To predict the performance of an electro-optical sensor system (EO-system) requires taking the weather situation into consideration. The possibility to use weather data from satellites instead of ground – and flight stations has been investigated. Nearly 170 satellites (about 10% of the functional satellites in orbit) were found to have atmosphere and weather monitoring. A method to select satellite data has been created based on three criteria: (1) the satellite should have a least one payload that measure a weather parameter for EO-system, (2) it should be possible to download data, free of charge, from the specified payload and (3) the satellite should cover geographical areas of interest for a potential user. The investigated performance property is the range, which is affected by many weather parameters, and focus has been on aerosols. The mean value for the aerosol extinction coefficient, for day- and nighttime conditions in December 2016, from the satellite CALIPSO’s lidar instrument Cloud-Aerosol Lidar with Orthogonal Polarization (CALIOP) has been downloaded from www.earthdata.nasa.gov and implemented in a new developed application to predict the range for an EO-system. In the satellite data, from December 2016, it could be seen that the presence of aerosols, on a global scale, appears below 5 km and that the concentration of aerosols for nighttime condition is higher in local areas. For the test wavelength band of 0.9–2.5 µm, the application showed that the aerosol impact reduced the range by nearly 87%, if the EO-system was in a layer with aerosols. The application for the range prediction of EO-systems is on an early stage and need further development, especially its weather and scene parameters, to become a successful tool for a potential user in the future. / Att förutsäga prestandan hos ett elektro-optiskt sensorsystem (EO-system) kräver att man tar hänsyn till bland annat förhållandet i atmosfären. Möjligheten att använda väderdata från satelliter istället för mark- och flygstationer har undersökts. Det hittades nästan 170 satelliter (cirka 10% av de fungerande satelliterna i omloppsbana) med inriktning på atmosfär- och väderövervakning. En metod för att välja ut satellitdata har skapats som baseras på tre kriterier: (1) satelliten ska ha minst ett instrument som mäter en väderparameter för EO-system, (2) man ska, från internet, kunna ladda ner mätdata från det specifika instrumentet och (3) satelliten ska passera över ett område som är av intresse för en potentiell användare. Den prestandaegenskap som har undersökts är räckvidden, som påverkas av flera väderparametrar, där fokus har legat på inverkan från aerosoler. Medelvärdet för extinktionskoefficienten av aerosoler, för dag och natt i december 2016, från satelliten CALIPSO’s lidarinstrument Cloud-Aerosol Lidar with Orthogonal Polarization (CALIOP) laddades ner från www.earthdata.nasa.gov och användes i en nyutvecklad applikation för att förutsäga räckvidden hos ett EO-system. Från satellitens mätningar i december 2016 kunde man se att förekomsten av aerosoler mestadels befann sig, globalt sett, uppdelat i olika lager under 5 km höjd och att koncentrationen av aerosoler är högre på natten i lokala områden. Applikationens beräkningar visade att förekomsten av aerosoler påverkade räckvidden för exempel våglängdsbandet 0.9–2.5 µm med en försämring upp till 87% när EO-systemet befann sig i ett skikt av aerosoler. Applikationen för att förutsäga räckvidden hos EO-system är i dess begynnelse och kräver vidareutveckling av både väder- och scenparametrar för att det ska bli ett framgångsrikt verktyg.

Business model innovation has in recent year become more important for firms looking to gain competitive advantage on dynamic markets. Additionally, incorporating data into a firm’s business model has been shown to lead to improved performance. This development has led to interest in the connection between data utilisation and business model innovation. This thesis provides an in-depth case study of a Swedish space firm active within the satellite industry. The firm operates within an increasingly dynamic market, and ongoing disruptions in the form of new market entrants and rapid technological advancements has led to a search for new business opportunities. As a result, novel ways of utilising the increased amounts of data from space are of significant importance. While the firm is still realising profits utilising their incumbent business model, the firm must simultaneously explore new business opportunities to avoid extinction. The findings show that novel data utilisation, in the form of data processing, leads to business model innovation. Furthermore, the degree of business model transformation is dependent on how many of the business model's underlying elements are affected by data utilisation. Furthermore, the study concludes that a lack of trial-and-error learning impedes radical innovation efforts and hinders the development of ambidextrous capabilities within the firm. Lastly, the study finds a novel connection between the introduction of large-scale projects and improved ambidextrous capabilities. / Innovation av affärsmodeller har under senare år blivit alltmer viktigt för företag som vill uppnå ökad konkurrenskraft på dynamiska marknader. Vidare har det visat sig att företag som använder data för att förändra sin affärsmodell når bättre resultat än sina konkurrenter. Detta har lett till ett intresse för kopplingen mellan datautnyttjande och innovation av affärsmodeller. Detta examensarbete består av en fallstudie av ett svenskt rymdföretag, som har del av sin verksamhet inom satellitbranschen. Företaget verkar på en alltmer dynamisk marknad, och pågående störningar i form av nya marknadsaktörer och tekniska framsteg har lett till att företaget nu måste söka efter nya affärsmöjligheter. Som ett resultat av detta blir nya sätt att använda de ökade mängderna data från rymden av stor betydelse. Fastän företaget fortfarande framgångsrikt nyttjar sin befintliga affärsmodell, måste företaget samtidigt undersöka nya affärsmöjligheter för att undvika att hamna efter marknadsutvecklingen. Studiens resultat visar att nya sätt att använda data, i form av databehandling, leder till innovation av företagets affärsmodell. Dessutom beror graden av innovation på hur många av affärsmodellens underliggande byggstenar som påverkas av införandet av data. Studien drar vidare slutsatsen att en brist på lärande genom ’trial-and-error’ inom företaget hindrar radikala innovationsinsatser och leder till begränsade förutsättningar för att hantera organisatorisk ambidexteritet. Slutligen finner studien att storskaliga innovationsprojekt kan förbättra förutsättningarna för organisatorisk ambidexteritet.

