Selvitys marjanviljelyn mahdollisuuksista vaalalaisella tilalla
Bibliographic record
Abstract
Opinnäytetyön tavoitteena oli tuottaa tietoa toimeksiantajalle marjanviljelyn mahdollisuuksista Vaalassa. Toimeksiantajana toimi vaalalainen tila. Työssä keskityttiin neljään marjaan: mustaherukkaan, vadelmaan, pensasmustikkaan sekä marjasinikuusamaan eli hunajamarjaan. Markkinaselvitys tehtiin kyselyillä. Ensimmäinen kysely tehtiin marjajalostajille ja tukuille, toinen lähialueen kauppiaille ja kolmas kuluttajille. Ensimmäinen ja toinen kysely lähetettiin sähköpostilla ja kolmannen kyselyn linkki jaettiin julkisesti Facebookissa. Ainoastaan kolmanteen kyselyyn saatiin vastauksia. \n \nTeoriaosuudessa keskityttiin marjojen ominaisuuksiin, kasvupaikka- ja viljelyvaatimuksiin sekä Pohjois-Suomeen soveltuviin lajikkeisiin. Tietoa etsittiin alan kirjallisuudesta ja verkkolähteistä. Marjojen ominaisuuksia ja kasvupaikkavaatimuksia verrattiin tilan olosuhteisiin ja katetuottolaskelmien tuloksiin. Kaikilla neljällä ennalta valitulla marjalla on mahdollisuudet menestyä toimeksiantajan tilalla, pensasmustikalla kuitenkin hiukan varauksella lajikkeiden puolesta. \n \nMarkkinaselvityksessä suosituin marja kuluttajien keskuudessa oli vadelma. Toiseksi suosituin marja oli pensasmustikka. Myös mustaherukka kiinnosti joitakin vastaajista. Marjasinikuusama oli vastaajien keskuudessa tuntemattomampi marja, mikä osaltaan varmasti vaikuttaa kiinnostukseen ostaa marjaa. Muita marjoja, joita vastaajat toivoivat, olivat tyrni, mansikka, karhunvadelma, karviainen, marja-aronia ja saskatoon. \n \nKatetuottolaskelmissa päästiin lopputulokseen, että muut marjat, paitsi mustaherukka, olisivat kannattavia viljellä. Marjasinikuusaman katetuottolaskelma oli kaikkein epäluotettavin, koska tietoja ei ollut yhtä hyvin saatavilla kuin muista opinnäytetyössä käsitellyistä marjoista. Kuitenkin laskelmien perusteella olisi kannattavaa viljellä vadelmaa, pensasmustikkaa ja marjasinikuusamaa. \n \nOpinnäytetyön lopputuloksena on se, että tilalla kannattaisi alkaa viljelemään vadelmaa. Vaikka se on vaativin marja näistä neljästä, on sillä mahdollisuudet menestyä toimeksiantajan tilalla. Vadelman viljelyssä täytyy kuitenkin ottaa huomioon työvoimantarve. Jos mustaherukasta saa tarkemmilla katetuottolaskelmilla kannattavan viljeltävän, suosittelen senkin viljelyä. Pensasmustikkaa kannattaisi kokeilla aluksi pienellä alalla, jotta valittujen lajikkeiden soveltuvuus tilalla varmistetaan. Marjasinikuusamaa voisi myös viljellä aluksi pienellä alalla. Kuluttajien kiinnostuksen ja kysynnän kasvaessa pinta-alaa voisi myös kasvattaa.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.002 |
| Scholarly communication | 0.016 | 0.009 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.170 | 0.089 |
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".