KAJIAN RISIKO BENCANA LONGSOR KECAMATAN LOANO KABUPATEN PURWOREJO
Notice bibliographique
Résumé
Kecamatan Loano berada di bagian timur-selatan Kabupaten Purworejo, merupakan daerah rawan longsor yang disertai kondisi sosial ekonomi yang menambah kerentanannya. Studi ini bertujuan untuk mengkaji risiko bencana longsor, cakupan kajian meliputi karakteristik ancaman, kerentanan {sosial ekonomi & fisik lingkungan, kapasitas (respon lingkungan)} serta risiko bencana. Pengolahan data menggunakan software ArcGIS dan SPSS. Secara fisik alam, ancaman risiko longsor bervariasi yaitu 21,36 km2 (40,09%) indeks rendah, 13.14 km2 (24,66%) sedang dan 18,78 km2 (35,25%) tinggi. Indeks kerentanan sosial ekonomi & fisik lingkungan terdiri dari 3 desa indeks rendah, 11 desa sedang dan 7 desa tinggi. Karakteristik kapasitas (respon lingkungan) diambil dengan menggunakan kuesioner individu masyarakat dan pemerintah desa. Karakteristik kapasitas (respon lingkugan)-nya adalah 14 desa indeks rendah, 4 desa sedang dan 3 desa tinggi. Kerentanan secara holistickyang merupakan jumlah total kerentanan sosial ekonomi & fisik lingkungan serta kapasitas (respon lingkungan) terdapat 3 desa indeks rendah, 4 desa sedang dan 14 desa tinggi. Tingkat risiko bencana longsor bervariasi, terdiri dari rendah 6,72 km2 (12,62%) , sedang 24,59 km2 (46,15%) hingga tinggi 21,96 km2 (41,23%). Risiko longsor yang tinggi perlu dikurangi dengan menurunkan kerentananya. Selanjutnya, diharapkan metode ini dapat diterapkan di wilayah lainnya yang memiliki karakteristik hampir sama dengan Kecamatan Loano.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,018 |
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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».