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

Sammendrag

Rapporten utforsker og diskuterer potensialet for økt bruk av Stordata (engelsk: big data) teknologi og metode innenfor instituttets arbeidsområder. I dag benyttes Stordata-tilnærminger til å løse forvaltningsstøtteoppgaver, samt til forskningsformål, særlig i sentrene for presisjonslandbruk og presisjonsjordbruk. Potensialet for økt bruk av Stordata innenfor instituttet er stort. For å realisere potensialet er det behov for god samordning mellom organisasjonsenhetene og utvikling av strategisk kompetanse på fagområdet.

Sammendrag

Rapporten dokumenterer utvalgte eksempler på bruk av stordata (engelsk: big data) teknologi og metode i NIBIO. Det første eksemplet er knyttet til oppdatering av arealressurskartet AR5, hvor det undersøkes om stordata-tilnærming kan benyttes for å identifisere lokaliteter der kartet må oppdateres. De neste eksemplene er hentet fra fagområdet plantehelse og tar for seg mulighetene for å bruke stordata-metode for å bedre prediksjonsmodeller og gjenkjenning av for skadegjørere.

Til dokument

Sammendrag

Rapid technological advances in airborne hyperspectral and lidar systems paved the way for using machine learning algorithms to map urban environments. Both hyperspectral and lidar systems can discriminate among many significant urban structures and materials properties, which are not recognizable by applying conventional RGB cameras. In most recent years, the fusion of hyperspectral and lidar sensors has overcome challenges related to the limits of active and passive remote sensing systems, providing promising results in urban land cover classification. This paper presents principles and key features for airborne hyperspectral imaging, lidar, and the fusion of those, as well as applications of these for urban land cover classification. In addition, machine learning and deep learning classification algorithms suitable for classifying individual urban classes such as buildings, vegetation, and roads have been reviewed, focusing on extracted features critical for classification of urban surfaces, transferability, dimensionality, and computational expense.

Til dokument

Sammendrag

Aim Many thematic land cover maps, such as maps of vegetation types, are based on field inventories. Studies show inconsistencies among field workers in such maps, explained by inter-observer variation in classification and/or spatial delineation of polygons. In this study, we have tested a new method to assess the accuracy of these two components independently. Location Four study sites dominated by different ecosystems in southeast Norway. Methods We have used a vegetation-based land cover classification system adapted to a map scale of 1:5,000. First, a consensus map, a map that can be considered an approximation of a flawless map, was established. Secondly, the consensus map was adapted to test the accuracy of classification and polygon delineation independently. We used 10 field workers to generate a consensus map, and 14 new field workers (in pairs) to test the accuracy (n = 7). Results The results show that the accuracy of polygon delineation is lower than that of land cover classification. This is in contrast with previous studies, but previous research designs have not enabled a separation of the two accuracy components. Conclusion We recommend strengthening the training and harmonization of field workers in general, and increasing the emphasis on polygon delineation.