MétaCan
Menu
Retour à la cohorte
Enregistrement W4251371957 · doi:10.31227/osf.io/s6da9

Sistem Usahatani Kopi Arabika Berpelindung sebagai Strategi Konservasi Lahan di Sumatera Utara

2017· preprint· id· W4251371957 sur OpenAlexaff
Jef Rudiantho Saragih

Notice bibliographique

Revuenon disponible
Typepreprint
Langueid
DomaineAgricultural and Biological Sciences
ThématiqueAgricultural Research and Practices
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésForestryAgricultural sciencePolitical scienceGeographyBusinessEnvironmental science

Résumé

récupéré en direct d'OpenAlex

Status : PostprintTingkat deforestasi di Sumatera Utara mengalami peningkatan dari tahun ke tahun yang menyebabkan pertambahan luas lahan dan DAS kritis. Sementara itu, upaya rehabilitasi hutan, penghijauan, dan pengembangan hutan rakyat masih menghadapi berbagai kendala sehingga kurang optimal sebagai strategi rehabilitasi hutan dan lahan. Salah satu strategi yang dapat dilakukan adalah sistem usahatani kopi arabika berpelindung dan multistrata. Indonesia merupakan produsen kopi ketiga terbesar di dunia, sementara Sumatera Utara merupakan penghasil kopi arabika terbesar di Indonesia. Jumlah pohon pelindung masih sangat rendah yaitu rata-rata 54 pohon/ha (dengan sistem kopi berpelindung dan multistrata), dari standar ideal jumlah pohon pelindung 400 pohon/ha. Karena itu, diperlukan program pemberdayaan dan penyadaran petani mengenai manfaat pohon pelindung bagi tanaman kopi. Jumlah pohon pelindung cenderung berpengaruh negatif terhadap produksi kopi arabika, sehingga peningkatan harga premium biji kopi melalui program sertifikasi kopi merupakan prasyarat bagi strategi konservasi lahan dan air berbasis usahatani kopi berpelindung dan kopi multistrata.Artikel disampaikan pada "Sarasehan untuk Peringatan Hari Penanggulangan Degradasi Lahan dan Kekeringan se -Dunia", diselenggarakan oleh Forum DAS Asahan-Toba bekerjasama dengan Fakultas Pertanian Universitas Simalungun, Taman Eden 100, Kabupaten Toba Samosir, 17 Juni 2013.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,086

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0050,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0260,006

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 Opus0,102
Tête enseignante GPT0,321
Écart entre enseignants0,220 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations4
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAgricultural Research and PracticesTravaux en français237 207