Analisis Persebaran Zona Potensi Kawasan Rawan Kebakaran Hutan dan Lahan di Kecamatan Sambelia Menggunakan Metode Penginderaan Jauh dan Analisis Spasial
Notice bibliographique
Résumé
Kecamatan Sambelia merupakan salah satu kecamatan yang kerap kali mengalami kejadian bencana kebakaran hutan dan lahan, baik itu disebabkan oleh faktor alami maupun disebabkan oleh ulah manusia. Kecamatan Sambelia merupakan kecamatan yang berada di Kabupaten Lombok Timur, Provinsi Nusa Tenggara Barat. Dari permasalahan yang timbul, maka penelitian ini bertujuan untuk menganalisis persebaran zona yang berpotensi rawan terhadap kebakaran hutan dan lahan secara spasial. Adapun metode analisis yang digunakan memanfaatkan sistem informasi geografis (SIG) serta teknik analisis overlay, dengan memberikan bobot dan skor kepada setiap parameter variabel yang digunakan. Dari hasil analisis di dapatkan bahwa kelas rawan kebakaran hutan dan lahan yang ada di Kecamatan Sambelia terbagi menjadi 4, yaitu di antaranya kelas tidak rawan mempunyai persentase sebesar 36%, selanjutnya pada kelas rawan mempunyai persentase sebesar 3%, pada kelas cukup rawan sebesar 29% dan sedangkan pada kelas sangat rawan mempunyai nilai persentase sebesar 32%. Selain itu, hasil validasi juga menunjukkan bahwa penggunaan variabel curah hujan, persebaran titik hotspot, LST dan NDMI dapat digunakan sebagai alat ukur untuk menganalisis dan memprediksi distribusi persebaran potensi zona kawasan rawan terhadap karhutla secara spasial
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,004 |
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 ».