Syfte: Städer behöver grönska, ekosystem och ekosystemtjänster. Grönytefaktor (GYF) är ett verktyg som säkerställer grönska i urbana miljöer. Jönköpings kommun ska som del i sin stadsutveckling av Södra Munksjön inkludera GYF i sin grönstrukturplan. För att utforma en GYF-modell måste man veta platsens förutsättningar och målbilden för staden. Denna studie syftar till att kartlägga de ES som finns i området idag samt vilka som bör skapas, skyddas, stärkas eller rent av skippas i den nya stadsdelen. Vidare studeras även hur den lokala GYF-modellen kan användas i andra områden i Jönköpings kommun. Metod: En kvalitativ studie har genomförts med hjälp av metoderna litteraturstudie, dokumentanalys, observation och intervjuer. Med utgångspunkt i Ekosystemtjänster i stadsplanering - en vägledning framtagen av ℅ city har ekosystemtjänster identifierats. Intervjuer har genomförts med landskapsarkitekter som arbetat med GYF i sammanhang som liknar det Södra Munksjön och Jönköpings kommun står inför. Resultat: Kartläggningen av ekosystemtjänster i Södra Munksjön visar att de flesta tjänsterna på ℅ citys lista kan identifieras och att de kulturella tjänsterna bör premieras i den GYF-modell som ska utformas för området. För att den lokala GYF-modellen ska kunna appliceras på andra områden underlättar det om modellens formuleringar är generella och kompletteras med separat platsspecifik information. För att GYF ska ge bra resultat är dock uttalade och formulerade mål att styra mot den viktigaste faktorn. Konsekvenser: Genom god planering kan en och samma lösning gynna flera ekosystemtjänster samtidigt, vilket rekommenderas i stadsmiljö. Slutsatsen är därför att fokus bör ligga på kulturella ekosystemtjänster och mångfunktionalitet som resulterar i att alla tjänster gynnas. Då GYF är ett nytt verktyg för Jönköping är det av stor vikt att inkludera berörda aktörer och byggherrar i ett tidigt skede. Begränsningar: Den kartläggning av ekosystemtjänster som gjorts i Södra Munksjön har utgått från en geografisk plats och dokument knutna till denna vilket gör att resultatet är begränsat till Södra Munksjön. Av den analys och diskussion som förs gällande hur en GYF-modell kan tas från ett aktuellt område till att appliceras på andra platser kan dock tas vidare av städer som planerar att använda GYF eller vill utveckla en befintlig GYF-modell. / Purpose: Cities need greenery, ecosystems and ecosystem services. Green area ratio (GAR) is a tool that ensures greenery in urban environments. As a part of its urban development of the new city area Södra Munksjön the municipality of Jönköping will include GAR in the local plan for green structure. In order to design a GAR model, one must know the conditions of the site and vision of the city. This study aims to map the ecosystem services located in the area today as well as the ecosystem services that can be created, protected, strengthened or skipped in the new city area. Furthermore, it is also investigated how the local GAR model can be used in other areas in Jönköping municipality. Method: A qualitative study has been conducted with the help of literature studies, document analysis, observation and interviews. With starting point in the model of guidance on ecosystem services in city planning from ℅ city ecosystem services has been identified. Interviews have been conducted with landscape architects with experience from working with GAR in a context similar to the one in Jönköping. Findings: The mapping of ecosystem services in the area of Södra Munksjön shows that most services from ℅ city can be identified and that the cultural ecosystem services should be premiered in the GAR model designed for the city area. In order for the local GAR model to be applied in other areas, it's easier if the formulations in the model are general and supplemented with separate site-specific information. However, in order for GAR to produce good results the most important factor is to have stated and well formulated goals to aim for. Implications: Through good planning, one solution can benefit several ecosystem services at the same time, which is recommended in urban environments. Thus the conclusion is that focus should lay on cultural ecosystem services and multi-functionality that result with all services benefiting. Since GAR is a new tool for Jönköping, it is of great importance to include stakeholders and building contractors at an early stage. Limitations: The mapping of ecosystem services made in Södra Munksjön has been based on a geographical location and documents linked to this place, which means that the results are limited to Södra Munksjön. However, the analysis and discussion of how a GAR model can be taken from a current area to be applied elsewhere could be taken on by cities that are planning to use GAR or want to develop an existing GAR model.

