Kurtturuusun tehokas poistaminen tieympäristöstä
Bibliographic record
Abstract
Kurtturuusu luokiteltiin haitalliseksi vieraslajiksi 2019 sen aggressiivisen ja tehokkaasti muita lajeja syrjäyttävän leviämistapansa takia. Opinnäytetyöni tavoitteena on löytää mahdollisimman tehokas tapa hävittää kurtturuusu ’Rosa rugosa’ ja sen valkokukkainen versio ’Rosa rugosa f. alba’. Työssä avataan myös sitä, miksi ko. kasvi on luokiteltu haitalliseksi vieraslajiksi. \n \nOpinnäytetyössä suoritettiin kenttäkoe, jossa tutkittiin erilaisten menetelmien vaikutusta kurtturuusuun sen poistamistarkoituksessa. Poistotoimenpiteiksi valikoitui alasleikkaus, etikalla- ja pelargonihapolla käsitteleminen, kulotus, poistaminen kaivamalla sekä kaivaminen ja peittäminen valoa läpäisemättömällä muovilla. Koe suoritettiin kesällä 2020 (touko - elo) ja sen seuranta jatkuu Destian toimesta vielä kesäkaudella 2021. Kokeen pohjalta laadittiin työohjekortti kurttulehtiruusun poistamiseen Destian alueurakoiden käyttöön. Työohjekortti ja kustannuslaskelmat, joiden pohjalta menetelmien tehokkuutta tutkitaan ovat salassa pidettäviä niiden kilpailuteknisistä syistä, joten niitä ei esitetä tässä työssä. \n \nKenttäkokeen tuottaman tuloksen mukaan tehokkain poistomenetelmä kurtturuusun poistossa on kaivamisen ja tukahduttamisen yhdistelmä. Tämä on kuitenkin lyhyellä aikavälillä kallein vaihtoehto. Huonoin hävitystapa kurtturuusulle on ehdottomasti sen alasleikkaus, sekä pelargonihappokäsittely.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.160 | 0.048 |
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".