Antalet vägtrafikanter ökar varje år, och med det ökar trängseln. För att bekämpa detta har undersökningar gjorts på uppkoppling av infrastruktur och användning av sensorer. Sensorer kan användas för att minska trafikköer, genom att till exempel upptäcka stillastående fordon eller föremål på vägen. Detta examensarbete undersöker konceptuellt hur en Light Detection and Ranging-sensor kan användas för att detektera ett hindrat trafikflöde på väg. En prototyp skapas för att undersöka konceptet, som består av en datainsamlingsmodul och en detekteringsapplikation. Genom att jämföra olika insamlad data, avgörs det om trafikflödet är hindrat eller ej. För att möjliggöra detekteringen av trafikflöde nyttjas en servomotor vilket ger datainsamlingsmodulen möjligheten att mäta punkter i ett tvådimensionellt plan. Styrning av motor och insamling av data sker med hjälp av en Arduino Uno. Data behandlas sedan på en persondator för att avgöra om hinder uppstått. Resultaten från tester i olika testmiljöer visar på att datainsamlingsmodul med detekteringsapplikation kan detekterar hindrat trafikflöde och statisk miljö, och med en godtagbar noggrannhet i avståndsmätningarna. Slutsatsen är således att prototypen har duglig funktion för att detektera ett hindrat trafikflöde. Metoderna för att detektera hinder är rudimentära men fungerande för enkla trafikflöden. Testning av mer varierande trafik under längre tidsperioder krävs för att ytterligare verifiera konceptets lämplighet. / The number of urban dwellers is increasing, and as a result traffic congestion increases. To combat this, investigations to connect infrastructure are being done, and the use of several different sensors are relevant to this study. Sensors can be used to reduce traffic congestion, for example by detecting stationary vehicles or objects on the road. This graduate work examines the concept of how a Light Detection and Ranging sensor can be used to detect any obstructed traffic flow on roads. A prototype is created to examine the concept, which consists of a data acquisition module and a detection application. By comparing varying collected data, it is determined if traffic flow is obstructed or not. To enable the detection of traffic flow, a servo motor is used to provide the data acquisition module with the ability to measure points in a two-dimensional plane. Control of motor and data collection is done by an Arduino Uno. Data is processed on a personal computer to determine if any obstruction has occurred. The results of the tests in different test environments indicate that the data acquisition module with the detection application can detect blocked traffic flow and static environment, and with an acceptable accuracy in the distance measurements. The conclusion is that the prototype is capable of detecting a blocked traffic flow. The methods for detecting obstacles are rudimentary but effective for simple traffic flows. Testing more varied traffic for longer periods of time is required to further verify the feasibility of the concept

This study aimed at evaluating the agreement of spaceborne Light Detection and Ranging (lidar) ICESat-2 canopy height with Airborne Laser Scanning (ALS) derived canopy height to inform about the performance of ICESat-2 canopy height metrics and understand its uncertainties and utilities. The agreement was assessed for different forest types, physiographic regions, a range of percent canopy cover, and diverse disturbance histories. Results of this study suggest that best agreements are found using strong beam data collected at night for canopy height retrieval using ICESat-2. The ICESat-2 showed great potential for estimating canopy heights, particularly in evergreen forests with high canopy cover. Statistical models were developed using fixed-effects and mixed-effects modeling approaches to predict ALS canopy height metrics using ICESat-2 parameters and other attributes. Overall, ICESat-2 showed good agreement with ALS canopy height and showed its predictive ability to characterize canopy height. The outcome of this study will help the scientific community understand the capabilities and limitations of ICESat-2 canopy heights; the study also provides a new approach to obtain wall-to-wall ALS standard canopy height maps at landscape level.

Environment perception is crucial to autonomous driving. Panoptic segmentation and objects tracking are two challenging tasks, and the combination of both, namely 4D panoptic segmentation draws researchers’ attention recently. In this work, we implement 4D panoptic LiDAR segmentation (4D-PLS) on Volvo datasets and provide a pipeline of data preparation, model building and model optimization. The main contributions of this work include: (1) building the Volvo datasets; (2) adopting an 4D-PLS model improved by Hyperparameter Optimization (HPO). We annotate point cloud data collected from Volvo CE, and take a supervised learning approach by employing a Deep Neural Network (DNN) to extract features from point cloud data. On the basis of the 4D-PLS model, we employ Bayesian Optimization to find the best hyperparameters for our data, and improve the model performance within a small training budget. / Miljöuppfattning är avgörande för autonom körning. Panoptisk segmentering och objektspårning är två utmanande uppgifter, och kombinationen av båda, nämligen 4D panoptisk segmentering, har nyligen uppmärksammat forskarna. I detta arbete implementerar vi 4D-PLS på Volvos datauppsättningar och tillhandahåller en pipeline av dataförberedelse, modellbyggande och modelloptimering. De huvudsakliga bidragen från detta arbete inkluderar: (1) bygga upp Volvos datauppsättningar; (2) anta en 4D-PLS-modell förbättrad av HPO. Vi kommenterar punktmolndata som samlats in från Volvo CE och använder ett övervakat lärande genom att använda en DNN för att extrahera funktioner från punktmolnsdata. På basis av 4D-PLS-modellen använder vi Bayesian Optimization för att hitta de bästa hyperparametrarna för vår data och förbättra modellens prestanda inom en liten utbildningsbudget.

