Rakennekalkituksen mahdollisuudet Etelä-Suomen savipeltojen fosforikuormituksen vähentäjänä
Bibliographic record
Abstract
Itämeren rehevöitymisongelman yksi osa on maataloudesta peräisin olevan fosforin huuhtoutuminen jokien kautta Itämereen. Savipeltojen fosforimäärä on yleensä erityisen suuri ja savimaan eroosio sekä fosforin huuhtouma ovat suuria, mikäli myös maan rakenne on huono. Etelä-Suomessa on runsaasti savipitoisia peltoja, joiden fosforihuuhtoumaan on mahdollista vaikuttaa rakennekalkituksella. Ruotsalaistutkimuksista saatujen tulosten perusteella laskettuna kokonaisfosforin huuhtoumaa savimailta on mahdollista vähentää 23–53 %, kun rakennekalkitus suoritetaan oikein. \n \nHELCOM:n tavoite Itämeren hyvän tilan saavuttamiseksi edellyttää typen ja fosforin huuhtouman vähentämistä. Fosforihuuhtouman Suomelle asetettu vähennystavoite on 330 tonnia fosforia per vuosi, josta yli 165 tonnia on vielä saavuttamatta. Suomen vähennystavoite on kohdennettu Suomenlahdelle. \n \nSuomenlahteen laskevien jokien valuma-alueella ELY-keskusten alueiden perusteella laskettuna on noin 248 tuhatta hehtaaria savipeltoa, ja näiltä pelloilta huuhtoutuvan kokonaisfosforin määrä on laskennallisesti vaihteluvälillä 123–400 tonnia vuodessa. \n \nTästä määrästä rakennekalkituksella pystyisi vähentämään vähintään 28 tonnia kokonaisfosforia (123 tonnista per vuosi, minimivähennyksellä 23 %) ja enintään 212 tonnia kokonaisfosforia (400 tonnista per vuosi, maksimivähennyksellä 53 %). HELCOM:n kokonaisfosforin jäljellä olevasta vähintään 165 tonnia vuodessa vähennystavoitteesta tämä tarkoittaisi vähintään 17 % ja enintään 128 % tulosta Suomenlahden fosforimäärän vähennyksessä, mikäli kaikki Uudenmaan, Hämeen ja Kaakkois-Suomen ELY-keskusten alueiden savipellot rakennekalkittaisiin onnistuneesti.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.081 | 0.020 |
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".