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.
2026
Forfattere
Yngve RekdalSammendrag
Denne rapporten er ei vegleiing i vegetasjonskartlegging i målestokk 1:20 000 – 50 000 slik dette er utført sidan første utgåva kom i 1987. Vegleiinga tar primært sikte på å bli brukt under opplæring av nye inventørar, og som ei handbok under feltarbeidet. Metoden for denne kartlegginga byggjer mykje på vegetasjonen sin fysiognomi slik dette kjem til uttrykk gjennom dominerande artar og vegetasjonen sin struktur. Kartlegginga med klassifisering og figurering, foregår som ein kombinasjon av synfaring i felt, tolking av flyfoto ut frå nyansar i farge og tekstur i biletet og inventøren sin økologiske kunnskap. Kartleggingssystemet består av 45 vegetasjonstypar og 9 andre arealtypar. Typane er samla i 12 grupper. Under kartlegging blir det i tillegg brukt ei rekkje tilleggsteikn for å få fram viktig informasjon som ikkje ligg i beskrivinga av vegetasjonstypane.
2025
Forfattere
Annbjørg KristoffersenSammendrag
Det er ikke registrert sammendrag
Forfattere
Lars Sandved DalenSammendrag
Kursholder er kommunikasjonsrådgiver Lars Sandved Dalen ved NIBIO. Han har siden 2010 hjulpet forskere og fagpersoner med å få over 100 kronikker og debattinnlegg på trykk i norske aviser.
Sammendrag
– I Telemark var fangstene de høyeste siden det store utbruddet av granbarkbiller som startet midt på 1970-tallet, forteller forsker.
Sammendrag
This paper explores the generation of “realistic” 3D representations of individual trees to enhance visualizations of forest simulation tool outcomes. By leveraging remote sensing data, we aim to capture individual tree features and characteristics accurately, linking them to dynamic simulations of forest structures and composition. Employing a deep learning approach, we train models on existing 3D scanned data to produce diverse and realistic visual representations of specific tree species. Our method addresses the limitations of existing synthetic tree generation techniques, which often overlook species-specific characteristics. Our approach emphasizes the generation of diverse tree forms, accounting for differences in trunk shape, canopy size, and branching structures. The resulting 3D data offers potential applications for realistic future forest visualizations and improved data augmentation in tree classification models, ultimately contributing to the creation of virtual forests that represent rich species diversity.
Forfattere
Thiago InagakiSammendrag
Det er ikke registrert sammendrag
Forfattere
Till SeehusenSammendrag
Gjestforelesing innen 'Grønn teknologi og presisjon' fagskolen Innlandet Gjøvik
Forfattere
Tove Vaaje-KolstadSammendrag
Det er ikke registrert sammendrag
Forfattere
Till SeehusenSammendrag
Det er ikke registrert sammendrag
Forfattere
Ralf RautenbergerSammendrag
Det er ikke registrert sammendrag