<p>Nyckelbiotoperna utgör en betydande del av skogens biologiska mångfald. Detta gör att Skogsvårdsstyrelsens arbetemed att bevara dessa är av stor vikt. Det har visat sig vara möjligt för Skogsvårdsstyrelsen att med hjälp av satellitbilder och förändringsanalysteknik följa upp vad som har hänt med de nyckelbiotoper som tidigare har inventerats. Denna studie syftar till att analysera Skogsvårdsstyrelsens nuvarande arbete med att skydda och bevara nyckelbiotoper och vidare analysera innebörden av en användning av satellitbilder i detta arbete. Studien baserades på intervjuer med fem anställda från fyra olika distriktskontor, alla tillhörande Skogsvårdsstyrelsen i Östra Götaland. Intervjumaterialet analyserades med hjälp av helhetsanalys. </p><p>Resultatet visar hur bevarandearbetet präglas av skogspolitikens fokus på frihet, kunskap och ansvar för skogsägaren. Slutsatsen har dragits att det i och med skogspolitikens betoning på informativa styrmedel är av stor vikt att en god kontakt kan upprätthållas mellan Skogsvårdsstyrelsen och skogsägarna. Studien visar även på att 1990-talets resursindragningar präglar Skogsvårdsstyrelsens arbetet med att bevara nyckelbiotoperna. </p><p>Vidare har slutsatsen dragits att en satellitbildsanvändning i bevarandearbetet skulle kunna öka Skogsvårdsstyrelsens möjligheter att verka för att skogsägaren genom frihet, kunskap och ansvar anstränger sig för att uppfylla de skogspolitiska målen för nyckelbiotoper. Studien visar också att en satellitbildsanvändning skulle kunna sägas effektivisera Skogsvårdsstyrelsens bevarandearbete, och kompensera för delar som minskade resurser försämrat i Skogsvårdsstyrelsens arbete med att bevara nyckelbiotoperna. En koppling har identifierats mellan indragningar i Skogsvårdsstyrelsens personalstyrka under 1990-talet och en minskning i dess kontakt med skogsägare. Slutsatsen har dragits att en satellitbildsanvändning inte skulle bidra till att öka denna kontakt mellan Skogsvårdsstyrelsen och skogsägare utan skulle snarare riskera att reducera den ytterligare.</p>

Nyckelbiotoperna utgör en betydande del av skogens biologiska mångfald. Detta gör att Skogsvårdsstyrelsens arbetemed att bevara dessa är av stor vikt. Det har visat sig vara möjligt för Skogsvårdsstyrelsen att med hjälp av satellitbilder och förändringsanalysteknik följa upp vad som har hänt med de nyckelbiotoper som tidigare har inventerats. Denna studie syftar till att analysera Skogsvårdsstyrelsens nuvarande arbete med att skydda och bevara nyckelbiotoper och vidare analysera innebörden av en användning av satellitbilder i detta arbete. Studien baserades på intervjuer med fem anställda från fyra olika distriktskontor, alla tillhörande Skogsvårdsstyrelsen i Östra Götaland. Intervjumaterialet analyserades med hjälp av helhetsanalys. Resultatet visar hur bevarandearbetet präglas av skogspolitikens fokus på frihet, kunskap och ansvar för skogsägaren. Slutsatsen har dragits att det i och med skogspolitikens betoning på informativa styrmedel är av stor vikt att en god kontakt kan upprätthållas mellan Skogsvårdsstyrelsen och skogsägarna. Studien visar även på att 1990-talets resursindragningar präglar Skogsvårdsstyrelsens arbetet med att bevara nyckelbiotoperna. Vidare har slutsatsen dragits att en satellitbildsanvändning i bevarandearbetet skulle kunna öka Skogsvårdsstyrelsens möjligheter att verka för att skogsägaren genom frihet, kunskap och ansvar anstränger sig för att uppfylla de skogspolitiska målen för nyckelbiotoper. Studien visar också att en satellitbildsanvändning skulle kunna sägas effektivisera Skogsvårdsstyrelsens bevarandearbete, och kompensera för delar som minskade resurser försämrat i Skogsvårdsstyrelsens arbete med att bevara nyckelbiotoperna. En koppling har identifierats mellan indragningar i Skogsvårdsstyrelsens personalstyrka under 1990-talet och en minskning i dess kontakt med skogsägare. Slutsatsen har dragits att en satellitbildsanvändning inte skulle bidra till att öka denna kontakt mellan Skogsvårdsstyrelsen och skogsägare utan skulle snarare riskera att reducera den ytterligare.

