Venäjältä tulevien hirvien vaikutus Sallan hirvikantaan
Bibliographic record
Abstract
Opinnäytetyön aiheena on Venäjältä tulevien hirvien vaikutus Sallan hirvikantaan. Suomen ja Venäjän rajalla olevalla poroesteaidalla Sallassa on ollut kymmenen riistakameraa kuvaamassa aidan läheisyydessä tapahtuvaa eläinten liikkumista. Tärkeimpinä tutkimuskysymyksinä oli tutkia kuvien pohjalta, missä määrin hirviä liikkuu Venäjältä Suomen puolelle ja toisinpäin sekä vertailla kahden erityyppisen portin ylitysmääriä. Riistakameratutkimuksia hirvien liikkumisesta ei juurikaan ole, mutta pienempien sorkkaeläinten, kuten valkohäntäkauriiden populaatiotutkimuksessa on riistakameroita käytetty. \n \nAidalla on kahta erilaista porttityyppiä: nieluportteja sekä hyppyportteja. Kamerat ovat keränneet aineistoa vuoden 2021 marraskuusta vuoden 2023 kesäkuulle asti. Opinnäytetyön aineiston on kerännyt Sallan riistanhoitoyhdistys, joka on huolehtinut kameroiden toiminnasta ja kuvien toimittamisesta. Analysoin itse kuva-aineiston. Kuvien tiedot siirrettiin Excel-taulukkoon, johon kirjattiin kuvista tärkeimmät tiedot, kuten aitatyyppi, päivämäärä, hirven sukupuoli ja ikä sekä mahdollinen tapahtunut aidan ylitys. Aineistosta määritettiin 15 minuutin tilanteet eli kuvat, joiden välillä oli kulunut yli 15 minuuttia, merkittiin Exceliin omiksi tilanteikseen. Opinnäytetyön tulokset saatiin Excelin suodatustyökalua käyttämällä. \n \nKuva-aineiston perusteella Venäjältä tulevilla hirvillä ei ole määrällistä vaikutusta Sallan hirvikantaan, sillä Suomen puolelle tulleiden hirvien määrä oli vain neljä enemmän kuin Venäjälle lähteneiden. Tuloksista saatiin kuitenkin selville hirvien sukupuolijakaumaa ja ikärakennetta. Tulokset vastaavat esimerkiksi Luonnonvarakeskuksen arviointeja hirvien tiheydestä ja sukupuolijakaumasta. Nieluporteista Suomen puolelle tuli enemmän hirviä kuin hyppyporteista. Nieluporttien läpi kulkeminen oli usean hirven kohdalla hidasta ja epäröivää. Hyppyporteilla hirvet epäröivät ylitystä vähemmän ja ylitykset tapahtuivat nopeammin.
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 | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 0.064 |
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".