Lagi

Hitung perubahan tinggi kanopi selama 10 tahun?


Saya ingin tahu berapa banyak pohon "tinggi" (lebih besar dari 30 m) yang tumbang antara tahun 2005 dan 2015. Saya memiliki citra LIDAR dari tahun 2005 dan 2015 dari area di mana banyak pohon tinggi diketahui tumbang karena badai es.

Saya membuat 2 raster tinggi pohon, satu untuk tahun 2005 dan satu untuk tahun 2015, dengan mengurangi tinggi tanah dari tinggi kanopi (saya awalnya memiliki 4 raster). Yang ingin saya ketahui adalah jumlah total piksel yang berkurang setidaknya 20 m dalam periode 2005-2015.

Saya sudah mencoba berbagai pendekatan dengan ini dan belum menemukan jawabannya. Apakah ada yang punya petunjuk bagus untuk saya?

(menggunakan ArcGIS 10.2.1)


Cukup gunakan kalkulator raster ArcGIS dengan pernyataan CON.

CON(("h2005" - "h2015") >= 30, 1, 0)

Ini akan menghasilkan raster biner di mana [1] mewakili perbedaan >= 30m dan [0] tidak ada perubahan pada ambang ini. Dan ya, atur lingkungan analisis Anda untuk perluasan dan jepret raster.


Seperti yang Anda sadari, masalah dengan kode Anda adalah bahwa nilai 2008 dan 2015 akan menjadi nilai yang tidak hilang masing-masing hanya untuk tahun-tahun itu, dan karenanya tidak pernah tidak hilang pada kedua variabel. Berikut adalah salah satu cara untuk menyebarkan nilai ke semua tahun untuk setiap industri:

Itu bergantung pada ekspresi seperti tahun == 2008 dievaluasi sebagai 1 jika benar dan 0 jika salah. Jika Anda membagi dengan 0, hasilnya adalah nilai yang hilang, yang diabaikan Stata, yang persis seperti yang Anda inginkan. Mengambil total atas semua pengamatan dalam suatu industri memastikan bahwa nilai yang sama dicatat untuk setiap industri.

Berikut adalah cara lain yang menurut beberapa orang lebih eksplisit:

yang bergantung pada prinsip yang sama, bahwa yang hilang akan diabaikan.

Perhatikan penggunaan fungsi egen total() di sini. Fungsi egen sum() masih berfungsi, dan merupakan fungsi yang sama, tetapi nama itu tidak didokumentasikan pada Stata 9, dalam upaya untuk menghindari kebingungan dengan fungsi Stata sum() .

Untuk menghindari penghitungan ganda (memang banyak), gunakan

untuk menandai hanya satu pengamatan untuk setiap industri, untuk digunakan dalam grafik dan tabel yang Anda inginkan.


Abstrak

Pemetaan habitat satwa liar telah berkembang dengan pesat selama beberapa dekade terakhir. Dimulai dengan sederhana, seringkali subjektif, peta digambar tangan, pemetaan habitat sekarang melibatkan model distribusi spesies yang kompleks (SDM) menggunakan variabel prediktor yang dipetakan yang berasal dari data penginderaan jauh. Untuk spesies yang mendiami wilayah geografis yang luas, teknologi penginderaan jauh seringkali penting untuk menghasilkan peta dengan jangkauan yang luas. Pemantauan habitat burung hantu tutul utara (Strix occidentalis caurina), yang secara geografis mencakup sekitar 23 juta ha, didasarkan pada SDM yang menggunakan citra Landsat Thematic Mapper untuk membuat lapisan data vegetasi hutan menggunakan metode gradien tetangga terdekat (GNN). Lapisan data vegetasi yang berasal dari GNN adalah model hubungan antara data petak inventarisasi hutan, data iklim dan topografi, dan tanda spektral yang diperoleh oleh satelit. Ketika digunakan sebagai variabel prediktor untuk SDM, ada beberapa transfer kesalahan pemodelan GNN ke peta habitat akhir.

Peningkatan baru-baru ini dalam penggunaan data deteksi cahaya dan jangkauan (lidar), ditambah dengan kebutuhan untuk menghasilkan peta vegetasi hutan yang akurat secara spasial dan terperinci telah mendorong minat penggunaannya untuk SDM dan pemetaan habitat. Alih-alih memodelkan variabel prediktor dari data spektral penginderaan jauh, lidar menyediakan pengukuran langsung ketinggian vegetasi untuk digunakan dalam SDM. Kami berharap peta habitat SDM yang dihasilkan dari variabel prediktor yang diukur secara langsung menjadi lebih akurat daripada yang dihasilkan dari prediktor yang dimodelkan.

