A Tiszafüredi-Kunhegyesi sík talajainak szerves szénkészlete
Bibliographic record
Abstract
A Föld légkörében jelentkező üvegházhatás erősödése az oka a globális felmelegedésnek, amit az üvegházhatású gázok koncentrációjának növekedése okoz. Ezért globálisan igyekeznek a szakértők a szén-dioxid forrásainak és elnyelőinek mennyiségi meghatározására. Világszerte számtalan kutatóközpontban folyik vizsgálat a talaj szénmegkötő képességét elősegítő különböző talajművelési módszerek alkalmazására. A klímaváltozás a talajban történő szénmegkötés segítségével mérsékelhető. A talajban található organizmusok segítségével végbemenő szervesanyag-lebomlás során szén szabadul fel, amely a talajban megkötődik talajalkotó szerves anyagok formájában. Ugyanakkor a talaj légzése természetes folyamat, melynek kibocsátott szén-dioxid mennyiségét a talaj művelése nagyban befolyásolja. Azonban a megfelelően megválasztott talajművelési mód alkalmazásával a légkörbe jutó szén-dioxid mennyisége jelentősen csökkenthető, illetve megőrizhető a talajok szervesanyag-tartalma és ezzel párhuzamosan számos talajfizikai tényező is kedvezően befolyásolható. Kutatómunkám fő célja a mezőgazdasági művelés alá vont talajok szerves szénkészletének becslése volt a Tiszafüredi-Kunhegyesi sík kistájon. Ebben a léptékben ilyen jellegű számítások még nem történtek. Első lépésben a területen elhelyezkedő szántóterületek digitális térbeli megjelenítését és lehatárolását végeztük el az ArcGIS 9.2 vektoros térinformatikai szoftver segítségével. Elkészítettük a földrajzi kistájhoz tartozó 13 település közigazgatáshatáros fedvényét, amit alapként használva lehatároltuk a települések szervesanyag-tartalom, illetve szántóterületek fedvényeit. Ezek felhasználásával a települések külterületein található szántóterületeken belül a szervesanyag-kategóriák poligonjainak területeit határoztuk meg és összegeztük ezeket, kategóriánként. A pontos szántóterületek adatainak ismeretében a 13 település külterületén található szántók szénkészletének meghatározását végeztük el az agrotopográfiai adatbázis és az IPCC módszer alapján. Összehasonlítást végeztem két különböző módszerrel számított szerves szénkészlet értékek között. Az IPCC metodika használata során az abban beállított alapparaméterekkel dolgoztam, az ezekből származtatott értékeket hasonlítottam össze a térképi adatbázisban szereplő szervesanyag-tartalom értékeken alapuló módszer alkalmazásával kapott eredményekkel. A térinformatikai műveletekkel lehatárolt területre (szántó, rizsföld) kiszámított szerves szénkészleteket egységesen a talajok felső 30 cm-es rétegére vonatkoztattuk, így a két módszertan közötti különbség szabatosan kimutatható. A két vizsgált módszertan alapján számított értékek nem mutattak jelentős különbséget, az alul- és túlbecslések átlaga mindössze 10,2%, ami nem tekinthető szignifikánsnak. Eredményeim felhívják a figyelmet arra, hogy a gyengébb ellátottságú területeken érdemes fokozott szervesanyag bevitellel és a szerves szénkészletet nem csökkentő talajművelési rendszerek alkalmazásával növelni a talaj termékenységét, míg a viszonylag jobban ellátott településeken a megőrzés a minimálisan elvárható szempont. Mindazonáltal hosszabb távon javasolt a magasabb szervesanyag input és a forgatás nélküli, a talajt kímélő, redukált talajművelési rendszer alkalmazása. Véleményem szerint – a kialakított kistájat alkotó települések külterületi fedvényein mért – a szántóterületek AGROTOPO adatbázisa alapján meghatározott szerves szénkészlet értékeket pontosabbnak, a területet jobban jellemzőnek tartjuk, de az IPCC módszertan segítségével kapott adatok is javasolhatók felhasználásra, ha más adatforrás nem áll rendelkezésre.
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 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.049 | 0.015 |
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".