Peran Lansekap Dalam Kinerja Infrastruktur Perkotaan Studi Kasus: Surabaya dan Malang, Indonesia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Transportation has been recognized as one of the indicators instrumental in the development of the city. However, the development of transport seems to have the impact on the environment in the spatial and temporal large of coverage (Rini , 2005) . The impact of high transport movements will contribute to vehicle air pollution, thermal energy (temperature) and noise (Soedomo, 1999). In Indonesia, stations, airports, public transport infrastructure and other terminals, has a noise level of up to 70 dB (SK.MLH 24/11, 1996). Landscape Infrastructure is one of the strategies new urban designs to extend the performance parameters of a landscape that is designed for high-performance multi - system function, including those originally thought to be derived from the traditional system infrastructure. Thinking in terms of Landscape Infrastructure adds several advantages to traditional infrastructure : the beauty of the city and re-vegetation/forestation, water and energy conservation; restoration of natural systems, storm water management, agriculture, energy, expansion of wildlife habitat; favoured the use of pedestrians , and expanded parks and open space areas built ignored by the existing urban infrastructure (Aquino, 2011) . This paper will discuss and how to optimize the design of the infrastructure landscape for urban transport infrastructure to minimize air pollution, noise and energy conservation, in terms of transport infrastructure in Malang and Surabaya, Indonesia
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle