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.

Change detection using satellite imagery has applications in urban development, disaster response and precision agriculture. Current deep learning models show promising results. However, on-board computers are typically highly constrained which poses a challenge for deployment. On-board processing is desirable for saving bandwidth by downlinking only novel and valuable data. The goal of this work is to determine what change detection models are most technically feasible for on-board use in satellites. The novel patch based model MobileGoNogo is evaluated along current state-of-the-art models. Technical feasibility was determined by observing accuracy, inference time, storage buildup, memory usage and resolution on a satellite computer tasked with detecting changes in buildings from the SpaceNet 7 dataset. Three high level approaches were taken; direct classification, post classification and patch-based change detection. None of the models compared in the study fulfilled all requirements for general technical feasibility. Direct classification models were highly resource intensive and slow. Post classification model had critically low accuracy but desirable storage characteristics. Patch based MobileGoNogo performed better by all metrics except in resolution where it is significantly lower than any other model. We conclude that the novel model offers a feasible solution for low resolution, noncritical applications. / Upptäckt av förändringar med hjälp av satellitbilder har tillämpningar inom bl.a. stadsutveckling, katastrofinsatser och precisionsjordbruk. De nuvarande modellerna för djupinlärning visar lovande resultat. Datorerna ombord satelliter är dock vanligtvis mycket begränsade, vilket innebär en utmaning för användningen av dessa modeller. Databehandling ombord är önskvärd för att spara bandbredd genom att endast skicka ner nya och värdefulla data. Målet med detta arbete är att fastställa vilka modeller för upptäckt av förändringar som är mest tekniskt genomförbara för användning ombord på satelliter. Den nya bildfältbaserade modellen MobileGoNogo utvärderas tillsammans med de senaste modellerna. Den tekniska genomförbarheten fastställdes genom att observera träffsäkerhet, inferenstid, lagring, minnesanvändning och upplösning på en satellitdator med uppgift att upptäcka förändringar i byggnader från SpaceNet 7dataset. Tre tillvägagångssätt på hög nivå användes: direkt klassificering, postklassificering och fältbaserad klassificering. Ingen av de modeller som jämfördes i studien uppfyllde alla krav på allmän teknisk genomförbarhet. Direkta klassificeringsmodeller var mycket resurskrävande och långsamma. Postklassificeringsmodellen hade kritiskt låg träffsäkerhet men önskvärda lagringsegenskaper. Den bildfältbaserade MobileGoNogo-modellen var bättre i alla mätvärden utom i upplösningen, där den var betydligt lägre än någon annan modell. Vi drar slutsatsen att den nya modellen erbjuder en genomförbar lösning för icke-kritiska tillämpningar med låg upplösning.

Throughout the years of space exploration, the usage of Earth observation satellites has increased tremendously. The usage today extends beyond optical sensors, encompassing radars, infrared, and laser sensors. For this thesis, the usage of optical, synthetic aperture radar, and LiDAR sensors were looked at to see if the fusion of these different sensors could enhance the overall image quality. A crucial aspect of satellite image fusion, regardless of sensor type, is preprocessing to ensure the individual images can be seamlessly merged. Ultimately these preprocessing steps are individual to both the sensors and even different satellites. The topic of remote sensing and satellite image fusion is extensive and complex. Therefore, this thesis aims to explore various fusion techniques, data sources, and algorithms to contribute to a deeper understanding of the advantages but mostly challenges associated with multisensor satellite image fusion. A web scraper was developed to collect data from the European Space Agency’s Third Party Mission website, a central repository for satellite missions and Earth images. The scraper made it possible to select different satellites and find the image areas which they