Bibliographic record
Abstract
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.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.043 | 0.019 |
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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".