Point cloud registration is a technique to align two sets of points with manifold applications across a range of industries. However, due to a lack of adequate sensing technology, this technique has seldom found applications in the automotive sector up to now. With the advent of solid-state Light Detection and Ranging (LiDAR) sensors that are easily integrable in series production vehicles as means to sense the surrounding environment, this technique can be functional to automate their operations. Maneuvering a vehicle in the proximity of a reference object is one such operation, which can only be performed by accurately estimating its position and orientation relative to the vehicle itself. This project deals with the design and the implementation of an algorithm to accurately locate an aircraft parked on an airfield apron in real time. This is achieved by registering the point cloud model of the plane to the measurement point cloud of the scene produced by the LiDAR sensors on board the vehicle. To this end, the Iterative Closest Point (ICP) algorithm is a well-established approach to register two sets of points without prior knowledge of the correspondences between pairs of points, which, however, is notoriously sensitive towards outliers and computationally expensive with large point clouds. In this work, different variants are presented that improve on the standard ICP algorithm, in terms of accuracy and runtime performance, by leveraging different data structures to index the reference model and outlier rejection strategies. The results show that the implemented algorithms can produce estimates of centimeter precision in milliseconds based only on partial observations of the aircraft, outperforming another established solution tested. / Punktmolnregistrering är en teknik för att anpassa två uppsättningar punkter med mångfaldiga applikationer inom en rad branscher. På grund av bristen på adekvat sensorsteknik har denna teknik hittills sällan används inom automotivesektorn. Med tillkomsten av solid-state LiDAR -sensorer som enkelt kan integreras i serieproduktionsfordon för att kunna känna av den omgivningen, kan denna teknik automatisera verksamheten. Att manövrera ett fordon i närheten av ett referensobjekt är en sådan operation, som bara kan utföras genom att exakt uppskatta dess position och orientering i förhållande till själva fordonet. Detta projekt handlar om design och implementering av en algoritm för att exakt lokalisera ett flygplan parkerat på ett flygfält i realtid. Detta uppnås genom att registrera planetens molnmodell till mätpunktsmolnet på scenen som produceras av LiDAR -sensorerna ombord på fordonet. För detta ändamålet är Iterative Closest Point (ICP) -algoritmen ett väletablerat tillvägagångssätt för att registrera två uppsättningar punkter utan föregående kännedom om överensstämmelserna mellan parpar, vilket dock är notoriskt känsligt för avvikelser och beräknat dyrt med stora punktmoln. I detta arbete presenteras olika varianter som förbättrar standard ICP - algoritmen, när det gäller noggrannhet och runtime performance, genom att utnyttja olika datastrukturer för att indexera referensmodellen och outlier -avvisningsstrategier. Resultaten visar att de implementerade algoritmerna kan producera uppskattningar av centimeters precision i millisekunder baserat endast på partiella observationer av flygplanet, vilket överträffar en annan etablerad lösning som testats.

Varje dag kopplas tusentals godsvagnar om på de olika rangerbangårdarna i Sverige. För att kunna automatiskt bromsa vagnarna tillräckligt mycket är det nödvändigt att veta deras hastigheter. En teknik som har blivit populär på sistone är Light Detection and Ranging (LiDAR) som använder ljus för att mäta avstånd till objekt. Den här rapporten diskuterar design- och implementationsprocessen av ett trådlöst sensornätverk bestående av en LiDARutrustad sensornod. Designprocessen gav en insikt i hur LiDAR-sensorer bör placeras för att täcka en så stor yta som möjligt. Sensornoden var programmerad att bestämma avståndet av objekt genom att använda Random Sample Consensus (RANSAC) för att ta bort outliers och sen linjär regression på de inliers som detekterats. Implementationen utvärderades genom att bygga ett litet spår med en låda som kunde glida fram och tillbaka över spåret. LiDAR- sensorn placerades med en vinkel vid sidan om spåret. Resultaten visade att implementationen både kunde detektera objekt på spåret och också hastigheten av objekten. En simulation gjordes också med hjälp av en 3D-modell av en tågvagn för att se hur väl algoritmen hanterade ojämna ytor. LiDAR-sensorn i simuleringen hade en strålavvikelse på 0_. 30% av de simulerade mätvärdena gjordes om till outliers för att replikera dåliga väderförhållanden. Resultaten visade att RANSAC effektivt kunde ta bort outliers men att de ojämna ytorna på tåget ledde till felaktiga hastighetsmätningar. En slutsats var att en sensor med en divergerande stråle möjligtvis skulle leda till bättre resultat. Framtida arbete inkluderar att utvärdera implementationen på en riktig bangård, hitta optimala parametrar för algoritmen samt evaluera algoritmer som kan filtrera data från ojämn geometri. / Every day, thousands of train wagons are coupled on the multiple classification yards in Sweden. To be able to automatically brake the wagons a sufficient amount, it is a necessity to determine the speed of the wagons. A technology that has been on the rise recently is Light Detection and Ranging (LiDAR) that emits light to determine the distance to objects. This report discusses the design and implementation of a wireless sensor network consisting of a LiDAR-equipped sensor node. The design process provided insight into how LiDAR sensors may be placed for maximum utilization. The sensor node was programmed to determine the speed of an object by first using Random Sample Consensus (RANSAC) for outlier removal and then linear regression on the inliers. The implementation was evaluated by building a small track with an object sliding over it and placing the sensor node at an angle to the side of the track. The results showed that the implementation could both detect objects on the track and also track the speed of the objects. A simulation was also made using a 3D model of a wagon to see how the algorithm performs on non-smooth surfaces. The simulated LiDAR sensor had a beam divergence of 0_. 30% of the simulated measurements were turned into outliers to replicate bad weather conditions. The results showed that RANSAC was efficient at removing the outliers but that the rough surface of the wagon resulted in some incorrect speed measurements. A conclusion was made that a sensor with some beam divergence could be beneficial. Future work includes testing the implementation in real-world scenarios, finding optimal parameters for the proposed algorithm, and to evaluate algorithms that can filter rough geometry data.

