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
Sammendrag
Tire wear particles (TWP) are a major source of microplastics that are mainly transported by stormwater from roads to the environment. Their risk has not yet been sufficiently evaluated, mainly because of the lack of suitable analytical methods for identifying and measuring their environmental concentrations. Moreover, TWP are persistent in the environment while their generation is increasing, which calls for action to limit their environmental spread. Conversely, stormwater management solutions are becoming a growing fixture in the road environment for their multipurpose role in controlling peak runoff and reducing pollution. However, knowledge of the effect of stormwater management solutions in removing TWP is limited. The overall goal of this Ph.D. study was to introduce a suitable analytical method for detecting and quantifying TWP in the environment and measuring the actual concentrations of TWP in sediments of stormwater management solutions associated with roads. Three study sites and laboratory experiments were used as data sources for the studies included in this thesis (Papers I–IV). Simultaneous thermal analysis (STA) and Fourier transform infrared spectroscopy (FTIR) were used to analyze the samples, and parallel factor analysis (PARAFAC) was used for data analysis. Analysis of variance (ANOVA) and t-tests were used for statistical analysis.
Forfattere
Thiago Inagaki Angela R. Possinger Steffen A. Schweizer Carsten W. Mueller Carmen Hoeschen Michael J. Zachman Lena F. Kourkoutis Ingrid Kögel-Knabner Johannes LehmannSammendrag
The spatial distribution of organic substrates and microscale soil heterogeneity significantly influence organic matter (OM) persistence as constraints on OM accessibility to microorganisms. However, it is unclear how changes in OM spatial heterogeneity driven by factors such as soil depth affect the relative importance of substrate spatial distribution on OM persistence. This work evaluated the decomposition and persistence of 13C and 15N labeled water-extractable OM inputs over 50 days as either hotspot (i.e., pelleted in 1 – 2 mm-size pieces) or distributed (i.e., added as OM < 0.07 µm suspended in water) forms in topsoil (0-0.2 m) and subsoil (0.8-0.9 m) samples of an Andisol. We observed greater persistence of added C in the subsoil with distributed OM inputs relative to hotspot OM, indicated by a 17% reduction in cumulative mineralization of the added C and a 10% higher conversion to mineral-associated OM. A lower substrate availability potentially reduced mineralization due to OM dispersion throughout the soil. NanoSIMS (nanoscale secondary ion mass spectrometry) analysis identified organo-mineral associations on cross-sectioned aggregate interiors in the subsoil. On the other hand, in the topsoil, we did not observe significant differences in the persistence of OM, suggesting that the large amounts of particulate OM already present in the soil outweighed the influence of added OM spatial distribution. Here, we demonstrated under laboratory conditions that the spatial distribution of fresh OM input alone significantly affected the decomposition and persistence of OM inputs in the subsoil. On the other hand, spatial distribution seems to play a lower role in topsoils rich in particulate OM. The divergence in the influence of OM spatial distribution between the top and subsoil is likely driven by differences in soil mineralogy and OM composition.
Forfattere
Cornelya KlutschSammendrag
Det er ikke registrert sammendrag
Forfattere
Melissa MagerøySammendrag
Det er ikke registrert sammendrag
Forfattere
Aksel GranhusSammendrag
Det er ikke registrert sammendrag
Sammendrag
Rovebekken drenerer mye av Sandefjord lufthavn. Det ble påvist en lav konsentrasjoner av glykol i en ukeblandprøve fra Rovebekken i mars 2022 (0,21 mg PG/l). I de 36 andre ukeblandprøvene ble det ikke påvist glykol. Ved fiskeundersøkelsen i juli 2022 ble det registrert lav tetthet av årsyngel (2 fisk/100 m2) på den øvre stasjonen (R 3-4), rett nedstrøms flyplassen, men normal tetthet på stasjonene videre nedstrøms i bekken. Oppsummert har overvåkingen gjennom 2022 vist tilfredsstillende vannkvalitet i Rovebekken, med god oksygenstatus og kun en påvisning av glykol i lav konsentrasjon. Resultatene viste at kravene i utslippstillatelsen har blitt overholdt.
Forfattere
Trond MæhlumSammendrag
Renseanlegg behandler sigevannet fra Bølstad avfallsdeponi i en luftet lagune etterfulgt av sedimentering og filtrering før utslipp til Bølstadbekken. Miljøovervåkningsprogrammet er tilpasset gjeldende sigevannsveileder (TA-2077/2005) og Statsforvalterens krav til dokumentasjon og utslippskontroll (2006). Rapporten beskriver analysedata fra utslippskontroll og driftserfaringer fra 2022. Midlere vannføring i 2022 er beregnet til 65 mP 3 P/døgn i gjennomsnitt, totalt 23 626 mP 3 P som er lavere enn normalt på grunn av relativt lite nedbør og høy temperatur i 2022. Sigevannet fra Bølstad har generelt lave konsentrasjoner, typisk for mange norske deponier i etterdriftsfasen. Krav til årlig middel-konsentrasjon (mg/liter) tilfredsstilles for alle parametere. Årlig utslippsmengde (kg/år) for ammonium-N, tot-N, jern, fosfor og KOF tilfredsstilles. Renseeffekt (%) tilfredsstilles med god margin både for jern og ammonium-N. Nivåene for tungmetallkonsentrasjoner ligger lavt og generelt under terskelverdier. Innholdet av undersøkte organiske miljøgifter er lavt, men det er påvist PFAS forbindelser, også etter rensing. Det er ikke påvist giftighet i utslippsvannet. Overvåkningen av overvannet fra miljøstasjonen/ avsluttet deponi, som i dag ledes direkte til Bølstadbekken, er forurenset. Dette kan skyldes avrenning fra arealer med lagring av park/ hageavfall og rankekompostering med jordproduksjon. Miljøstasjonen som har åpne konteinere med sortert avfall kan også bidra med forurenset avrenning. Avbøtende tiltak bør vurderes. Grunnvannet fra en fjellbrønn i utkanten av deponiet, som benyttes på miljøstasjonen til vasking av utstyr, er påvirket av sigevann. NIBIO anbefaler at driftsoppfølging og miljøovervåkingsprogrammet videreføres i 2023.
