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
Forfattere
Erlend Sørmo Katinka Muri Krahn Gudny Øyre Flatabø Thomas Hartnik Hans Peter Heinrich Arp Gerard CornelissenSammendrag
Det er ikke registrert sammendrag
Sammendrag
Nutrient uptake and transport depend on the root system of a tree. Various apple rootstock genotypes may interact fruit tree nutrition. In 2017, two multi-location apple rootstock trials were established at 16 sites in 12 European countries. The evaluations are performed by members of the EUFRIN (European Fruit Research Institute Network) Apple & Pear Variety & Rootstock Testing Working Group. Following rootstocks are included in the tests: G.11, G.41, G.202 and G.935 (US), EM_01, EM_02, EM_03, EM_04, EM_05 and EM_06 (UK), 62-396-B10® (Russia), P 67 (Poland), NZ-A, NZ-B, NZ-C and NZ-D (New Zealand) and Cepiland-Pajam®2 as control. The effect of rootstocks on the mineral content of leaf and fruit was studied at the Institute of Horticulture, Lithuanian Research Centre for Agriculture and Forestry in 2019-2020. The leaf and fruit mineral concentration of nitrogen (N), phosphorus (P), potassium (K), calcium (Ca), magnesium (Mg), and leaf mineral content of copper (Cu), zinc (Zn), iron (Fe), manganese (Mn) and boron (B) were measured. Significant rootstock effect was established on leaf P, Mg, Zn, Mn, B, and fruit Ca and Mg content. Rootstocks EM_01 and G.41 were the most efficient in leaf mineral uptake, while G.935 had the lowest content of all leaf macro nutrients. Rootstocks EM_06 and P 67 were the most efficient in fruit mineral uptake, while EM_02 had the lowest content of three nutrients. Current research reveals differences among rootstocks and their capacity to absorb separate minerals and enables creation of rootstock specific nutrition management.
Forfattere
Synnøve GrenneSammendrag
Det er ikke registrert sammendrag
Forfattere
Line Nybakken YeonKyeong Lee Dag Anders Brede Melissa Magerøy Ole Christian Lind Brit Salbu Valerii Kashparov Jorunn Elisabeth OlsenSammendrag
Det er ikke registrert sammendrag
Forfattere
Yi Zhang Zhangmu Jing Yijing Feng Shuo Chen Yeqing Li Yongming Han Lu Feng Junting Pan Mahmoud Mazarji Hongjun Zhou Xiaonan Wang Chunming XuSammendrag
Exploring key factors has important guidance for understanding complex anaerobic digestion (AD) systems. This study proposed a multi-layer automated machine learning framework to understand the complex interactions in AD systems and explore key factors at the environmental factor, microorganisms and system levels. The first layer of the framework identified hydraulic residence time (HRT) as the most important environmental factor, with an optimal range of 33–45 d. In the second layer of the framework, Methanocelleus (optimal relative abundance (ORA) = 3.0%) and Candidatus_Caldatribacterium (ORA = 1.7%) were found to be the key archaea and bacteria, respectively. Furthermore, the prediction of key microorganisms based on environmental factors and remaining microbial data showed the essential roles of Methanothermobacter and Acetomicrobium. The third layer for finding the optimal combination of data variables for predicting biogas production demonstrated that combined Archaea genera and environmental factors should be achieved for the most accurate prediction (root mean square error (RMSE) = 84.21). GBM had the best model performance and prediction accuracy among all the built-in models. Based on the optimal GBM model, the analysis at the system level showed that HRT was the most important variable. However the most important microorganism, Methanocelleus, within the appropriate survival range is also essential to achieve optimal biogas production. This research explores key parameters at various levels through automated machine learning techniques, which are expected to provide guidance in understanding the complex architecture of industrial and laboratory AD systems.
Forfattere
Rui Dong Yuxin Miao Pete Berry Xinbing Wang Fei Yuan Krzysztof Kusnierek Chris Baker Mark SterlingSammendrag
Lodging is a major problem in maize (Zea mays L.) production worldwide. An analytical lodging model has previously been established. However, some of the model inputs are time consuming to obtain and require destructive plant sampling. Efficient prediction of lodging risk early in the season would be beneficial for management decision-making to reduce lodging risks and ensure high yield potential. Remote sensing technology provides an alternative method for fast and nondestructive measurements with the potential for efficient prediction of lodging risks. The objective of this study was to explore the potential of using an active canopy sensor for the early prediction of maize stem lodging risk using simple regression and multiple linear regression (MLR) models. The results indicated that the MLR models using active canopy sensor data together with weather and management factors performed better than simple regression models using only sensor data for predicting maize stem lodging indicators. Similar results were achieved either using regression models to predict the maize stem lodging risk indicators directly or using the regression models to predict lodging related plant parameters as inputs to a process-based lodging model to predict lodging risk indicators indirectly, although the latter approach using MLR models performed slightly better. A medium planting density (7.0 plants m-2) and 240 kg ha-1 N rate would be suitable in the study region, and the recommendations may be adjusted according to different weather conditions. It is concluded that maize stem lodging risks can be predicted using active canopy sensor data together with weather and management information at V8 stage, which can be used to guide in-season management decisions. Additional research is needed to evaluate the potential of using unmanned aerial vehicles and satellite remote sensing technologies in conjunction with machine learning methods to improve the prediction of lodging risks for large scale applications.