Fiskvägar kan anläggas i anslutning till dammar för att överkomma de hinder som dammarna utgör mot migrerande fisk. En av de mest önskvärda lösningar som finns för detta är att anlägga naturlika fiskvägar, vilka har som syfte att efterlikna ett naturligt vattendrag. Ofta har dock dessa planerats för dåligt med avseende på exempelvis lutning och placering av ingången för att de ska kunna fungera riktigt effektivt. På grund av detta finns det behov av omfattande studier av topografi och kartering av området innan en fiskväg anläggs. I det här arbetet används topografin och de geografiska förutsättningarna för att studera möjliga sträckningar på en naturlik fiskväg förbi Strömdalens kraftverk i Gävle som en del av det fiskvandringsprojekt som Länsstyrelsen Gävleborg driver. I arbetet byggs en höjdmodell upp med hjälp av data från LiDAR (Light Detection and Ranging) och genom topografisk mätning, där mätpunkter från Global Navigation Satellite System (GNSS) och Totalstation används för att korrigera LiDAR-modellen över visst område. Det går att förbättra kvaliteten på modellen avsevärt med korrigering av LiDAR-data genom jämförelser mot mätpunkter. Studien har visat att det går att uppnå en noggrannhet som är bättre än en decimeter överlag i modellen, med vissa lokala variationer. Dessa variationer visar sig i större osäkerhet i mera svårdefinierad terräng, som strandkanter eller där terrängen visar stor variation. Studierna har också visat att i områden där det finns många mätpunkter är kvaliteten bättre än i områden där det är glest mellan punkterna. Bottentopografier hade varit mycket önskvärt att mäta eftersom dessa behövs vid fiskvägsplanering, men det var dessvärre vid tidpunkten för fältarbetet inte möjligt att utföra några mätningar i vattnet på grund av högt vattenstånd. I studien har också den uppbyggda höjdmodellen använts för att hitta metoder att analysera och visualisera olika förslag på naturlika fiskvägar. Studierna har visat att topografin är en viktig faktor inom planeringen på grund av fiskvägars lutningskrav. För att uppnå den önskade medellutningen måste i många fall topografin modifieras ordentligt och detta har visat sig vara ett problem vid Strömdalens kraftverk. Genom att utnyttja 3D-modellering går det se detta ur ett annat perspektiv och då framkommer också svårigheterna med att anpassa fiskvägen till terrängen bättre. / Dams are obstacles for migrating fish species and a solution for this problem is to construct fish bypasses. One of the most desirable solutions for this is nature-like fish passages which is a solution where the bypass is looking like a real stream. However, because these passages have been planned poorly considering slope and placing of the entrance, they have not been that effective. Because of that, studies in topography and mapping of the area are important before a fish passage is constructed. In this study the topographic and geographic criteria are used to study possible paths where the fish passage can be constructed. This is done around Strömdalens kraftverk, close to the central parts of Gävle as part of the fish migration project of Länsstyrelsen in Gävleborg. In the study, Digital Elevation Models (DEM) is produced by data from Light Detection and Ranging (LiDAR) and by performing a topographic survey using Global Navitation Satellite System (GNSS) and total station in this area. The LiDAR data are corrected by those survey points by comparing them to the uncorrected LiDAR model. By doing that and also including the survey points, the performance of the model was greatly improved. In general the surveyed area is shown to have an uncertainty lower than a decimeter, but with local variations. Those variations are higher in more complex terrain, for example around shorelines and in areas with high terrain variation. The study has also shown that the uncertainty is lower in areas where many points have been surveyed. Bathymetric data are of great importance. However, by the time of the field survey, it was impossible to perform any survey in the water because of a high water level. Different suggestions on nature-like fish paths have also been analyzed and visualized by using a produced DEM. The studies have shown that topography is a very important factor because of the slope criteria for those fish passages. To reach the desired mean slope the topography has to be greatly modified, which is a major issue near Strömdalens kraftverk. By using 3D models it is possible to see that from a different perspective and it's easier to see the difficulties to adapt the fish passage to the terrain.

