Markberedning i brant och stenig terräng : en jämförande studie mellan markberedning med harv, grävmaskin och spadförsedd skördare
Bibliographic record
Abstract
Markberedningsresultat för tvåradig harv, konventionell grävmaskin och skördare med kranspetsmonterat spadliknande markberedningsaggregat (spadförsedd skördare) jämfördes i ett fältförsök i Medelpad omfattande olika terrängsvårigheter i lutning och ytstruktur (lika Grundförhållanden men olika nivåer på Ytstruktur och Lutning, dvs. olika GYL-klasser). Genom en separat studie av markberedningsresultatets betydelse för planterade tallplantors överlevnad och tillväxt efter 10 år (SCA:s fasta provytor från 1998-2003) skapades 10-åriga ungskogskogsbestånd för markberedningsalternativen. Därefter genererades nuvärden för en omloppstid genom framskrivning av volymproduktion i Heureka PlanVis. \nMarkberedning med grävmaskin resulterade i flest godkända planteringspunkter per ha. På GYL 111 och 123 blev kostnaden per godkänd planteringspunkt, och per hektar, lägst med harv och högst med spadförsedd skördare (> 60 % dyrare). På GYL 134 blev riktade metoder > 50 % billigare jämfört med harv, främst för att harv endast kunde köra i medlut. Minst skillnad i kostnad var på GYL 143. Spadförsedd skördare orsakade klart minst markpåverkan. Skillnaden i antal överlevda huvudstammar per ha efter 10 år var små (<5%) mellan markberedningsalternativen vilket följaktligen resulterade i små skillnader vid skattning av volymproduktion och nettointäkter. Volymproduktion och nettointäkter blev dock något högre för plantering i markberedda planteringspunkter jämfört med plantering i ej markberedda planteringspunkter intill det markberedda vilket indikerar att planteringspunkterna har betydelse för långsiktig virkesproduktion. Det som i studien främst påverkade nuvärdet var kostnaden för markberedningen, dvs. skillnader i metodkostnader avspeglades i nuvärdet. \nResultaten i studien indikerar att vid markberedning i svår terräng (främst avseende lutning) kan riktade markberedningsmetoder vara ett lönsammare alternativ. När konventionell rundkörning kan användas är harvning dock förmodligen mer lönsamt. Om markpåverkan ska beaktas i jämförelsen är riktade markberedningsmetoder fördelaktiga gentemot harvning, i den här studien var markpåverkan från grävmaskin drygt hälften och från spadförsedd skördare endast en femtedel av harvningens påverkan.
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 | 0.004 | 0.005 |
| 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 | 0.006 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.004 |
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".