Arahan Mitigasi Rawan Tanah Longsor Berbasis Sistem Informasi Geografis (SIG) di Kecamatan Bontocani Kabupaten Bone
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
Kejadian tanah longsor di Kecamatan bontocani dalam lima tahun terakhir telah menjadi masalah yang serius. Penyebab utama dari tanah longsor yaitu curah hujan yang tinggi sehingga berdampak langsung pada kondisi tanah dan stabilitas lereng, menyebabkan tanah longsor yang merusak infrastruktur dan menghambat akses transportasi di Kecamatan Bontocani. Metode yang digunakan yaitu analisis overlay dan mitigasi bencana, dengan mengolah data spasial berupa peta curah hujan, peta kemiringan lereng, peta jenis tanah, peta jenis batuan, dan peta pentupan lahan sebagai faktor yang dapat memicu terjadinya longsor, kemudian dari semua variabel tersebut dilakukan metode overlay menggunakan softwere ArcGIS untuk menghasilkan peta kerawanan tanah longsor, sedangkan untuk mitigasi dilakukan berdasarkan hasil pemetaan untuk mengurangi dampak bencana longsor di Kecamatan Bontocani. Hasil penelitian ini terdapat 3 tingkat kerawanan yaitu Kelas kerawanan tinggi dengan luas 190,61 km² atau 41,80%, kelas kerawanan sedang dengan luas 256,47 km² atau 56,24%, dan kelas kerawanan rendah dengan luas 9,10 km² atau 1,99%. Untuk Mitigasi bencana tanah longsor dengan strategi berbeda untuk setiap kelas kerawanan. Pada kelas kerawanan rendah, fokus pada kelembagaan dan pemantauan kawasan lindung. Pada kelas kerawanan sedang, pendekatan meliputi kombinasi vegetasi, infrastruktur, dan rekayasa teknis sesuai dengan lokasi spesifik. Pada kelas kerawanan tinggi, mitigasi melibatkan berbagai aspek termasuk kelembagaan, infrastruktur, vegetasi, dan rekayasa teknis, diterapkan sesuai kebutuhan di masing-masing titik.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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