Understanding the complex relationship between urban environments and crime is crucial for effective urban planning and crime prevention strategies. Spatial analytical methods have provided valuable knowledge into crime patterns, enabling the detection of crime-concentrated environments and informing law enforcement operations and urban planning interventions. The international literature highlights the increasing use of remote sensing in crime analysis, driven by improved data availability and accuracy. Given the potential of this approach, this thesis investigates the use of spatio-temporal data analyses, particularly the incorporation of remote sensing data along with traditional socio-demographic and land use indicators in understanding the dynamics of crime in urban environments. Four crime categories—cannabis-related crimes, street theft, residential burglaries, and sexual crimes—are investigated using Stockholm City in Sweden as a case study. Remote sensing data, particularly very high-resolution imagery, combined with machine learning algorithms, such as the Random Forest classifier, facilitate the prediction of crime risk areas and the identification of environmental factors associated with crime occurrences. While the thesis reflects upon the advantages and disadvantages of using remote sensing in crime analyses, findings offer practical insights for policymakers, urban planners, and law enforcement agencies, enabling the development of data-informed strategies to foster safer and more resilient urban environments.

Förståelsen av det komplexa sambandet mellan urbana miljöer och brott är avgörande för effektiv stadsplanering och brottsförebyggande strategier. Rumsliga analytiska metoder har gett värdefulla insikter om brottsmönster, vilket möjliggör identifiering av miljöer med hög brottskoncentration och ger underlag för brottsbekämpningsinsatser och stadsplaneringsåtgärder. Den internationella litteraturen lyfter fram den ökande användningen av fjärranalys inom brottsanalys, vilket drivs av förbättrad dataåtkomst och noggrannhet. Med tanke på potentialen i denna metod utforskar denna avhandling användningen av spatio-temporala dataanalyser, särskilt införlivandet av fjärranalysdata tillsammans med konventionella socio-demografiska och markanvändningsindikatorer för att förstå dynamiken kring brott i urbana miljöer. Fyra brottskategorier – cannabisrelaterade brott, fickstölder, bostadsinbrott och sexualbrott – undersöks med Stockholms stad i Sverige som fallstudie. Fjärranalysdata, särskilt bilder med mycket hög upplösning, i kombination med machine learning-algoritmer som Random Forest-klassificeraren, underlättar prediktionen av brottsriskområden och identifieringen av miljöfaktorer som är förknippade med brottsförekomster. Även om avhandlingen reflekterar över fördelar och nackdelar med att använda fjärranalys i brottsanalys, erbjuder våra resultat praktiska insikter för beslutsfattare, stadsplanerare och brottsbekämpande myndigheter, vilket möjliggör utvecklingen av datainformerade strategier för att främja säkrare och mer motståndskraftiga urbana miljöer.