Sötvattensmusslor har en viktig roll i akvatiska ekosystem och de anses vara en av de mest sårbara och hotade organismgrupperna i sötvatten. Sverige har nio arter stormusslor, varav fyra är upptagna på den svenska rödlistan. Flest studier har gjorts på flodpärlmusslor (Margaritifera margaritifera) och hoten som den står inför. Undersökningar av de vanligare förekommande arterna i Västra Götalands län, har visat att även allmän dammussla (Anodonta anatina) och spetsig målarmussla (Unio tumidus) har problem med livskraftiga bestånd och föryngring. Stormusslor anses vara som mest sårbara när de som juvenila ligger nedgrävda i sedimenten.Den här studien har mätt kvaliteten av sedimenten i tolv mussellokaler i Västra Götalands län.

Dagvatten bildas då regnvatten inte kan infiltrera marken på grund av hårdgjorda ytor såsom vägar och hustak. Dagvatten är ofta kontaminerat av metaller, näringsämnen och andra föroreningar och bör därför renas i en anläggning innan det når recipient. En allt populärare metod för att omhänderta dagvatten är att anlägga dagvattendammar. I dammarna renas det inkommande dagvattnet genom flera olika processer, varav sedimentation är den viktigaste. År 2006 startades projektet NOS-dagvatten (Norrortskommuner i samverkan) i syfte att erhålla ökade kunskaper om funktionerna hos fem dagvattenanläggningar i Stockholmsområdet. I detta arbete utreds sambandet mellan den kemiska vattenkvaliteten och ekosystemens hälsostatus i Ladbro- och Tibbledammen som ingår i NOS-dagvatten.

Artificiella neurala nätverk (ANN) har många användningsområden inom datavetenskap. Några av dessa är mönsterigenkänning, robotik, processkontroll, optimering och spel. Detta examensarbete kommer att handla om hur en alternativ lösning på den traditionella arkitekturen av hur ett neuralnät kan se ut. Jag kommer att undersöka om man kan ta ett stort och komplext neuralnät och bryta ned detta till mindre neuralnät utan att förlora kvaliteten på botarna i en spelmiljö kallad Open Nero. Detta för att försöka minska beräkningshastigheten av neuralnäten och förhoppningsvis även göra så botarna lär sig ett bra beteende snabbare.

Detta arbete undersöker två tekniker för att evaluera spelplanen i minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack.Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack.

Artificiella neurala nätverk (ANN) har många användningsområden inom datavetenskap. Några av dessa är mönsterigenkänning, robotik, processkontroll, optimering och spel. Detta examensarbete kommer att handla om hur en alternativ lösning på den traditionella arkitekturen av hur ett neuralnät kan se ut. Jag kommer att undersöka om man kan ta ett stort och komplext neuralnät och bryta ned detta till mindre neuralnät utan att förlora kvaliteten på botarna i en spelmiljö kallad Open Nero. Detta för att försöka minska beräkningshastigheten av neuralnäten och förhoppningsvis även göra så botarna lär sig ett bra beteende snabbare. Mitt examensarbete kommer att visa att min lösning av arkitekturen för ett neuralt nätverk inte fungerar speciellt bra då botarna inte lärde sig tillräckligt fort.

Denna rapport jämför prestandan mellan state-of-the-art AI-botar i racing spelet TORCS och en AI-bot som kör med hjälp av ett artificiellt neuralt nätverk (ANN-bot). ANN-boten, som implementerades som en del av arbetet, använder en feedforward arkitektur och backpropagation för inlärning. Ett separat program som användes för att träna det neurala nätverket med träningdata som spelats in från TORCS implementerades också. Som state-of-the-art AI-botar användes AI-botar som har använts i en tävling. De fyra AI-botarna testades på åtta olika banor och data om hur lång tid varje varv tog och hur snabbt AI-botarna körde sparades och sammanställdes.

De nordligaste delarna av Sverige saknar solljus under tre månader om året. Även mer tätbefolkade områden i söder har långa nätter och korta dagar vintertid. I kombination med ett tufft klimat är detta ett av de huvudsakliga skälen till att människor spenderar mer tid inomhus och mindre utomhus under vintern. Årstidsrelaterad depression och störningar av sömnen är i Sverige relativt vanliga. Artificiellt dagsljus används vid behandling med goda resultat.

Groddjur (amfibier) ?r viktiga indikatorarter i b?de akvatiska och terrestra ekosystem, men globalt hotas denna organismgrupp av habitatf?rlust, f?rs?mrad vattenkvalitet och klimatf?r?ndringar. Stadsmilj?f?rvaltningen i G?teborg jobbar st?ndigt med att bevara biodiversiteten i den urbana parken Slottsskogen och att gynna groddjursdiversiteten ?r en del av detta arbete. Denna studie unders?ker groddjursdiversiteten i Stora dammen i Slottsskogen med syfte att kartl?gga artdiversiteten, att bed?ma dammens l?mplighet som groddjurslokal och att ge ?tg?rdsf?rslag till Stadsmilj?f?rvaltningen f?r att gynna groddjuren i Stora dammen i framtida naturv?rdsarbete. Hypotesen var att f?rekomsten av vanlig groda (Rana temporaria), vanlig padda (Bufo bufo), st?rre vattensalamander (Triturus cristatus), mindre vattensalamander (Lissotriton vulgaris) och ?tlig groda (Pelophylax esculentus) skulle observeras. N?rvaro av amfibier indikerar p? h?lsosamma ekosystem och god biodiversitet vilket ing?r i Slottsskogens m?l.