had in common. A way to process this data is then presented on how to process the images and finally fuse them. The three fusion algorithms that were used were a simple weighted average, intensity hue saturation, and the pansharpening method. The pansharpening increased both the spatial and spectral resolution whereas the fusion of the optical and synthetic aperture radar gave some mixed results. There are a lot of things that could be explored in the future, such as utilizing more complex fusion algorithms or using additional satellite sensors. However, the web scraper and the processing flowchart stand as notable achievements of this thesis, simplifying the entire process of multisensor satellite image fusion. / Genom åren har användningen av jordobservationsatelliter ökat avsevärt inom rymdforskning. Användningen sträcker sig idag bortom optiska sensorer och inkluderar även radar-, infraröd- och lasersensorer. I detta examensarbete undersöks användningen av optiska, syntetisk aperturradar- och LiDARsensorer för att se om fusionen av dessa olika sensorer kan förbättra helhetsbilden av ett område. En avgörande aspekt av satellitbildsfusion, oavsett sensortyp, är förbehandling för att säkerställa att de individuella bilderna kan smidigt integreras. Slutligen är dessa förbehandlingsteg specifika för både sensorerna och olika satelliter. Ämnet fjärranalys och fusion av satellitbilder är omfattande och komplext. Därför syftar detta examensarbete till att utforska olika fusionsmetoder, datakällor och algoritmer för att bidra till en djupare förståelse för fördelarna och utmaningarna med multisensor fusion av satellitbilder. Ett av huvudproblemen under examensarbetet var datainsamling och databehandling. För att överkomma detta utvecklades en webbskrapare för att samla in data från European Space Agencys Third Party Mission hemsida, en central databas för satellituppdrag och bilder av jorden. Skrapan möjliggjorde valet av olika satelliter och identifieringen av gemensamma bildområden. En metod för databehandling presenteras sedan för att bearbeta bilderna och slutligen förena dem. De tre fusionsalgoritmerna som användes var en enkel viktad medelvärdesmetod, intensitetssättning och pansharpening. Pansharpening ökade både den spatiala och spektrala upplösningen, medan fusionen av optiska och syntetisk aperturradar gav blandade resultat. Det finns många områden som kan utforskas i framtiden, såsom användning av mer komplexa fusionsalgoritmer eller ytterligare satellitsensorer. Sammanfattande kan webbskrapan och behandlingsflödet ses som betydande framsteg i detta examensarbete och förhoppningsvis förenkla hela processen med multisensor fusion av satellitbilder.

Different environments exhibit varying temperatures, where generally areas with high amounts of vegetation, and consequently significant shading, tend to be cooler than regions dominated by dark buildings and black roofs. As a result, urban areas are generally expected to have higher temperatures in comparison to rural areas or forests. This phenomenon, known as urban heat island effect, can be visualized as a dome-shaped area of hot air that concentrates pollution and can influence the precipitation patterns of a region. This study aimed to examine the urban heat island effect in Linköping from 1984 to 2023, with a focus on analyzing the correlation between the prevalence of impermeable materials and changes in surface temperature using remote sensing and geographic information systems. The study also explored the potential for predicting surface temperatures in 2034 with spatial regression. The results indicated a close relationship between the extent of impermeable materials (indicative of urban land use) and the surface temperatures in Linköping over the study period. Both urban land use and areas with high surface temperatures increased from 1984 to 2023, independent of rising air temperatures. The geographic locations of high urban heat island values have remained largely unchanged over time, but their spatial distibution expanded from 1984 to 2023. The predictive analysis has demonstrated the possibility to predict surface temperatures in 2034, with emphasis on the pivotal role of the model and its explanatory variables. The final predictive model indicates a