Suorakylvön soveltuvuus nautakarjatilojen viljanviljelyyn
Bibliographic record
Abstract
Viljojen suorakylvö on todettu toimivaksi ja kustannuksia säästäväksi menetelmäksi Etelä-Suomessa järjestetyissä kokeissa. Tämän tutkimuksen tavoitteina oli selvittää, miten suorakylvömenetelmä soveltuu pohjoisen Suomen maaperä- ja ilmasto-oloihin, miten karjanlanta soveltuu suorakylvöön ja miten suorakylvö onnistuu, kun kylvetään nurmen jälkeen. Tutkimusta varten perustettiin keväällä 2003 kolme kolmevuotista ohran suorakylvökoetta hieta- ja multamaille. Kokeissa verrattiin syys- ja kevätkyntöä suorakylvöön. Lannoituksena käytettiin joko naudan lietelantaa tai väkilannoitetta. Suorakylvetyn ohran kasvuunlähtö oli yleensä hitaampaa kuin kyntäen muokatun, mutta erot tasoittuivat kasvukauden edetessä. Suorakylvetyn ohran sadot olivat yleensä samaa luokkaa kuin kynnetynkin, mutta yhdellä koepaikalla jäätiin kahtena vuotena kolmesta 10 15 % pienempään satoon. Joinain vuosina suorakylvetyn sadon laatu oli hieman heikompi, joinain vuosina hieman parempi kuin kynnettyjen ruutujen sadon laatu. Nämä tulokset ovat hyvin samansuuntaisia kuin Etelä-Suomen suorakylvökokeista saadut tulokset. Ennen suorakylvöä levitetyn lietelannan liukoisesta typestä haihtui ilmaan noin 75 %. Vastaavasti kynnetystä ja äestämällä mullatusta lietelannasta typen haihtuminen oli hyvin vähäistä. Siten joinakin vuosina suorakylvettyjen ja lietteellä lannoitettujen ruutujen sato jäi 20 40 % kynnettyjä ruutuja pienemmäksi. Suorakylvössä lietteen sisältämä fosfori kertyi maan pintaan, jolloin se voi olla alttiina huuhtoutumiselle. Suorakylvökoneen lannan multausteho ei siis ole riittävä. Juolavehnän torjunnalla oli myös suuri merkitys. Mikäli torjuntaa ei tehty säännöllisesti, suorakylvetyn koejäsenen sato pieneni jo toisena koevuonna yli 40 %. Kun nurmen lopetus oli tehty huolellisesti glyfosaatilla, viljan suorakylvö onnistui siihen hyvin.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.011 | 0.005 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.117 | 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; 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".