Detta examensarbete är en del av forskningsprojektet COMMAND som genomfördes av forskningsinstitutet RISE SICS Västerås tillsammans med SSAB under 2018 och 2019. Ett delmål med forskningsprojektet var att hjälpa industriföretag presentera mätvärden och maskindata på ett mer användarvänligt och överskådligt sätt. Examensarbetet har haft som mål att uppfylla detta mål genom att skapa graf som representerar data med punkter istället för linjer. I texten nedan kallar jag detta för Punktgraf då grafen baseras på punkter som segmenterar och komprimerar data för att skapa översikt.  Grundläggande principer för framtagandet av grafer studerades i “The Visual Display of Quantitative Information” och Colin Ware’s designprinciper om närhet, likhet och pop-out applicerades för att underlätta avläsning av grafen. En Unity-scen skapades för att snabbt generera exakt men simulerad data för att utvärdera punktgrafens potential. Det första testet visade att läsandet av grafen var ansträngande. Hög kognitiv belastning gjorde läsbarheten svårare snarare än lättare. Efter en uppdaterad version skapats genomfördes ett nytt test och intervju för att utvärdera resultatet av förändringarna. Efter dessa iterationer tog artefakten en mer användbar form som föreföll öka användarens förmåga att överblicka stora datamängder och upptäcka tidigare dolda mönster i stora dataset. Det identifierades också att punktgrafen skulle kunna bli ett användbart verktyg, inte bara för bevakning av industrimaskiner, utan också inom generell dataanalys. / This thesis work is part of the research project COMMAND that was conducted by the research institute RISE SICS Västerås together with SSAB during 2018 and 2019. One of the work-packages in the project was aimed to help industry companies present their machine data as an overview and in a more user friendly way. The  goal of this thesis work  was to make it easier to detect anomalies in the data for the purpose of predictive maintenance. The result from this thesis work is a type of graph that presents data in the form of stacked points rather than lines. I call this a “node based graph” as the nodes of the graph segment to compress the data to increase overview. To develop this artifact, literature such as “The Visual Display of Quantitative Information” and Colin Ware’s design principles of proximity, likeness and pop-out was applied to help form the graph. A Unity-scene was created to rapidly generate simulated but accurate real time data for visualization tests. The first test however showed an increased strain on the users ability to read the graph. High cognitive load made readability lower rather than higher. For this reason a secondary test was conducted to verify changes made to the artifact during the design process. After iterations were made the design took a more useful form that appeared to increased the users ability to overlook large data sets and detect patterns previously unseen. It also came to light that this particular type of presentation of data perhaps hold higher value outside the initial target audience, and that its redesign could turn it into a beneficial tool, not just monitoring of industrial machines, but for data analysis in general. / COMMAND - Communication and maintenance for the digital factory

I detta examensarbete användes olika bildbehandlingstekniker för detektion och kvantifiering av DNA-mikrobollar, mer specifikt rolling circle amplification-produkter, på mikroskopibilder. Avsikten med detta arbete var att hjälpa Countagen AB utforska pipelines för bildbehandling för sin produkt där de analyserar utfallet av genredigeringsförsök på ett billigare och snabbare sätt än dagens konventionella sekvenseringsmetoder. Två olika metoder för objektdetektion användes i detta arbete. Big-FISH, som bygger på Laplacian of Gaussian och detektion av lokala maxima, samt LodeSTAR, en single-shot, self-supervised djupinlärningsmodell. Förbehandling av bilder var också en central del av detta projekt. DeepSpot, en djupinlärningsmodell för framhävning av punkter, användes för att framhäva mikrobollarna så att de lätt kunde upptäckas, och en top-hat-transform användes för att filtrera bort bakgrunden från bilderna. De olika metoderna utvärderades på ett dataset med manuellt annoterade bilder, en spädningsserie av prover samt prover med samma koncentration. Detta för att få värden på precision, recall och F1-score samt mäta hur robust modellen är när det gäller att detektera punkter. Den modell som presterade bäst var LodeSTAR, med en F1-score på 83% på det annoterade datasetet. / In this thesis project, different image processing techniques were utilized for the detection and quantification of DNA microballs on fluorescence microscopy images. These microballs consisted of rolling circle amplification products, of regions of interest. This was done to aid Countagen AB in exploring image processing pipelines for their product where they analyze gene editing efficiency in a cheaper and faster manner than today's conventional sequencing methods. Two different object detection methods: Big-FISH, which builds on Laplacian of Gaussian and local maxima detection, and LodeSTAR, a single-shot, self-supervised deep learning model, were evaluated for this task of detection and quantification. Image preprocessing was a central part of this project. DeepSpot, a deep learning model for spot enhancement was used to highlight the microballs, and a white top-hat transform was applied to the images for background subtraction. The different methods were evaluated on a test set of manually annotated images, a dilution series of samples, and samples with the same concentration to obtain precision, recall, and F1 scores, as well as gauge the robustness of the model in detecting spots. The best-performing model was LodeSTAR, with an F1-score of 83% on the test set.