continuing upward trend in surface temperatures. This study has in summary added an extensive overview of the urban temperature changes in Linköping, identifying potential areas with particularly high surface temperatures historically and provided possible models for predicting trends in the future. / Olika miljöer uppvisar varierande temperaturer, där generellt områden med mycket vegetation, och därmed betydande skuggning, tenderar att vara svalare än regioner dominerade av mörka byggnader med svarta tak. Följaktligen förväntas urbana områden generellt ha högre temperaturer jämfört med landsbygdsområden eller skogsområden. Detta fenomen, känt som urban värmeöeffekt, kan förklaras som ett kupolformat område med förhöjda temperaturer som koncentrerar föroreningar, och som kan påverka regionala nederbördsmönster.  Denna studie syftade till att undersöka den urbana värmeöeffekten i Linköping från 1984 till 2023, med fokus på att analysera korrelationen mellan förekomsten av ogenomträngliga ytor och förändringar i yttemperatur med hjälp av fjärranalys och geografiska informationssystem. Landsat-satellitbilder har använts för att erhålla data för markanvändning/marktäcke, samt för markytans temperaturer under studieperioden. Studien undersökte också möjligheten att förutsäga yttemperaturer år 2034 med hjälp av två enkla prediktiva modeller i programvaran ArcGIS Pro: Multiskalig Geografiskt Viktad Regression (MGWR) och Forest-baserad Forecast.  Resultatet visade en nära relation mellan omfattningen av ogenomträngliga ytor (indikerade som urban markanvändning) och yttemperaturen i Linköping under studieperioden. Både urban markanvändning och områden med höga yttemperatur ökade från 1984 till 2023, oberoende av ökade lufttemperaturer. De geografiska positionerna för höga värmeövärden förblev i stort sett oförändrade över tid, men deras rumsliga fördelning expanderade från 1984 till 2023. Den prediktiva analysen visade att MGWR-modellen uppvisade begränsningar med de valda variablerna och dess samband till varandra. Däremot gav Forest-baserad Forecast-modellen ett mer tillförlitligt resultat, genom att utnyttja historiska yttemperaturer och data om markanvändning och marktäcke. Yttemperaturkartan för 2034 som generades av den senare modellen förutspår en ökning av områden med höga yttemperaturer (mellan 41 och 45 grader Celsius), och en bredare fördelning av temperaturer mellan 31 och 40 grader Celsius. Den prediktiva modellen indikerar en fortsatt uppåtgående trend i yttemperaturer. Sammanfattningsvis ger denna studie en omfattande översikt över urbana temperaturförändringar i Linköping, och identifierar potentiella områden med särskilt höga yttemperaturer historiskt och ger förslag för möjliga metoder för att förutsäga trender i framtiden.

Woodlands constitute the subsistence base of the majority of people in the Sudano-Sahelian zone (SSZ), but low availability of in situ data on vegetation structure and composition hampers research and monitoring. This thesis explores the utility of remote sensing for mapping and analysing vegetation, primarily trees, in the SSZ. A comprehensive literature review was first conducted to describe how the application of remote sensing has developed in the SSZ between 1975 and 2014, and to identify important research gaps. Based on the gaps identified in the literature review, the capabilities of two new satellite systems (WorldView-2 and Landsat 8) for mapping woodland structure and composition were tested in an area in central Burkina Faso. The results shows that WorldView-2 represents a useful data source for mapping individual trees: 85.4% of the reference trees were detected in the WorldView-2 data and tree crown area was estimate with an average error of 45.6%. In addition, WorldView-2 data produced high classification accuracies for five locally important tree species. The highest overall classification accuracy (82.4%) was produced using multi-temporal WorldView-2 data. Landsat 8 data proved more suitable for mapping tree canopy cover as compared to aboveground biomass in the woodland landscape. Tree canopy cover and aboveground biomass was predicted with 41% and 66% root mean square error, respectively, at pixel level. This thesis demonstrates the potential of easily accessible data