Pengaruh Intensitas Hujan dan Kemiringan Lereng terhadap Erosi Pada Lahan yang Ditanami Rumput Jepang
Bibliographic record
Abstract
Erosi tanah adalah proses atau peristiwa hilangnya lapisan permukaan tanah yang disebabkan oleh pergerakan air maupun angin. Proses erosi ini dapat mengakibatkan penurunan produktivitas tanah, daya dukung tanah, dan kualitas lingkungan hidup. Intensitas hujan dan kemiringan lereng merupakan salah satu faktor penting yang berpengaruh terhadap besar erosi. Penelitian ini bertujuan untuk melihat pengaruh intensitas hujan dan kemiringan lereng terhadap erosi pada lahan yang ditanami oleh rumput jepang (Zoysia japonica) sehingga diperoleh gambaran dari perlakuan mana yang paling berpengaruh terhadap erosi. Variasi intensitas hujan yang diuji pada percobaan ini sebesar (37,5; 50; 62,5) mm/5 menit dan kemiringan lereng sebesar (0; 10; 20)°. Hasil penelitian ini menunjukkan bahwa kemiringan lereng paling berperan dalam memperbesar erosi tanah dibandingkan intensitas hujan. Dengan adanya pengaruh kemiringan lereng, besar erosi pengukuran bertambah sebesar 2-3 kali lipat dari setiap tingkatan intensitas. Sedangkan untuk pengaruh intensitas, besar erosi pengukuran bertambah sebesar 1-2 kali lipat dari setiap tingkatan kemiringan. Analisis regresi linear antara erosi, intensitas hujan, dan kemiringan lereng menghasilkan model erosi A = -54,89 + 1,16I + 2,11S, dengan koefisien determinasi sebesar 0,780, menunjukkan bahwa model erosi tersebut sesuai dengan data dengan baik.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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 itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".