In dieser Arbeit wird der auf maschinellem Lernen basierende Algorithmus zur Erkennung von unterkühlten Flüssigwasserschichten in Mischphasenwolken (MPCs) jenseits der Lidarattenuation VOODOO (reVealing supercOOled liquiD beyOnd lidar attenuatiOn) vorgestellt. Beobachtungen von zwei Langzeitmesskampagnen bilden die Datengrundlage. Für die nördliche Hemisphäre wurden die Daten mittels der mobilen bodengebundenen Fernerkundungsanlage des Leipziger Instituts für Meteorologie (LIM) in Leipzig (Deutschland, 51.3°N, 12. 4°E) erhoben. Für die südliche Hemisphäre wurde ein 9-monatiger Teil der dreijährigen Feldkampagne DACAPO-PESO (Dynamics Aerosol Clouds And Precipitation Observation in the Pristine Environment of the Southern Ocean; Beobachtung von Dynamik, Aerosol, Wolken und Niederschlag in der unverschmutzten Umgebung des Südozeans) aus Punta Arenas (Chile, 53.1°S, 70.9°W) verwendet. Dieser Datensatz wurde mittels des 94GHz Wolkenradars des LIM in Kombination mit LACROS (Leipzig Aerosol and Cloud Remote Observations System; Leipziger Aerosol- und Wolken-Fernerkundungssystem)- Instrumenten erhoben. Datensätze von vertikal ausgerichteten Doppler-Wolkenradaren und Lidarsystemen liefern Erkenntnisse über Wolkeneigenschaften mit hoher zeitlicher und räumlicher Auflösung. Die Identifizierung von flüssigen Wolkentröpfchen ist jedoch aufgrund der Abschwächung des Lidarsignals oft eingeschränkt. Wolkenradare sind andererseits in der Lage, mehrere Flüssigwassersschichten zu durchdringen, und können potenziell eingesetzt werden, um die Identifizierung der thermodynamischen Wolkenphase auf die gesamte vertikale Säule jenseits der Lidar-Signalabschwächungshöhe auszudehnen. Dazu werden morphologische Merkmale in Wolkenradar-Doppler-Spektren extrahiert, um auf das Vorhandensein von Flüssigwasser zu schließen. Das wichtigste Ergebnis dieser Arbeit ist die Implementierung des Open-Source-Retrievals VOODOO. Für beide Langzeitdatensätze zeigt die Wolken- und Flüssigwasseridentifikation von VOODOO hervorragende zeitliche und räumliche Übereinstimmungen mit der weit verbreitenten Cloudnet-Klassifizierung. Vergleiche des vom Mikrowellenradiometers (MWR) gemessenen Flüssigwasserpfads (LWP) mit modelliertem adiabatischen LWP zeigen jedoch die Überlegenheit von VOODOO in der Detektion hochreichender und mehrschichtiger MPCs im Vergleich zu Cloudnet. Der Einfluss von Turbulenzen auf die Vorhersageleistung von VOODOO wurde analysiert und als gering eingestuft. Darüber hinaus bestätigen weltraumgestützte Lidar-Beobachtungen die VOODOO-basierten Vorhersagen von Oberkanten von Flüssigwasserschichten für ausgewählte Satellitenüberflüge über Punta Arenas. Das Endresultat zeigt für ein Fallbeispiel die resultierende Reduktion der Fehler zwischen kurzwelliger solarer Strahlung am Erdboden, sowie des Strahlungseffekts von Wolken zwischen Beobachtungen und Strahlungstransfersimulationen um den Faktor 2, bei der Verwendung der VOODOO-Flüssigwasseridentifikationen.:i Mixed-Phase Clouds 1 Introduction 3 2 Remote-sensing of mixed-phase clouds 7 2.1 Definition, occurrence, and impact . . . . . . . . . . . . . . . . . . . . . . . 7 2.2 Instrumentation and operating principles . . . . . . . . . . . . . . . . . . . 9 2.2.1 Doppler cloud radar . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2.2 Lidar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.3 Microwave radiometer . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2.4 Numerical weather forecast model . . . . . . . . . . . . . . . . . . . 18 2.2.5 Additional data sources . . . . . . . . . . . . . . . . . . . . . . . . . 18 3 Datasets 19 3.1 Punta Arenas, Chile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.2 Leipzig, Germany . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 ii Methodology 4 Identifying the thermodynamic phase of hydrometeors 25 4.1 Multisensor-based approaches . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.1.1 Cloudnet: Illingworth et al., 2007 . . . . . . . . . . . . . . . . . . . . 25 4.1.2 Shupe, 2007 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.2 Radar-moment-based approaches . . . . . . . . . . . . . . . . . . . . . . . . 27 4.2.1 Silber et al., 2020 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.2.2 Kalogeras et al., 2021 . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.3 Doppler-Spectrum-based approaches . . . . . . . . . . . . . . . . . . . . . . 28 4.3.1 Yu et al., 2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.3.2 PEAKO + peakTree: Kalesse et al., 2019; Radenz et al., 2019 . . . . 28 4.3.3 Luke et al., 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.4 Challenges in cloud-phase classification . . . . . . . . . . . . . . . . . . . . 30 5 Machine learning model 33 5.1 Mathematical basics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 5.2 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 5.3 Training and validation dataset . . . . . . . . . . . . . . . . . . . . . . . . . 36 5.4 Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 5.4.1 Convolution layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 5.4.2 Perceptron layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 5.4.3 Output layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.5 Training process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.6 Post-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.7 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.7.1 Confusion matrix and binary classification metrics . . . . . . . . . 43 5.7.2 Correlation with independent measurements . . . . . . . . . . . . . 45 5.7.3 Influence of LWP and turbulence on the performance . . . . . . . . 45 5.7.4 Probability density functions . . . . . . . . . . . . . . . . . . . . . . 46 5.7.5 Validation via space-borne lidar satellite CALIPSO . . . . . . . . . 46 5.7.6 Radiative closure study . . . . . . . . . . . . . . . . . . . . . . . . . 46 iii Results 6 Results 51 6.1 Training results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 6.2 Case study: 1. August 2019, Punta Arenas, Chile . . . . . . . . . . . . . . . 