Raakamaidon tuotannon hiilijalanjälki – mallinnus ja vaikutusten arviointi
Bibliographic record
Abstract
Suomen kasvihuonekaasupäästöistä n. 12 % on peräisin maataloudesta, josta n. 30 % tulee suoraan lypsylehmistä ja niiden lannasta. Tilastollisesti merkittävien päästöjen vuoksi maitotalouden ympäristöystävällisyyttä on kyseenalaistettu, mutta raakamaidon tuotannon hiilijalanjälkeä ei ole tutkittu Suomessa aiemmin. \n \nOpinnäytetyössä tehtiin oma elinkaarilaskentaohjelma, jolla laskettiin pilottitilojen maidon ja naudanlihan hiilijalanjäljet, sekä maidon hiilijalanjälkeen vaikuttavia tekijöitä. Elinkaarilaskentaohjelman pohjana käytettiin ”Lypsikki 2.0” -ohjelmaa, joka on tilatasoinen ravinnehallintamalli, jossa on lypsylehmän ruokinnan optimointi- ja vuosikiertomallinnustyökalu. \n \nElinkaariarviointi rajattiin alkupanosten tuotannosta meijerin portille, mutta inventaarioanalyysin aikana neljä neljästätoista pilottitilasta ja kaikki kuljetuspäästöt kuitenkin jätettiin pois tarkastelusta. Toiminnalliseksi yksiköksi valittiin energiakorjattu maito (EKM). Viljelyn kasvihuonekaasupäästöt allokoitiin tuotteille kahdella tavalla: allokoimalla kaikki päästöt tuotteille ja allokoimalla vain karjalle syötettyjen rehujen viljelypäästöt. Kasvihuonepäästöjen allokoinnissa maidon ja lihan välillä käytettiin kolmea allokointimenetelmää: energia, taloudellista ja fyysis-kausaalista. \n \nElinkaarilaskentaohjelman antamat tulokset ja päästöjen osuudet vastasivat muiden maiden maidon hiilijalanjälkitutkimusten perusteilla tehtyjä oletuksia. Suomalaiselle maidolle saatiin hiilijalanjäljeksi 1-1,3 kg CO2e/kg EKM, mutta tilamäärä oli varsin pieni tässä otannassa. Maitotilasta riippuen maidon hiilijalanjälki voi olla alempi tai ylempi kuin ilmoitettu arvo. Maidon alkutuotannon kasvihuonekaasupäästöistä n. 50 % tulee karjan ruoansulatuksesta, 35 % viljelystä, 10 % lannasta ja loput energiankäytöstä. \n \nSimuloinnissa maidon ja lihan hiilijalanjälki saatiin pienennettyä suosimalla korkeatuottoisia lehmiä, nostamalla lehmien ruokavalion rasva- ja proteiinipitoisuutta ja alentamalla tilan karjan uudistusprosenttia. Satotason nosto viljelyssä todettiin olevan tehokkain tapa alentaa maidon hiilijalanjälkeä. Lannanhallinnassa saatiin maidon hiilijalanjälki pienennettyä varastoimalla lietelantaa ilman peitettä ja luonnollista kuorta. Liete- ja kuivalannan välistä lannanhallinnan vaikutusta hiilijalanjälkeen ei simuloitu tiedon puutteen vuoksi. \n \nElinkaarilaskenta ohjelma ilmoittaa 12 hiilijalanjälkitulosta maidolle ja lihalle riippuen valituista allokointimenetelmistä ja karakterisointikertoimista. Muuttamalla elinkaarilaskentaohjelmassa toiminnallinen yksikkö raakamaidoksi tai rasva-proteiinikorjattumaidoksi, saadaan 36 hiilijalanjälkitulosta. Suurella tulosten lukumäärällä parannettiin maidon hiilijalanjäljen verrattavuutta muihin tutkimuksiin ja pienennettiin elinkaariarviossa tehtyjen valintojen aiheuttamaa epävarmuutta.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.004 | 0.004 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.007 | 0.006 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.005 | 0.003 |
| Research integrity | 0.004 | 0.002 |
| Insufficient payload (model declined to judge) | 0.107 | 0.405 |
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".