MétaCan
Menu
Retour à la cohorte
Enregistrement W2995931396 · doi:10.31227/osf.io/vbw4p

Daya Dukung Lahan Pertanian, Permukiman, dan Kawasan Lindung di DAS Sembung, Kabupaten Sleman, DIY

2018· preprint· id· W2995931396 sur OpenAlexaff
Arum Sari Widiastuti, Deka Ayu Maretya, Gina Aprila Wangge, Amalya Suci, Afid Nurkholis, Yuli Widyaningsih, Ayu Dyah Rahma, Ardian Abdillah

Notice bibliographique

Revuenon disponible
Typepreprint
Langueid
DomaineEnvironmental Science
ThématiqueWater and Land Management
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésForestryPhysicsGeography

Résumé

récupéré en direct d'OpenAlex

Pembangunan wilayah di DAS Sembung yang semakin meningkat menjadikan analisis daya dukung terhadap lahan permukiman, pertanian, dan kawasan lindung perlu dilakukan. Analisis ketiga daya dukung tersebut dilakukan secara spasial berdasarkan bentuklahan yang terdiri dari lereng kaki, dataran kaki, dan teras sungai. Hasil penelitian menunjukkan bahwa daya dukung terhadap permukiman menunjukkan bahwa pada lereng kaki dan dataran kaki memiliki daya dukung yang tinggi sedangkan pada bentuklahan teras sungai memiliki daya dukung permukiman yang rendah. Hal ini dipengaruhi oleh faktor luas lahan layak permukiman dan jumlah penduduk pada masing-masing bentuklahan. Hasil perhitungan daya dukung pertanian menunjukkan bahwa lereng kaki memiliki daya dukung yang tergolong tinggi sedangkan pada dataran kaki dan teras sungai memiliki daya dukung yang rendah, hal ini disebabkan karenatekstur tanah di lereng kaki adalah geluh berpasir yang cocok untuk pertanian sedangkan tektur tanah pada dataran kaki dan teras sungai dominan pasir. Hasil perhitungan daya dukung lindung menunjukkan bahwa pada bentuklahan lereng kaki dan dataran kaki memiliki daya dukung yang tergolong rusak sedangkan pada teras sungai tergolong sedang. Hal ini sangat dipengaruhi olehkondisi alami yang ada pada lereng kaki dan dataran kaki telah banyak berubah akibat aktivitas manusia

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,291
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0030,008
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,008

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 Opus0,017
Tête enseignante GPT0,257
Écart entre enseignants0,240 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetWater and Land ManagementTravaux en français237 207