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.

2021

Sammendrag

Denne publikasjonen presenterer en ny metodikk for estimering av endringer i lageret av jordkarbon som følge av arealbruksendringer på mineraljord. Metodikken er utviklet for bruk i den nasjonale rapporteringen av arealbrukssektoren under FNs klimakonvensjon. Metodikken baserer seg på den enkleste tilnærming i følge IPCC sine retningslinjer, en såkaldt Tier 1. Tier 1 metodikken baseres i stor grad på standardverdier fra retningslinjene (IPCC default), men trenger en kopling mot nasjonal arealinformasjon. Denne koplingen beskrives i rapporten. Metodikken tar utgangspunkt i standardverdier for lageret av jordkarbon (SOCREF). Disse er basert på jordtype-grupperinger og klimasone som stammer fra en verdensdekkende jorddatabase. Endringer i jordkarbon etter arealbruksendring estimeres ved hjelp av SOCREF i kombinasjon med et sett faktorer (også standardverdier) som er arealbruksavhengige. Metodikken legger til grunn at endringer i jordkarbon skjer lineært over 20 år (ifølge 2006 IPCC Guidelines). Grunnleggende informasjon for å kunne kople standardverdier mot arealer på en konsistent måte er stort sett manglende for Norge på nasjonal skala. Rapporten gir derfor detaljert informasjon om de datakildene som har vært brukt til å kunne definere hvilke standariserte verdier som tilhører et bestemt areal i overgang....

2020

Sammendrag

Planning sustainable use of land resources and environmental monitoring benefit from accurate and detailed forest information. The basis of accurate forest information is data on the spatial extent of forests. In Norway land resource maps have been carefully created by field visits and aerial image interpretation for over four decades with periodic updating. However, due to prioritization of agricultural and built-up areas, and high requirements with respect to the map accuracy, forest areas and outfields have not been frequently updated. Consequently, in some part of the country, the map has not been updated since its first creation in the 1960s. The Sentinel-2 satellite acquires images with high spatial and temporal resolution which provides opportunities for creating cloud-free mosaic images over areas that are often covered with clouds. Here, we combine object-based image analysis with machine learning methods in an automated framework to map forest area in Sentinel-2 mosaic images. The images are segmented using the eCogntionTM software. Training data are collected automatically from the existing land resource map and filtered using height and greenness information so that the training samples certainly represent their respective classes. Two machine learning algorithms, namely Random Forest (RF) and the Multilayer Perceptron Neural Network (MLP), are then trained and validated before mapping forest area. The effects of including and excluding some features on the classification accuracy is investigated. The results show that the method produces forest cover map at very high accuracy (up to 97%). The MLP performs better than the RF algorithm both in classification accuracy and in robustness against inclusion and exclusion of features.

Sammendrag

This report describes the development of a novel model & digital map system for visualising diverse ecosystem services at national scale in Norway. Denne rapporten beskriver utviklingen av en ny metode og en digital kartløsning for å visualisere ulike økosystemtjenester på nasjonal skala i Norge.