Prioritas Peruntukan Ruang Terbuka Hijau Berdasarkan Distribusi Suhu Permukaan di Kota Palu
Notice bibliographique
Résumé
Alih fungsi penggunaan lahan dan berkurangnya area vegetasi terjadi akibat urbanisasi yang pesat, yang secara signifikan berkontribusi pada peningkatan suhu di kawasan perkotaan (Fardani, 2022). Kehadiran RTH di kawasan perkotaan sangat erat kaitannya dengan mitigasi efek pulau panas (Urban Heat Island).Penelitian ini bertujuan untuk menganalisis faktor-faktor prioritas peruntukan Ruang Terbuka Hijau (RTH) berdasarkan distribusi suhu permukaan dan menganalisis arahan pengembangan ruang terbuka hijau di Kota Palu. Metode penelitian ini adalaha deskriptif kuantitaif dengan merumuskan suhu permukaan dan indeks kerapatan vegetasi, serta mempertimbangkan kenyamanan termal dan kepadatan penduduk. Teknik overlay berbobot digunakan untuk mengidentifikasi wilayah dengan prioritas tinggi dalam pengembangan RTH. Hail penelitian ini menujukkan sebagian besar wilayah Kota Palu tergolong non-prioritas (kelas 1–3) dengan luas 35.321,99 ha (90%). Zona prioritas pertama (kelas 5) seluas 2.544,75 ha (6,48%) dan prioritas kedua (kelas 4) 1.384,50 ha (3,53%). Empat kecamatan yaitu Palu Selatan, Tatanga, Palu Barat, dan Palu Timur menyumbang 85,3% dari total luasan prioritas. Wilayah ini memiliki suhu tinggi, kenyamanan termal rendah, vegetasi jarang, dan kepadatan penduduk tinggi. Kondisi ini menjadi dasar penting dalam perencanaan pengembangan RTH strategis. Arahan pengembangan RTH difokuskan pada integrasi penghijauan di lahan terbangun, penyediaan RTH di lahan terbuka, dan peningkatan kualitas pada RTH eksisting. Penelitian ini diharapkan dapat menjadi masukan dalam upaya mitigasi perubahan iklim dan peningkatan kualitas lingkungan perkotaan di Kota Palu. Land use conversion and the reduction of vegetated areas occur as a result of rapid urbanization, which significantly contributes to rising temperatures in urban areas (Fardani, 2022). The presence of green open spaces (GOS) in urban areas is closely related to the mitigation of the Urban Heat Island effect. This study aims to analyze the priority factors for green open space allocation based on surface temperature distribution and to examine development guidelines for green open space in the city of Palu. This research employs a descriptive quantitative method by formulating surface temperature and vegetation density index, while also considering thermal comfort and population density. A weighted overlay technique is used to identify areas with high priority for GOS development. The findings show that most areas in Palu are categorized as non-priority (classes 1–3), covering an area of 35,321.99 hectares (90%). The highest priority zone (class 5) covers 2,544.75 hectares (6.48%), while the second priority zone (class 4) covers 1,384.50 hectares (3.53%). Four districts are South Palu, Tatanga, West Palu, and East Palu contribute 85.3% of the total high-priority area. These areas are characterized by high temperatures, low thermal comfort, sparse vegetation, and high population density. These conditions serve as a critical foundation for the strategic planning of GOS development. The recommended strategies focus on integrating greenery into built-up areas, providing GOS in open lands, and improving the quality of existing green spaces. This study is expected to serve as input for climate change mitigation efforts and the improvement of urban environmental quality in Palu.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,005 |
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 ».