Med hjälp av luftburen laserskanning kan stora mängder av LAS-data samlas in. Lantmäteriet, en statligmyndighet vars uppgift är att kartlägga Sverige, har gjort en rikstäckande insamling av LAS-data. Denna data ärtillgänglig för allmänheten och kan hämtas gratis från Lantmäteriet. Då insamlingen är rikstäckande ärupplösningen på LAS-datan lägre än vid en lokal insamling. Punkttätheten på LAS-datan ligger på 1–2 punkterper kvadratmeter.Detta arbete gjordes på uppdrag från Arvika kommun då de ville veta om det är möjligt att extrahera och karteraArvika tätorts urbana växlighet från Lantmäteriets gratis LAS-data. Det som efterfrågades från kommunen var ettpunktlager som visar ungefärliga positioner på träd över 3–5 meter. Punktlagret skulle ha attribut medinformation om trädens storlek. Detta hade varit användbart både för kommunens GIS-avdelning för attsimulera skuggning vid planeringar, modellera träd och framtagning av informativ växlighetsstatistik. Det skulleäven vara användbart för parkavdelningen som tidigare haft brist på data över deras urbana växlighet.Denna uppgift genomfördes genom att kombinera olika funktioner i ArcGIS Pro. Först konverterades LASdatasetet om till raster. Detta raster tas sedan multiplicerat med -1 och därmed vänds. Detta inverterade rasteranvänds i hydrologiska analysfunktioner som baserar sig på att jämföra celler med dess grannceller. På detta vistas ett punktlager fram som visar lokala höjdtoppar. Detta lager matas med höjd från raster och även ett NDVIvärde. Detta NDVI-värde tas fram från två uttagna band (band 1 och 4) från Lantmäteriets ortofoto.Ett diameter-värde beräknas genom att avgöra antalet celler som trädets krona består av. Detta värde anses bliväldigt generaliserat, men har en relativt konstant differens och bör därför kunna användas för storleksindelningav träden. De framtagna lokala höjdpunkterna filtreras även med ett par kriterier som de måste uppfylla. Dessakriterier baserar sig på några av de informativa data som framtagit s så som NDVI-värde och höjd. Detta för attfilterara bort eventuella felaktiga punkter som ej är växlighet.Arbetets resultat blev ett punktlager av drygt 21 000 punkter. Punktlagret innehaver informativa attribut i formav höjdvärde, diameter-värde, NDVI-värde, och antalet celler som kronan består av. Noggrannheten vididentifiering av träden är stark beroende av trädens form och placering. Träd med en simpel trädkronaform visarresultat med hög identifieraringsnoggrannhet. Träd med mer komplexa trädkronor (oftast stora lövträd) eller omträden är placerat så att dess trädkronor flyter samman, visar resultaten sämre identifieringsnoggrannhet.Placeringsnoggrannheten beräknades genom en jämförelse med inmätta träd från mätingenjör. Resultatet visaratt placeringen av de identifierade träden har ett medelfel på drygt 2 meter. Höjdvärde uppnår en relativ högnoggrannhet då de är direkt tagna från höjdrastret vars höjdvärde är tagna från lantmäteriets LAS-data med enviss generalisering. Diametervärdena visar låg noggrannhet men med en konstant avvikelse som skulle göravärdena möjliga att använda vid en storleksklassning av trädena. / With help of airborne laser scanning can large amount of LAS-data be collected. Lantmäteriet, a state agencywhose mission is to map Sweden, have done a nationwide collection of LAS-data. This data is available to thepublic and can be downloaded for free from Lantmäteriet. As the collection is nationwide the resolution of theLAS-data is lower than a local collection of LAS-data. The point density of the LAS-data is 1-2 points per squaremeter.This study was done on behalf of Arvika municipality as they wanted to know if it is possible to extract and mapthe urban vegetation in Arvika city from Lantmäteriets LAS-data. What was wanted from Arvika municipality wasa point layer that shows approximately positions of trees over 3-5 meters. The point layer would have attributeswith information about the size of the tree. This would be useful for the municipality’s GIS apartment tosimulate shading when planning projects, modelling trees and producing informative vegetation statistics. Itwould also be useful for the park department which previously lacked data on their urban vegetation.This project was implemented using and combining different functions in ArcGIS Pro. Firstly the LAS-dataset wasconverted to raster format. This raster is then multiplied by -1 which then is inverted. This inverted raster isbeing used in hydrological analysis functions that compares cells with their neighbours. By doing this, a pointlayer showing local height peaks is produced. This point layer is later fed with a height value from the raster anda NDVI-value. This NDVI-value is obtained by using two bands (band 1 and 4) obtained from Lantmäteriet’sorthophoto.A diameter value is calculated by determining the number of cells that make up the crown for the tree. Thisvalue is very generalized but has a relatively constant difference and could therefore be used for sizeclassification of trees. The local height points are also filtered with a couple of criteria that they must meet. Thecriteria are based on some of the informative data that has been produced like NDVI and height value. This is tofilter out any potential incorrect points that are not any form of vegetation.The result of this study consists of just over 21 000 tree points. The point layer has informative attribute whichshows height, diameter, NDVI and the amounts of cells the crown of the tree consists of. The accuracy inidentifying the trees is strongly dependent on the shape and location of the trees. Trees with a simple crownshows results with high identification accuracy. Trees with more complex (most often big deciduous trees) orwhen the trees are located close to each other so that their crowns flow together, it shows results with loweridentification accuracy. The positional accuracy was calculated by a comparison with trees measured by a surveyengineer. The results shows that the positional accuracy of identified trees have a mean deviation of just over 2meters. The height value attains a relatively high accuracy as it is directly taken from the height value inLantmäteriets LAS-dataset, with a certain generalization. The diameter value shows low accuracy but with aconstant difference which could be possible to use for tree size classification of the trees.