Hopp til hovedinnholdet

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.

2025

Til dokument

Sammendrag

Første versjon av tre nasjonale kartlag over naturskog, og metodikken for disse kartlagene er dokumentert i denne rapporten. Prosjektet har også vurdert hvordan NiN3.0-variablene fra skogdynamikkprosjektet kan utledes ved hjelp av heldekkende kart som allerede eksisterer eller som kan utvikles innen rimelig tid. Tilgjengelige datasett, som fjernmålingsdata, SR16 og feltdata fra Landsskogtakseringen ble brukt sammen med maskinlæringsmodeller for å lage følgende tre landsdekkende rasterkartlag: 1) Et binært naturskogkart som viser skog med predikert alder >84 år, 2) et kart med predikert sannsynlighet for naturskog, og 3) et kart som viser predikert grad av naturskogsnærhet. En evaluering av det binære naturskogkartet mot feltflatene i Landsskogtakseringen hadde en samlet nøyaktighet på 76 %. Validering av modellen for naturskogsannsynlighet viste en samlet nøyaktighet på 78 % Validering av modell for naturskogsnærhet ga samlet nøyaktighet på 54 %. Validering av modeller for prediksjon av naturskogsannsynlighet og naturskogsnærhet viser begge at disse gir best prediksjoner i grandominert skog. Prosjektet ble gjennomført med knappe tidsrammer, og de produserte kartene må betraktes som førsteversjoner. En anbefaling fra prosjektet var at metodikken og kartene bør utvikles videre, og en videreføring er allerede i gang. Rapportens referanse: Hauglin, M.,

Til dokument

Sammendrag

Den ekstensive overvåkingen av epifytter på bjørk ble påbegynt i 1992, da som en del av TOV programmet. Denne overvåkingen ble videreført i 2024. Dette var andre gang registreringen ble gjennomført etter at det ble foretatt et nytt utvalg av prøveflater før feltsesongen i 2019. Forekomst av utvalgte lavarter ble registrert for hver centimeter rundt omkretsen på totalt 312 trær. Registreringene ble gjort på høydene 120, 135 og 150 cm. Dekningsprosent for de utvalgte lavartene ble beregnet for alle sesonger og analyse av endring ble gjennomført for feltsesongene 2019 og 2024, der hvor utvalget var det samme. Resultatene viste en økning i dekningen av både bladlav og busklav, mens det for skorpelav ble observert en nedgang. Klimatiske endringer slik som lengre vekstsesong og høyere temperaturer, samt regionalt nitrogennedfall kan være viktige bidragsytere til endret dekningsprosent.

Til dokument

Sammendrag

Rapporten omhandler utviklingen av en felles skogmaske for Norge gjennom inte-grasjon av ulike datakilder og metoder. Målet er å forbedre skogkartlegging for forvaltning og planleg-ging. Datagrunnlaget inkluderer satellittbilder, høydedata og eksisterende kart, mens analysen bygger på objektorientert bildeanalyse og segmentering av trekroner og skogområder. Resultatene viser høy nøyaktighet i tredeteksjon, men utfordringer knyttet til kanttreff, kraftlinjer og steinformasjoner kan føre til feilklassifisering.

Til dokument

Sammendrag

Accurate field plot data on forest attributes are crucial in area-based forest inventories assisted by airborne laser scanning, providing an essential reference for calibrating predictive models. This study assessed how sample tree selection methods and plot data calculation methods affect the accuracy of field plot values of timber volume, Lorey’s mean height, and dominant height. We used data obtained from 12 420 circular sample plots of 250 m2, measured as part of the Norwegian national forest inventory and 45 local forest management inventories. We applied Monte Carlo simulations by which we tested various numbers of sample trees, methods to select sample trees, and methods to calculate plot-level values from tree-level measurements. Accuracies of plot values were statistically significantly affected by the number of sample trees, sample tree selection method, and calculation method. Obtained values of root mean square error ranged from 5% to 16% relative to the mean observed values, across the factors studied. Accuracy improved with increasing numbers of sample trees for all forest attributes. We obtained greatest accuracies by selecting sample trees with a probability proportional to basal area, and by retaining field-measured heights for sample trees and using heights predicted with a height-diameter model for non-sample trees. This study highlights the importance of appropriate sample tree selection methods and calculation methods in obtaining accurate field plot data in area-based forest inventories.

Sammendrag

Boreal forest soils are a critical terrestrial carbon (C) reservoir, with soil organic carbon (SOC) stocks playing a key role in global C cycling. In this study, we generated high-resolution (16 m) spatial predictions of SOC stocks in Norwegian forests for three depth intervals: (1) soil surface down to 100 cm depth, (2) forest floor (LFH layer), and (3) 0–30 cm into the mineral soil. Our predictions were based on legacy soil data collected between 1988 and 1992 from a subset (n = 1014) of National Forest Inventory plots. We used boosted regression tree models to generate SOC estimates, incorporating environmental predictors such as land cover, site moisture, climate, and remote sensing data. Based on the resulting maps, we estimate total SOC stocks of 1.57–1.87 Pg C down to 100 cm, with 0.55–0.66 Pg C stored in the LFH layer and 0.68–0.80 Pg C in the upper mineral soil. These correspond to average SOC densities of 15.3, 5.4, and 6.6 kg C m−2, respectively. We compared the predictive performance of these models with another set, supplemented by soil chemistry variables. These models showed higher predictive performance (R2 = 0.65–0.71) than those used for mapping (R2 = 0.44–0.58), suggesting that the mapping models did not fully capture environmental variability influencing SOC stock distributions. Within the spatial predictive models, Sentinel-2 Normalized Difference Vegetation Index, depth to water table, and slope contributed strongly, while soil nitrogen and manganese concentrations had major roles in models incorporating soil chemistry. Prediction uncertainties were related to soil depth, soil types, and geographical regions, and we compared the spatial prediction against external SOC data. The generated maps of this offer a valuable starting point for identifying forest areas in Norway where SOC may be vulnerable to climate warming and management-related disturbances, with implications for soil CO2 emissions.