Sammendrag
Det er ikke registrert sammendrag
Forfattere
Till Seehusen Trond Henriksen Chloé Grieu Ingerd Skow Hofgaard Andrea Ficke Kirsten Tørresen Franziska Fischer Marianne Bechmann Alice Budai Daniel Rasse Robert BarneveldSammendrag
Tap av organisk materiale, jordpakking og erosjon truer jordhelsa på kornareal. Problemer med dette vil antagelig øke i et våtere klima og medføre store kostnader for både gårdbrukere og samfunn. Fremover må vi passe på å stabilisere erosjonsutsatt jordoverflate og sikre en god infiltrasjon av nedbør. På kornareal er lav årlig tilførsel av karbon en begrensende faktor for aggregering og stabilisering, men dette kan forbedres ved å beholde halmen på jordet eller bruke en tilpasset fangvekststrategi. En bør trolig skjevfordele tilført organisk materiale mer mot jordas overflate og dermed stimulere mikrobiell aktivitet i jordas toppsjikt. Da må en minimere jordarbeidingsintensiteten. Slik redusert jordarbeiding fører også til utvikling av et kontinuerlig poresystem nedover i profilet som kan øke infiltrasjonen etter kraftige nedbørsepisoder og dermed bidra til å dempe flomtopper. Store mengder plantemateriale ved jordoverflaten gir imidlertid også noen utfordringer. Det trengs økt kunnskap om ugrasbekjempelse, spesielt i et scenario der glyfosat blir forbudt. Minimal jordarbeiding med planterester på jordoverflaten kan også øke angrep av sopp. Integrerte plantevernstrategier bør identifisere arter og sorter av matplanter og fangvekster som kan bidra til å begrense forekomst av patogener i jord og halmrester. Bedre jordhelse på kornareal er en tverrfaglig utfordring og krever en varig endring av dagens dyrkingspraksis.
Forfattere
Marina GamborgSammendrag
I forbindelse med regulering av et område til boligbebyggelse på Stubberud i Lillestrøm kommune er det behov for matjordplan for 1,9 daa dyrka mark på gnr/bnr. 43/2 i Lillestrøm kommune. Landbruksforvaltningen i Lillestrøm kommune skal godkjenne matjordplanen. Jordloven §§ 1 og 9 slår fast at ved omdisponering av god matjord bør jordressursene bevares. I rapporten vurderes jordas egenskaper, hydrologiske forhold, fremmede karplanter, planteskadegjørere samt andre forhold av betydning for jordflytting, og det gis anbefalinger for bruk og håndtering av massene. Det ble foretatt feltarbeid 28. april og 6. juni 2023. Jordsmonnet er mellomleire av typen Albeluvisol. Eiendommen er ikke registrert i floghavreregisteret og er fri for PCN. Matjorda har tilstandsklasse 1 og 2 (meget god og god). Ellers ble det funnet hagelupin, kanadagullris, russekål og valurt som må håndteres under jordflyttingen. Det er vurdert et mulig tilflyttingsareal for et samlet volum av matjord på ≈ 475 m3. Arealet er et massedeponi som skal tilbakeføres til jordbruksareal. I rapporten gis veiledning for å håndtere belyste kritiske faktorer for å oppnå godt resultat. Oppfølging av entreprenører som utfører arbeidet er nødvendig. I ettertid har grunneieren trukket tilbake ønske om å motta matjord. Landbrukskontoret i Lillestrøm kommune har ikke kommet med flere aktuelle eiendommer.
Forfattere
Yvonne RognanSammendrag
På vegne av Tinfos AS har NIBIO gjennomført overvåking av vannkvalitet i Hovlandsåna i 1. kvartal 2023. Miljøovervåkingen er tilknyttet etableringen av nye Flateland kraftverk i Vegusdal. I løpet av 2023 har arbeidene med Flateland kraftverk vært omfattende, og de har i perioder foregått tett på Hovlandsåna. Ved Myklebostad har etablering av inntaksdam medført gravearbeider i, og omlegging av elva. Vannføringen har vært høy, og det har i perioder vært isdannelse og transport av is i elva. Opphopning av is har i perioder bidratt til økt partikkelinnhold i elva. Nitrogenavrenning fra anleggsarbeidene har ikke hatt noen tydelig påvirkning av vannkvaliteten, og den samlede tilstanden for totalnitrogen i Q1-23 var «svært god».