Monitavoitteinen päätösanalyysi turvepeltojen käyttömuotojen vertailussa
Bibliographic record
Abstract
Tämän työn tarkoituksena oli selvittää vastaavatko ilmaston kannalta ongelmalliset turvepeltojen perinteiset syvään ojitetut käyttömuodot turvepeltojen viljelijöiden tavoitteita, sekä miten vaihtoehtoiset vähäpäästöisemmät turvepellon käyttömuodot voivat vastata tavoitteisiin. Suomella on sekä kansallinen, että Euroopan Unionin asettama kasvihuonekaasujen päästövähennystavoite, jotka velvoittavat Suomea vähentämään kasvihuonekaasupäästöjään 39 % vuoden 1990 tasosta vuoteen 2030 mennessä, ja 80 % vuoden 1990 tasosta vuoteen 2050 mennessä. Maataloussektorin osuus Suomen kasvihuonekaasupäästöistä on noin 10%. Viljellyt orgaaniset maat kattavat noin 10 % Suomen maanviljelymaan pinta-alasta, mutta ne tuottavat noin 50–60 % koko maanviljelysektorin kasvihuonekaasupäästöistä. Perinteisen intensiivisen viljan ja nurmen viljelyn vaatima alhainen vedenpinta turvepellolla aiheuttaa nopeaa turpeen aerobista hajoamista, johtaen korkeisiin kasvihuonekaasu- ja ravinnepäästöihin, painumaan, ja lukuisiin viljelyongelmiin. Kirjallisuuskatsauksen perusteella pohjavedenpinnan nostaminen on tehokkain keino kasvihuonekaasupäästöjen hillitsemiseksi turvepelloilla, mutta vedenpinnan nosto rajoittaa perinteisten satokasvien viljelyä. Kirjallisuudessa on esitetty turvepellon vaihtoehtoisiksi käyttömuodoiksi muun muassa ennallistamista, kosteikkoviljelyä ja metsitystä. Tässä työssä sovellettiin monitavoitteisen päätösanalyysin menetelmiä turvepellon käyttömuotojen keskinäisessä vertailussa erilaisten tavoitteiden valossa. Vertailtavia käyttömuotoja valittiin työhön 12 kappaletta, niiden sisältäessä käyttömuotoja sekä matalalla, että korkealla pohjavedenpinnalla. Työssä selvitettiin ensin, millaisilla indikaattoreilla turvepellon käyttömuotojen suoriutumista voidaan mitata, ja indikaattoreille etsittiin käyttömuotokohtaisia arvoja kirjallisuudesta. Kullekin indikaattorille oli tarkoitus kerätä viljelijöiltä tavoitteiden mukaiset painokertoimet kyselylomakkeen avulla, mutta koska vastauksia kyselyyn ei saatu, monitavoitteinen päätösanalyysi suoritettiin sekä tutkijaryhmän sisältä kerätyillä, että simulaation tuottamilla painokertoimilla. Syvään ojitetut perinteiset viljelymuodot menestyivät indikaattoreiden tarkastelussa hyvin taloudellisella ja tuotannollisella osa-alueella, mutta huonosti säätelevällä ja kulttuurillisella osa-alueella. Sekä tutkijaryhmän, että simulaation antamien painotusten perusteella tehdyissä monitavoitteisissa päätösanalyyseissa kosteikkoviljelyvaihtoehdot valikoituivat syvään ojitettuja viljelymuotoja huomattavasti useammin parhaiksi turvepellon käyttömuodoiksi. Tutkijaryhmän painotuksilla syvään ojitetut käyttömuodot eivät valikoituneet parhaaksi käyttömuodoksi kertaakaan, ja simulaation tuottamilla painotuksilla vain 3,5 prosentilla painotusyhdistelmistä. Monitavoitteiset päätösanalyysit osoittavat, että märillä käyttömuodoilla on potentiaalia valikoitua turvepellon parhaiksi käyttömuodoiksi myös taloutta vahvasti painottavilla painotusprofiileilla, mutta tämä edellyttää, että kosteikkoviljelytuotteille syntyy markkinat tulevaisuudessa. Tukipolitiikka vaikuttaa myös todennäköisesti vahvasti vaihtoehtojen taloudelliseen houkuttelevuuteen. Kosteikkoviljelystä tarvitaan kuitenkin pidempiaikaista tutkimustietoa, ja kosteikkoviljelyn tutkiminen tulisi aloittaa myös Suomessa, jotta arvioita indikaattoreiden saamista mahdollisista arvoista saataisiin tarkemmaksi.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.081 | 0.024 |
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".