Aplikasi Sistem Informasi Geografis (SIG) untuk Prediksi Erosi Lahan dengan Metode MUSLE
Notice bibliographique
Résumé
Perubahan tata guna lahan dapat mempengaruhi jumlah erosi dan sedimentasi pada suatu DAS. Metode MUSLE digunakan untuk mengestimasi besar erosi pada lahan dan SIG untuk menentukan parameter-parameter MUSLE. Nilai sedimentasi lahan yang didapat dari menghitung nilai erosi yang terjadi pada sub DAS dengan nilai angkutan yang terjadi pada setiap sub DAS. Pada Sub DAS Sail, nilai angkutan angkutan lebih besar dibandingkan dengan nilai erosi yang terjadi, sehingga hasil erosi yang ada pada lahan akan terbawa masuk ke dalam sungai.Hasil analisis menunjukkan nilai erosi lahan total dengan 7 sub DAS sebesar 5.927.888.464209 ton / tahun, nilai erosi lahan total dengan 10 sub DAS 5.927.941.901744 ton / tahun, dan nilai erosi lahan total dengan 25 sub DAS sebesar 5.927 0,941,901596 ton / tahun. Kata Kunci: Tataguna lahan, sedimentasi lahan, erosi, MUSLE, SIG
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».