Mitigasi bencana banjir melalui normalisasi Daerah Aliran Sungai Beringin dan pemanfaatan flood early warning system di Kelurahan Mangkang Wetan
Notice bibliographique
Résumé
<span id="docs-internal-guid-febeadee-7fff-6350-068b-b10445c75749"><span>Mitigasi bencana merupakan upaya meminimalkan korban jiwa dan harta benda mulai dari pencegahan, kesiapsiagaan hingga pengurangan kerentanan. Normalisasi sungai dan Flood Early Warning System (FEWS) adalah bentuk mitigasi bencana struktural dan nonstruktural yang dilakukan dalam menghadapi bencana banjir. Penelitian ini bertujuan untuk mengidentifikasi permasalahan penyebab banjir dan menganalisis bentuk mitigasi bencana banjir yang dilakukan di Kelurahan Mangkang Wetan berupa normalisasi sungai dan FEWS. Metode yang digunakan adalah analisis komparatif penanganan banjir di wilayah yang sudah melakukan praktik baik dengan kemungkinan aplikasinya di Kelurahan Mangkang Wetan untuk memberikan rekomendasi dalam peningkatan mitigasi. Hasil penelitian menunjukkan bahwa masih ada masyarakat yang tinggal di kawasan sangat rawan bencana, namun perangkat keras FEWS yang dapat memperkuat mitigasi justru kurang terawat. Di samping itu sudah terlihat upaya tata kelola kolaboratif dari pemerintah, NGO, dunia usaha, dan masyarakat Kelurahan Mangkang Wetan.</span></span>
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».