Taimikonhoidon ennakkohinnoittelu
Bibliographic record
Abstract
Tässä opinnäytetyössä on selvitetty taimikonhoidon ennakkohinnoittelun onnistumista valokuvien perusteella. Työssä tarkastellaan myös kasvatettavan taimikon keskipituuden, valokuvia arvioivan metsätoimihenkilön työkokemusvuosien ja keväällä ja kesällä otettujen valokuvien vaikutusta hinnoittelun onnistumiseen. Tutkimus on osa Kehityshyppy metsänhoitoon -hanketta. \nTyössä tutkittiin taimikonhoitokohteesta otettujen valokuvien perusteella tehtyjä hinta-arvioita. Tutkimukseen valikoitui 33 Metsänhoitoyhdistys Savotan vuonna 2017 toteutukseen tulleita kuusentaimikoiden hoitokohteita. Keväällä ja kesällä otettuja valokuvia analysoi 33 Savotan toimihenkilöä. Valokuvat esitettiin toimihenkilöille kahdella sähköisellä kyselyllä, joiden perusteella he arvioivat taimikonhoidon hinnan Savotan oman hintataulukon mukaisesti. Hintataulukossa taimikonhoito on jaettu kahdeksaan hintaluokkaan: alle kolmemetriset varhaisperkauskohteet neljään vaikeusluokkaan ja yli kolmemetriset taimikonhoitokohteet neljään vaikeusluokkaan. Vastauksia verrattiin mittauksiin perustuviin hintoihin. \nOikeita hinta-arvioita oli 34 %. Hinta-arvio onnistui yhtä hyvin kevät- ja kesäkuvilta, eikä työkokemusvuosien pituudella ollut merkitystä hinta-arvion onnistumisprosenttiin. Taimikonhoidon keskimääräinen mittauksiin perustuva hinta oli 426 €/ha, kun taas keskimääräinen arvioitu hinta oli 421 €/ha. Vastaajat kokivat runkoluvun arvioinnin olevan vaikeampaa valokuvasta kuin pituuden arvioinnin. Kokemusta tukivat myös tutkimuksen tulokset. Kasvatettavan puuston pituusluokan arviointi onnistui 80-prosenttisesti oikein. Tulos oli parempi keväällä otetusta valokuvasta ja yli kolmemetrisestä taimikosta. Vastaajien välinen satunnaisvaihtelu ei ollut merkitsevä.
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) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.051 | 0.043 |
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".