Efterfrågan på GIS i kombination med 3D ökar stadigt. Att dokumentera och visualisera i 3D ger många fördelar. Visualiseringar i 3D är ofta enklare att tolka än 2D-visualiseringar och de är dessutom bättre på att återge olika objekts topologiska förhållande till varandra. Det här arbetet är utfört på uppdrag av Gävle Energi och går ut på att skapa en konverteringsmetod som möjliggör en övergång från 2D-dokumentation till 3D-dokumentation av fjärrvärmenätet. Eftersom 3D-dokumentation medför att höjdvärden blir tillgängliga för detaljerna i den digitala kartan, kan bl.a. flödesberäkningar bli mer noggranna än tidigare. Metoden innebär att en lämplig höjdmodell väljs ut för att användas vid interpolationen med den aktuella 2D-kartan. De interpolerade höjderna justeras därefter med ledningarnas förläggningsdjup. Ledningar med avvikande förläggningsdjup, t.ex. borrade ledningar och ledningar i vatten, identifieras för att hanteras separat. För att beräkna metodens noggrannhet jämförs en stor mängd referenspunkter med de höjdvärden som har beräknats fram. Resultatet visar att metoden genererar tillförlitliga höjdvärden.

Recommender System (RS) has become one of the most important component for many companies, such as YouTube and Amazon. A recommender system consists of a series of algorithms which predict and recommend products to users. This report covers the selection of many open source recommender system projects, and movie predictions are made using the selected recommender system. Based on the predictions, a comparison was made between precision and an improved precision algorithm. The selected RS uses singular value decomposition in the field of collaborative filtering. Based on the recommendation results produced by the RS, the comparison between precision and the improved precision algorithms showed that the result of improved precision is slightly higher than precision in different cutoff values and different dimensions of eigenvalues. / Rekommendationssystem har blivit en av de viktigaste beståndsdelar för många företag, såsom YouTube och Amazon. Ett rekommendationssystem består av en serie av algoritmer som förutsäger och rekommenderar produkter till användare. Denna rapport omfattar valet av många öppen källkod rekommendationssystem projekt, och filmprognoser görs med det valda rekommendationssystemet. Baserat på filmprognoser, gjordes en jämförelse mellan precision och en förbättrad precision algoritmer. Det valda rekommendationssystemet använder singulärvärdesuppdelning som kollaborativ filtrering. Baserat på rekommendationsresultat som produceras av rekommendationssystemet, jämförelsen mellan precision och den förbättrade precisions algoritmer visade att resultatet av förbättrad precision är något högre än precision i olika brytvärden och olika dimensioner av egenvärden.

Ett användningsområde för maskininlärning och neurala nätverk är att förutspå data. Exempel på några fält som gynnas av denna teknologi är sjukvård, dataspel, och nätverksprogrammering. Detta arbete utforskar hur noggrant och tidseffektivt en specifik typ av neuralt nätverk kan förutspå en spelares framtida handlingar. Det neurala nätverket ska förutspå en framtida handling genom att ta en historik av data på spelarens inmatningar och spelets tillstånd vid olika tidpunkter. Det använda neurala nätverket kallas för ett Elmannätverk. Ett sekundärt neuralt nätverk vid namn Feed Forward Network används som jämförelsepunkt vid utvärderingen av Elmannätverket. Datainspelningen genomfördes på en avskalad förstapersonsskjutare där data användes för att både träna och utvärdera de neurala nätverken. Resultaten visar hur Elmannätverket presterade sämre än Feed Forward Nätverket. Rapporten tar upp olika möjliga orsaker till detta. Ett möjligt skäl kan vara att en historik av data inte är relevant för förutsägningen. Detta kan utvärderas vidare i framtida arbete.

The purpose of this project was to create a model of a robotic arm with 4-DOF equipped with a gripper that is able to move an object to a predetermined area. This thesis investigated the robotic arm’s accuracy by repeating the same predetermined movement and measure the error. The error was measured based on the objects displacement from the target area after a series of repeated movements by the arm. After constructing the robotic arm, an experiment was set up to measure the accuracy and repeatability of the arm. The robot achieved 2.506 mm to 0.922 mm for accuracy and 5.995 mm to 4.059 mm for repeatability depending on speed. / Syftet med detta projekt var att skapa en modell av en robotarm med 4 frihetsgrader och en klo för att kunna flytta ett objekt till ett förbestämt område. Denna avhandling har undersökt robotens noggrannhet genom att upprepa enförbestämd rörelse och mäta felet. Felet bestämdes genomatt flytta ett objekt till en förbestämd plats och mäta objektets position i förhållande till målet. Den färdigkonstruerade roboten har en noggrannhet på 2.506 mm till 0.922 mm och en repeterbarhet på 5.995 mmtill 4.059 mm beroende på hur fort roboten rör sig.

