Till miljöanalyser går det att använda ortofoton från olika år för att göra jämförelser och se förändringar i miljön. Lantmäteriet har ett arkiv med flygbilder från 1930 fram till nutid. Med hjälp av självkalibrering är det möjligt att skapa ortofoton av de äldsta av dessa bilder som saknar data gällande kamera. Data för kameran som använts är nödvändig för att skapa ortofoton. Syftet med studien är att undersöka metoder för att återskapa kameraparametrar för den inre orienteringen i gamla flygbilder från 1940-talet. Genom att undersöka vilka metoder som finns är det också möjligt att se vilken som lämpar sig bäst vid ortofotoframställning för bilder fotograferade före 1950. Studien har använt två områden; Eslöv och Kärna med omnejd. Dessa två områden består av 25 flygbilder vardera. Kontrollpunkter har mätts in för att fastställa en kvalitet i bilderna. Arbetet har utförts i Applicationsmaster, ett program från Trimble. Självkalibrering under blockutjämning har utförts på båda områdena där olika förutsättningar satts. Kvadratiskt medelvärde (RMS) i plan har fastställts för de olika utfallen och jämförts. De två bästa resultat från blockutjämning för Kärna har använts för att skapa slutliga ortofoton för att jämföras med ett modernt ortofoto. Blockutjämningen visar att självkalibrering med kamerakonstant och felteckningskurva ger bäst resultat. Att använda en kamerafil med kameraparametrar som självkalibrerats för ett annat område visade en liten skillnad. Om självkalibrering ej utförs på området ger kamerakonstant och felteckningskurva ett resultat som inte är långt ifrån sett till om endast kamerakonstant är tillgänglig. Jämfört med utgångsläget där endast kamerakonstant är tillgänglig syns dock att alla metoder som prövats ger ett förbättrat resultat. Lantmäteriet har en tolerans för historiska ortofoton i slutliga ortofotot som är ett RMS i plan på 2 m. Det ortofoto som skapats under arbetets gång har i plan ett RMS som är 1,2 m. Trots att ett fåtal kontrollpunkter har använts vid kontroll av slutligt ortofoto går det att säga att självkalibrering är en bra metod för att göra gamla flygbilder användbara för miljöanalyser. / In order to perform environmental analyses, it is possible to utilize orthophotos from different years to do comparisons and detect environmental changes over time. Lantmäteriet, the National Land Survey of Sweden, has archived aerial photographs since the year of 1930. With the help of self-calibration it is possible to produce orthophotos from these photographs which otherwise lack camera data. Camera data is necessary to produce orthophotos. The purpose of this study is to investigate different methods to re-create camera parameters for the interior orientation in old orthophotos from the 1940s. By investigating which methods that exist, it is possible to determine which one is the most viable in the production of archival orthophotos from photographs taken before 1950. This study has evaluated two areas, Eslöv and Kärna and the surrounding areas. These areas are covered by 25 aerial photographs. Ground control points have been used to determine the level of quality of the photographs. The two best results from the block adjustment for Kärna have been used to produce archival orthophotos, which has been used for comparison with new orthophotos. Lantmäteriet has a tolerance of 2 m root mean square (RMS) in level for archival orthophotos. Block adjustment has shown that performing self-calibration with the camera constant and information on lens distortion gives the best result. The study shows that all the different methods that have been tested gives an improvement in result compared to only having the camera constant and not performing self-calibration. The best orthophotos of this study achieved a RMS of 1.2 m in plane. Although a low number of check points were used for control of the final orthophoto, this study shows that self-calibration is a good method for making old photographs useful.

