MétaCan
Menu
Retour à la cohorte
Enregistrement W4403239191 · doi:10.29313/bcsurp.v4i3.14845

Pengaruh Cadangan Karbon terhadap Karbondioksida Terlarut berdasarkan Penggunaan Lahan di Kecamatan Cikajang, Kabupaten Garut

2024· article· en· W4403239191 sur OpenAlexaff
Alldy Mauludin, Saraswati

Notice bibliographique

RevueBandung Conference Series Urban & Regional Planning · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueWetland Management and Conservation
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésPhysicsEnvironmental science

Résumé

récupéré en direct d'OpenAlex

Abstract. The 1.2°C increase in annual surface temperature over the past 20 years has led to climate change and global warming. Greenhouse gases have a huge influence on climate change and global warming. Carbon dioxide as one of the greenhouse gases needs to be reduced in the atmosphere. Ways to reduce carbon dioxide can be done by utilising forests and land cover as carbon stocks as stated in Indonesia's Forest and Other Land Use Net Sink 2030 policy. Cikajang sub-district has various types of land use, but is inseparable from land change. In addition, Cikajang sub-district is also given abundant water for human use. Land use change can affect carbon stocks to water conditions. The purpose of this study is to determine the relationship between carbon stocks and dissolved carbon dioxide based on land use in Cikajang District. The approach methodology used is quantitative using simple linear regression analysis. Total carbon stocks by land use land use in Cikajang sub-district was 704,548.49 tonnes-c. Water conditions on land use of protected forest and production forest is better than other land uses with dissolved carbon dioxide of 4.548.49 tonnes-c. other land uses with dissolved carbon dioxide of 4.4 mg/L. Analysis results simple linear regression analysis showed a significance value of 0.026 <0.05 probability value, and t count (-2.05). probability value, and t count (-2.729) > t table (2.306) meaning that there is an influence of carbon stock coefficient on dissolved carbon dioxide according to type of land use in Cikajang. The value obtained to fulfil the equation of the simple linear regression analysis method Y = a + bX is Y = 9,680 + (-0,746E-005)X. Abstrak. Kenaikan suhu permukaan tahunan dalam 20 tahun terakhir sebesar 1,2°C telah menyebabkan perubahan iklim dan pemanasan global. Gas rumah kaca memiliki pengaruh yang begitu besar bagi perubahan iklim dan pemanasan global. Karbondioksida sebagai salah satu gas rumah kaca perlu ditekan keberadaannya di atmosfer. Cara untuk mengurangi karbondioksida dapat dilakukan dengan memanfaatkan hutan dan tutupan lahan sebagai cadangan karbon seperti yang tertera dalam kebijakan Indonesia’s Forest and Other Land Use Net Sink 2030. Kecamatan Cikajang memiliki jenis penggunaan lahan yang beragam, namun tidak terlepas dari adanya perubahan lahan. Selain itu, Kecamatan Cikajang juga diberikan air yang melimpah untuk kepentingan manusia. Perubahan penggunaan lahan dapat mempengaruhi cadangan karbon hingga kondisi air. Tujuan penelitian ini yaitu mengetahui hubungan antara cadangan karbon dengan karbondioksida terlarut berdasarkan penggunaan lahan di Kecamatan Cikajang. Metodologi pendekatan yang digunakan yaitu kuantitatif dengan menggunakan analisis regresi linier sederhana. Total cadangan karbon menurut penggunaan lahan di Kecamatan Cikajang sebesar 704.548,49 ton-c. Kondisi air pada penggunaan lahan hutan lindung dan hutan produksi lebih baik dari penggunaan lahan lainnya dengan karbondioksida terlarut sebesar 4,4 mg/L. Hasil analisis regresi linier sederhana menunjukkan nilai signifikansi 0,026 < 0,05 nilai probabilitas, dan t hitung (-2,729) > t tabel (2,306) artinya terdapat pengaruh koefisien cadangan karbon terhadap karbondiosida terlarut menurut jenis penggunaan lahan di Kecamatan Cikajang. Nilai yang didapatkan untuk memenuhi persamaan metode analisis regresi linier sederhana Y = a + bX adalah Y = 9,680 + (-0,746E-005)X.

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: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0320,006

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 Opus0,024
Tête enseignante GPT0,222
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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBandung Conference Series Urban & Regional PlanningMême sujetWetland Management and ConservationTravaux en français237 207