Maskininlärning är en lovande teknik för väderanalys med potential att förbättra och effektivisera väderförutsägelser. Som en datadriven teknik kräver maskininlärning ofta stora mängder data för att uppnå hög noggrannhet. Att hantera och bearbeta dessa stora datamängder innebär dock utmaningar, vilket gör träningstiderna för dessa modeller både långa och resurskrävande. Dessutom inkluderar stora data- mängd ofta en betydande mängd redundant data som inte bidrar mycket till klassifi- ceringen. Elimineringen av dessa redundanta data kan positivt påverka både beräk- ningstiden för modellträningen och noggrannheten. En effektiv metod för att han- tera detta problem är instansval. I denna studie undersöks effekterna av att använda instansvalsmetoderna Deep Ran- domized Locality Sensitive Hashing (DRLSH) och Binary Partitioning Locality Sensi- tive Hashing (BPLSH) i hybrid form för att optimera träningstiden och noggrann- heten hos maskininlärningsmodeller för väderklassificering. För att genomföra stu- dien har kvantitativa analyser använts där prestandan för maskininlärningsmodeller såsom RF, k-NN, SVM och LSTM utvärderades både före och efter implemente- ringen av instansvalsmetoderna. Dessa modeller testades på en omfattande data- mängd bestående av historiska väderdata, och jämförelser gjordes baserat på trä- ningshastighet och modellnoggrannhet. Studien visar att DRLSH och BPLSH kan minska den nödvändiga mängden tränings- data avsevärt, vilket i sin tur leder till snabbare träningstider för alla testade mo- deller. Resultaten visar också att noggrannheten förbättras marginellt i modeller som RF, k-NN och SVM när dessa metoder används, medan LSTM-modellen uppvi- sade en minskning i noggrannhet, vilket pekar på att metodernas effektivitet kan va- riera beroende på modelltyp. Det noterades dock att för modeller som k-NN och RF var träningstiden med instansvalsmetoderna inte optimal, eftersom tiden som togs av BPLSH för att göra instansval var betydligt längre. Baserat på resultaten rekommenderas användning av DRLSH och BPLSH särskilt för komplexa modeller som kräver omfattande beräkningsresurser och långa tränings- processer. För mindre komplexa modeller rekommenderas dock att använda DRLSH ensamt, eftersom den ökade tidsåtgången för instansval med BPLSH kan motverka de möjliga effektivitetsvinsterna. / Machine learning is a promising technique for weather analysis with the potential to improve and streamline weather forecasting. As a data-driven technique, machine learning often requires large amounts of data to achieve high accuracy. However, managing and processing these large datasets poses challenges, making the training times for these models both long and resource intensive. Additionally, large datasets often include a significant amount of redundant data that does not contribute much to classification. Eliminating this redundant data can positively impact both the com- putation time for model training and accuracy. An effective method for handling this issue is instance selection. This study examines the effects of using the instance selection methods Deep Ran- domized Locality Sensitive Hashing (DRLSH) and Binary Partitioning Locality Sensi- tive Hashing (BPLSH) in a hybrid form to optimize the training time and accuracy of machine learning models for weather classification. Quantitative analyses were used to evaluate the performance of machine learning models such as RF, k-NN, SVM, and LSTM before and after the implementation of the instance selection methods. These models were tested on a comprehensive dataset consisting of historical weather data, and comparisons were made based on training speed and model accu- racy. The study shows that DRLSH and BPLSH can significantly reduce the necessary amount of training data, which in turn leads to faster training times for all tested models. The results also indicate that accuracy improves marginally in models such as RF, k-NN, and SVM when these methods are used, whereas the LSTM model showed a decrease in accuracy, suggesting that the methods effectiveness may vary depending on the model type. However, it was noted that for models such as k-NN and RF, the training time with instance selection methods was not optimal, as the time taken by BPLSH for instance selection was considerably longer. Based on the results, the use of DRLSH and BPLSH is recommended particularly for complex models that require extensive computational resources and long training processes. For less complex models, however, it is recommended to use DRLSH alone, as the increased time taken by BPLSH for instance selection can negate poten- tial efficiency gains.

