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.
2024
Authors
Christian PedersenAbstract
Det er ikke registrert sammendrag
Abstract
Det er ikke registrert sammendrag
Abstract
Utdrag: Olavsbråten er en av 11 gårder som har deltatt i forskningsprosjektet Urbanfarms, som har sett på hvordan bønder i byer og bynære strøk kan øke verdiskapningen på gården på en bærekraftig måte ved å utnytte nærheten til byen.
2023
Abstract
Mange som dyrker grønnsaker til direkte salg er interessert i økologiske driftsmetoder. Det er mye organisk materiale tilgjengelig i byer og tettbygde strøk. Matrester og avfall fra hager og parker kan bli til både energi og gjødsel, som kan brukes i dyrking av grønnsaker i bynære strøk. Da får vi korte verdikjeder, men hva med innholdet av tungmetaller? Beregninger viser at grenseverdier i jord vil mettes først for kobber og sink, som også er viktige mikronæringsstoffer. for planter. Jordforbedringsmidler med høyt innhold av organisk materiale, som hage-park kompost og hestegjødsel, inneholder mer tungmetaller per kg tørrstoff enn fjørfegjødsel og utråtnet matavfall.
Authors
Adam Eindride Naas Lasse Torben Keetz Rune Halvorsen Peter Horvath Trond Simensen Ida Marielle Mienna Anders BrynAbstract
Det er ikke registrert sammendrag
Abstract
Landbruksdirektoratet ; Riksantikvaren ; Miljødirektoratet.
Authors
Håvard Ullebust HagenAbstract
Myra i Norge kan sees på dens utbredte karbonlager og det biologiske mangfoldet den inneholder. Myra over våre skoggrenser er dårlig kartlagt, og i denne oppgaven undersøkes det om det er mulig å detektere myra automatisk. Undersøkelsen benytter seg av en metode som klassifiserer egenskaper i hyperspektrale data. Metoden baserer seg på å utnytte diverse maskinlæringsmodeller til å kunne klassifisere myra. Maskinlæringsmodellene blir trent ved hjelp av et arealressurskart, der det er tilstrekkelig mengde klassifisert myr. Maskinlæringsmodellene som testes er klassifiseringsalgoritmene Support Vector Machine (SVM), Random Forest Classifier (RFC), Logistic Regression (LogReg) og K-Nearest Neighbors (KNN). Denne oppgaven ser på diverse evalueringsmål for modellene for å veie dem opp mot hverandre og se hvilke av de som presterer best. De ulike evalueringsmålene som ble brukt i oppgaven var Matthews korrelasjonskoeffisient (MCC), kappa-koeffisient, klassifiseringsrapporten til modellene, modellenes forvirringsmatrise, AUC-verdi og modellenes klassifiseringsnøyaktighet. Ved å undersøke klassifiseringsalgoritmene sine evalueringsmål, viser det seg at det er mulig å gjennomføre en vellykket, aksepterbar og tilfredsstillende klassifisering av myr. SVM-modellen presterte best i de fleste evalueringsmålene. Den presterte med klassifiseringsnøyaktighet på 0.811, en MCC på 0.632, kappa-koeffisient på 0.632 og en AUC score på 0.87. Disse verdiene forteller at myrarealene som klassifiseres av modellene samsvarer godt med myrarealene i treningsdataene.
Abstract
Det er ikke registrert sammendrag
Authors
Kjetil FadnesAbstract
Det er ikke registrert sammendrag
Abstract
Det er ikke registrert sammendrag