Denna uppsats behandlar begreppet ekosystemtjänster och undersöker hur man kan planera för och nyttja de tjänster som ekosystem genererar. Uppsatsen redogör för olika metoder och analyser som syftar till att belysa ekosystemtjänsternas värde i diskussionen om hållbar utveckling. Målet är att undersöka hur ekosystemtjänster kan integreras i den fysiska planeringen. Hur värderas ekosystemtjänster? Vilken potential och vilka begränsningar finns med att använda ekosystemtjänster som verktyg i den fysiska planeringen? Syftet är att öka förståelsen och ge kunskap om ekosystemtjänsternas värde för människans överlevnad och välfärd.

Detta arbete undersöker två tekniker för att evaluera spelplanen i minimaxalgoritmen. Den tekniken som fokuseras mest på i arbetet är ett artificiellt neuralt nätverk som evolveras med hjälp av samevolution. Tekniken är utformad för att inte behöva någon tidigare mänsklig expertis. Den andra tekniken använder heuristiker och mänsklig expertis för att få fram evalueringsfunktionen. Spelet som används för att testa teknikerna är Kinaschack.Resultaten antyder att tekniken i fokus inte fungerar till spelet Kinaschack.

Denna rapport jämför prestandan mellan state-of-the-art AI-botar i racing spelet TORCS och en AI-bot som kör med hjälp av ett artificiellt neuralt nätverk (ANN-bot). ANN-boten, som implementerades som en del av arbetet, använder en feedforward arkitektur och backpropagation för inlärning. Ett separat program som användes för att träna det neurala nätverket med träningdata som spelats in från TORCS implementerades också. Som state-of-the-art AI-botar användes AI-botar som har använts i en tävling. De fyra AI-botarna testades på åtta olika banor och data om hur lång tid varje varv tog och hur snabbt AI-botarna körde sparades och sammanställdes. Resultaten visar att på banorna som ANN-boten klarar av att köra runt så är ANN-boten snabbare än en den långsamaste state-of-the-art boten, men ANNboten klara inte av majoriteten av banorna som den testades på.

Syftet med arbetet är att simulera tävlingar på medeldistans mellan löpare med en strategi att vinna och undvika muskeltrötthet. Löparna ses som agenter vars strategi realiseras med ett artificiellt neuronnät (ANN) som med sensorer, avstånd till mål och agentens trötthet beräknar bidragande kraft och styrriktning. Agentens ANN tränas med en belöningsbaserad inlärning baserad på genetiska algoritmer och trötthetsalgoritmen är en uppskattning av hur mjölksyra påverkar muskeltrötthet.Resultaten visar att av alla agenter som utvecklats för tävling mot klockan i s.k. time trial har alla haft samma strategi och hittat samma ideala kraft för att minimera tiden. Utvecklingen av agenter för simulation av flera agenter samtidigt har varit mer komplicerad eftersom agenterna påverkar varandra och agenternas strategi har varit olika.

Mina mönster rör sig kring naturen, skogen och dess invånare.Flamingon står framför en blomma som slingrar sig uppåt, bredvid ser hjorten på oss med en bestämd blick och en snigel rör sig långsamt fram över en yta av växtlighet. Det här är min egen värld som jag skapar med tecknandet som grund, varje mönster är som att leka med ett dockhus, jag flyttar runt djuren och möblerar om med blommorna tills jag hittar en ordning och skapar små världar där djuren och naturen kan frodas. De har inte en kontinental tillhörighet, de hör inte till ett specifikt ekosystem eller en specifik del av jorden. De tillhör min egen värld, de är inte enbart från regnskogen eller norden. Det är en salig blandning av allt, det som finns på riktigt och det som är fantasi..

I dagens samhälle är skyddet av hotade och utrotningshotade arter väldigt aktuellt och kontroversiellt. Den problematik som uppstår när man vill skydda arter återfinns i alla länder, därför är det intressant att se hur andra länder valt att genomföra sitt skydd. Ett land med en omtalad och långtgående lagstiftning i detta fall är USA. Därför valde jag att genomföra en jämförelse mellan USA:s Endagered Species Act (ESA) och den Svenska fridlysningslagstiftningen. Den svenska fridlysningslagstiftningen är ingen enhetlig lagstiftning såtillvida att den har samlats upp enbart i miljöbalken (MB).

Detta arbete går ut på att testa hur två olika träningsmetoder påverkar hur ett artificiellt neuralt nätverk (ANN) presterar i en 2d spelmiljö. Ett belöningsbaserat nätverk som använder genetiska algoritmer har jämförts mot ett exempelbaserat nätverk som använder backpropagation. För att göra detta möjligt att testa så behövde fyra delsteg genomföras. Dessa är utveckling av belöningsbaserad ANN, utveckling av exempelbaserad ANN, utveckling av testmiljö och evaluering av resultat.Resultaten visar att agenten belöningsbaserat nätverk har presterat bättre i det flesta testen men även att den varit mer slumpmässig. Det finns dock undantag där den agenten med exempelbaserat nätverk har varit bättre.