from two satellite systems for mapping important tree attributes in woodland areas, and discusses how the usefulness of remote sensing for analyzing vegetation can be further enhanced in the SSZ. / Merparten av befolkningen i Sudano-Sahel zonen (SSZ) är beroende av naturresurser och ekosystemtjänster från woodlands (öppen torrskog) för att säkra sin försörjning. Tillgången av fältmätningar av vegetationens struktur och sammansättning är mycket låg i detta område, vilket utgör ett problem för forskning och miljöövervakning. Denna avhandling undersöker nyttan av fjärranalys för att kartlägga och analysera vegetation, främst träd, i SSZ. En omfattande litteraturöversikt genomfördes först för att undersöka hur tillämpningen av fjärranalys har utvecklats i SSZ mellan 1975 och 2014, samt att identifiera viktiga forskningsluckor. Några av de luckor som konstaterades i litteraturgenomgången låg till grund för de följande studierna där två nya satellitsystem (Worldview-2 och Landsat 8) utvärderades för deras användbarhet att kartlägga trädtäckets struktur och artsammansättning i ett woodland-område i centrala Burkina Faso. Resultaten visar att Worldview-2 är en värdefull datakälla för kartering av enskilda träd: 85.4% av referensträden detekterades och trädkronornas storlek uppskattades med ett medelfel av 45.6%. Worldview-2-data producerade även hög klassificeringsnoggrannhet för de fem lokalt viktigaste trädslagen. Den högsta noggrannheten (82.4%) uppnåddes med multi-temporal Worldview-2-data. Landsat 8 data visade sig mer lämpade för kartering av krontäcke, jämfört med biomassa. Medelfelet för karteringen var 41% för krontäcke och 66% för biomassa, på pixelnivå. Avhandlingen visar att lättillgängliga data från två satellitsystem är användbara för kartläggning av viktiga trädattribut i woodlands, samt diskuterar hur nyttan av fjärranalys för vegetationsanalys kan ökas ytterligare i SSZ.

På grund av ökad urbanisering och exploatering av grönområden i stadsnära miljöer fragmenteras och reduceras arters habitat vilket bland annat ligger till grund för den globalt minskade biologiska mångfalden. För att stärka och förbättra arters möjlighet till spridning i landskapet, och därmed säkra en hög biologisk mångfald, efterfrågas insamling av data och utveckling av nya metoder för att identifiera ekologiska kärnområden och för att analysera habitatnätverk. Syftet med den här studien är därför att 1) kartera och sammanställa biotoper i en biotopdatabas utifrån tolkning av infraröda flygbilder med digital stereofotogrammetri, 2) undersöka olika metoder att samla in data med hjälp av laser- och höjddata, och 3) att tillämpa landskapsekologisk analys på underlag i biotopkarteringen. Resultatet validerar att tolkning av infraröda flygbilder med digital stereofotogrammetri är en utmärkt källa för att kartera biotoper som medför en tolkningsnoggrannhet på 86 %. Valideringen av kateringen genomfördes med fältkontroller som utvärderades i felmatriser. En metod har även undersökts baserat på tidigare studier för att uppskatta busk- och krontäckning med hjälp av laserdata, men eftersom det saknas validering av resultatet bör den användas som en indikator för att visuellt uppskatta busk- och krontäckning i dagsläget. Fortsättningsvis har ett topografiskt fuktighetsindex (TWI) tillämpats med hjälp av höjddata för att uppskatta fuktighet i vegetationstäckta områden. Eftersom det saknas validering och tröskelvärden för att avgöra hur TWI ska klassificera olika fuktighetsgradienter, bör verktyget endast användas som en indikator för att visuellt uppskatta fuktighet tillsammans med tolkning av infraröda flygbilder. Om metoderna valideras med fältmätningar kan de bidra med att förbättra kvaliteten och tidseffektivisera kartering av biotoper. Biotopkarteringen fungerar som ett bra underlag vid tillämpning av landskapsekologisk analys. Med hjälp av MatrixGreen var det möjligt att modellera potentiella habitatnätverk för två olika arter inom studieområdet. På grund av en del problem med modelleringen i MatrixGreen bör resultaten beaktas med ett kritiskt angreppssätt, men kan eventuellt användas som ett underlag för framtida artinventeringar. / Due to urbanisation and exploitation of green areas in cities during the last decades, the rate of habitat