KAJIAN PERUBAHAN IKLIM DI DKI JAKARTA BERDASARKAN DATA CURAH HUJAN
Notice bibliographique
Résumé
A common annual problem that often occurs in DKI Jakarta is flooding. Extreme rainfall is one of the most dominant factors that trigger flooding in DKI Jakarta. Global warming causes climate change and rainfall characteristics. This study aims to understand the characteristics of the climate rainfall in DKI Jakarta at this time and the potential for changes in the future. In this study, the characteristics of rainfall which is analyzed were rainfall variabilities such as annual rainfall, maximum rainfall, and the number of rainy days as indicated by analysis of rainfall trends or the tendency of changes in rainfall characteristics over time. Rainfall prediction simulation is carried out using the Statistical Downscaling method. The climate model used is CanESM5 (The Canadian Earth System Model version 5), which is one of the climate models in the Assessment Report (AR6) issued by the IPCC in 2022. The future rainfall at each station is projected for the future period (FP), namely FP-1 (2025-2049), FP-2 (2050-2074), and FP-3 (2075-2100) with the climate scenario Shared Socio-economic Pathways (SSP) 3-7,0. Predictive rainfall analysis yields information that the average annual rainfall, average maximum rainfall and the number of rainy days generally increase in each future period when compared to the historical annual average rainfall. In general, climate change does not result in changes in monsoon rainfall patterns. However, global warming has the potential to increase future rainfall and speed up the start of the rainy season.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,070 | 0,014 |
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 ».