Daya Serap Ruang Terbuka Hijau Perkotaan terhadap Emisi Sektor Transportasi.
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Beragam kegiatan perkotaan yang terdapat di guna lahan berbeda di Kota Bontang termasuk permukiman, area komersial, kawasan public dan industri telah membentuk dinamika kota Bontang termasuk adanya pergerakan manusia dan barang yang melibatkan penggunaan bahan bakar. Penggunaan bahan bakar di sub-sektor transportasi, sebagai bagian dari emisi gas rumah kaca (GRK) sektor energi, menjadi salah satu penyumbang emisi di Kota Bontang sehingga penelitian ini bertujuan untuk menganalisis kemampuan daya serap vegetasi RTH Kota Bontang teradap emisi sektor transportasi. Metode yang digunakan dalam penenlitian ini adalah perhitungan emisi dan estimasi daya serap vegetasi yang tersebar di RTH Kota Bontang baik di daratan maupun pesisir. Perhitungan emisi karbon mengacu pada Tier 2 IPCC 2006 untuk sektor transportasi sedangkan estimasi daya serap dilakukan berdasarkan jenis tutupan lahan yang ada di Kota Bontang yaitu hutan alami, hutan mangrove dan padang lamun dan luas masing-masing tutupan lahan tersebut. Hasil perhitungan emisi menunjukkan jumlah total emisi sektor transportasi di Kota Bontang adalah rata-rata 0,15 Ggton/tahun dengan trend kenaikan sekitar 2,2% pertahun. Sedangkan estimasi perhitungan daya serap menunjukkan pada tahun 2023, hutan memiliki kemampuan menyerap karbondioksida sebesar 0,4 Ggton, sedangkan hutan mangrove dan padang lamun masing-masing menyerap sebesar 6,2 Ggton dan 0,031 Ggton. Dari hasil perhitungan dapat disimpulkan bahwa RTH Kota Bontang mampu menyerap emisi dari sektor transportasi. Namun al ini tidak berarti Kota Bontang telah mampu mengatasi emisi karbon di Kota Bontang karena sektor transportasi hanya bagian dari sektor energi.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.003 | 0.004 |
| Meta-epidemiology (broad) | 0.004 | 0.004 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.002 | 0.000 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it