fragmentation has increased, resulting in a decline in the global biodiversity. In order to strengthen the possibilities of species migration, and to secure a high biodiversity, there is an increasing demand in the collection of data and in the exploration of methods to identify ecological core areas and to analyse habitat networks at a landscape level. Therefore, this study aims to 1) map and organise biotopes in a biotope database using interpretation of colour infrared aerial photos in digital stereophotogrammetry, 2) to explore different methods using laser and elevation data in order to improve the collection of ecologically important attributes, and 3) to apply landscape ecological analysis on the collected biotope data. The results validate interpretation of colour infrared aerial photos with digital stereophotogrammetry as a key source in mapping biotopes with an overall accuracy of 86 %. A method to estimate bush and crown cover has been explored based on previous studies using laser data. It has however not been validated in this study and should therefore be used as an indicator and as support for visual estimation of bush and crown coverage using CIR aerial photo interpretation. Furthermore, a topographic wetness index (TWI) was applied using elevation data in order to estimate moisture regimes in vegetated areas. It should also be used as an indicator due to lack of verification and limitations of arranging TWI values in relation to different moisture regimes. However, if these two methods are validated using field collected data for example, they hold significant potential in improving mapping accuracies and mapping rates of different biotopes. Collected biotope data are well suited in the application of landscape ecological analysis. Using MatrixGreen, it was possible to analyse potential habitat networks of two different species within the study area. Due to some problems in the least cost path modeling in MatrixGreen, the results should be carefully assessed, but could probably be used as a background material for future species inventories.

Flood inundation modelling is highly dependent on an accurate representation of floodplain topography. These  remotely  sensed  accurate  data  are  often  not  available  or  expensive,  especially  in  developing countries. As an alternative, freely available Digital Elevation Models (DEMs), such as the near-global Shuttle Radar Topography Mission (SRTM) data, have come into the focus of flood modellers. To what extent  these  low-resolution  data  can  be  exploited  for  hydraulic  modelling  is  still  an  open  research question. This benchmarking study investigated the potentials and limitations of the SRTM data set for flood inundation  modelling  on  the  example  of  the  Papaloapan  River,  Mexico.  Furthermore  the  effects  of vegetation signal removal from the SRTM DEM as in Baugh et al. (2010) were tested. A reference model based on a light detection and ranging (LiDAR) DEM was set up with the model code LISFLOOD-FP and run for two flood events. Test models based on SRTM DEMs were run and output flood extents compared to the reference model by applying a measure of fit. This measure of fit, which was based on binary wet/dry maps of both model outputs, gave information on how well the test models simulated the flood inundation extents compared to the reference model by giving a percentage of the model performance from theoretically 0 to 100 %. SRTM-based models could not reproduce the promising results of previous studies. Flood extents were mostly underestimated and commonly flooded areas were almost exclusively made up out of the main channel surface. One of the reasons for this likely was the much steeper slope of the SRTM DEM as opposed to the LiDAR DEM where water probably was conducted much faster though the main channel. Too high bank cells as well as generally more pronounced elevation differences of the SRTM DEM throughout the whole floodplain were another problem of the SRTM DEM preventing accurate flood inundation simulations. Vegetation  signal  removal  was  successful  to  a  certain  degree  improving  the  fit  by  about  10 %. However, a realistic shape of flood extent could not be simulated due to too big pixel sizes of the used