Pikkulimaskan potentiaali laimealla kosteikolla
Bibliographic record
Abstract
Suomen biotalousstrategian (2022) tavoitteissa on muun muassa luoda uusia biotalouden ratkaisuja, vähentää riippuvuutta fossiilisista polttoaineista, tehostaa ekologista kestävyyttä ja uusiutuvien luonnonvarojen uusiutumiskykyä. Vesistöjen biomassat sekä makea vesi sisältyvät biotalousstrategiaan. Maatalouden on arvioitu aiheuttavan yli puolet Suomen pintavesien ravinnekuormituksesta. Erityisesti typpi ja fosfori ovat ravinteita, jotka rehevöittävät vesistöjä. Pikkulimaska (Lemna minor) on pieni vesikasvi, jonka ominaisuutena on tehokas ravinteiden keruu kasvuympäristöstään. Sen potentiaali osana ravinnekiertoa ja biotaloutta on tunnistettu maailmalla, mutta Suomessa tutkimus on ollut vähäistä. \n \nOpinnäytetyön tilaajana toimi Luonnonvarakeskus, jossa on toteutettu hankkeita pikkulimaskasta kalankasvatuslaitoksissa. Hankkeissa on keskitytty vähentämään kalankasvatuksesta syntyviä ravinnepäästöjä ja luomaan pikkulimaskasta kalanrehua kiertotalouden menetelmin. Opinnäytetyössä tavoitteena oli tutkia pikkulimaskan potentiaalia osana maatalouden ravinnekiertoa kasvattamalla sitä maatalousympäristössä. \n \nTutkimus toteutettiin 2022 kesän ja syksyn aikana, jolloin pikkulimaskat sijoitettiin kahteen erilaiseen kasvatuspaikkaan: laimeaan maatalouskosteikkoon ja lannoitettuihin kasvatusaltaisiin. Kasvatus toteutettiin 8.8.2022-12.10.2022. Sadonkorjuun jälkeen pikkulimaskat analysoitiin Jyväskylän ammattikorkeakoulun Rajakadun ja Saarijärven kampuksien laboratorioissa. Pikkulimaskoista määritettiin tuhka-, kokonaistyppi- ja kokonaisfosforipitoisuudet. Tämän lisäksi pikkulimaskojen massankasvua seurattiin. \nKasvatuskokeet onnistuivat valitussa ympäristössä. Eniten massansa kasvattivat kosteikolla kasvaneet pikkulimaskat. Kosteikolla kasvatettujen pikkulimaskojen kuiva-aineesta oli fosforia 0,0085 %, typpeä 2,41 %, raakavalkuaista 15,09 % ja tuhkaa 10,4 %. Lannoitetuissa altaissa kasvatettujen pikkulimaskojen kuiva-aineesta oli fosforia 0,013 %, typpeä 5,63 %, raakavalkuaista 35,18 % ja tuhkaa 10,6 %. \n \nTutkimuksessa käytetty kosteikko soveltui hyvin pikkulimaskan kasvatukseen, mikäli tavoitteena on kasvattaa pikkulimaskan massaa. Mikäli pikkulimaskaa haluaa hyödyntää lannoitteena tai rehuna, tulee kasvatus toteuttaa lannoitetussa ympäristössä, jotta lopputuotteessa on tarpeeksi hyödynnettäviä ravintoaineita. Pikkulimaskalla on potentiaalia osana maatalouden ravinnekertoa, sillä se kykenee keräämään itseensä ravinteita, vaikuttaen positiivisesti kasvuympäristönsä ekologiseen tilaan. Ravinnekerron toteutumiseksi tulee pikkulimaskaa hyödyntää osana maataloutta. Biotaloustuotteena pikkulimaskasta on moneen, sitä voi hyödyntää lannoitteena, rehuna tai bioenergian ja -polttoaineiden tuotannossa.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.078 | 0.026 |
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".