Digital urban tree registers serve many porposes and facilitate the administration, care and management of urban trees within a city or municipality. Currently, mapping of urban tree stands is carried out manually with methods which are both laborious and time consuming. The aim of this study is to establish a way of operation based on the use of existing LiDAR data and othophotos to automatically detect individual trees. By using the extensions LIDAR Analyst and Feature Analyst for ArcMap a tree extraction was performed. This was carried out over the extent of the city district committee area of Östermalm in the city of Stockholm, Sweden. The results were compared to the city’s urban tree register and validated by calculating its Precision and Recall. This showed that FeatureAnalyst generated the result with the highest accuracy. The derived trees were represented by polygons which despite their high accuracy make the result unsuitable for detecting individual tree positions. Even though the use of LIDAR Analyst resulted in a less precise tree mapping result, individual tree positions were detected satisfactory. This especially in areas with more sparse, regular tree stands. The study concludes that the use of both tools complement each other and compensate the shortcomings of the other. FeatureAnalyst maps an acceptable tree coverage while LIDAR Analyst more accurately identifies individual tree positions. Thus, a combination of the two results could be used for individual tree mapping. / Digitala urbana trädregister tjänar många syften och underlättar för städer och kommuner att administrera, sköta och hantera sina park- och gatuträd. Dagens kartering av urbana trädbestånd sker ofta manuellt med metoder vilka är både arbetsintensiva och tidskrävande. Denna studie syftar till att utveckla ett arbetssätt för att med hjälp av befintliga LiDAR-data och ortofoton automatiskt kartera individuella träd. Med hjälp av tilläggen LIDAR Analyst och FeatureAnalyst för ArcMap utfördes en trädkartering över Östermalms stadsdelsnämndsområde i Stockholms stad. Efter kontroll mot stadens träddatabas och validering av resultatet genom beräknandet av Precision och Recall konstaterades att användningen av FeatureAnalyst resulterade i det bästa trädkarteringsresultatet. Dessa träd representeras av polygoner vilket medför att resultatet trots sin goda täckning inte lämpar sig för identifierandet av enskilda trädpositioner. Även om användningen av LIDAR Analyst resulterade i ett mindre precist karteringsresultat erhölls goda positionsbestämmelser för enskilda träd, främst i områden med jämna, glesa trädbestånd. Slutsatsen av detta är att användandet av de båda verktygen kompenserar varandras tillkortakommanden där FeatureAnalyst ger en godtagbar trädtäckning medan LIDAR Analyst bättre identifierar enskilda trädpositioner. En kombination av de båda resultaten skulle alltså kunna användas i trädkarteringssyfte.

A current field of research today is machine learning because it can simplify everyday life for human beings. A functioning system that has learned specific tasks can make it easier for companies in both cost and time. A company who want to use machine learning is SCA, who owns and manages forests to produce products. They have a need to automate forest classification. In order to evaluate forests, and to plan forestry measures, the proportion of leafy tree that is not used in production must be determined. Today, manual work is required of people who have to investigate aerial photos to classify the tree types. This study investigates whether it is possible, through machine learning, to teach a computer to determine whether it is leaf or not in photographs. A program is constructed with the library ImageAI which receives methods for training and predicting information in images. It examines how the choice of neural network and the number of images affects the safety of the models and how reliable the models can be. Exercise time and hardware are also two factors that are investigated. The result shows that the neural network ResNet delivers the safest results and the more images the computer exercises, the safer the result. The final model is a ResNet model that has trained on 20,000 images and has 79,0 percent security. Based on 50 samples, the mean value for safety is 90,5 percent and the median is 99,6 percent. / Maskininlärning är idag ett aktuellt forskningsområde som kan förenkla vardagen för oss människor. Ett fungerande system som har lärt sig specifika uppgifter kan underlätta för företag i både kostnad och tid. Ett företag som vill använda maskininlärning är SCA, som äger och förvaltar skog för att producera produkter. De har behov av att automatisera klassificering av skog. För att värdera skogar, samt planera skogsåtgärder, måste andelen lövträd som inte används i produktionen bestämmas. Idag krävs det manuellt arbete av personer som måste undersöka flygfoton för att klassificera trädtyperna. Denna studie undersöker om det är möjligt, via maskininlärning, att lära en dator avgöra om det är löv eller inte i ortofoton. Ett program konstrueras med biblioteket ImageAI som erhåller metoder för att träna och förutsäga information i bilder. Det undersöks hur valet av neuralt nätverk och antalet bilder påverkar säkerheten för modellerna samt hur tillförlitlig modellerna kan bli. Träningstid och hårdvara är också två faktorer som studeras. Resultatet visar att neurala nätverket ResNet levererar säkrast resultat och desto fler bilder datorn tränar på, desto säkrare blir resultatet. Den slutgiltiga modellen är en ResNet-modell som tränat på 20 000 bilder och har 79,0 procents säkerhet. Utifrån 50 stickprov är medelvärdet för säkerheten 90,5 procent och medianen 99,6 procent.