canopy  height  data  set. Also,  the  conditioned  models  overestimated  flooded  areas  with  increasing vegetation signal removal, rendering some of the models useless for comparison, as water leaving the model domain could not be accounted for in the measure of fit. This study showed the limitations of SRTM data for flood inundation modeling where an accurate approximation of the river slope as well as accurately captured bank cells and floodplain topography are crucial for the simulated outcome. Vegetation signal removal has been shown to be potentially useful but should rather be applied on more densely covered catchments. / Översvämningar skapar stora problem världen över och fler och fler människor lever i områden som är utsatta för risk för att svämmas över. Dessutom förväntas översvämningar förekomma mer frekvent i många delar av världen i framtiden på grund av klimatförändringar. Skada orsakad av översvämningar kan  överstiga  flera  miljarder  US$.  Men  översvämningar  orsakar  också  andra  problem,  förutom ekonomiska förluster. De senaste 10 åren har mer än 60 000 människor dött på grund av översvämningar. Ytterligare 900 000 000 människor har drabbats på något sätt. Därför är det viktigt att man vet vilka områden som är utsatta för hög risk. Ett av de verktyg för att avgöra  översvämningsrisker  är  hydrauliska  datormodeller  som  försöker  förutse  hur  en  bestämd översvämning breder ut sig. Modellerna är baserade på fysiska principer och topografisk information. Helst vill man ha topografisk information med hög kvalitet och upplösning. Ofta har man data från fjärranalyser, insamlade från flygplan. Ett exempel på det är LiDAR-data som är baserad på laser. Dock är det ofta dyrt eller inte tillgängligt med LiDAR i avlägsna områden och utvecklingsländer, där man behöver sådan data som mest. Därför har forskare försökt att använda globalt tillgängliga topografiska data av låg kvalitet för hydrauliska modeller. En sådan datauppsättning är det så kallade SRTM-datat från amerikanska NASA. SRTM samlas in med hjälp av radarstrålar från satelliter. I flera studier har man fått goda resultat inom översvämningsmodellering med SRTM. Dock måste man testa det vidare för fler avrinningsområden. I den här studien har man försökt att använda SRTM i en hydraulisk modell för den mexikanska floden  Papaloapan.  För  att  se  hur  bra  (eller  dålig)  SRTM-modellen  är  för  att  simulera  hur  en översvämning sprids har man jämfört den med en modell baserad på högkvalitativ LiDAR-data. Båda modellerna  simulerade  samma  översvämningar. Topografiska  information  från  SRTM-data  är  oftast inkorrekt där det finns väldigt tät och hög vegetation, eftersom radarsignalen då inte räcker till marken och den uppskattade höjden är därför för hög i sådana områden. Av denna anledning ville man därför i denna  studie  även  testa  hur  resultatet  av  SRTM-modellen  skulle  förbättras  om  man  tog  bort  viss vegetation. Dessvärre var den utformade SRTM-modellen inte så bra för det här fallstudieområdet och SRTM-modellen  förutspådde  mycket  mindre  översvämningar  än  den  förmodade  mer  korrekta  LiDAR-modellen. Då vegetation avlägsnandes kunde man förbättra SRTM-modellen till viss mån, men det var fortfarande  inte  tillräckligt  för  det  här  området.  Denna  studie  visar  att  det  är  viktigt  att  fortsätta undersöka hur passande och användbart SRTM är, eftersom det har visat sig att SRTM inte är lämpligt för att förutspå översvämningar i alla delar av världen.

Stora arealer skog behöver övervakas. Att göra detta på ett kostnadseffektivt sätt är något som skogssektorn efterfrågar. Syftet med studien var att undersöka möjligheten att skatta skogliga variabler med satellitbilder från Sentinel 2. Korrelationen mellan granskogens uppmätta reflektans i satellitbilder från Sentinel 2 och uppmätta variablerna i fält har beräknats och analyserats. Resultatet visar att styrkan i korrelation skiljer sig mellan olika rumsliga upplösningar, vilken tid på året satellitbilderna är tagna, vilka spektrala band och vegetationsindex som används samt vilka skogliga variabler som avses uppskattas. Att använda enskilda satellitbilders värden från Sentinel 2 ger inte tillräckligt tillförlitliga data för att uppskatta skogliga variabler.

