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.
2023
Forfattere
Anne B. NilsenSammendrag
Det er ikke registrert sammendrag
Forfattere
Michel VerheulSammendrag
Det er ikke registrert sammendrag
Sammendrag
Mange bønder har byrja å bestemme slåttetidspunktet ved aktiv bruk av varmesum. Det sikraste er nok likevel å observere utviklingstrinnet på deu artane du har i enga.
Sammendrag
Det er ikke registrert sammendrag
Forfattere
Eva Narten HøbergSammendrag
Brunosten fortjener å få en omtale i forbindelse med ostens dag – til tross for at den ikke er en ekte ost, men mer en karamell. Å forstå brunostens tilblivelse, gir også viktig forståelse for næringsverdien i våre tradisjonelle melkeprodukter. Hva med å prøve deg som yster på eget kjøkken på ostens dag?
Forfattere
Eva Narten HøbergSammendrag
Meierigiganten Tine kutter 100 årsverk og flere produksjonsanlegg legges ned - men det blir fortsatt produksjon av den tradisjonelle brunosten Gudbrandsdalsost i Gudbrandsdalen. Brunosten har en mange hundre år lang historie i Norge og har blitt en del av den norske folkesjela.
Forfattere
Erling MeisingsetSammendrag
Det er ikke registrert sammendrag
Sammendrag
Accurate estimation of site productivity is essential for forest projections and scenario modelling. We present and evaluate models to predict site index (SI) and whether a site is productive (potential total stem volume production ≥ 1 m3·ha−1·year−1) in a wall-to-wall high-resolution (16 m × 16 m) SI map for Norway. We investigate whether remotely sensed data improve predictions. We also study the advantages and disadvantages of using boosted regression trees (BRT), a machine-learning algorithm, to create high-accuracy SI maps. We use climatic and topographical data, soil parent material, a land resource map, and depth to water, together with Sentinel-2 satellite images and airborne laser scanning metrics, as predictor variables. We use the SI observed at more than 10 000 National Forest Inventory (NFI) sample plots throughout Norway to fit BRT models and validate the models using 5822 independent temporary plots from the NFI. We benchmark our results against SI estimates from forest monitoring inventories. We find that the SI from BRT has root mean squared error (RMSE) ranging from 2.3 m (hardwoods) to 3.6 m (spruce) when tested against independent validation data from the NFI temporary plots. These RMSEs are similar or marginally better than an evaluation of SI estimates from operational forest management plans where SI normally stems from manual photo interpretation.
Forfattere
Zoé Cord'homme Nils Maximilian Dittrich Kristina Bringedal Gedde Romain Guillaume Billy Daniel Beat MuellerSammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag