Eutrofiering av Mjøsa – kartlegging av årsaksforhold og kilder til fosfor i delnedbørfelt: Hunnselva
Bibliographic record
Abstract
Hunnselva har vært betydelig påvirket av både avløp, husdyrhold og arealavrenning fra jordbruket. Vannkvaliteten har blitt bedre sammenliknet med 1970, 1980 og 1990-tallet, men tilstanden med hensyn til eutrofiering er fortsatt moderat i nedre og midtre deler av elva. Avløp er den største kilden til biotilgjengelig fosfor. Fortsatt opprydding i spredt avløp er derfor det viktigste tiltaket for å bedre vannkvaliteten i elva. Beregninger fra 2016 viser at hovedkildene til det menneskeskapte fosfortapet er jordbruk og avløp. Jordbruksproduksjonen har endret seg lite i nedbørfeltet til Hunnselva over de siste 20 årene, og består av husdyr-, gras- og kornproduksjon. Fosforstatus i jorda er høy, og viser en svak økning i løpet av perioden. Dette medfører økt risiko for fosforavrenning. Redusert fosforgjødsling, grasdekte vannveier i forsenkninger, og ‘ingen jordarbeiding om høsten’ vil derfor være viktige tiltak for å redusere fosfortilførslene til elva fra jordbruksarealene. Miljøovervåkingen av Mjøsa, samt algeoppblomstringen i 2019, indikerer at innsjøen ikke tåler særlig større næringsstoffbelastning. Opprettholdelse av god vannkvalitet i Mjøsa er avhengig av målrettede tiltak i de ulike vassdragene som har utløp i Mjøsa. Dette faktaarket omhandler årsaksforhold,kilder og tiltak for redusert fosforavrenning fra nedbørfeltet til Hunnselva.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 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".