Notice bibliographique
Résumé
Tässä työssä on käsitelty sääolosuhteiden, kuten sademäärän ja lämpötilan vaikutusta kevätvehnän sakoluvun muutoksiin. Työn tarkoituksena oli löytää riippuvuuksia sääolosuhteiden ja sakoluvun välille. Sain aiheen ollessani erikoistumisharjoittelussa MTT:n Piikkiön koeasemalla. Suomen ilmasto on leudompi kuin useimpien muiden samalla leveyspiirivyöhykkeellä sijaitsevien maiden. Suomen ilmaston peruspiirre on vaihtelevuus, niin vuorokaudessa, vuosissa kuin vuosikymmenissä.Suomen keskilämpötilan arvioidaan kohoavan vuoteen 2080 mennessä 2 – 4 astetta. Keskimääräisen sademäärän arvioidaan kasvavan 15 - 25 % ja samalla sääilmiöiden äärimuodot kuten myrskyt, kuivuusjaksot ja rankkasateet runsastuvat. Sadepäivien määrä kasvaa 5 – 18 %. Suurimmat vuorokautiset sademäärät kasvavat 10 - 20 %, joidenkin kokeiden mukaan jopa \n30 %. Lisääntyneet sademäärät sekä syyssateiden voimakkuus voivat aiheuttaa viljan lakoontumista ja tällöin vaikeuttaa korjuuta ja huonontaa sadon laatua. Lämpötilojen kohotessa haihdunta kasvaa, joten on oletettavissa, että myös maaperää voimakkaasti kuivattavat jaksot lisääntyvät. Syksyisin ilmankosteus on yleensä korkea ja haihdunta vähäistä. Jyvien entsyymitoiminta vilkastuu kosteissa oloissa, jolloin vilja voi alkaa itää. Tämä heikentää vehnän laatua jolloin se ei enää kelpaa leipäviljaksi. \n \nSakoluvulla tarkoitetaan jyvän itämisen astetta. Yhteyttämisen tuotteena syntyvät sokerit muodostavat tärkkelystä jyviin. Sakoluku on korkeimmillaan, kun sokerit ovat lähes kokonaan muuttuneet tärkkelykseksi. Tämä tapahtuu tuleentumisen aikaan. Kun tärkkelys alkaa pilkkoutua takaisin yksinkertaisiksi sokereiksi, sakoluku alkaa laskea. Tämän saa aikaan alfa-amylaasi niminen entsyymi, jonka toiminnan avulla jyvä valmistautuu itämään. Säädata kerättiin ilmatieteenlaitoksien havaintopaikoilta, niiltä paikkakunnilta jossa ilmatieteenlaitoksella oli säähavaintopaikka MTT:n koeaseman yhteydessä ja jossa samanaikaisesti tehtiin sakolukukokeita. \n \nSää- ja sakolukudatojen vertailusta saatu selkein johtopäätös on, että pelkät sademäärä-, sadesumma- tai lämpötilatiedot eivät korreloi sakolukuun tarpeeksi selvästi, jotta joku näistä tekijöistä yksin selittäisi sakoluvun muutoksia. Kuitenkin, etenkin voimakkaiden sateiden, tai useamman päivän sateisten jaksojen ja sakoluvun välillä oli havaittavissa riippuvuutta keskenään. Sakolukudatan havaintoja oli aivan liian vähän, jotta voitaisiin nähdä selkeitä riippuvuuksia. Korjuuajan olosuhteisiin ja sakolukuun vaikuttavat edellä mainittujen sääolosuhteiden lisäksi myös haihdunta, auringon säteilyn voimakkuus sekä tuulen voimakkuus, joita ei tässä työssä käytetyillä havaintopaikkakunnilla seurata. Pitäviä tuloksia sään ja sakoluvun välisistä riippuvuuksista ei voida tehdä näin pirstaleisen datan avulla.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,019 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».