Satellite Image Time Series (SITS) are becoming available at high spatial, spectral and temporal resolutions across the globe by the latest remote sensing sensors. These series of images can be highly valuable when exploited by classification systems to produce frequently updated and accurate land cover maps. The richness of spectral, spatial and temporal features in SITS is a promising source of data for developing better classification algorithms. However, machine learning methods such as Random Forests (RFs), despite their fruitful application to SITS to produce land cover maps, are structurally unable to properly handle intertwined spatial, spectral and temporal dynamics without breaking the structure of the data. Therefore, the present work proposes a comparative study of various deep learning algorithms from the Convolutional Neural Network (CNN) family and evaluate their performance on SITS classification. They are compared to the processing chain coined iota2, developed by the CESBIO and based on a RF model. Experiments are carried out in an operational context using with sparse annotations from 290 labeled polygons. Less than 80 000 pixel time series belonging to 8 land cover classes from a year of Sentinel- 2 monthly syntheses are used. Results show on a test set of 131 polygons that CNNs using 3D convolutions in space and time are more accurate than 1D temporal, stacked 2D and RF approaches. Best-performing models are CNNs using spatio-temporal features, namely 3D-CNN, 2D-CNN and SpatioTempCNN, a two-stream model using both 1D and 3D convolutions. / Tidsserier av satellitbilder (SITS) blir tillgängliga med hög rumslig, spektral och tidsmässig upplösning över hela världen med hjälp av de senaste fjärranalyssensorerna. Dessa bildserier kan vara mycket värdefulla när de utnyttjas av klassificeringssystem för att ta fram ofta uppdaterade och exakta kartor över marktäcken. Den stora mängden spektrala, rumsliga och tidsmässiga egenskaper i SITS är en lovande datakälla för utveckling av bättre algoritmer. Metoder för maskininlärning som Random Forests (RF), trots att de har tillämpats på SITS för att ta fram kartor över landtäckning, är strukturellt sett oförmögna att hantera den sammanflätade rumsliga, spektrala och temporala dynamiken utan att bryta sönder datastrukturen. I detta arbete föreslås därför en jämförande studie av olika algoritmer från Konvolutionellt Neuralt Nätverk (CNN) -familjen och en utvärdering av deras prestanda för SITS-klassificering. De jämförs med behandlingskedjan iota2, som utvecklats av CESBIO och bygger på en RF-modell. Försöken utförs i ett operativt sammanhang med glesa annotationer från 290 märkta polygoner. Mindre än 80 000 pixeltidsserier som tillhör 8 marktäckeklasser från ett års månatliga Sentinel-2-synteser används. Resultaten visar att CNNs som använder 3D-falsningar i tid och rum är mer exakta än 1D temporala, staplade 2D- och RF-metoder. Bäst presterande modeller är CNNs som använder spatiotemporala egenskaper, nämligen 3D-CNN, 2D-CNN och SpatioTempCNN, en modell med två flöden som använder både 1D- och 3D-falsningar.

Current disaster response strategies are based on damage assessments carried out on the ground, which can be dangerous following a ä destructive event. Damage assessments can also be performed remotely using satellite imagery, but are usually carried out through visual interpretation, which can take a lot of time. This thesis explored a way of using artificial intelligence to automate remote damage assessment. We implemented a dual-task U-Net deep learning model, trained it with the xBD dataset for assessing building damage, and applied the model to pre- and post-event very high resolution satellite imagery of the February 6, 2023 earthquakes in Turkey. The results were compared to damage maps produced using a traditional object based method by calculating the F1 scores associated with the outputs of each method and ground truth data that we compiled. The study areas were parts of the two cities Kahramanmaraş and Antakya. The deep learning model almost only correctly identified undamaged buildings, achieving F1 scores of 0.95 during training as well as 0.93 and 0.83 in the damage assessments of Kahramanmaras and Antakya, respectively. For the other damage classes, the best result was the classification of destroyed buildings, both in training and in the study areas, with a F1-score of 0.45 in training and 0.16 in Kahramanmaraş. The deep learning model performed similarly to the object based method. Although the thesis did not yield good damage maps in the areas of interest, it had many limitations, and there is still a lot of potential for deep learning models to be useful in building damage assessment.

