MétaCan
Menu
Retour à la cohorte
Enregistrement W4399900842 · doi:10.35580/jes.v6i1.52056

KAJIAN PENGARUH PERUBAHAN LAHAN TERHADAP BENCANA BANJIR DI KECAMATAN MANGGALA KOTA MAKASSAR

2023· article· id· W4399900842 sur OpenAlexaff
Nini Apriani Rumata, Andi Makbul Syamsuri, Nur Miftahul Janna, Nurul Ilma

Notice bibliographique

RevueJurnal Environmental Science · 2023
Typearticle
Langueid
DomaineEnvironmental Science
ThématiqueWater and Land Management
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésGeographyForestry

Résumé

récupéré en direct d'OpenAlex

Kawasan Perkotaan selalu mengalami perkembangan penduduk yang sangat pesat. Perkembangan ini berbanding lurus dengan kebutuhan terhadap lahan untuk perumahan, pembangunan sarana dan prasarana serta penunjang lainnya sehingga pembangunan terjadi secara terus menerus. Akibat dari pembangunan ini dapat berpotensi terjadi alih fungsi lahan sehingga daerah resapan air menjadi berkurang dan menyebabkan bencana banjir. Kota Makassar mengalami perkembangan yang sangat pesat dimana dalam waktu 8 tahun perkembangan lahan terbangun sebanyak 17%. Perkembangan ini sejalan dengan terjadinya bencana banjir setiap tahunnya. Salah satu wilayah yang mengalami perkembangan pertumbuhan lahan terbangun dengan pesat dan banjir paling parah adalah Kecamatan Manggala. Penelitian ini bertujuan: 1) Mengidentifikasi perubahan lahan di Kecamatan Manggala tahun 2013 sampai tahun 2023; 2) Menganalisis dampak perubahan lahan terhadap wilayah yang berpotensi terjadi bencana banjir di Kecamatan Manggala. Metode analisis yang digunakan dengan menggunakan analisis deskriptif untuk mengidentifikasi pemanfaatan lahan pada tahun 2013-2023 dengan menggunakan interpretasi foto citra udara dan analisis spasial dengan menggunakan aplikasi Geographic Information System (GIS) untuk mengetahui potensi banjir akibat pemanfaatan lahan. Hasil dari penelitian ini menunjukkan adanya peningkatan yang sangat pesat untuk pemanfaatan lahan terbangun yang berkembang dari 6,8% menjadi 95,4%. Hal ini sejalan dengan pertumbuhan wilayah yang rawan terhadap bencana banjir.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,022
Score d'incertitude au seuil0,074

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0030,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0220,003

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 Opus0,010
Tête enseignante GPT0,213
Écart entre enseignants0,203 · 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Environmental ScienceMême sujetWater and Land ManagementTravaux en français237 207