Tillståndsprocessen för att bedriva miljöfarlig verksamhet är manuell och ineffektiv vilket hämmar svenska företag i deras klimatarbete. Geospatial information har till följd av lokaliseringsprincipen i miljöbalken en central roll inom samhällsbyggnad och dess planering för placering av investeringar. Det finns i dagsläget inget geospatialt beslutsstödsystem (SDSS) som ämnar att underlätta för verksamhetsutövare i tillståndsprocessen vid beslut som rör placering av nya investeringar i industri. Syftet med studien var att utveckla en IT-artefakt med intentionen att stödja processen samt beslutsfattande för industriföretag i skapandet av en tillståndsansökan för miljöfarlig verksamhet. Detta genom att ta fram en webbapplikation som ska fungera som ett processtöd för användaren genom att redogöra de nödvändiga stegen som ingår i en miljötillståndsansökan med fokus på de aspekter som inkluderar geospatial data och information. Målet är att artefakten i dessa steg ska fungera som ett hjälpmedel för verksamhetsutövaren att fatta strategiska beslut kring geografisk plats för nya investeringar i industri. Studien använder sig av Design Science Research Methodology (DSRM) och har hämtat in empiri genom fokusgruppsintervjuer. Arbetet resulterade i en IT-artefakt som visar att det är möjligt att implementera denna typ av lösning på problemet samt de identifierade designprinciperna som implementerades. / The permit process for conducting environmentally hazardous activities is manual and inefficient, which impedes Swedish companies in their climate action. As a result of the “location principle” in the Swedish Environmental Code, spatial information has a central role in community building and its planning for location of investments. There is currently no spatial decision support system (SDSS) that aims to make it easier for operators to make decisions regarding the location of new investments in industry during the permit process. The purpose of the study was to develop an IT artefact with the intention to support the process and decision making for industrial companies in the creation of permit applications for environmentally hazardous activities. This by developing a web application that will function as a process support for the user by describing the necessary steps that are included in an environmental permit application with a focus on the aspects that include spatial data and information. The aim is that the artifact in these steps should function as an aid for the operator to make strategic decisions about the geographical location for new investments in industry. This research uses Design Science Research Methodology (DSRM) and has obtained empirical data through focus group interviews. The work resulted in an IT artifact that proves that it is possible to implement this kind of solution to the problem and the identified design principles that were implemented.

Les oscillations acoustiques de baryons (BAO) constituent une règle standard permettant de contraindre les différents modèles cosmologiques. Cette thèse rend compte de la première mesure des BAO dans la fonction de corrélation de la fraction de flux transmise des forêts Lyman-α des quasars à grands décalages spectraux. Cette détection utilise 89322 spectres de quasars mesurés par le Baryon Oscillation Spectroscopic Survey (BOSS) de la troisième génération du Sloan Digital Sky Survey (SDSS-III). Les quasars considérés possèdent des décalages spectraux compris dans l'intervalle 2,1 < z < 3,5. Un pic dans la fonction de corrélation est détecté à 1,043+0,021−0,020 fois la position attendu du pic BAO pour le modèle de concordance ΛCDM. Cette mesure permet de contraindre la distance angulaire DA ainsi que le paramètre de Hubble H à un décalage spectral moyen z = 2,38. Par ailleurs cette thèse présente une nouvelle méthode de sélection des quasars par variabilité. Cette méthode est appliquée à la région du Stripe 82 où un grand nombre de données photométriques multi- époque est disponible. Sur cette région, elle permet d'atteindre une densité d'environ 30 deg−2 quasars contre 18 deg−2 pour les sélections usuelles par couleur.

Les méthodes de sélection des quasars ont beaucoup évolué ces dernières décennies, la méthode d'adaptation de DSE semble plus adaptable et plus fiable d'un relevé à un autre. Les test menés sur le SDSS permettent d'estimer dans un premier temps l'efficacité de notre sélection. Notre sélection retrouve la plupart des quasars. Les tests menés nous permettent de disposer de plusieurs types de sélection selon les stratégies des suivis spectroscopiques. Pour chacune d'entre elles nous avons une estimation de l'efficacité. Le dernier chapitre représente la base du travail qu'il faudra effectuer une fois que l'on aura collecté assez de lignes de visée. En effet nous avons montré qu'avec un nombre faible de paires de quasars, il était possible d'accorder observations et simulations. Les corrélations trouvées à partir de notre échantillon de paires de quasars est parfaitement cohérente avec les simulations et la corrélation est détectée à 3~Σ pour des séparations de l'ordre de ~3-5 arcmin

Masters of Science / Observations that push the boundaries have historically fuelled scientific breakthroughs, and these observations frequently involve phenomena that were previously unseen and unidentified. Data sets have increased in size and quality as modern technology advances at a record pace. Finding these elusive phenomena within these large data sets becomes a tougher challenge with each advancement made. Fortunately, machine learning techniques have proven to be extremely valuable in detecting outliers within data sets. Astronomaly is a framework that utilises machine learning techniques for anomaly detection in astronomy and incorporates active learning to provide target specific results. It is used here to evaluate whether machine learning techniques are suitable to detect anomalies within the optical astronomical data obtained from the Dark Energy Camera Legacy Survey. Using the machine learning algorithm isolation forest, Astronomaly is applied on subsets of the Dark Energy Camera Legacy Survey (DECaLS) data set. The pre-processing stage of Astronomaly had to be significantly extended to handle real survey data from DECaLS, with the changes made resulting in up to 10% more sources having their features extracted successfully. For the top 500 sources returned, 292 were ordinary sources, 86 artefacts and masked sources and 122 were interesting anomalous sources. A supplementary machine learning algorithm known as active learning enhances the identification probability of outliers in data sets by making it easier to identify target specific sources. The addition of active learning further increases the amount of interesting sources returned by almost 40%, with 273 ordinary sources, 56 artefacts and 171 interesting anomalous sources returned. Among the anomalies discovered are some merger events that have been successfully identified in known catalogues and several candidate merger events that have not yet been identified in the literature. The results indicate that machine learning, in combination with active learning, can be effective in detecting anomalies in actual data sets. The extensions integrated into Astronomaly pave the way for its application on future surveys like the Vera C. Rubin Observatory Legacy Survey of Space and Time.