The Longest Journey is an experimental Master essay which consists of 27 images with accompanying texts. Part of the images are digital photographs and part of them are images created through a special process involving different software tools – mainly Adobe Photoshop and Google Earth. The texts comment on how the images themselves were created and how one might understand what they are and how they function as aesthetic objects and as potential catalysts for thought. / <p>The essay was published as part of a Master of Fine Art Degree exhibition with the same title. For an English translation of it and photographic documentation of the exhibition, please contact: markus.bowie@gmail.com</p>

In a world under the constant impact of global warming, wetlands are decreasing in size all across the globe. As the wetlands are a vital part of preventing global warming, the ability to prevent their shrinkage through restorative measures is critical. Continuously orbiting the Earth are satellites that can be used to monitor the wetlands by collecting images of them over time. In order to determine the size of a wetland, and to register if it is shrinking or not, deep learning models can be used. Especially useful for this task is convolutional neural networks (CNNs). This project uses one type of CNN, a U-Net, to segment vegetated water in satellite data. However, this task requires labeled data, which is expensive to generate and difficult to acquire. The model used therefore needs to be able to generate reliable results even on small data sets. Therefore, pre-training of the network is used with a large-scale natural image segmentation data set called Common Objects in Context (COCO). To transfer the satellite data into RGB images to use as input for the pre-trained network, three different methods are tried. Firstly, the commonly used linear transformation method which simply moves the value of radar data into the RGB feature space. Secondly, two convolutional layers are placed before the U-Net which gradually changes the number of channels of the input data, with weights trained through backpropagation during the fine-tuning of the segmentation model. Lastly, a convolutional auto-encoder is trained in the same way as the convolutional layers. The results show that the autoencoder does not perform very well, but that the linear transformation and convolutional layers methods each can outperform the other depending on the data set. No statistical significance can be shown however between the performance of the two latter. Experimenting with including different amounts of polarizations from Sentinel-1 and bands from Sentinel-2 showed that only using radar data gave the best results. It remains to be determined whether one or both of the polarizations should be included to achieve the best result. / I en värld som ständigt påverkas av den globala uppvärmningen, minskar våtmarkerna i storlek över hela världen. Eftersom våtmarkerna är en viktig del i att förhindra global uppvärmning, är förmågan att förhindra att de krymper genom återställande åtgärder kritisk. Kontinuerligt kretsande runt jorden finns satelliter som kan användas för att övervaka våtmarkerna genom att samla in bilder av dem över tid. För att bestämma storleken på en våtmark, i syfte att registrera om den krymper eller inte, kan djupinlärningsmodeller användas. Speciellt användbar för denna uppgift är konvolutionella neurala nätverk (CNN). Detta projekt använder en typ av CNN, ett U-Net, för att segmentera vegeterat vatten i satellitdata. Denna uppgift kräver dock märkt data, vilket är dyrt att generera och svårt att få tag på. Modellen som används behöver därför kunna generera pålitliga resultat även med små datauppsättning. Därför används förträning av nätverket med en storskalig naturlig bildsegmenteringsdatauppsättning som kallas Common Objects in Context (COCO). För att överföra satellitdata till RGB-bilder som ska användas som indata för det förtränade nätverket prövas tre olika metoder. För det första, den vanliga linjära transformationsmetoden som helt enkelt flyttar värdet av radardatan till RGB-funktionsutrymmet. För det andra två konvolutionella lager placerade före U-Net:et som gradvis ändrar mängden kanaler i indatan, med vikter tränade genom bakåtpropagering under finjusteringen av segmenteringsmodellen. Slutligen tränade en konvolutionell auto encoder på samma sätt som de konvolutionella lagren. Resultaten visar att auto encodern inte fungerar särskilt bra, men att metoderna för linjär transformation och konvolutionella lager var och en kan överträffa den andra beroende på datauppsättningen. Ingen statistisk signifikans kan dock visas mellan prestationen för de två senare. Experiment med att inkludera olika mängder av polariseringar från Sentinell-1 och band från Sentinell-2 visade att endast användning av radardata gav de bästa resultaten. Om att inkludera båda polariseringarna eller bara en är den mest lämpliga återstår fortfarande att fastställa.