53 6.3 Case study: 30 December 2020, Leipzig, Germany . . . . . . . . . . . . . . 57 6.4 Performance analysis for larger data sets . . . . . . . . . . . . . . . . . . . . 60 6.5 Probability density functions . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 6.6 Case study for satellite-based cloud phase validation . . . . . . . . . . . . . 66 6.7 Radiative closure study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 iv Outcome 7 Summary and Conclusion 77 8 Outlook 79 Publication record 83 List of Figures 85 List of Tables 88 List of Symbols 93 Bibliography 99 / This work presents a data driven retrieval algorithm for reVealing supercOOled liquiD beyOnd lidar attenuatiOn (VOODOO) in mixed-phase clouds (MPCs), which is based on deep convolutional neural networks (CNNs). Observations of two long-term field campaigns of mobile ground-based remote-sensing instrument deployments from both hemispheres are utilized. For the northern hemisphere, the data set was obtained by the mobile ground-based remote-sensing suite of the Leipzig Institute for Meteorology (LIM) in Leipzig (Germany, 51.3°N, 12.4°E) and for the southern hemisphere, 9-months of the three-year-long data set of the Dynamics Aerosol Clouds And Precipitation Observation in the Pristine Environment of the Southern Ocean (DACAPO-PESO) field campaign in Punta Arenas (Chile, 53.1°S, 70.9°W), collected by the supersite LACROS (Leipzig Aerosol and Cloud Remote Observations System). Data sets of vertically pointing Doppler cloud radars and lidars provide insights into cloud properties at high temporal and spatial resolution. However, the identification of liquid cloud droplets is often limited due to the attenuation of the lidar signal. On the contrary, cloud radars are able to penetrate multiple liquid layers and can potentially be used to expand the identification of cloud phase to the entire vertical column beyond the lidar signal attenuation height, by exploiting morphological features in cloud radar Doppler spectra that relate to the existence of supercooled liquid. The most important result of this work is the the open-source implementation of the VOODOO retrieval, predicting excellent temporal and spatial agreement in cloud-droplet bearing pixels detected by the widely-used Cloudnet atmospheric target classification. Comparisons of the liquid water path (LWP) measured by the microwave radiometer (MWR), with modeled adiabatic LWP show the superiority of VOODOO in detecting liquid in deep and multilayer MPCs compared to Cloudnet. The influence of turbulence on VOODOO’s predictive performance was analyzed and found to be minor. Additionally, space-borne lidar observations confirm liquid cloud top predictions of MPCs tops for selected satellite overpasses over Punta Arenas, Chile. The final results of this work is the demonstration of the ability to reduce the shortwave downward radiation bias and the bias in cloud radiative effect between ground-based pyranometer observations and radiative transfer simulations by a factor of 2 for a case study. This highlights the fact that from a measurement perspective, advanced cloud thermodynamic phase retrievals based on sophisticated remote-sensing observations can be a way to reduce the Southern Ocean radiation bias.:i Mixed-Phase Clouds 1 Introduction 3 2 Remote-sensing of mixed-phase clouds 7 2.1 Definition, occurrence, and impact . . . . . . . . . . . . . . . . . . . . . . . 7 2.2 Instrumentation and operating principles . . . . . . . . . . . . . . . . . . . 9 2.2.1 Doppler cloud radar . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2.2 Lidar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2.3 Microwave radiometer . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2.4 Numerical weather forecast model . . . . . . . . . . . . . . . . . . . 18 2.2.5 Additional data sources . . . . . . . . . . . . . . . . . . . . . . . . . 18 3 Datasets 19 3.1 Punta Arenas, Chile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.2 Leipzig, Germany . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 ii Methodology 4 Identifying the thermodynamic phase of hydrometeors 25 4.1 Multisensor-based approaches . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.1.1 Cloudnet: Illingworth et al., 2007 . . . . . . . . . . . . . . . . . . . . 25 4.1.2 Shupe, 2007 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.2 Radar-moment-based approaches . . . . . . . . . . . . . . . . . . . . . . . . 27 4.2.1 Silber et al., 2020 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.2.2 Kalogeras et al., 2021 . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.3 Doppler-Spectrum-based approaches . . . . . . . . . . . . . . . . . . . . . . 28 4.3.1 Yu et al., 2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.3.2 PEAKO + peakTree: Kalesse et al., 2019; Radenz et al., 2019 . . . . 28 4.3.3 Luke et al., 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.4 Challenges in cloud-phase classification . . . . . . . . . . . . . . . . . . . . 30 5 Machine learning model 33 5.1 Mathematical basics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 5.2 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 5.3 Training and validation dataset . . . . . . . . . . . . . . . . . . . . . . . . . 36 5.4 Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 5.4.1 Convolution layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 5.4.2 Perceptron layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 5.4.3 Output layer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.5 Training process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.6 Post-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.7 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.7.1 Confusion matrix and binary classification metrics . . . . . . . . . 43 5.7.2 Correlation with independent measurements . . . . . . . . . . . . . 45 5.7.3 Influence of LWP and turbulence on the performance . . . . . . . . 45 5.7.4 Probability density functions . . . . . . . . . . . . . . . . . . . . . . 46 5.7.5 Validation via space-borne lidar satellite CALIPSO . . . . . . . . . 46 5.7.6 Radiative closure study . . . . . . . . . . . . . . . . . . . . . . . . . 46 iii Results 6 Results 51 6.1 Training results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 6.2 Case study: 1. August 2019, Punta Arenas, Chile . . . . . . . . . . . . . . . 53 6.3 Case study: 30 December 2020, Leipzig, Germany . . . . . . . . . . . . . . 57 6.4 Performance analysis for larger data sets . . . . . . . . . . . . . . . . . . . . 60 6.5 Probability density functions . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 6.6 Case study for satellite-based cloud phase validation . . . . . . . . . . . . . 66 6.7 Radiative closure study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 iv Outcome 7 Summary and Conclusion 77 8 Outlook 79 Publication record 83 List of Figures 85 List of Tables 88 List of Symbols 93 Bibliography 99

