MétaCan
Menu
Retour à la cohorte
Enregistrement W7058291541

Monitavoitteinen päätösanalyysi turvepeltojen käyttömuotojen vertailussa

2020· other· fi· W7058291541 sur OpenAlexaboutno aff

Notice bibliographique

RevueTyöväentutkimus Vuosikirja · 2020
Typeother
Languefi
DomainePhysics and Astronomy
ThématiqueMagnetic confinement fusion research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWork (physics)Paid workPopulationQuarter (Canadian coin)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,081
Score d'incertitude au seuil0,272

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0070,003
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0810,024

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,253
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTyöväentutkimus VuosikirjaMême sujetMagnetic confinement fusion researchTravaux en français237 207