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.
2024
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
I dagens verden med krig og høye priser er matproduksjon og selvforsyningsgrad viktige temaer. Produksjonen av mathvete er viktig for å øke Norges selvforsyningsgrad. Norsk mølleindustri har svært spesifikke kvalitetskrav til kornet de bruker i sine melblandinger. Dette medfører at det tradisjonelt sett har blitt importert mye hvete slik at man har fått hvete som passer møllenes kvalitetskrav. Der det har vært brukt norsk hvete har mesteparten av denne tradisjonelt vært vårhvete. For å øke norsk selvforsyning må det dermed produseres mer hvete som oppfyller disse kvalitetskravene. Produksjon av høsthvete som har større avlingspotensiale kan være et viktig ledd i å øke selvforsyningsgraden, men da må kvaliteten være tilpasset møllenes behov. Formålet ned dette masterarbeidet er å studere hvordan strategier for delt nitrogengjødsling kan påvirke avlingsoppbygningen og proteininnholdet i kornet, og om bruk av N-sensor målinger ved aksskyting/blomstring kan være et hjelpemiddel for å oppnå en mer presis gjødslingsveiledning til bonden. Fem gjødselbehandlinger, fire lokasjoner og tre sorter ble brukt for å undersøke effekten av delt nitrogengjødsling. Hvert felt inneholdt i tilegg tre gjentak hvor hvert gjentak inneholdt alle kombinasjonene av gjødselbehandling og sort. Det ble tatt klippeprøver og N-sensormålinger ved aksskyting og blomstring for å undersøke opptatt nitrogen gjennom vekstsesongen samt undersøke om dette kan brukes til å predikere blant annet proteininnhold ved høsting. Proteininnholdet ble derimot påvirket av både total nitrogenmengde og fordelingen av nitrogen mellom delgjødsling en og to. Proteinprosenten var signifikant høyere for forsøksleddet som fikk 8 kg nitrogen ved første delgjødsel og 6 kg nitrogen ved andre delgjødsling enn forsøksleddet som fikk 14 kg nitrogen ved første delgjødsling og ingen gjødsel ved andre delgjødsling. Begge forsøksleddene fikk 8 kg nitrogen om våren. For avlingsnivå er sortsvalg viktigere enn gjødselbehandling. Kuban ga signifikant høyere avling enn både Bernstein og Ellvis. Det ble gjennomfør N-sensormålinger ved aksskyt og blomstring, og det ble tatt klippeprøver for å måle reelt N-opptak i plantebestandene ved disse tidspunktene. N-sensormålingene underestimerer nitrogenopptaket noe i forhold til klippeprøvene, spesielt når plantebestandet er preget av tørkestress. Ca. 2/3 av variasjonen i nitrogenopptaket ved z49 og z65 kunne forklares av modellen. Mer forskning og et større datamateriale er nødvendig for å utarbeide bedre modeller.
Sammendrag
Det er ikke registrert sammendrag
Forfattere
Henk Maessen Siv Mari Aurdal Tomasz Leszek Woznicki Krzysztof Kusnierek Trond Haraldsen Anita SønstebySammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
2023
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Weeds affect crop yield and quality due to competition for resources. In order to reduce the risk of yield losses due to weeds, herbicides or non-chemical measures are applied. Weeds, especially creeping perennial species, are generally distributed in patches within arable fields. Hence, instead of applying control measures uniformly, precision weeding or site-specific weed management (SSWM) is highly recommended. Unmanned aerial vehicle (UAV) imaging is known for wide area coverage and flexible operation frequency, making it a potential solution to generate weed maps at a reasonable cost. Efficient weed mapping algorithms need to be developed together with UAV imagery to facilitate SSWM. Different machine learning (ML) approaches have been developed for image-based weed mapping, either classical ML models or the more up-to-date deep learning (DL) models taking full advantage of parallel computation on a GPU (graphics processing unit). Attention-based transformer DL models, which have seen a recent boom, are expected to overtake classical convolutional neural network (CNN) DL models. This inspired us to develop a transformer DL model for segmenting weeds, cereal crops, and ‘other’ in low-resolution RGB UAV imagery (about 33 mm ground sampling distance, g.s.d.) captured after the cereal crop had turned yellow. Images were acquired during three years in 15 fields with three cereal species (Triticum aestivum, Hordeum vulgare, and Avena sativa) and various weed flora dominated by creeping perennials (mainly Cirsium arvense and Elymus repens). The performance of our transformer model, 1Dtransformer, was evaluated through comparison with a classical DL model, 1DCNN, and two classical ML methods, i.e., random forest (RF) and k-nearest neighbor (KNN). The transformer model showed the best performance with an overall accuracy of 98.694% on pixels set aside for validation. It also agreed best and relatively well with ground reference data on total weed coverage, R2 = 0.598. In this study, we showed the outstanding performance and robustness of a 1Dtransformer model for weed mapping based on UAV imagery for the first time. The model can be used to obtain weed maps in cereals fields known to be infested by perennial weeds. These maps can be used as basis for the generation of prescription maps for SSWM, either pre-harvest, post-harvest, or in the next crop, by applying herbicides or non-chemical measures.