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.
2025
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Forfattere
Martin PetterssonSammendrag
Det er ikke registrert sammendrag
Forfattere
Therese With BergeSammendrag
Det er ikke registrert sammendrag
Forfattere
Trond MæhlumSammendrag
Rapporten oppsummer resultater fra miljøovervåking av Spillhaug avfallsdeponi for driftsåret 2024. Data vurderes mot rensekrav og tidligere undersøkelser. Deponiet er etablert i et tidligere sandtak uten etablert 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. Sigevannsmengde til behandling er i 2024 målt til 31 474 m3, som er på nivå med tidligere år i forhold til årsnedbøren (78o mm). Beregnet ut fra endring i vannkvalitet fra deponiet og til resipienten Sandbekken, har rensegraden vært: 99% for jern, 40% for KOF, 66% for nitrogen (tot-N) og 84% 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 mottar renset vann og diffus innlekking via grunnvann og overvann. Sandbekken påvirkes av sigevann, med økte konsentrasjoner av konduktivitet og nitrogen, men har 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 2025. NIBIO foreslår at luftet lagune og sedimenteringstanker tømmes for slam i 2025. NIBIO foreslår at driftsoppfølging og overvåkning i 2025 ligger på samme nivå som 2024.
Forfattere
Chloé GrieuSammendrag
Det er ikke registrert sammendrag
Redaktører
Harald SolbergSammendrag
Det er ikke registrert sammendrag
Forfattere
Komi Mensah Agboka Elfatih M. Abdel-Rahman Daisy Salifu Brian Kanji Frank T. Ndjomatchoua Ritter Atoundem Guimapi Sunday Ekesi Landmann TobiasSammendrag
This study introduces a hybrid approach that combines unsupervised self-organizing maps (SOM) with a supervised convolutional neural network (CNN) to enhance model accuracy in vector- borne disease modeling. We applied this method to predict insecticide resistance (IR) status in key malaria vectors across Africa. Our results show that the combined SOM/CNN approach is more robust than a standalone CNN model, achieving higher overall accuracy and Kappa scores among others. This confirms the potential of the SOM/CNN hybrid as an effective and reliable tool for improving model accuracy in public health applications. • The hybrid model, combining SOM and CNN, was implemented to predict IR status in malaria vectors, providing enhanced accuracy across various validation metrics. • Results indicate a notable improvement in robustness and predictive accuracy over traditional CNN models. • The combined SOM/CNN approach demonstrated higher Kappa scores and overall model accuracy.
Sammendrag
In broiler breeding, precise counting is crucial for improving production efficiency and ensuring animal welfare. Nevertheless, counting chickens precisely is a challenging task especially when young chicks always huddle for warmth. Although deep learning has been widely taken in different counting related tasks, more accurate localization and counting of chickens in high stocking density scenes still has not been well investigated. We propose a point supervised dense chickens flock counting network (PCCNet), which directly utilizes points as learning targets. The network adopts information feature fusion to assist the identification of broilers high stocking density scenes. In addition, considering the distance of neighboring points as matching cost in point matching algorithms is advantageous for generating more reasonable matching results, facilitating model convergence. To validate the effectiveness of the proposed network, a Chicken Counting Dataset (CCD) is built, consisting of two subsets separated by different ages: CCD_A and CCD_B. The accuracies of PCCNet on the two subsets of CCD are 97.85% and 97.06%, with corresponding Mean Absolute Errors (MAE) of 1.966 and 5.173, and Root Mean Square Errors (RMSE) values of 3.474 and 7.034, respectively. Our model achieves better broiler counting performance than other state-of-the-art (SOTA) methods.