I dagsläget står det svenska kraftnätet inför en stor utmaning om det ska kunna klara av att tillgodose Sveriges växande elbehov. Stora delar av kraftnätet måste förnyas samtidigt som det byggs ut. Vid projektering av nya kraftledningsgator måste geografisk information samlas in för att kunna planera arbetet och representera de möjliga kraftledningsgatorna som höjdmodeller. Det är då viktigt att denna data är korrekt. LiDAR-data är ett bra alternativ då det kan ge en bra bild av marken trots vegetation som kan befinna sig i en eventuell kraftledningsgata. I dagsläget används antingen Lantmäteriets Nationella Höjdmodellen (NH-modellen), eller så genomförs en luftburen laserskanning med hjälp av flygplan. Då NH-modellen ibland kan upplevas som otillräcklig på grund av sin låga upplösning, samtidigt som luftburen laserskanning kan vara kostsamt både ekonomiskt och ur en miljösynpunkt är det intressant att utforska alternativa metoder.    Syftet med detta examensarbete är att genomföra en jämförelseanalys av höjdmodeller genererade med LiDAR-data insamlade med UAV och flygplan för att få svar på vad som väsentligt skiljer dem åt och ifall LiDAR-data insamlat med UAV kan vara ett alternativ till LiDAR-data insamlat med flygplan. Detta görs tillsammans med företagen Nektab och Swescan för att undersöka möjligheterna att kunna erbjuda en ny produkt till sina kunder och uppdragsgivare. Ett tidigare projekterat område utanför Horndal i Dalarna, undersöktes då det fanns tillgängliga LiDAR-data från en tidigare luftburen laserskanning gjord med flygplan. LiDAR-data samlades in med drönare med två olika skanningsmetoder, repetitive och non-repetitive, den 3:e maj 2023. Bearbetning av punktmolnet genomfördes i DJI Terra och Terrasolids programvaror Terrascan och Terramatch. Kvalitetsberäkningar genomfördes i Excel. Höjdmodeller skapades i Esris Arcmap 10.8 och analyser gjordes för att jämföra de olika höjdmodellernas höjdvärden, lutning samt profiler.     Punktmolnen genererade med UAV-LiDAR hade en lägesnoggrannhet i höjd som uppfyllde kraven för HMK-standardnivå 3, och punktmolnet genererat med skanningsmetoden non-repetitive hade en bättre lägesnoggrannhet i höjd än punktmolnet genererat med flygplans-LiDAR. Skillnaderna som kunde upptäckas mellan de olika höjdmodellerna var små och påverkades både av skillnader i klassning och insamlingsmetod. Slutsatsen som drogs är att insamling av LiDAR-data med UAV och generering av kvalitativa höjdmodeller med dessa data är fullt möjligt för mindre områden så som det i det här arbetet. / The Swedish power grid is currently facing a big challenge if it’s going to be able to meet Sweden’s growing demand for electricity. While large parts of the power grid must be updated, there also needs to be a big expansion. When planning new corridors for the powerlines, geographical information must be collected to be able to visualize said corridors as Digital Elevation Models (DEMs) and it is thus important that the data is correct. LiDAR-data is a suitable alternative for this as it can represent the ground well despite any vegetation that might be present in the planned corridor. Currently open-source data from the Swedish National Land Survey, the National Elevation Model (the NH-model), is often used, or the area is mapped with airborne laser-scanning from a plane. However, the NH-model is sometimes not a suitable alternative due to its low resolution, while airborne laser-scanning can be both environmentally and economically costly. It is therefore interesting to explore alternative methods.    The aim of this bachelor thesis is to conduct a comparative analysis between DEMs generated by LiDAR-data collected by UAV and by plane to see where they differ, and if LiDAR-data collected by UAV is a potential alternative to LiDAR-data collected by plane. This will be done in collaboration with Nektab and Swescan to explore the possibility of being able to offer a new product to their customers and clients. A previously planned area outside the Swedish town of Horndal in the county of Dalarna, was used due to already existing plane-collected LiDAR-data. LiDAR-data was collected with an UAV through two different scanner-methods, repetitive and non-repetitive, on the 3rd of May 2023. The processing of the pointclouds were performed in DJI Terra and Terrasolids software Terrascan and Terramatch. Quality calculations and control was done in Excel. DEMs were created in Esris software Arcmap 10.8 and different analyses were performed to compare the DEMs elevation, slope, and profiles.    The point clouds generated from the UAV-LiDAR had a positional accuracy equivalent to the Swedish HMK-standard level 3, and the pointcloud generated from the non-repetitive­ scanner-method had a better positional accuracy for the z-value than the pointcloud generated from the plane-LiDAR. The differences between the DEMs were small and were caused both by difference in classification of the point clouds and collection method. The conclusion is that collection of LiDAR-data through UAV and the generation of high quality DEMs from this data is fully possible for smaller areas such as the one in this thesis.

