Pemodelan Perubahan Penggunaan Lahan – Cellular Automata di Kecamatan Asemrowo, Kota Surabaya
Notice bibliographique
Résumé
Kecamatan Asemrowo memiliki perkembangan yang stagnan karena adanyapengaruh dari genang pasang air laut yang mengakibatkan penurunan nilai lahan (RDTRK UP Tambak Osowilangun, 2007). Kondisi struktur dan mofologi kota yang stagnan berpotensi untuk berubah karena adanya pembangunan pusat pertumbuhan baru yaitu Pelabuhan Teluk Lamong (Pelindo III). Penelitian ini bertujuan untuk memprediksi penggunaan lahan ke depan dengan mengakomodasikan faktor penghambat berupagenang pasang air laut dan faktor pendorong (Pelabuhan Pelindo III) menggunakan metode Markov – cellular automata.Markov- cellular automata adalah salah satu jenis kecerdasan buatan dengan dasar perhitungan iterasi pada data raster. Iterasi tersebut dilakukan pada data raster probabilitasperubahan penggunaan lahan yang diformulasikan dari multi-faktor pendorong perubahan penggunaan lahan dan penghambat perubahan penggunaan lahan. Jumlah piksel yangmenjadi acuan dalam proses iterasi dianalisis dengan menggunaan analisis Markov. Dalam merumuskan peta probabilitas perubahan penggunaan lahan digunakan metode regresi logistik dan jaringan saraf tiruan. Tahun akhir prediksi penggunan lahan adalah 2030.Hasil penelitian menunjukkan genang pasang air laut memiliki korelasi positif terhadap perubahan penggunaan lahan menjadi industri pergudangan, permukiman desa, dan tambakyaitu sebesar 21%, 20% dan 22%
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».