compact boreal forest fire with various burn severity in Sweden. Furthermore, directly transferring the trained models to corresponding Landsat-8 data, HRNet dominates in the three test sites among DL models and can preserve the high accuracy. The results demonstrate that DL models can make full use of contextual information and capture spatial details in multiple scales from fire-sensitive spectral bands to map burned areas. With the uni-temporal image, DL-based methods have the potential to be used for the next Earth observation satellite with onboard data processing and limited storage for previous scenes.    In the future study, DL models will be explored to detect active fire from multi-resolution remote sensing data. The existing problem of unbalanced labeled data can be resolved via advanced DL architecture, the suitable configuration on the training dataset, and improved loss function. To further explore the damage caused by wildfire, future work will focus on the burn severity assessment based on DL models through multi-class semantic segmentation. In addition, the translation between optical and SAR imagery based on Generative Adversarial Network (GAN) model could be explored to improve burned area mapping in different weather conditions. / Fjärranalysdata har stor potential för upptäckt och övervakning av skogsbränder med förbättrad rumslig upplösning och tidsmässig täckning. Jordobservationssatelliter har använts för att systematiskt övervaka brandaktivitet över stora regioner på två sätt: (i) för att upptäcka placeringen av aktivt brinnande fläckar (under brandhändelsen) och (ii) för att kartlägga den brända ärrens rumsliga omfattning ( under eller efter evenemanget). Aktiv branddetektering spelar en viktig roll i system för tidig varning för skogsbränder. Den öppna tillgången till Sentinel-2 multispektral data vid 20 m upplösning ger en möjlighet att utvärdera dess kompletterande roll i förhållande till den grova indikationen i hotspots som tillhandahålls av MODIS-liknande polaromloppsbanesystem och GOES-liknande geostationära system. Dessutom krävs en korrekt och snabb kartläggning av brända områden för skadebedömning. Senaste framstegen inom deep learning (DL) ger forskaren automatiska, exakta och förspänningsfria storskaliga kartläggningsalternativ för kartläggning av bränt område med unitemporal multispektral bild. Därför är syftet med denna avhandling att utvärdera multispektral fjärranalysdata (särskilt Sentinel- 2) för att upptäcka skogsbränder, inklusive aktiv branddetektering med hjälp av ett multikriterietillvägagångssätt och detektering av bränt område med DL-modeller. För aktiv branddetektering utvecklas en multikriteriemetod baserad på reflektionen av B4, B11 och B12 i Stentinel-2 MSI data för flera representativa brandbenägna biom för att få fram otvetydiga pixlar för aktiv brand. De adaptiva tröskelvärdena för varje biom bestäms statistiskt från 11 miljoner Sentinel-2 observationsprover som förvärvats under sommaren (juni 2019 till september 2019) i 14 regioner eller länder. Det primära kriteriet härleds från 3-sigma-prediktionsintervallet för OLS-regression av observationsprover för varje biom. Mer specifika kriterier baserade på B11 och B12 införs vidare för att minska utelämningsfel (OE) och kommissionsfel (CE). Det multikriteriella tillvägagångssättet visar sig vara effektivt när det gäller upptäckt av svala pyrande bränder i undersökningsområden med tropiska och subtropiska gräsmarker, savanner och buskmarker med hjälp av det primära kriteriet. Samtidigt kan ytterligare kriterier som tröskelvärden för reflektionen av B11 och B12 effektivt minska det fel som orsakas av extremt ljusa lågor runt de heta kärnorna i testområden med skogar, skogsmarker och buskage i Medelhavsområdet. Det andra kriteriet som bygger på förhållandet mellan B12 och B11:s reflektionsgrad undviker också effekterna av CE som orsakas av heta markpixlar i områden med tropiska och subtropiska fuktiga lövskogar. Sammantaget visar valideringsresultatet för testområden att CE och OE kan hållas på en låg nivå (0,14 och 0,04) som en godtagbar kompromiss. Algoritmen med flera kriterier lämpar sig för snabb aktiv branddetektering baserad på unika tidsmässiga bilder utan krav på tidsmässiga data. Multispektrala data med medelhög upplösning kan användas som ett kompletterande val till bilder med kursupplösning på grund av deras förmåga att upptäcka små brinnande områden och att upptäcka aktiva bränder mer exakt. När det gäller kartläggning av brända områden syftar denna avhandling till att förklara hur djupa DL-modeller kan användas för att automatiskt kartlägga brända områden från multispektrala bilder i ett tidsintervall. Olika algoritmer för upptäckt av brända områden har utvecklats med hjälp av Sentinel-2 och/eller Landsat-data, men de flesta av studierna kräver att man har en förebränning. bild före branden, täta tidsseriedata eller ett empiriskt tröskelvärde. I den här avhandlingen tillämpas flera arkitekturer för semantiska segmenteringsnätverk, dvs. U-Net, HRNet, Fast- SCNN och DeepLabv3+, på Sentinel- 2 bilder och Landsat-8 bilder över tre testplatser