Forfattere
Trond MæhlumSammendrag
Rapporten oppsummer resultater fra miljøovervåking av Spillhaug avfallsdeponi for driftsåret 2022. Data vurderes mot rensekrav og tidligere undersøkelser. Deponiet er etablert i et tidligere sandtak uten bunntetting. Vannet strømmer 2-300 m gjennom sand avgrenset av fjell før sigevannsforurenset grunnvann pumpes til et behandlingsanlegg. Renseparken omfatter brønner med pumpe, luftebasseng og tre tilplantede våtmarksbasseng. Grunnvannsmagasinet inngår som en del av rensesystemet for sigevann. Sigevannsmengde gjennom renseparken er i 2022 målt til 25 916 m3 som er på nivå med tidligere år i forhold til årsnedbøren (583 mm). Beregnet ut fra endring i vannkvalitet fra deponiet og til resipienten Sandbekken, har rensegraden vært: 99% for jern, 87% for KOF, 86% for nitrogen (tot-N) og 94% for ammonium nitrogen. Nivået av miljøgifter i utløpet av renseanlegget er lavt, og konsentrasjoner av tungmetaller er hovedsakelig under terskelverdier som anses å være skadelige. Sandbekken, som mottar renset vann og diffus innlekking via grunnvann og overvann påvirkes av sigevann med økte konsentrasjoner av konduktivitet og nitrogen, men kun liten endring for de andre analyserte parameterne. Årlig utslipp av PFAS forbindelser er ca 3 gram. Overvåkningen gir grunnlag for å fastslå at renseanlegget virker tilfredsstillende. Det er derfor ikke foreslått spesielle tiltak for å bedre rensingen i 2023. NIBIO foreslår at driftsoppfølging og overvåkning ligger på samme nivå som 2022, med kontroll av anleggets prosesser i ulike trinn for å dokumentere anleggets funksjon, utslipp og påvirkning av resipient.
Sammendrag
Active canopy sensors (ACSs) are great tools for diagnosing crop nitrogen (N) status and grain yield prediction to support precision N management strategies. Different commercial ACSs are available and their performances in crop N status diagnosis and recommendation may vary. The objective of this study was to determine the potential to minimize the differences of two commonly used ACSs (GreenSeeker and Crop Circle ACS-430) in maize (Zea mays L.) N status diagnosis and recommendation with multi-source data fusion and machine learning. The regression model was based on simple regression or machine learning regression including ancillary information of soil properties, weather conditions, and crop management information. Results of simple regression models indicated that Crop Circle ACS-430 with red-edge based vegetation indices performed better than GreenSeeker in estimating N nutrition index (NNI) (R2 = 0.63 vs. 0.50–0.51) and predicting grain yield (R2 = 0.56–0.57 vs. 0.49). The random forest regression (RFR) models using vegetation indices and ancillary data greatly improved the prediction of NNI (R2 = 0.81–0.82) and grain yield (R2 = 0.87–0.89), regardless of the sensor type or the vegetation index used. Using RFR models, moderate degree of accuracy in N status diagnosis was achieved based on either GreenSeeker or Crop Circle ACS-430. In comparison, using simple regression models based on spectral data only, the accuracy was significantly lower. When these two ACSs were used independently, they performed similarly in N fertilizer recommendation (R2 = 0.57–0.60). Hybrid RFR models were established using vegetation indices from both ACSs and ancillary data, which could be used to diagnose maize N status (moderate accuracy) and make side-dress N recommendations (R2 = 0.62–0.67) using any of the two ACSs. It is concluded that the use of multi-source data fusion with machine learning model could improve the accuracy of ACS-based N status diagnosis and recommendation and minimize the performance differences of different active sensors. The results of this research indicated the potential to develop machine learning models using multi-sensor and multi-source data fusion for more universal applications.
Forfattere
Silvano Fares Teodoro Georgiadis Arne Sæbø Ben Somers Koenraad Van Meerbeek Eva Beele Roberto Tognetti Giuseppe E. Scarascia-MugnozzaSammendrag
In this chapter, we analyse the current state of the art on how green infrastructures mitigate and adapt to climate changes and pollution, how they may improve urban air quality, increase green mobility, and can promote other important ecosystem benefits as water cycle regulation and supply. Relevant case studies will be also described, as gaps and future perspectives will be analyzed towards reaching the full potential of urban forests and other green spaces, for Biocities in Europe and beyond.