Rekonstruktion av högsta kustlinjen (HK) med ny nationell höjdmodell (NNH) och LiDAR : En studie över västra Gästrikland

Denna studie har med hjälp av den nya nationella höjdmodellen (NNH), som bygger på LiDAR-teknik, försökt att i västra Gästrikland hitta och analysera de landskaps- och terrängformer som kallas för högsta kustlinjen (HK). Dessa forna strandlinjer efter den senaste istiden har undersökts tidigare i studieområdet med hjälp av avvägningsinstrument och genom jordprover på 11 lokaler åren 1925-1930 och på 8 lokaler åren 1954-1960. I studien har det undersökts hur väl det går att identifiera nya som äldre HK-lokaler, jämföra de äldre undersökningarna med resultatet från dagens moderna datorteknik. Genom att i ett GIS-program skapa en terrängskuggning av NNH, som innan leverans har särskilt mark- och vattenytan från vegetation och antropogena objekt, har höjder kunnat mätas längs HK-linjer med cirka 50 meters avstånd. På grund av den snabba landhöjningen de första 500 åren efter avsmältningen är de högst belägna spåren av stranderosion svårare att hitta än de lägre. Av de 25 lokaler som hittades och analyserades var 11 lokaler på platser som inte tidigare undersökts eller där HK tidigare inte har kunnat fastställas. Av de undersökta lokalerna klassades 10 som osäkra, 11 som halvskarpa, 3 som skarpa och 1 som ett HK-delta. Från söder mot norr i västra Gästrikland stiger HK med cirka 27 meter från 194 meter över havet till 221 meter över havet. Skillnaderna jämfört med de tidigare undersökningarna är cirka ±2 meter, med undantag för 4 lokaler med skillnader från cirka 4 meter över till cirka 10 meter under. Förutom de 25 lokalerna hittades 6 mycket osäkra lokaler där HK inte gick att fastställa. Av dessa ligger 5 i ett område nordost och öster om Hofors. LiDAR-tekniken ger kvantitativt fler lokaler i områden som eventuellt tidigare inte har kunnat besökas och är en mer tidseffektiv metod.

Triggering Solar-Powered Vehicle Activated Signs using Self Organising Maps with K-means

Solar-powered vehicle activated signs (VAS) are speed warning signs powered by batteries that are recharged by solar panels. These signs are more desirable than other active warning signs due to the low cost of installation and the minimal maintenance requirements. However, one problem that can affect a solar-powered VAS is the limited power capacity available to keep the sign operational. In order to be able to operate the sign more efficiently, it is proposed that the sign be appropriately triggered by taking into account the prevalent conditions. Triggering the sign depends on many factors such as the prevailing speed limit, road geometry, traffic behaviour, the weather and the number of hours of daylight. The main goal of this paper is therefore to develop an intelligent algorithm that would help optimize the trigger point to achieve the best compromise between speed reduction and power consumption. Data have been systematically collected whereby vehicle speed data were gathered whilst varying the value of the trigger speed threshold. A two stage algorithm is then utilized to extract the trigger speed value. Initially the algorithm employs a Self-Organising Map (SOM), to effectively visualize and explore the properties of the data that is then clustered in the second stage using K-means clustering method. Preliminary results achieved in the study indicate that using a SOM in conjunction with K-means method is found to perform well as opposed to direct clustering of the data by K-means alone. Using a SOM in the current case helped the algorithm determine the number of clusters in the data set, which is a frequent problem in data clustering.