Publikasjoner
NIBIOs ansatte publiserer flere hundre vitenskapelige artikler og forskningsrapporter hvert år. Her finner du referanser og lenker til publikasjoner og andre forsknings- og formidlingsaktiviteter. Samlingen oppdateres løpende med både nytt og historisk materiale. For mer informasjon om NIBIOs publikasjoner, besøk NIBIOs bibliotek.
2023
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Denne rapporten gir en oversikt over tilstanden i skog som var vernet per. 1.1.2021. Datamaterialet som er utgangspunktet for rapporten er registreringer gjennomført av Landsskogtakseringen, gjennom «Overvåkingsprogrammet for skog i verneområder». Registreringene er utført i løpet av femårsperioden 2017-2021. Utvalgte resultater: • Vernet skog omfattet per 1.1. 2021 totalt 592 481 ha, tilsvarende 4,9 prosent av det totale skogarealet. • 3,7 prosent av den produktive skogen, og 7,9 prosent av den uproduktive skogen i landet finnes i vernet skog, der skogbruk ikke er tillatt. • I produktiv skog er andelen skogareal i klassene middels og høy+ svært høy bonitet underrepresentert samlignet med skogen generelt. • Skogen i verneområder er generelt eldre og har en større andel skog i senere utviklingstrinn. Biologisk gammel skog etter Landsskogtakseringens definisjon utgjør nærmere tre ganger så høy andel i den produktive delen av vernet skogareal som i produktiv skog totalt. • Det stående volumet i verneområdene utgjør 4,1 prosent av totalt stående volum. • Gjennomsnittlig tilvekst i skog som var vernet per 1.1.2016 er lavere enn gjennomsnittet for skog generelt. • Vernet skog inneholder mer volum død ved per hektar i gjennomsnitt enn øvrig skog. • I produktiv skog er MiS-livsmiljøene “liggende dødved” og “stående dødved”, samt “gamle trær” vanligere i verneområdene. For uproduktiv skog er “gamle trær” vanligere. I tillegg presenteres resultater som viser hvordan den vernede skogen har utviklet seg siden forrige taksering, som ble gjennomført 2012-2016.
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Forfattere
Adrian Straker Stefano Puliti Johannes Breidenbach Christopher Kleinn Grant Pearse Rasmus Astrup Paul MagdonSammendrag
Fine-grained information on the level of individual trees constitute key components for forest observation enabling forest management practices tackling the effects of climate change and the loss of biodiversity in forest ecosystems. Such information on individual tree crowns (ITC's) can be derived from the application of ITC segmentation approaches, which utilize remotely sensed data. However, many ITC segmentation approaches require prior knowledge about forest characteristics, which is difficult to obtain for parameterization. This can be avoided by the adoption of data-driven, automated workflows based on convolutional neural networks (CNN). To contribute to the advancements of efficient ITC segmentation approaches, we present a novel ITC segmentation approach based on the YOLOv5 CNN. We analyzed the performance of this approach on a comprehensive international unmanned aerial laser scanning (UAV-LS) dataset (ForInstance), which covers a wide range of forest types. The ForInstance dataset consists of 4192 individually annotated trees in high-density point clouds with point densities ranging from 498 to 9529 points m-2 collected across 80 sites. The original dataset was split into 70% for training and validation and 30% for model performance assessment (test data). For the best performing model, we observed a F1-score of 0.74 for ITC segmentation and a tree detection rate (DET %) of 64% in the test data. This model outperformed an ITC segmentation approach, which requires prior knowledge about forest characteristics, by 41% and 33% for F1-score and DET %, respectively. Furthermore, we tested the effects of reduced point densities (498, 50 and 10 points per m-2) on ITC segmentation performance. The YOLO model exhibited promising F1-scores of 0.69 and 0.62 even at point densities of 50 and 10 points m-2, respectively, which were between 27% and 34% better than the ITC approach that requires prior knowledge. Furthermore, the areas of ITC segments resulting from the application of the best performing YOLO model were close to the reference areas (RMSE = 3.19 m-2), suggesting that the YOLO-derived ITC segments can be used to derive information on ITC level.
Forfattere
Knut Ole VikenSammendrag
Kontrolltaksering av et utvalg permanente prøveflater i Landsskogtakseringen ble gjennomført i 2017, 2018 og 2019. Det er for de fleste variablene som ble sammenlignet bra samsvar mellom kontrolldataene og registreringene fra taksten, men for enkelte variable er det noe avvik. Variabler som er bestemt tidligere, og der lagleder kan bekrefte eller endre tidligere verdi/klasse, viser bra samsvar. Det gjelder grunnleggende arealklassifisering som arealtype og arealanvendelse, samt bestandsvariable som kronedekningsprosent, bonitet, bestandsalder og hogstklasse. Kronehøyde, kronetetthet, stammeklasse og blåbærdekningsprosent er variabler der det forekommer systematiske uoverensstemmelser og/eller avvik. Disse variablene har trolig forbedringspotensialer ved å kjøre grundigere opplæring, og mer kalibrering og kursing av feltarbeiderne.
Sammendrag
Det er ikke registrert sammendrag
Forfattere
Marius HauglinSammendrag
Det er ikke registrert sammendrag