Soil Moisture Monitoring in Banjarnegara Regency Using SMAP imagery
Notice bibliographique
Résumé
Abstract One of the places in Indonesia where landslides occur relatively frequently, is Banjarnegara Regency. Landslides with significant losses are observed in the study area almost annually. The preceding soil wetness is one of the elements that trigger landslides. In this study, we determine high and low soil wetness by classifying soil moisture and observing how it relates between soil moisture and the occurrence of landslides. Temporary and spatial processing was done on historical soil moisture imaging data from the Soil Moisture Active Passive (SMAP) satellite. The soil moisture variability in each of the 20 grids in the study area was compared. The highest and lowest soil moisture distribution is noticeable using the high-frequency approach. The findings demonstrate that the historical soil water content trend often follows a similar pattern. When divided by the number of samples (n), the Very High-Frequency method has a minimum value of 0 and a maximum value of 25.4mm. In this value range, there are five different classes of soil moisture: very low (0–5mm), low (5.1–10mm), medium (10.1–15mm), high (15.1–20mm), and very high (20.1-25.4mm). Despite not being the highest value from very high-frequency computations, the Banjarnegara Regency is in the high class, ranging from 16.12mm to 20.03mm. The elements causing the frequent landslides in Banjarnegara Regency are excessive and antecedent soil moisture. From 894 historical data records, entire grids with very-high and high classes cumulatively have between 51% and 85% incidences of soil moisture value.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».