MétaCan
Menu
Retour à la cohorte
Enregistrement W4378760239 · doi:10.21009/spatial.221.9

Kajian Distribusi Salinitas Airtanah di Daerah Pesisir Kecamatan Adimulyo Kab. Kebumen Jawa Tengah

2022· article· id· W4378760239 sur OpenAlexaff
Agung Adiputra, Winarno Winarno

Notice bibliographique

RevueJurnal SPATIAL Wahana Komunikasi dan Informasi Geografi · 2022
Typearticle
Langueid
DomaineEnvironmental Science
ThématiqueCoastal Management and Development
Établissements canadiensWiLAN (Canada)
Organismes subventionnairesnon disponible
Mots-clésPhysics

Résumé

récupéré en direct d'OpenAlex

Salinisasi airtanah terjadi di kecamatan adimulyo kabupaten kebumen disebabkan oleh aktivitas manusia. Aliran sungai yang aliran nya sangat lambat, akibat gradien hidrolisnya yang kecil menuju daerah estuari. Berkurangnya airtanah akibat peningkatan pengambilan oleh aktivitas manusia menyebabkan air sungai yang intrusif berdampak pada airtanah terasa payau. Analisis data yang dilakukan dalam penelitian berdasarkan data primer sampel yang diukur salinitas airtanahnya menunjukkan adanya pengaruh dari larutan garam pada kadar tertentu yang mengindikasikan adanya tingkat keasinan dengan kandungan ion klorida yang bersifat negatif. Nilai salinitas yang termasuk jenis air payau. Daya Hantar Listrik Daya hantar listrik airtanah menunjukkan adanya sifat menghantarkan listrik dari air. Salinitas air tanah tertinggi terdapat di wilayah Kecamatan Adimulyo, Kabupaten Kebumenbagian tengah yaitu berkisar antara 4,45‰ – 10,15‰. Ada faktor lain selain jarak wilayah dari garis pantai, yaitu air sungai (estuary) yang berasa payau, dan banyaknya pengambilan air tanah oleh penduduk yang dapat memperbesar meresapnya air sungai (estuary) yang payau ke dalam air tanah. Di wilayah bagian Utara Kecamatan Adimulyo, Kabupaten Kebumenmerupakan wilayah yang mempunyai salinitas air tanah yang paling rendah yaitu berkisar antara 0,12‰ – 2,50‰. Adapun di wilayah Kecamatan Adimulyo, Kabupaten Kebumenbagian Selatan mempunyai salinitas air tanah yang menengah yaitu berkisar antara 0,80‰ – 2,87‰.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
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: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,080

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,001
Communication savante0,0040,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0240,006

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 Opus0,008
Tête enseignante GPT0,206
Écart entre enseignants0,198 · 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal SPATIAL Wahana Komunikasi dan Informasi GeografiMême sujetCoastal Management and DevelopmentTravaux en français237 207