Syftet med arbetet var att utvärdera mobilapplikationen KATAM avseende noggrannhet, tidsåtgång, precision och praktisk användning i jämförelse med volymuppskattning med dataklave och skördarrapport. Resultatet vid diameterjämförelsen visar på snarlika uppskattningar från KATAM respektive dataklaven. KATAM hade högre medelgrundyta, 7 % och grövre medeldiameter, 3,7 %, i jämförelse med dataklaven. KATAM hade även överskattningar av medelstammen volym i jämförelse med skördarrapporten och dataklaven, från 2,5 % till 17,6 % beroende på vilket urval av provytor och vilken programversion av KATAM som användes. Underlaget från volymuppskattningar var litet och hade felkällor vilket gjorde resultaten från mätningarna osäkra. Trots att studien visade på en överskattning av diametern talar den inbördes precisionen för att KATAM skulle kunna bli ett alternativ till Dataklaven vid uppskattning av medeldiametern. / The purpose of this essay was to evaluate the mobile application KATAM of accuracy, time, precision and practical use in comparison to volume estimation with data Digital Caliper and harvester report. The result of the diameter comparison showed similar estimates from KATAM and the Digital Caliper respectively. KATAM had a higher mean basel area, 7% and coarser mean diameter, 3.7%, compared to the Digital Caliper. KATAM also had overestimations in volume as compared to the harvesting report and the Digital Caliper concerning the mean stem, from 2.5% to 17.6%, depending on which sample areas were included and which version of KATAM was used. However, the basis of volume estimates was small and had error sources, which made the results of the measurements uncertain. Although the study shows an overestimation of the diameter, the mutual precision indicates that KATAM could be an alternative to the Digital Caliper when estimating the mean diameter.

This thesis aimed to study how different actors perform hydrological observations in Sweden. Target groups for the study were institutions that regularly measure water stage and river discharge, including water councils, water- and wastewater departments in municipalities, water authorities and hydropower companies. After the identification of the different actors, the study investigated how, where and why they perform hydrological observations as well as the way actors perceive the accuracy of these measurements. Information was collected through interviews and the development of a number of questionnaires. A total of 447 actors were contacted and 260 replied. The majority of them, 209, answered that they do not perform any hydrological measurements while the remaining 51 answered that they measure water stage. One of the main reasons for measuring is that many actors are facing water-rights court ruling. There were also several actors that stated that they perform hydrological measurements to make sure that the water body where water from wastewater treatment plants and storm water is emitted has sufficient water stage for environmental concerns. The hydropower companies replied that they, in addition to maintaining a water-rights court ruling, used water stage data to control the functioning of the plant. They also calculate river discharge based on production, floodgate position and stage. There were also seven municipalities, which stated that they had implemented a flood-monitoring model and that water stage data were used as input to the model. These municipalities and two other actors stated that they measure discharge or use a stage-discharge relationship (rating curve) to derive discharge data. However, in some cases, control measurements were lacking. Most actors used pressure sensors to measure stage. Their perceived levels of accuracy varied from ± 1 mm to ± 5 cm. Only five actors stated that they level their instruments regularly, which is a precondition for maintaining a correct data series. The results are useful for SMHI’s continued review of their hydrological network, although continued attempts to receive answers from all contacted actors would provide a more complete overview of hydrological observations. A study that thoroughly investigates how actors perceive the accuracy of their measurements would also give further knowledge in this field. / Examensarbetet syftade till att undersöka hur olika aktörer genomför hydrologiska mätningar i Sverige. Målgrupper för studien var aktörer vars verksamhet innefattar mätningar av vattenföring och vattenstånd. De målgrupper som identifierades var vattenråd, kommunala VA-avdelningar, vattenmyndigheter och vattenkraftbolag. När aktörerna identifierats undersöktes hur, var och varför aktörerna mäter samt hur de uppfattar noggrannheter i sina mätningar. Informationen samlades in genom frågeformulär och intervjuer. Totalt kontaktades 447 aktörer varav 260 svarade på frågorna som ställdes. Majoriteten, 209 aktörer svarade att de inte utför några hydrologiska mätningar medan resterande svarande att de mäter vattenstånd. Den anledning som flest aktörer gav till att de mäter var att de har en vattendom. Det var även flera aktörer som mätte för att försäkra sig om att recipienter för dagvatten och avloppsreningsverk hade tillräckligt högt vattenstånd för utsläpp. Vattenkraftproducenterna svarade att de, utöver att de har vattendomar, använder vattenståndsdata för att reglera kraftverken. De beräknade också vattenföringen utifrån lucköppningsgrad, vattenstånd och producerad effekt. Det var även sju kommuner som svarade att de hade implementerat modeller för översvämningsövervakning och använde vattenståndsmätningar som indata i prognosmodellerna. Dessa kommuner och två ytterligare aktörer svarade att de mäter vattenföring eller använder avbördningskurvor men i flera fall är kontrollmätningar av vattenföringen bristande. De flesta aktörerna använde tryckgivare för att mäta vattenståndet och de gav noggrannhetsintervall mellan ± 1 mm och ± 5 cm. Endast fem aktörer uppgav att de avväger mätinstrumentet vilket är en förutsättning för att upprätthålla en korrekt mätserie. Resultaten är användbar information i SMHIs utvärdering av sitt nätverk av hydrologiska mätstationer, dock skulle fortsatta försök att få svar från samtliga kontaktade aktörer ge en mer heltäckande bild av hydrologiska mätningar utförda av de olika målgrupperna. Det vore även intressant med en studie som går djupare in på hur noggrannhet uppskattas och uppfattas av de olika aktörerna.

