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
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
I økologisk landbruk er det et mål at gårder med husdyr skal være mest mulig selvforsynt med fôr. Minimumskravet til egenprodusert fôr har over tid blitt høyere. Rapporten presenterer ni økologiske melkeproduksjonsbruk med produksjonsdata og gårdbrukernes tanker om og prioriteringer med hensyn til selvforsyning med fôr. Vi har beregnet ulike mål på gårdenes selvforsyningsgrad og diskuterer hvordan ulike strategier på gårdene virker inn på disse resultatene. De ni økologiske melkebrukene ble valgt ut for å representere ulike klimatiske forhold og tilnærminger til selvforsyning. Data ble samlet inn i 2018 gjennom intervjuer med gårdbrukerne. Resultatene viser at selvforsyning med fôr var et viktig mål for de økologiske melkeprodusentene, først og fremst styrt av egne verdier og mål for økologisk landbruk. Studien viser at ulike strategier kan brukes for å oppnå høy selvforsyningsgrad, avhengig av gårdens beliggenhet, arealgrunnlag, melkekvote og økonomiske situasjon. Bøndenes strategier for å øke eller beholde høy selvforsyningsgrad inneholdt ulike agronomiske tiltak: øke grovfôrkvaliteten gjennom forbedret gjødselhåndtering, drenering og oftere fornyelse av enga. Noen gårder kombinerte høy ytelse med egen produksjon av korn, proteinvekster og oljevekster, mens andre økte selvforsyningsgraden ved å redusere kraftfôrnivået. Alle gårdene i denne studien hadde en høy selvforsyningsgrad med fôr. I 2017 hadde alle over 70 % fôr fra gården eller regionen, medberegnet kraftfôr, som var kravet til regelverket som trådte i kraft i 2024. Selvforsyningsgraden til gårdene varierte mellom 61 % og 100 % på tørrstoffbasis når kun fôr produsert på gården ble inkludert, og mellom 78 % og 100 % når også norskprodusert fôr ble inkludert.
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Forfattere
David Chludil Curt Almqvist Mats Berlin Arne Steffenrem Steven E. McKeand Jiří Korecký Jan Stejskal Jaroslav Čepl Fikret Isik Debojyoti Chakraborty Silvio Schueler Torsten Pook Christi Sagariya Milan LstibůrekSammendrag
Det er ikke registrert sammendrag
Forfattere
Sean P Healey Zhiqiang Yang Angela M Erb Ryan Bright Grant M Domke Tracey S Frescino Crystal B SchaafSammendrag
Det er ikke registrert sammendrag
Sammendrag
Accurately predicting whether pedestrians will cross in front of an autonomous vehicle is essential for ensuring safe and comfortable maneuvers. However, developing models for this task remains challenging due to the limited availability of diverse datasets containing both crossing (C) and non-crossing (NC) scenarios. Therefore, we propose a procedure that leverages synthetic videos with C/NC labels and an untrained model whose architecture is designed for C/NC prediction to automatically produce C/NC labels for a set of real-world videos. Thus, this procedure performs a synth-to-real unsupervised domain adaptation for C/NC prediction, so we term it S2R-UDA-CP. To assess the effectiveness of S2R-UDA-CP in self-labeling, we utilize two state-of-the-art models, PedGNN and ST-CrossingPose, and we rely on the publicly-available PedSynth dataset, which consists of synthetic videos with C/NC labels. Notably, once the real-world videos are self-labeled, they can be used to train models different from those used in S2R-UDA-CP. These models are designed to operate onboard a vehicle, whereas S2R-UDA-CP is an offline procedure. To evaluate the quality of the C/NC labels generated by S2R-UDA-CP, we also employ PedGraph+ (another literature referent) as it is not used in S2R-UDA-CP. Overall, the results show that training models to predict C/NC using videos labeled by S2R-UDA-CP achieves performance even better than models trained on human-labeled data. Our study also highlights different discrepancies between automatic and human labeling. To the best of our knowledge, this is the first study to evaluate synth-to-real self-labeling for C/NC prediction.
Forfattere
Daniel Moreno-Fernández Johannes Breidenbach Isabel Cañellas Gherardo Chirici Giovanni D’amico Marco Ferretti Francesca Giannetti Stefano Puliti Sebastian Schnell Ross Shackleton Mitja Skudnik Iciar AlberdiSammendrag
Det er ikke registrert sammendrag
Forfattere
Shaohui Zhang Poul Erik Lærke Mathias Neumann Andersen Junxiang Peng Esben Øster Mortensen Johannes Wilhelmus Maria Pullens Sheng Wang Klaus Steenberg Larsen Davide Cammarano Uffe Jørgensen Kiril ManevskiSammendrag
Det er ikke registrert sammendrag