Helsingin lumenkaadon vaikutukset Itämeren ekosysteemeihin ja mikromuovikuormitukseen
Bibliographic record
Abstract
Helsingissä lumenhallinta vaikeutuu kaupunkirakenteen tiivistyessä. Lumi sijoitetaan tällä hetkellä yhdeksälle lumenvastaanottopaikalle, joista yksi on merivastaanottopaikka ja kaksi sulatuslaitoksia. Hernesaaren merivastaanottopaikalla lumi kaadetaan puhdistamattomana ja sulatuslaitoksilta sulamisvedet johdetaan suodatettuna Itämereen. Vuosien 2003–2023 välillä Helsingissä on satanut keskimäärin noin sadan tuhannen kuorman edestä lunta talven aikana. Tästä lumimäärästä Hernesaareen viedään 25–45 % ja sulatuslaitoksille yhteensä 30 %. Helsingin kaupunki on kuitenkin sulkemassa useita lumenkaatopaikkoja mukaan lukien Hernesaaren sekä toisen sulatuslaitoksista. Kaupunki pyrkii siirtymään ympäristöystävällisempiin ratkaisuihin, sillä tällä hetkellä lumenkaadon seurauksena Itämereen päätyy yli viisikymmentä miljoonaa mikromuovipartikkelia joka vuosi. Itämeren suurimmat mikromuovilähteet ovat tieliikenteen rengaskuluma sekä tekonurmikenttien kumipuru. Mereen päätynyt mikromuovi on suuri riski mereneläville, niiden elinympäristölle sekä ihmisille. Muovikappaleet huonontavat veden laatua ja tuhoavat ja muuttavat eliöyhteisöjen elinympäristöjä. Mikromuovia on myös löydetty lukuisten Itämeren kalojen ruoansulatuskanavista. Suomen rannikkokalojen on huomattu sisältävän huomattavasti enemmän mikromuovia kuin avomeren kalojen. Muovihiukkaset voivat tukkia merieliöiden ruoansulatuskanavia sekä johtaa ravinteiden puutteeseen ja heikentyneeseen lisääntymiskykyyn. Uusiin ratkaisuihin siirtyminen ei kuitenkaan ole helppoa. Uudet laitteiston vaativat arviolta noin 72 miljoonaan euron investoinnin. Niiden ylläpito olisi myös kalliimpaa kuin nykyisten järjestelmien.
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 | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.043 | 0.019 |
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".