Cellular network traffic prediction is a critical challenge for communication providers, which is important for use cases such as traffic steering and base station resources management. Traditional prediction methods mostly rely on historical time-series data to predict traffic load, which often fail to model the real world and capture surrounding environment conditions. In this work, we propose a multi-modal deep learning model for 4G/5G Cellular Network Traffic prediction by considering external data sources such as satellite imagery and weather data. Specifically, our proposed model consists of three components (1) temporal component (modeling correlations between traffic load values with historical data points via LSTM) (2) computer vision component (using embeddings to capture correlations between geographic regions that share similar landscape patterns using satellite imagery data and state of the art CNN models), and (3) weather component (modeling correlations between weather measurements and traffic patterns). Furthermore, we study the effects and limitations of using such contextual datasets on time series learning process. Our experiments show that such hybrid models do not always lead to better performance, and LSTM model is capable of modeling complex sequential interactions. However, there is a potential for classifying or labelling regions by their urban landscape and the network traffic. / Förutsägelse av mobilnätstrafik är en kritisk utmaning för kommunikation leverantörer, där användningsområden inkluderar trafikstyrning och hantering av basstationsresurser. Traditionella förutsägelsesmetoder förlitar sig främst på historisk tidsseriedata för att förutsäga trafikbelastning, detta misslyckas ofta med att modellera den verkliga världen och fånga omgivande miljö. Det här arbetet föreslår en multimodal modell med djupinlärning förutsägelse av 4G/5G nätverkstrafik genom att beakta externa datakällor som satellitbilder och väderdata. Specifikt består vår föreslagna modell av tre komponenter (1) temporal komponent (korrelationsmodellering mellan trafikbelastningsvärden med historiska datapunkter via LSTM) (2) datorseende komponent (med inbäddningar för att fånga korrelationer mellan geografiska regioner som delar liknande landskapsmönster med hjälp av satelitbilddata och state-of-the-art CNN modeller), och (3) väderkomponent (modellerande korrelationer mellan vädermätningar och trafikmönster). Dessutom studerar vi effekterna och begränsningarna av att använda sådana kontextuella datamängder på tidsserieinlärningsprocessen. Våra experiment visar att hybridmodeller inte alltid leder till bättre prestanda och att LSTM-modellen är kapabel att modellera komplexa sekventiella interaktioner. Det finns dock en potential att klassificera eller märka regioner efter deras stadslandskap och nättrafiken. / La prévision du trafic sur les réseaux cellulaires est un défi crucial pour les fournisseurs de communication, ce qui est important pour les cas d’utilisation tels que la direction du trafic et la gestion des ressources des stations de base. Les méthodes de prédiction traditionnelles reposent principalement sur des données historiques de séries chronologiques pour prédire la charge de trafic, qui échouent souvent à modéliser le monde réel et à capturer les conditions de l’environnement environnant. Dans ce travail, nous proposons un modèle d’apprentissage profond multimodal pour la prédiction du trafic des réseaux cellulaires 4G/5G en considérant des sources de données externes telles que l’imagerie satellitaire et les données météorologiques. Plus précisément, notre modèle proposé se compose de trois composants (1) composant temporel (modélisation des corrélations entre les valeurs de charge de trafic avec des points de données historiques via LSTM) (2) composant de vision par ordinateur (utilisant des incorporations pour capturer les corrélations entre les régions géographiques qui partagent des modèles de paysage similaires à l’aide de données d’imagerie satellitaire et de modèles CNN de pointe) et (3) composante météorologique (modélisation des corrélations entre les mesures météorologiques et les modèles de trafic). De plus, nous étudions les effets et les limites de l’utilisation de tels ensembles de données contextuelles sur le processus d’apprentissage des séries chronologiques. Nos expériences montrent que de tels modèles hybrides ne conduisent pas toujours à de meilleures performances, et le modèle LSTM est capable de modéliser des interactions séquentielles complexes. Cependant, il est possible de classer ou d’étiqueter les régions en fonction de leur paysage urbain et du trafic du réseau.