Monitavoitteinen päätösanalyysi turvepeltojen käyttömuotojen vertailussa
Notice bibliographique
Résumé
Tämän työn tarkoituksena oli selvittää vastaavatko ilmaston kannalta ongelmalliset turvepeltojen perinteiset syvään ojitetut käyttömuodot turvepeltojen viljelijöiden tavoitteita, sekä miten vaihtoehtoiset vähäpäästöisemmät turvepellon käyttömuodot voivat vastata tavoitteisiin. Suomella on sekä kansallinen, että Euroopan Unionin asettama kasvihuonekaasujen päästövähennystavoite, jotka velvoittavat Suomea vähentämään kasvihuonekaasupäästöjään 39 % vuoden 1990 tasosta vuoteen 2030 mennessä, ja 80 % vuoden 1990 tasosta vuoteen 2050 mennessä. Maataloussektorin osuus Suomen kasvihuonekaasupäästöistä on noin 10%. Viljellyt orgaaniset maat kattavat noin 10 % Suomen maanviljelymaan pinta-alasta, mutta ne tuottavat noin 50–60 % koko maanviljelysektorin kasvihuonekaasupäästöistä. Perinteisen intensiivisen viljan ja nurmen viljelyn vaatima alhainen vedenpinta turvepellolla aiheuttaa nopeaa turpeen aerobista hajoamista, johtaen korkeisiin kasvihuonekaasu- ja ravinnepäästöihin, painumaan, ja lukuisiin viljelyongelmiin. Kirjallisuuskatsauksen perusteella pohjavedenpinnan nostaminen on tehokkain keino kasvihuonekaasupäästöjen hillitsemiseksi turvepelloilla, mutta vedenpinnan nosto rajoittaa perinteisten satokasvien viljelyä. Kirjallisuudessa on esitetty turvepellon vaihtoehtoisiksi käyttömuodoiksi muun muassa ennallistamista, kosteikkoviljelyä ja metsitystä. Tässä työssä sovellettiin monitavoitteisen päätösanalyysin menetelmiä turvepellon käyttömuotojen keskinäisessä vertailussa erilaisten tavoitteiden valossa. Vertailtavia käyttömuotoja valittiin työhön 12 kappaletta, niiden sisältäessä käyttömuotoja sekä matalalla, että korkealla pohjavedenpinnalla. Työssä selvitettiin ensin, millaisilla indikaattoreilla turvepellon käyttömuotojen suoriutumista voidaan mitata, ja indikaattoreille etsittiin käyttömuotokohtaisia arvoja kirjallisuudesta. Kullekin indikaattorille oli tarkoitus kerätä viljelijöiltä tavoitteiden mukaiset painokertoimet kyselylomakkeen avulla, mutta koska vastauksia kyselyyn ei saatu, monitavoitteinen päätösanalyysi suoritettiin sekä tutkijaryhmän sisältä kerätyillä, että simulaation tuottamilla painokertoimilla. Syvään ojitetut perinteiset viljelymuodot menestyivät indikaattoreiden tarkastelussa hyvin taloudellisella ja tuotannollisella osa-alueella, mutta huonosti säätelevällä ja kulttuurillisella osa-alueella. Sekä tutkijaryhmän, että simulaation antamien painotusten perusteella tehdyissä monitavoitteisissa päätösanalyyseissa kosteikkoviljelyvaihtoehdot valikoituivat syvään ojitettuja viljelymuotoja huomattavasti useammin parhaiksi turvepellon käyttömuodoiksi. Tutkijaryhmän painotuksilla syvään ojitetut käyttömuodot eivät valikoituneet parhaaksi käyttömuodoksi kertaakaan, ja simulaation tuottamilla painotuksilla vain 3,5 prosentilla painotusyhdistelmistä. Monitavoitteiset päätösanalyysit osoittavat, että märillä käyttömuodoilla on potentiaalia valikoitua turvepellon parhaiksi käyttömuodoiksi myös taloutta vahvasti painottavilla painotusprofiileilla, mutta tämä edellyttää, että kosteikkoviljelytuotteille syntyy markkinat tulevaisuudessa. Tukipolitiikka vaikuttaa myös todennäköisesti vahvasti vaihtoehtojen taloudelliseen houkuttelevuuteen. Kosteikkoviljelystä tarvitaan kuitenkin pidempiaikaista tutkimustietoa, ja kosteikkoviljelyn tutkiminen tulisi aloittaa myös Suomessa, jotta arvioita indikaattoreiden saamista mahdollisista arvoista saataisiin tarkemmaksi.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,081 | 0,024 |
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 ».