eTrial – Viljelijöiden täsmäviljelytekniikat koeruutututkimuksessa
Bibliographic record
Abstract
Erilaisissa viljelyolosuhteissa tapahtuva kasvinviljelyn kenttäkoetoiminta on tärkeä osatekijä ruokajärjestelmissä vietäessä kasvinviljelytutkimuksen teoriat ja laboratoriokoetulokset käytännön viljelyyn. Kenttäkoetoiminta ja sen tuottaman tiedon tehokas prosessointi sekä jakelu kohderyhmille ja työn tilaajille on tutkimuslaitosten vaativimpia työvaiheita. Nykyisin vallitsevana käytössä oleva kenttäkoetekniikka vaatii paljon työtä ja pääomia. Lisähaasteena on, että uuden teknologian, tuotantotapojen ja monien uusien menetelmien testaus asettaa tutkimukselle yhä enemmän vaateita. Muun muassa käytännön maatilatasolla koneiden tosiasiallinen toimintatapa, paino ja tärinä vaikuttavat viljelyn lopputulokseen eri tavalla kuin koeruutukoneet. Tämä saattaa aiheuttaa eroja koetulosten ja käytännön viljelyn välillä. Kenttäkoetoiminnan digitalisoiminen sekä automaatio-, paikannus- ja pilvipalveluteknologioiden, ns. älykkäiden täsmäviljelyteknologioiden nykyistä parempi hyödyntäminen avaavat mahdollisuuden tehostaa tutkimuslähtöisen innovaatiotoiminnan ketteryyttä ruokajärjestelmiä ja niiden kilpailukykyä parannettaessa.Tutkimus, viljelijät ja teknologiayritykset ovat alkaneet kehitellä yhteistyössä ns. eTrial –konseptia, jossa normaaliin viljelytyöhön tarkoitetulla täsmäviljelytekniikalla varustetulla kalustolla ja sovelluksilla suunnitellaan ja perustetaan koeruutumenetelmään perustuva kenttäkoe, sekä monitoroidaan ja hoidetaan sitä kasvukauden aikana. Korjatusta sadosta mitataan määrä ja laatu jo sadonkoruun yhteydessä. Työvaiheet dokumentoidaan automaattisen (prosessi)tiedonkeruun avulla. Konsepti hyödyntää eri toimittajien tarjoamia teknologioita muodostaen niistä integroidun järjestelmän tavoitteen saavuttamiseksi. Uutta konseptia tullaan vertaamaan vanhaan, mm. kokeen tulosten tarkkuuden ja käyttökelpoisuuden, työnkäytön, analyysikustannusten ja tulosten hyödynnettävyyden ja jaettavuuden suhteen. Tavoitteena onkin kehittää kenttäkokeista saatavan tutkimustiedon tehokasta jakamista tiedon hyödyntäjille. Lisäksi tavoitteena on tuottaa tietoa kotimaisten teknologiavalmistajien tuotteiden suorituskyvystä ja skaalautuvuudesta (tutkimus, maatilakoe, täsmäviljely) tarkkuutta ja luotettavuutta vaativissa kasvinviljelytöissä.Tutkimuskysymykset ovat:1.Millaista konseptia tavoitellaan (teknisesti, taloudellisesti, eri hyödynsaajien kannalta)?2.Kuinka tarkkaa kerättävän tiedon pitää olla (koordinaatti, tietosisältö)?3.Pystyvätkö käytettävissä olevat tekniikat siihen?4.Mitä ratkaisusta vielä puuttuu?5.Onko automatisoitu kenttäkoe toteutettavissa (teknisesti, taloudellisesti, eri hyödynsaajienkannalta)?6.Millaisia sadon jatkokäsittelyn ja analysoinnin mahdollisuuksia on olemassa?Työ on aloitettu esikokein viljelijöiden ja teknologiayritysten yhteistyönä Etelä-Pohjanmaalla kasvukaudella 2015. Kohteina olivat ohran (4 ha), kevätvehnän (10 ha) ja perunan (5ha) lannoituskokeet saatavilla olevia täsmäviljelykoneita-, sovelluksia ja -palveluja käyttäen. Tuloksena eri osallistujatahot saivat käsityksen konkreettisista haasteista suhteessa omaan rooliinsa eTrial -konseptissa. Näitä tulevissa projekteissa kehitettäviä kohteita ovat mm.:1.Eri teknisten ratkaisujen saumaton integraatio2.Kokonaisuuden käytettävyys3.Tilannetietoisuuden muodostuminen käyttäjälle4.Erinäisistä käytännön tilanteissa eteen tulevista häiriötilanteista toipuminen; vikaantunut lenkkipysäyttää koko teknologiaketjun5.Teknisen tuen järjestäminen eri toimittajien ratkaisuista koostuvalle kokonaisjärjestelmälle
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.056 | 0.119 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".