As the need for climatic data is increasing in times of climate change and water scarcity, remote sensing (RS) and hydrological modelling are ways to battle these problems, especially in data scarce areas. The actual evapotranspiration (ETa) is one of the key parameters when assessing the water balance and a good estimate of this parameter is thus of great importance. In this study a hydrologicalmodel was created with the Soil and Water Assessment Tool (SWAT) over the Malwathu Oya river basin, Sri Lanka, and the SWAT ETa estimates were compared to RS derived ETa from FAO’s open access database WaPOR. A sensitivity analysis and a calibration with observed streamflow data of the SWAT model was conducted with the SUFI-2 algorithm in SWAT-CUP. The calibration was satisfactory and showed the following values for the performance parameters: R2 = 0.72, Nash-Sutcliffe Efficiency, NSE = 0.69, and Percent of Bias, PBIAS = -10.4. The most sensitive parameters were CN2 (runoff curve number for moisture condition II), SOL_AWC (soil available water capacity), and ESCO (soil evaporation compensation factor). The water balance partitioning from the calibrated SWAT model showed a ratio of 0.68 between ETa and precipitation as an annual average between 2012–2020. In the comparison between SWAT ETa and WaPOR ETa the SWAT ETa showed a clear underestimation, particularly during the drier Yala growing season (May – August). However, the SWAT land use classes representing the cultivated rice fields agreed well with WaPOR while the forest and range grasses were underpredicted. To increase the performance of SWAT in estimating ETa the following was recommended: improvement of the simulation of the shallow aquifers, more accurate forest parameters, deactivation of the default dormancy period in SWAT, calibration with ETa instead of streamflow, and a higher resolution soil map together with more soil measurements. / Eftersom behovet av klimatdata ökar i tider av klimatförändringar och vattenbrist är fjärranalys (RS) och hydrologisk modellering exempel på metoder för att lösa dessa problem, särskilt i områden med brist på data. Den faktiska evapotranspirationen (ETa) är en nyckelparameter vid bedömning av vattenbalansen och en bra uppskattning av denna parameter är därför av stor betydelse. I denna studie skapades en hydrologisk modell med Soil and Water Assessment Tool (SWAT) över avrinningsområdet Malwathu Oya i Sri Lanka, och SWAT ETa -uppskattningarna jämfördes med RS-beräknad ETa från FAO:s öppna databas WaPOR. En känslighetsanalys och en kalibrering med observerade flödesdata av SWAT-modellen utfördes med SUFI-2-algoritmen i SWAT-CUP. Kalibreringen var tillfredsställande och visade följande värden för prestandaparametrarna: R2 = 0,72, Nash-Sutcliffe-Efficiency, NSE = 0,69 och Percent of Bias, PBIAS = -10,4. De mest känsliga parametrarna var CN2 (avrinningskurvtal för fukttillstånd II), SOL_AWC (jordens tillgängliga vattenkapacitet) och ESCO (kompensationsfaktor för markavdunstning). Vattenbalansfördelningen från den kalibrerade SWAT-modellen visade ett förhållande på 0,68 mellan ETa och nederbörden som ett årligt medelvärde mellan 2012–2020. I jämförelsen mellan SWAT ETa och WaPOR ETa visade SWAT ETa en tydlig underskattning, särskilt under den torrare Yala-växtsäsongen (maj – augusti). Däremot överensstämde SWAT-markanvändningsklasserna som representerade de odlade risfälten väl med WaPOR medan skog och gräsfälten var underskattade. För att öka prestandan för SWAT vid uppskattning av ETa rekommenderades följande: förbättring av simuleringen av de grunda akvifärerna, förbättrade skogsparametrar, inaktivering av den automatiska växtviloperioden i SWAT, kalibrering med ETa i stället för flöde och en jordartskarta med högre upplösning samt fler jordprover.