Digitala terrängmodeller (DTM:er) är ett vanligt förekommande verktyg i planering av olika samhällsutvecklande projekt inom stat, kommun och den privata sektorn. Inom planering för byggnationer av väg och järnväg används ofta SIS-TS 21144:2016 som ett dokument för styrning av produktionsprocessen vid framtagning av DTM:er, eller markmodeller. Med anledning av att ny teknik öppnar för möjligheter till snabbare, effektivare och klimatsmartare insamling av data, har denna studie till syfte att utvärdera Unmanned Aerial System (UAS) med Light Detection and Ranging (LiDAR) från YellowScan och dess mätosäkerhet i höjd. I denna undersökning jämförs resultatet från studien med klass 2 i SIS-TS 21144:2016 för flyghöjderna 50 m och 80 m samt för skanningsvinklarna 0 (lod), 10, 20 och 40 grader. Platsen för studien är belägen strax sydväst om Gävle i en nedlagd grustäkt med både hårt packat och något lösare underlag. Storleken för studieområdet begränsades till 200 x 300 m, vilket ger en 6 ha stor yta. Med utrustning för mätning med GNSS (Global Navigation Satellite System) mättes två stompunkter in med Nätverks-RTK (Real Time Kinematic). Därefter skapades ett stomnät med åtta punkter. Totalt mättes 26 kontrollytor in för jämförelser mot insamlade LiDAR-data. Datainsamlingen utfördes med obemannad flygfarkost (Unmanned Aerial Vehicle, UAV), GeoDrone X4L, utrustad med LiDAR-skannern YellowScan Surveyor meden integrerad IMU (Inertial Measurement Unit) från Applanix. Tillsammans bildade dessa enheter ett obemannat flygsystem (UAS) som kunde fjärrstyras och kommunicera sin position. All bearbetning utfördes i programvara från Terrasolid, baserat på data från flygrutten som först bearbetats i YellowScan CloudStation. Punkterna klassificerades för att urskilja marklassade punkter som användes vid generering av DTM:er. En justering av punktmolnet gjordes med avsikt att höja marklassade punkter för att motverka det brus som förekommer i data. Kontrollytorna kunde nu jämföras mot DTM:en och analyseras. Resultaten i studien visar att YellowScan Surveyor uppnår ett Root Mean Square (RMS) i höjd på 0,024 m vid 50 meters flyghöjd, vilket innebär 0,047 m utvidgad mätosäkerhet (2-sigma, 95 %). Även vid 80 meter uppnås relativt låg mätosäkerhet i höjd med ett RMS på 0,040 m. Resultaten i studien visar också att påverkan av mätning i en större skanningsvinkel inte är den enda faktor som försämrar resultatet. / Digital terrain models (DTMs) are a commonly used tool in planning various development projects within the state, municipalities, and the private sector. In planning for road and rail construction, the Swedish technical specification SIS-TS21144:2016 is often used as a document for controlling the production process of DTMs. Given that new technology opens the possibilities for faster, more efficient, and climate-smart data collection, this study aims to evaluate Unmanned Aerial System (UAS) with Light Detection and Ranging (LiDAR) from YellowScan and to evaluate the measurement uncertainty in height. In this study, the results of the study are compared with class 2 SIS-TS 21144:2016 for the flight heights 50 m and 80 m and the scanning angles 0 (in nadir), 10, 20 and 40 degrees. The site of the study is located just southwest of Gävle in a closed gravel pit with both hard packed and slightly looser substrates. The size of the study area was limited to 200 x 300 m, equivalent to 6 hectares. With Global Navigation Satellite System (GNSS) equipment, two control points were measured with Network-RTK (Real Time Kinematic). Subsequently, a control network of eight points was created. A total of 26 control grids were measured for comparisons of collected LiDAR data. The data collection was carried out with the Unmanned Aerial Vehicle (UAV) GeoDrone X4L equipped with LiDAR Scanner YellowScan Surveyor with an integrated Inertial Measurement Unit (IMU) from Applanix. Together, these units formed an UAS that could be remotely controlled and communicate its position. All processing was performed in software from Terrasolid, based on data from the flight route that was first processed in YellowScan CloudStation. The points were classified to distinguish ground points used in the generation of the DTM. An adjustment of the point cloud was made with the intention of raising ground level points to reduce the noise present in the data. The control grids could then be compared to the DTM and analysed. The results of the study show that YellowScan Surveyor achieves a Root Mean Square (RMS) in height of 0,024 m at 50 meters flight altitude, which equals 0,047m expanded measurement uncertainty (2 sigma level, 95 %). Even at 80 meters, relatively low uncertainty is achieved with an RMS of 0,040 m. The results of the study indicate that the influence of measurements at a wider scanning angle is not the only factor that deteriorates the results.

