Kemiallisen metsäteollisuuden sulfaattipäästöjen hallinta ja vesistövaikutukset
Bibliographic record
Abstract
Sulfaatti on rikkihapon suola. Sitä arvioidaan päätyvän Suomen vesistöihin noin miljoonia tonnia vuodessa. Sulfaatti on tarkkaan seurattu vesistöpäästö kaivosteollisuudessa. Kemiallisen metsäteollisuuden ympäristöluvissa sulfaatille ei ole asetettu yleisesti päästöraja-arvoja. Kuormituksen määrää on vaikea arvioida todellisesti, sillä kaikilla toimialan laitoksilla ei ole velvoitetta sulfaattipitoisuuden seuraamiseen. Kemiallisen metsäteollisuuden on arvioitu olevan Suomessa suurin sulfaattipäästöjen pistekuormituksen aiheuttaja. \n \nKemiallisessa metsäteollisuudessa paperin ja kartongin valmistukseen tarvittavaa massaa valmistetaan kemiallisesti, mekaanisesti ja kemimekaanisesti. Raaka-aineena käytetään ensiökuitua tai keräyspaperia. Valmistusprosesseissa myös vesi ja kemikaalit ovat tärkeässä osassa. Prosesseissa pyritään hyödyntämään mahdollisimman paljon samaa vettä ja pyritään kiertotalouteen. Syntyneet jätevedet puhdistetaan ennen vesistöön laskemista. Jätevedet käsitellään hyödyntäen joko yhtä tai useampaa vedenpuhdistusmenetelmää. \n \nTyössä tarkasteltiin kemiallisen metsäteollisuuden prosessien sulfaattipäästöjen lähteitä ja niiden hallinnan teknologisia keinoja. Seurannan tehostaminen on tärkeää, sillä liiallisen sulfaattikuormituksen on todettu johtavan tilanteeseen, jossa järven pohja on joutunut lähes kokonaan kuolleeseen tilaan. Sulfaatti aiheuttaa vesistön kerrostumista, happikatoa ja se vaikuttaa epäsuorasti rehevöitymiseen. Sulfaatti on myös haitallista osalle vesieliöstä ja vaikuttaa elohopean rikastumiseen ekosysteemissä. Kemiallisen metsäteollisuuden aiheuttaman sulfaattikuormituksen merkitys vesistön tilaan on vielä heikosti tunnettu, joten tutkinnan tehostaminen on tärkeää. Hallinnan keinoina on mahdollista hyödyntää vaihtoehtoisia kemikaaleja niin jätevedenpuhdistuksessa kuin prosessin pH-säätimenä. Lisäksi sulfaattipäästöjä on mahdollista vähentää esimerkiksi laitoksen sisäisen rikkihappotuotannon 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 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) | 0.003 | 0.004 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.007 | 0.007 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.008 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.268 | 0.053 |
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".