MétaCan
Menu
Retour à la cohorte
Enregistrement W4414619698 · doi:10.22487/peweka.v4i2.81

Pengaruh Perubahan Lahan Terhadap Suhu Iklim Mikro Urban Heat Island (UHI) di Kawasan Perkotaan Kabupaten Bulukumba

2025· article· id· W4414619698 sur OpenAlexaff
Aksar Kausar, Despry Nur Annisa Ahmad, Yan Radhinal, Andi Idham Asman, Harry Hardian Sakti

Notice bibliographique

RevueJurnal PeWeKa Tadulako · 2025
Typearticle
Langueid
DomaineEnvironmental Science
ThématiqueWater and Land Management
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésEconomic analysisHydrology (agriculture)STREAMS

Résumé

récupéré en direct d'OpenAlex

Perubahan iklim dan pemanasan global telah menimbulkan berbagai dampak kerusakan secara menyuluruh. Dampak tersebut dialami langsung di Indonesia, khususnya pada kawasan perkotaan Kabupaten Bulukumba di Kecamatan Ujung Bulu. Terjadinya peningkatan perubahan penggunaan lahan menjadi lahan terbangun, mempengaruhi intensitas pulau panas perkotaan (Urban Heat Island). Penelitian ini bertujuan untuk menganalisis pengaruh perubahan penggunaan lahan terhadap fenomena Urban Heat Island (UHI) di Kabupaten Bulukumba pada periode tahun 2014, 2019, 2024, dengan menggunakan metode kuantitatif melalui Interpretasi Citra Satelit untuk mengidentifikasi perubahan penggunaan lahan dan analisis suhu permukaan menggunakan data Citra Landsat 8 Kanal Band 10. Hasil penelitian menunjukkan, terjadi peningkatan suhu permukaan di Kawasan Perkotaan Kabupaten Bulukumba selama periode 2014, 2019, 2024. Pada hasil analisis regresi linear sederhana menunjukkan adanya hubungan positif yang signifikan anatara perubahan lahan terhadap kenaikan suhu permukaan dengan nilai koefisien regresi sebesar (r=0.734) dan nilai, R²=0.81) yang termasuk dalam kategori tinggi. Selain itu pola suhu permukaan pada yang tinggi cenderung mengikuti bentuk pola penggunaan lahan terbangun yang padat.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,110
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,215
Écart entre enseignants0,208 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal PeWeKa TadulakoMême sujetWater and Land ManagementTravaux en français237 207