Granbarkborre är en av Sveriges mest destruktiva skadeinsekter som angriper granskog. Insekten har medfört förödande konsekvenser för granskog, framför allt sedan2018 där stora arealer granskog nästan har eliminerats. Insekten trivs i varmt ochtorrt klimat. Växthuseffekten i form av värmeböljor och perioder av minskad nederbörd tros gynna denna skadliga insekt då de kan fortplanta sig flera gånger och erövra nya områden under en enda sommarsäsong. En vital och nödvändig åtgärd vid bekämpning av skadeinsekter är att föra bort angripna träd innan granbarkborren lämnar barken. Dock är det nästan omöjligt attundersöka all granskog på det traditionella sättet, det vill säga till fots eftersom detär mycket tids- och resurskrävande. I det tidiga skedet visar det angripna trädet ingabetydande färgförändringar i det synliga spektrumet inom fjärranalys, vilket försvårar tidig upptäckt. Men för att försöka göra detta möjligt ämnar det här arbetet undersöka skillnaderna hos friska och angripna träd i tid, där det användes band i detosynliga spektrumet som ShortWave Infrared. Detta användes bland annat i form avbandkombinationer, som Atmospheric Penetration och Agriculture. Dessutom utfördes empiriska experiment på olika vegetationsindex (VI) som var NormalizedSimple Ratio, Enhanced Vegetation Index, Green Chlorophyll Vegetation Index,Normalized Difference Vegetation Index, Normalized Difference Moisture Indexoch Normalized Distance RED and SWIR. I denna studie användes satellitbilder från Sentinel-2 över studieområdet i Mellansverige under månaderna maj-september från 2020 till juli 2022. Inrapporterade dataför angrepp av granbarkborren i studieområdet hämtades från databasarkiven GlobalBiodiversity Information Facility och Holmen AB. Skogsstyrelsens öppna karttjänstanvändes för att erhålla data över Sveriges skogsarter, för att säkerställa att studieområdet bestod av granskog. Genom att utföra empiriska experiment av de olika VI och bandkombinationer sompresenteras i denna studie kunde några indikationer utmärkas. På grund av problematiken med de olika påverkande faktorerna, som bland annat lokalt klimat i kombination med tröskelvärden, var det svårt att fastställa en fullständig bedömning. Vårslutsats visar att de använda vegetationsindex och de två bandkombinationer tillsammans med den spatiala upplösningen, som Sentinel-2 erbjuder, inte uppnår det someftersträvas i denna studie. Anledningen till detta var att möjligheten att identifieraenstaka sjuka träd i studieområdet saknades. / The spruce bark beetle is one of Sweden's most destructive pests that attack spruceforests. The insect has had devastating consequences for spruce forests, especiallysince 2018 where large areas of spruce forest have been almost eliminated. The insect thrives in warm and dry climates. The greenhouse effect in the form of heatwaves and periods of reduced rainfall is believed to favor this harmful insect as theycan reproduce several times and conquer new areas in a single summer season. A vital and necessary measure in combating pests is to remove infested trees beforethe spruce bark beetle leaves the bark. However, it is almost impossible to examineall the spruce forest in the traditional way, which is on foot, because it is time- andresource-consuming. In the early stage, the infested tree shows no significant colorchanges in the visible spectrum in remote sensing, which makes early detection difficult. To try to make this possible, this work intends to investigate the differences inhealthy and infested trees in time, where bands in the invisible spectrum such asShortWave Infrared were used. This was used, among other things, in the form ofband combinations, such as Atmospheric Penetration and Agriculture. In addition,empirical experiments were performed on different vegetation indices (VI) whichwere Normalized Simple Ratio, Enhanced Vegetation Index, Green ChlorophyllVegetation Index, Normalized Difference Vegetation Index, Normalized DifferenceMoisture Index and Normalized Distance RED and SWIR. In this study, satellite images from Sentinel-2 were used over the study area in central Sweden during the months of May-September from 2020 to July 2022. Reported data for attacks by the spruce bark beetle in the study area were retrievedfrom the Global Biodiversity Information Facility and Holmen AB database archives.The Forestry Agency's open map service was used to obtain data on Sweden's forestspecies, to ensure that the study area consisted of spruce forest. By performing empirical experiments of the different VI and band combinationspresented in this study, some indications could be distinguished. Due to the problems with the various influencing factors, such as local climate in combination withthreshold values, it was difficult to establish a complete assessment. Our conclusionshows that the used vegetation indices and the two band combinations together withthe spatial resolution offered by Sentinel-2 do not achieve what is sought in thisstudy. The reason for this was that the possibility of identifying individual diseasedtrees in the study area was missing.