Potholes are caused by erosion and as such always emerging on our roadnetwork. Potholes may not only cause great damages to vehicles, but can alsocause road accidents, which in the worst case are fatal. Today, the detection ofpotholes is usually based on citizen reports or ocular inspection by vehicle,where a loose description of the potholes properties and location can be given.Recent research has explored the possibility of aerial inspection of paved roadswith the new, cost effective, Structure-from-Motion (SfM) technique, whichcan produce 3D point clouds from photogrammetric data. SfM point cloudshave then been used in conjunction with processing algorithms toautomatically detect and extract potholes from paved surfaces. However, theresults have not been optimal for practical use. The purpose of this study is,therefore, to explore the possibility of using UAV LiDAR for potholedetection in paved roads as a better alternative to the currently popularStructure-from-Motion (SfM) technique. A LiDAR point cloud is derived by alaser scanner and may have several advantages over SfM, for instance, theinsensitivity to poor light conditions and modelling errors. This study is setout to answer how point clouds derived from UAV SfM and UAV LiDARcompare to each other regarding detecting potholes of different sizes, wheredetected potholes will be compared to ground truth data. An elevation check,consisting of 126 height control points along the paved road, will also be usedto evaluate the height accuracy in the clouds. Data collection is done with theUAV system mdLiDAR3000DL aaS containing a RIEGL miniVUX-1DLlaser scanner for LiDAR data and Sony RX1R II 42.4 megapixel camera forSfM data. The data for both methods are collected during the same flight. Theproposed method automatically detects and extracts potholes from a pavedsurface based on the vertical distance to local reference planes which representthe undamaged road surface. The point clouds are filtered in CloudComparebefore imported to TerraScan for detection and extraction of potholes. Theextraction results are then controlled by a set of terrestrial measurements bytotal station. The results show that potholes with a smaller width of at least16.5 cm and a depth of at least 2.7 cm can be detected and extracted frompoint clouds derived by UAV LiDAR at a flight altitude of 30 m. Theextracted potholes had a standard deviation of 1.40 cm in width and 6.7 mmin depth. Shadows on the road caused height anomalies in the point cloudproduced by Structure-from-Motion (SfM), which made pothole detectionimpossible with the proposed methodology. / Potthål skapas genom erosion i vägar och uppstår varje år i vägnätet. Skadornapåverkar inte bara fordonens skick, utan kan även vara orsaken till olyckorsom i vissa fall är dödliga. I dagsläget detekteras potthål genom ockulärt frånfordon av kommunala arbetare eller så rapporteras de in av medborgare via etjänst där en lös beskrivning kan ges angående potthålens egenskaper ochposition.På senare tid har studier utforskat möjligheterna för flygburen inspektion avasfalterade vägar med den nya, kostnadseffektiva, Structure-from-Motion(SfM) tekniken som kan producera 3D-punktmoln från fotogrammetrisk data.Punktmolnen som är framtagna genom denna metod har vidare använtstillsammans med bearbetningsalgoritmer för att detektion och extraktion avpotthål i asfalterade vägar. Dock har resultaten inte varit optimala för attmetoden ska fungera i praktiken. Syftet med den här studien är därför attutforska möjligheten för att använda UAV LiDAR som en bättre metod fördenna process. Punktmoln framtagna genom LiDAR-teknik, mer känt somlaserskanning, kan ha ett flertal potentiella fördelar över SfM som okänslighetmot modelleringsfel och dåliga ljusförhållanden.Denna studie ger svar på hur punktmoln framtagna genom UAV LiDAR ochUAV SfM förhåller sig till varandra när det gäller detektion av potthål i olikastorlekar från asfalterade vägar, där potthålens dimensioner kommer attjämföras mot markbundna kontrollmätningar. Vidare görs en höjdkontrollmot 126 höjdstöd i båda punktmolnen för att jämföra kvaliteten förhöjdmätningar på den asfalterade vägen genom respektive metod.Insamlingen av data gjordes samtidigt under samma flygning för bådametoderna. Drönaren som användes var Microdrones mdLiDAR3000DL aaSmed en RIEGL miniVUX-1DL laserskanner och en Sony RX1R II 42,4megapixelkamera monterad. Mjukvarorna som har använts för bearbetning ärCloudCompare för filtrering av brus med mera och TerraScan för självadetektions -och extraktionsprocessen.Resultatet visar att det är möjligt att extrahera potthål från LiDAR-baseradepunktmoln med en mindre bredd på minst 16,5 cm och ett djup på 2,7 cm.Standardavvikelsen för potthålens bredd är 1,4 cm och 6,7 mm i djup.Grupper av avvikande punkter skapades på vägen i det SfM-baseradepunktmolnen som en följd av ett modelleringsfel i skuggområden på vägen,vilket vidare gjorde detektion -och extraktionsprocessen omöjlig med denframtagna metoden.