Observing the earth from above is a great way of understanding our world better. From space, many complex patterns and relationships on the ground can be identified through high-quality satellite data. The quality and availability of this data in combination with recent advancement in various deep learning techniques allows us to find these patterns more effectively then ever. In this thesis, we will analyze satellite imagery by using deep neural networks in an attempt to find road networks in different cities around the world. Once we have located networks of roads in the cities we will represent them as graphs and deploy the Dijkstra shortest path algorithm to find optimal routes within these networks. Having the ability to efficiently use satellite imagery for near real-time road detection and optimal route prediction has many possible applications, especially from a humanitarian and commercial point of view. For example, in the humanitarian realm, the frequency of natural disasters is unfortunately increasing due to climate change and the need for emergency real-time mapping for relief organisations in the case of a severe flood or similar is growing.  The state-of-the-art deep neural network models that will be implemented, compared and contrasted for this task are mainly based on the U-net and ResNet architectures. However, before introducing these architectures the reader will be given a comprehensive introduction and theoretical background of deep neural networks to distinctly formulate the mathematical groundwork. The final results demonstrates an overall strong model performance across different metrics and data sets, with the highest obtained IoU-score being approximately 0.7 for the segmentation task. For some models we can also see a high degree of similarity between the predicted optimal paths and the ground truth optimal paths. / Att betrakta jorden från ovan är ett bra tillvägagångsätt för att förstå vår egen värld bättre. Från rymden, många komplexa mönster och samband på marken går att urskilja genom hög-upplöst satellitdata. Kvalitén och tillgängligheten av denna data, i kombination med de senaste framstegen inom djupa inlärningstekniker, möjliggör oss att hissa dessa mönster mer effektivt än någonsin. I denna avhandling kommer vi analysera satellitbilder med hjälp av djupa neurala nätverk i ett försök att hitta nätverk av vägar i olika städer runtom i världen. Efter vi har lokaliserat dessa nätverk av vägar så kommer vi att representera nätverken som grafer och använda oss av Dijkstras algoritm för att hitta optimala rutter inom dessa nätverk.  Att ha förmågan att kunna effektivt använda sig av satellitbilder för att i nära realtid kunna identifiera vägar och optimala rutter har många möjliga applikationer. Speciellt ur ett humant och kommersiellt perspektiv. Exempelvis, inom det humanitära området, så ökar dessvärre frekvensen av naturkatastrofer på grund av klimatförändringar och därmed är behovet av nödkartläggning i realtid för hjälporganisationer större än någonsin. En effektiv nödkartläggning skulle exempelvis kunna underlätta enormt vid en allvarlig översvämning eller dylikt.  Dem toppmoderna djupa neurala nätverksmodellerna som kommer implementeras, jämföras och nyanseras för denna uppgift är i huvudsak baserad på U-net och ResNet arkitekturerna. Innan vi presenterar dessa arkitekturer i denna avhandling så kommer läsaren att få en omfattande teoretisk bakgrund till djupa neurala nätverk för att tydligt formulera dem matematiska grundpelarna. Dem slutgiltiga resultaten visar övergripande stark prestanda för samtliga av våra modeller. Både på olika datauppsättningar samt utvärderingsmått. Den högste IoU poängen som uppnås är cirka 0,7 och vi kan även se en hög grad av likhet mellan vissa av våra förutsagda optimala rutter och mark sanningens optimala rutter.