Menilik Perubahan Kerapatan Vegetasi di Kota Batu (Komparasi Tahun Pengamatan 2018 dan 2020)
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».