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.
2021
Authors
Marion Lang Harald Albrecht Marlene Rudolph Johannes KollmannAbstract
A better understanding of regional differentiation and local adaptation of rare arable plants is essential for the development of suitable methods for the reintroduction of these species. We set up F1 and F2 greenhouse experiments with 4–12 source populations of five rare arable plant species to test for genetically based differentiation in biomass production and phenology in South Germany. For three species, i.e. Arnoseris minima, Consolida regalis and Teesdalia nudicaulis, reciprocal transplant experiments were performed in arable fields to investigate local adaptation in plant establishment as well as biomass production to the northern or southern regions of three seed transfer zones. We found low regional differentiation, but provenance-specific responses to drought stress in Legousia speculum-veneris biomass and A. minima phenology. Moreover, little evidence was identified for local adaptation, while significant differences were seen in the performance between the transplant sites and study years, indicating a high phenotypic variability. Our results suggest that the current seed zones are suitable for the seed transfer of rare arable plants in the study region. Thus, there is a low risk of maladaptation when using autochthonous seed sources within the seed zones, but a high extinction risk of these species and their respective ecosystem functions if no active restoration is done, including transplant measures.
Abstract
Det er ikke registrert sammendrag
Abstract
Denne rapporten sammenstiller resultater fra prosjektet «Lukket hogst – hvor godt har det fungert?». Hovedfokuset har vært å analysere i hvilken grad uttaksstyrke og ulike bestandskarakteristika bidrar til å forklare variasjonen i produksjon og foryngelse etter hogstene. Videre har vi utført skogøkonomiske analyser for å vurdere økonomien av lukket hogst opp mot et alternativt scenario med flatehogst og etterfølgende planting, der vi forutsetter at den lukkede hogsten gjennomføres som en skjermstillingshogst i to omganger (etablering av skjerm og fjerning av skjermen etter etablert foryngelse). Fem temporære prøveflater à 314 m2 (radius 10 m) ble etablert per bestand, som grunnlag for å rekonstruere tilvekst og stående volum før og etter hogst. Datamaterialet omfatter 19 bestand på bonitet 11-20 (90-545 m.o.h.) der det var utført lukket hogst for 6-27 år siden med en gjennomsnittlig uttaksstyrke på 52 prosent av grunnflaten (variasjon: 3-90). Foryngelse (trær med høyde minst 10 cm og diameter i brysthøyde < 5 cm) ble registrert på fem «telleflater» med radius 2,26 m (16 m2) innen hver prøveflate. Uttaket har i noen tilfeller vært orientert primært mot de grøvste trærne, dvs. en bledningslignende hogstføring. I andre bestand har uttaket derimot vært konsentrert til de mindre trærne, der hogsten kan karakteriseres som tradisjonell skjermstillingshogst (høgskjerm). Den betydelige variasjonen i hogstføring indikeres også ved tynningskvotienten (middeldiameter i uttaket/middeldiameter før hogst), som varierte fra 0,77 til 1,69 mellom de ulike bestandene. Utgangstilstanden med hensyn på diameterfordeling før og like etter hogst varierte følgelig også betydelig mellom bestand...
Authors
Gunda ThömingAbstract
Det er ikke registrert sammendrag
Abstract
I denne brosjyren får du veiledning i hvordan skjøtte kystlynghei ved hjelp av lyngsviing. Kystlynghei er en utvalgt naturtype, og er kategorisert som sterkt truet i Norsk rødliste for naturtyper. Kystlynghei utgjør et vesentlig bidrag til flere økosystemtjenester langs kysten, slik som beiteområde for matproduksjon, biologisk mangfold, karbonlagring og rekreasjon. Kystlynghei er formet gjennom rydding av kratt og skog, og er betinget av langvarig hevd med beiting, lyngsviing, lyngslått eller en kombinasjon av disse.
Authors
Jørgen A.B. MølmannAbstract
Det er ikke registrert sammendrag
Authors
Anne Kjersti BakkenAbstract
Det er ikke registrert sammendrag
Authors
Grete H. M. JørgensenAbstract
Det er ikke registrert sammendrag
Authors
Matthias KoeslingAbstract
Dagens temaer: Arealbruk Bruk av energi Lønnsomhet/økonomi Livsløpsanalyse, LCA Klimagassutslipp (GWP, GWP* og GTP) Økologisere driften?
Authors
Xinbing Wang Yuxin Miao Rui Dong Hainie Zha Tingting Xia Zhichao Chen Krzysztof Kusnierek Guohua Mi Hong Sun Minzan LiAbstract
Reliable and efficient in-season nitrogen (N) status diagnosis and recommendation methods are crucially important for the success of crop precision N management (PNM). The accuracy of these methods has been found to be influenced by soil properties, weather conditions, and crop management practices. It is important to effectively incorporate these variables to improve in-season N management. Machine learning (ML) methods are promising due to their capability of processing different types of data and modeling both linear and non-linear relationships. The objectives of this study were to (1) determine the potential improvement of in-season prediction of corn N nutrition index (NNI) and grain yield by combining soil, weather and management data with active sensor data using random forest regression (RFR) as compared with Lasso linear regression (LR) using similar data and simple regression (SR) models only using crop sensor data; and (2) to develop a new in-season side-dress N fertilizer recommendation strategy at eighth to ninth leaf stage (V8-V9) of corn developement using the RFR model. Twelve site-year experiments examining corn N rates and planting densities were conducted in Northeast China. The GreenSeeker sensor data and corn NNI were collected at V8-V9 stage, and grain yield was determined at the harvest stage (R6). The soil information was obtained at planting and the weather data was measured throughout the growing season. The results indicated that corn NNI and grain yield were better predicted by combining soil, weather and management information with GreenSeeker sensor data using RFR model (R2 = 0.86 and 0.79) and LR model (R2 = 0.85 and 0.76) as compared with only using GreenSeeker sensor data (R2 = 0.66 and 0.62–63) based on the test dataset. An innovative in-season side-dress N recommendation strategy was developed using the RFR grain yield prediction model to simulate corn grain yield responses to a series of side-dress N rates at V8-V9 stage. Based on these response curves, site-, and year-specific optimum side-dress N rates can be determined. The scenario analysis results indicated that this RFR model-based in-season N recommendation strategy could recommend side-dress N rates similar to those based on measured agronomic optimum N rate (AONR) or economic optimum N rate (EONR), with root mean square error (RMSE) of 17 kg ha−1 and relative error (RE) of 14–15 %. It is concluded that combining soil, weather and management information with crop sensor data using RFR can significantly improve both in-season corn NNI and grain yield prediction and N management, compared with the approach based only on crop sensor data. More studies are needed to further improve and evaluate this approach under diverse on-farm conditions.