Bibliographic record
Abstract
Tattaria kulutetaan maassamme vajaan 1000 hehtaarin viljelyalalta tuotettu määrä. Tattari on arka maan liialliselle kosteudelle ja erittäin arka hallalle. Taimettumisen aikana vuorokauden keskilämpötilan olisi oltava yli +10 ºC ja kylvön ja puinnin välisen ajan lämpösumman yli 900º hyvään satoon pääsemiseksi. Näiden vaatimusten vuoksi kasvi on epävarma viljeltävä. Satovaihtelut ovat hyvin suuria. Tattari viihtyy karkeilla kivennäismailla. Vähämultainen hiesu on sopimaton kasvualusta. Happamuudelle kasvi ei ole arka. Fosforia ja kalia se pystyy liuottamaan maan vaikealiukoisista ravinnevaroista. Suositeltavaa on antaa ravinteita kloorittomana lannoitteena: typpeä 0-40, fosforia 10-17, ja kalia 25-40 kg/ha. Fosforilannoitukseen soveltuu apatiitti. Lajikkeita on runsaasti ja niiden erot ovat huomattavat. Skorospelaja on aikainen, heikkovartinen, Mattia suositeltavampi. Hruszowska, Bohatyr ja Ilkka ovat sopivia Suomen olosuhteisiin. Darja, Petra ja Emka ovat arveluttavan myöhäisiä. Jarista ja Sakarista on vasta kahden vuoden kokemukset. Ne ovat olleet satoisia. Sakari on melko myöhäinen. Kylvötiheydeksi käy 160 kpl/m2 itäviä siemeniä. Vaikeissa taimettumisolosuhteissa on kylvömäärää lisättävä. Rivivälinä 12,5 cm on soveliain. Rikkakasvit on torjuttava edellisenä kesänä ja kevätkesannoinnilla. Kemiallisia rikkakasvintorjunta-aineita ei vielä ole hyväksytty käytettäväksi tattarikasvustossa. Hunajan saanti riippuu maan kosteusolosuhteista, lannoituksesta ja mehiläisten lentoilmoista. Joka vuosi ei hunajaa tattarista saada. Puintiin ryhdytään, kun vähintään 3/4 siemenistä on kypsiä tai pian hallan jälkeen. Sato on aina lajiteltava. Toimenpide on työläs. Viljan jyvät ja peltoretikan lidun pätkät voivat tuottaa ongelmia. Kuorinta onnistuu vain erikoislaitteilla, joita Suomessa on vain muutamia. Kuorintasaanto riippuu ratkaisevimmin laitteesta ja lajikkeesta. Se on yleensä pienempi kuin 65 %, vaihdellen runsaasti.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.259 | 0.120 |
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".