This bachelor thesis project in mechatronics involved making a working prototype of an automatic wire cutter and evaluating its accuracy. The accuracy of the machine was increased by analysing measurements of the machine’s initial precision and thereafter performing a calibration to diminish the eect of unwanted errors. Before calibration the machine’s accuracy was ± 0.73 cm and after calibration it was calculated to be ± 0.06 cm in its intended operating range of 5-20 cm. The main limitations of the machine’s accuracy were determined to be slippage in the feeding mechanism, the mathematical model that was used, the step resolution of the stepper motors, the oset between the blades in the cutting mechanism as well as the wires bending when being fed. / I detta kandidatexamnesarbete inom mekatronik designades och tillverkades en fungerande prototyp av en automatisk kabelklippare, och dess noggrannhet undersöktes sedan. Maskinens noggrannhet förbättrades genom att först undersöka maskinens ursprungliga noggrannhet och därefter kalibrerades maskinen för att minska effekten av oönskade fel. Före kalibrering var maskinens noggrannhet ± 0,73 cm och efteråt räknades den ut att vara ± 0,06 cm i dess tilltänkta driftintervall på 5-20 cm. De huvudsakliga begränsningarna för maskinens noggrannhet visade sig vara glidning i matningsmekanismen, den matematiska modellen, stegmotorns stegupplösning, avståndet mellan bladen i klippmekanismen samt att kablarna böjer sig under frammatning.

