Menilik Perubahan Kerapatan Vegetasi di Kota Batu (Komparasi Tahun Pengamatan 2018 dan 2020)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pembangunan di Kota Batu telah mengakibatkan peningkatan lahan terbangun dan penurunan vegetasi. Perubahan penggunaan lahan dapat terlihat melalui analisis sebaran vegetasi menggunakan data Citra Landsat 8. Penelitian ini bertujuan untuk membandingkan sebaran dan luas kerapatan vegetasi di Kota Batu pada tahun 2018 dan 2020 menggunakan klasifikasi indeks kerapatan vegetasi Normalized Difference Vegetation Index (NDVI). Metode NDVI digunakan untuk membandingkan pantulan sinar merah dan sinar inframerah. Hasil analisis menunjukkan bahwa pada tahun 2018, sebaran nilai NDVI di Kota Batu memiliki klasifikasi vegetasi rapat, vegetasi cukup rapat, dan non-vegetasi dengan luas masing-masing 8.687,62 hektar, 4.076,20 hektar, dan 7.051,36 hektar. Pada tahun 2020, sebaran nilai NDVI di Kota Batu juga memiliki klasifikasi vegetasi rapat, vegetasi cukup rapat, dan non-vegetasi dengan luas masing-masing 7.070,40 hektar, 4.978,05 hektar, dan 7.760,40 hektar. Dari data tersebut, dapat disimpulkan bahwa terjadi perubahan yang signifikan dalam klasifikasi kepadatan vegetasi selama dua tahun. Terjadi peningkatan sebesar 1% dalam klasifikasi yang cukup rapat, peningkatan sebesar 7% pada klasifikasi non-vegetasi, dan penurunan yang signifikan sebesar 16% pada klasifikasi vegetasi yang rapat. Hal ini menunjukkan adanya pergeseran fungsi lahan yang cukup signifikan, yang perlu menjadi pertimbangan penting dalam perencanaan tata ruang di Kota Batu.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle