MétaCan
Menu
Retour à la cohorte
Enregistrement W2604278834 · doi:10.5539/mas.v11n5p11

Developing a User Friendly Decision Tool for Agricultural Land Use Allocation at a Regional Scale

2017· article· en· W2604278834 sur OpenAlexvenueno aff
Sumbangan Baja, Samsu Arif, Risma Neswati

Notice bibliographique

RevueModern Applied Science · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Land Suitability Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLand useAgricultureAgricultural landScale (ratio)Computer scienceLand information systemGeographic information systemSoil surveySpatial decision support systemEnvironmental resource managementDecision support systemUser FriendlyLand-use planningAgricultural engineeringEnvironmental scienceLand managementRemote sensingGeographyCivil engineeringCartographyData miningEngineeringSoil water

Résumé

récupéré en direct d'OpenAlex

Agricultural land use planning should always be guided by a reliable tool to ensure effective decision making in the allocation of land use and activities. The primary aim of this study is to develop a user friendly system on a spatial basis for agricultural land suitability evaluation of four groups of agriculture commodities, including food crops, horticultural crops, perennial (plantation) crops, grazing, and tambak (fish ponds) to guide land use planning. The procedure used is as follows: (i) conducting soil survey based on generated land mapping units; (ii) developing soil database in GIS; and (iii) designing a user friendly system. The data bases of the study were derived from satellite imagery, digital topographic map, soil characteristics at reconnaissance scale, as well as climate data. Land suitability evaluation in this study uses the FAO method. The study produces a spatial based decision support tool called SUFIG-Wilkom that can give decision makers sets of information interactively for land use allocation purposes.This user friendly system is also amenable to various operations in a vector GIS, so that the system may accommodate possible additional assessment of other land use types.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,003
Études des sciences et des technologies0,0010,000
Communication savante0,0030,004
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0140,005

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,257
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetSoil and Land Suitability AnalysisTravaux en français237 207