Detta arbete utreder olika terrängunderlags påverkan på habitatanalyser genom hydraulisk modellering, med fokus på att bestämma de bäst anpassade terrängunderlagen för olika områden nedströms vattenkraftanläggningar. Studien genomför en jämförande analys av olika terrängunderlag, inklusive olika laserskannad data från Lantmäteriet samt fotogrammetrimodeller baserade på drönarbilder, för att avgöra hur dessa metoder påverkar habitatanalyser. Arbetet undersöker även hur habitatanalyser påverkas av andra osäkerheter som introduceras vid hydraulisk modellering av habitat, nämligen Mannings råhetskoefficient och de antagna preferenserna av flödesförhållanden vilka bestämmer de habitabla områdena. Studien inkluderar prognoser för habitabla områden för lax vid olika flödesförhållanden och vid tre olika vattenkraftverk med torrfåror av olika karaktär. Hydraulsik modellering är ett användbart verktyg för att få en förståelse för de ekologiska konsekvenserna av vattenkraftsanläggningar. Representativa terrängdata är avgörande eftersom de direkt påverkar beräkningarna av de hydrauliska variablerna inom modellerna, vilket i sin tur bestämmer lämpligheten av habitat. Resultaten visar på betydande variationer i omfattningen av habitabla områden beroende på vilken typ av terrängunderlag som användes, samt beroende på flödesområdets karaktär. Generellt visade de modifierade versionerna av terrängunderlagen på mer representativa resultat än de omodifierade, och modifieringar baserade på uppmätta värden är att föredra för att generera representativa modifieringar. I områden med mindre vegetation ger terrängmodeller genererade med drönarfotogrammetri de mest representativa resultaten, medan de ger osäkra resultat i områden med mer vegetation. I bevuxna områden visar istället modifierade terrängmodeller baserade på laserskannade data från Lantmäterier på mer representativa resultat. De olika typerna av laserskannade data från Lantmäteriet visar inte på någon betydande skillnad i detta syfte. Vidare genomföordes känslighetsanalyser för Mannings råhetskoefficient och laxens habitatpreferenser. Dessa analyser visade på relativt förväntade resultat, där ett ökat värde på Mannings råhetskoefficient resulterade i reducerade hastigheter och ökade djup, vilket i sin tur resulterade i större beboeliga områden vid högre flödeshastigheter. Motsatta resultat observerades för minskade värden för Mannings råhetskoefficient. Variationerna i Mannings råhetskoefficient visar inga betydande skillnader i vilket flöde som genererar ett ekologiskt maximum. De varierade habitatpreferenserna visade på större variation i optimala flöden, vilket understryker vikten av att ta fram representativa habitatpreferenser baserade på specifika ekologiska förhållanden på platsen. / Introduction This thesis investigates the influence of various terrain data on habitat analyses through hydraulic modelling, aiming to identify the most suitable terrain models for different areas downstream of hydropower plants in Sweden. The study aims to evaluate the utility of different advanced and costly measurement techniques by adressing the following research questions; How significant is the difference in estimated habitable area for salmon downstream of hydropower plants using terrain data of varying levels of detail? What causes the differences in habitable area and what characterizes the watercourses where terrain models with different levels of detail are best suited? How much do variations in Manning’s roughness coefficient and the hydraulic preferences for salmon impact the estimated habitable areas? Methodology The study conducts a comparative analysis of various terrain data, including different laser-scanned datasets from Lantm¨ateriet and photogrammetry models based on drone footage, to determine how these methods affect predictions in habitable areas in streams donstream of hydropower plants. The habitat analyses were performed using hydraulic modeling in the HEC-RAS software, analysing three different models with varying terrain data and flow rates. The simulation results were then used to estimate the extent of areas with suitable habitat based on calculated water depths and velocities. Hydraulic modelling is a useful tool for understanding the ecological impacts of hydropower installations. Accurate terrain data is crucial as they directly influence the calculation of hydraulic variables within the models, which in turn determines the predicted suitability of habitats for various aquatic species. Results and Discussion The results show significant variations in the extent of habitable areas depending on the type of terrain data used and the characteristics of the flow area. Generally, modified versions of the terrain showed more representative resultes than unmodified versions, with modigfications based on measured values being the preferable. In areas with less vegetation, terrain models generated from drone photogrammetry provided the most representative results, while these models produced uncertain results in more vegetated areas. In vegetated areas, modified terrain models based on laser-scanned data from Lantm¨ateriet showed more representative results. No significant difference was observed between different types of laser-scanned data from Lantm¨ateriet within the purpose of the study. Additionally, sensitivity analyses were conducted for Manning’s roughness coefficient and hydraulic habitat preferences for salmon. These analyses showed that increased Manning’s roughness coefficient values resulted in reduced velocities and increased depths, leading to larger habitable areas at higher flow rates. Opposite results were observed for decreased values of Manning’s roughness coefficient. Variations in Manning’s roughness coefficient showed no significant differences in the flow rates generating an ecological maximum. However, varying habitate oreferences showed greater variation in optimal flow rates, underlining the importance of deriving accurate habitate preferences based on specific ecological conditions at site. Conclusions The analysis results emphasise the importance of a thorough understanding of the mothods and tools used in habitate analyses. This involves ensuring the quality of terrain data and making precise choices of habitate preferences based on species presence. Creating accurate models is complex, and simplied models can lead to misleading results.

Sammanfattning Undersökningens syfte är att förstå hur noggrann UAS-fotogrammetrin i dagsläget (2013) är.  Frågeställningarna som undersökningen utgick ifrån var: kan UAS-fotogrammetri i dagsläget ge precisa punkter med hjälp av att mäta in centrum av 1x1 meter utlagda plattor som kan ses i ortofoto?;  Kan det ge snarlik noggrannhet med pixelstorleken? samt Kan UAS-tekniken idag användas för att producera pålitliga höjdmodeller? För att uppnå syftet har en undersökning utförts med jämförelse på koordinater insamlade med totalstation och insamlade med UAS-fotogrammetriska metoder. Resultatet visade att medelfelet var drygt 1 pixel på plana koordinater samt på koordinater i höjd. Pixlarnas storlek var mellan 4.7-9.3 cm. Största felkällan ser ut att vara upplösningen på bilderna, men tekniken utvecklas fort. UAS-fotogrammetrin lever väl upp till frågeställningarnas förväntningar. / Abstract The purpose of the study is to understand what the accuracy of UAS photogrammetry today (2013) is. The study was based on the following questions: Can UAS photogrammetry today give precise points, measuring the centre of 1x1 meter plywood boards viewed from an orthophoto?; Can it give similar accuracy as the size of the pixels? And can UAS technology today be used to produce elevation models of good quality? To investigate these questions, a study has been made to compare coordinates collected from a total station and UAS photogrammetric methods. The results show that the standard error is approximately 1 pixel on flat coordinates and 1 pixel on elevated coordinates. The pixel size was between 4.7 and 9.3 cm. The biggest source of error seems to be the resolution on the pictures, but the technology develops quickly. The UAS photogrammetry method definitely meets the expectations of the questions.