Hopp til hovedinnholdet

Søk i

altansatteprosjekterpublikasjonertematjenesterkalendernyheter

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.

NIBIO POP → NIBIO Rapport → NIBIO Bok → Våre vitenskapelige publikasjoner (i Nasjonalt vitenarkiv) → Se våre forskningsdata i Dataverse →

2025

Forfattere

Isabell Eischeid

Sammendrag

Det er ikke registrert sammendrag

Forfattere

Isabell Eischeid Manon Bajard Erik J. Joner

Sammendrag

Det er ikke registrert sammendrag

Forfattere

Martin Pettersson Venche Talgø

Sammendrag

Det er ikke registrert sammendrag

Forfattere

Martin Pettersson May Bente Brurberg Venche Talgø

Sammendrag

Det er ikke registrert sammendrag

Forfattere

Martin Pettersson

Sammendrag

Det er ikke registrert sammendrag

Forfattere

Therese With Berge

Sammendrag

Det er ikke registrert sammendrag

Til dokument

Forfattere

Trond Mæhlum

Sammendrag

Det er ikke registrert sammendrag

Forfattere

Chloé Grieu

Sammendrag

Det er ikke registrert sammendrag

Til dokument

Redaktører

Harald Solberg

Sammendrag

Det er ikke registrert sammendrag

Til dokument

Forfattere

Komi Mensah Agboka Elfatih M. Abdel-Rahman Daisy Salifu Brian Kanji Frank T. Ndjomatchoua Ritter Atoundem Guimapi Sunday Ekesi Landmann Tobias

Sammendrag

This study introduces a hybrid approach that combines unsupervised self-organizing maps (SOM) with a supervised convolutional neural network (CNN) to enhance model accuracy in vector- borne disease modeling. We applied this method to predict insecticide resistance (IR) status in key malaria vectors across Africa. Our results show that the combined SOM/CNN approach is more robust than a standalone CNN model, achieving higher overall accuracy and Kappa scores among others. This confirms the potential of the SOM/CNN hybrid as an effective and reliable tool for improving model accuracy in public health applications. • The hybrid model, combining SOM and CNN, was implemented to predict IR status in malaria vectors, providing enhanced accuracy across various validation metrics. • Results indicate a notable improvement in robustness and predictive accuracy over traditional CNN models. • The combined SOM/CNN approach demonstrated higher Kappa scores and overall model accuracy.