PEMODELAN PERUBAHAN PENGGUNAAN LAHAN DI KABUPATEN KAMPAR
Notice bibliographique
Résumé
This study aims to analyze the drivers of land use change in Kampar District and to make modeling of land use changes in 2028. This study uses a survey method. To find out the factors driving the changes in land use in Kampar District were analyzed using binary logistic regression with a stepwise method. Forward land use prediction in 2028 with 3 scenarios was carried out by modeling using Markov Chain and Cellular Automata (CA). The results showed that the density population, altitude, slope, distance to the main road, distance to the river, and distance to the subdistrict city are the driving factors that influence changes in the use of forest land to plantations, forests to open land, mixed plantations to built up land, and mixed plantations to plantations in Kampar District The results of land use modeling in 2028 using CA-Markov with 3 scenarios indicate an increase or reduction in several types of land use, especially forests, plantations, paddy fields and built up land use, forest land use decreases widely in scenario I, and scenario II , on the contrary experience an increase in area in scenario III; plantation land use shows the addition of the three scenarios created; Likewise the developed land shows addition to all three scenarios; Furthermore, there is a reduction in paddy fields in scenario I and scenario II, but in scenario III the use of paddy fields does not experience any addition or reduction
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».