i två lokala klimatzoner. Dessutom används tre populära algoritmer för maskininlärning (ML) (Light- GBM, KNN och slumpmässiga skogar) och NBR-tröskelvärden (empiriska och OTSU-baserade) i samma undersökningsområden för jämförelse. Valideringsresultaten visar att DL-algoritmerna överträffar maskininlärningsmetoderna (ML) i två av de tre fallen med kompakta brända ärr, medan ML-metoderna verkar vara mer lämpliga för kartläggning av spridda ärr i boreala skogar. Med hjälp av Sentinel-2 bilder uppvisar U-Net och HRNet jämförelsevis identiska prestanda med högre kappa (omkring 0,9) i en heterogen brandplats i Medelhavet i Grekland; Fast-SCNN presterar bättre än andra med kappa över 0,79 i en kompakt boreal skogsbrand med varierande brännskadegrad i Sverige. Vid direkt överföring av de tränade modellerna till motsvarande Landsat-8-data dominerar HRNet dessutom på de tre testplatserna bland DL-modellerna och kan bevara den höga noggrannheten. Resultaten visade att DL-modeller kan utnyttja kontextuell information fullt ut och fånga rumsliga detaljer i flera skalor från brandkänsliga spektralband för att kartlägga brända områden. Med den unika tidsmässiga bilden har DL-baserade metoder potential att användas för nästa jordobservationssatellit med databehandling ombord och begränsad lagring av tidigare scener. I den framtida studien kommer DL-modeller att undersökas för att upptäcka aktiva bränder från fjärranalysdata med flera upplösningar. Det befintliga problemet med obalanserade märkta data kan lösas med hjälp av en avancerad DL-arkitektur, lämplig konfiguration av träningsdatasetet och förbättrad förlustfunktion. För att ytterligare utforska de skador som orsakas av skogsbränder kommer det framtida arbetet att fokusera på bedömningen av brännskadornas allvarlighetsgrad baserat på DL-modeller genom semantisk segmentering av flera klasser. Dessutom kan översättningen mellan optiska bilder och SAR-bilder baserad på en GAN-modell (Generative Adversarial Network) undersökas för att förbättra kartläggningen av brända områden under olika väderförhållanden. / <p>QC 20210525</p>

In modern networks, the increasing volume of network traffic and the diverse range of services with varying requirements necessitate the implementation of more advanced routing decisions and traffic engineering. This academic study proposes a QoS adaptive mechanism called "Sepitto", which utilizes Segment routing protocols, specifically SRv6, to address network-traffic control and congestion avoidance. Sepitto leverages data-plane traffic to convey Linux Qdisc statistics, such as queue size, packet drops, and buffer occupancy, in each Linux-based virtual router. By incorporating this information, edge routers become aware of the current network status, enabling them to make informed decisions regarding traffic paths based on QoS classes. SRv6 is employed to direct traffic along desired paths, avoiding congested links and minimizing queuing delays and overall latency. Moreover, Sepitto offers network administrators an interface to customize decision-making processes based on their policies, assigning costs to network graph edges by associating the provided statistics to a certain cost. To incorporate these costs, the implementation employs the Dijkstra algorithm to determine the path with the lowest cost. Performance analysis of Sepitto reveals minimal overhead compared to traditional routing methods, while effectively mitigating network congestion. The results demonstrate that Sepitto reduces traffic round-trip time during congestion while maintaining differentiated treatment for various QoS classes. / I moderna nätverk kräver den ökande volymen av nätverkstrafik och det varierade utbudet av tjänster med olika krav att mer avancerade ruttbeslut och trafikhantering implementeras. Denna akademiska studie föreslår en QoS-anpassningsmekanism kallad Sepitto", som använder sig av Segment Routing-protokoll, specifikt SRv6, för att hantera nätverkstrafik och undvika trängsel. Sepitto utnyttjar dataplanttrafik för att överföra Linux Qdisc-statistik, såsom köstorlek, paketförluster och buffertbeläggning, i varje Linux-baserad virtuell router. Genom att införliva denna information blir kantrouter medvetna om den aktuella nätverksstatusen och kan fatta informerade beslut om trafikvägar baserat på QoS-klasser. SRv6 används för att styra trafiken längs önskade vägar, undvika överbelastade länkar och minimera köfördröjningar och övergripande latens. Dessutom erbjuder Sepitto nätverksadministratörer ett gränssnitt för att anpassa beslutsprocesser baserat på deras policy, genom att tilldela kostnader till nätverksgrafens bågar genom att associera de tillhandahållna statistiken till en viss kostnad. För att införliva dessa kostnader använder implementeringen Dijkstras algoritm för att bestämma vägen med lägst kostnad. Prestandaanalysen av Sepitto visar minimal överbelastning jämfört med traditionella rutteringsmetoder samtidigt som den effektivt motverkar nätverksträngsel. Resultaten visar att Sepitto minskar trafiklatensen under trängsel samtidigt som differentierad behandling bibehålls för olika QoS-klasser.