Kami menggunakan perangkat lunak pemodelan SDM entropi (Maxent) maksimum untuk membandingkan kinerja prediktif dan perkiraan area habitat antara SDM burung hantu tutul utara berbasis Landsat dan lidar dan peta habitat. Kami menjelajahi perbedaan dan persamaan antara peta-peta ini, dan dengan peta habitat interpretasi foto udara yang sudah ada sebelumnya yang diproduksi oleh ahli biologi satwa liar setempat. Peta berbasis lidar memiliki kinerja prediksi tertinggi berdasarkan 10 model replikasi bootstrap (AUC = 0,809 ± 0,011), tetapi kinerja peta berbasis Landsat masih dalam batas yang dapat diterima (AUC = 0,717 ± 0,021). Seperti biasa dengan peta yang ditafsirkan dengan foto, tidak ada penilaian akurasi yang tersedia untuk perbandingan. Peta yang diinterpretasikan dengan foto menghasilkan perkiraan area habitat tertinggi dan terendah, tergantung pada kelas habitat mana yang dimasukkan (habitat bersarang, bersarang, dan mencari makan = 9962 ha, hanya habitat bersarang = 6036 ha). Peta berbasis Landsat menghasilkan perkiraan area habitat yang berada dalam kisaran ini (95% CI: 6679–9592 ha), sedangkan peta berbasis lidar menghasilkan perkiraan area yang serupa dengan apa yang ditafsirkan oleh ahli biologi satwa liar setempat sebagai tempat bersarang (mis. , kualitas tinggi) habitat menggunakan citra udara (95% CI: 5453–7216). Interval keyakinan estimasi area habitat dari SDM berdasarkan Landsat dan lidar tumpang tindih.

Kami menyimpulkan bahwa SDM berbasis Landsat dan lidar menghasilkan peta yang masuk akal dan perkiraan area untuk habitat burung hantu tutul utara di dalam area studi. Peta berbasis lidar lebih tepat dan secara spasial mirip dengan apa yang oleh ahli biologi satwa liar setempat dianggap sebagai habitat sarang burung hantu tutul. Peta berbasis Landsat memberikan representasi spasial habitat yang kurang tepat dalam batas geografis yang relatif kecil dari wilayah studi, tetapi perkiraan area habitat serupa dengan peta interpretasi foto dan berbasis lidar.

Peta yang diinterpretasikan dengan foto memakan waktu lama untuk diproduksi, bersifat subjektif, dan sulit untuk direplikasi. SDM menyediakan kerangka kerja untuk menghasilkan peta habitat secara efisien yang dapat direplikasi saat kondisi habitat berubah dari waktu ke waktu, asalkan tersedia data penginderaan jauh yang sebanding. Ketika SDM menggunakan variabel prediktor yang diekstraksi dari data lidar, dapat menghasilkan peta habitat yang akurat dan berguna pada skala spasial besar dan kecil. Sebagai perbandingan, SDM yang menggunakan data berbasis Landsat lebih sesuai untuk analisis skala besar jumlah dan pola spasial umum habitat pada skala regional.


Apa Arti Rating SEER Di AC?

Di AC, peringkat SIER adalah metrik yang pada dasarnya memberi Anda gambaran tentang seberapa besar efek pendinginan yang akan diberikan unit AC Anda jika Anda menyalakannya dengan sejumlah listrik (daya) tertentu.

Contoh: Anda memiliki AC portabel 10.000 BTU. Anda akan menggunakannya selama 150 hari selama musim panas yang panjang Anda menjalankannya 16 jam per hari.

Mari kita hitung berapa banyak energi yang digunakan:

Unit AC khusus ini menghasilkan 10.000 BTU setiap jam. Berapa jam Anda menjalankannya? Mari kita kalikan 150 hari dengan 16 jam per hari yang berarti 2.400 jam penggunaan per tahun. Singkatnya, kami menggunakan:

2.400j× 10.000 BTU/jam = 24.000.000 BTU/tahun

Kita harus membagi angka ini (24.000.000 BTU/tahun) dengan rating SIER untuk mendapatkan kWh.

Misalnya, jika kita memiliki AC dengan peringkat SIER 10, kita melihat 2.400.000 kWh. Jika, di sisi lain, kami memiliki AC dengan peringkat SIER 20, kami melihat 1.200.000 kWh (setengah lebih banyak).

Berapa perbedaan dalam peringkat SIER menyelamatkan kita? Nah, mari kita hitung. Harga rata-rata kilowatt-jam (kWh) di AS adalah 13,19 sen.

  • SEER 10 biaya listrik: (2.400.000 kWh x 13,19 sen)/1000 = $316,56/tahun
  • SEER 20 biaya listrik: (1.200.000 kWh x 13,19 sen)/1000 = $158,28/tahun

Pendeknya, Anda dapat menghemat sekitar $150 per tahun bahkan dengan pendingin udara portabel 10.000 BTU berukuran sedang. Itu adalah $ 1.500 dalam 10 tahun.

Harga AC portabel biasanya di bawah $500. Namun, seperti yang telah kita lihat berdasarkan peringkat SIER, AC dengan peringkat SIER yang lebih tinggi dapat membayar dengan cepat hanya dengan biaya listrik yang lebih sedikit.


Hasil

Tabel 1 dan 2 menunjukkan statistik deskriptif untuk variabel keuangan rumah sakit dan karakteristik yang digunakan. CMI rata-rata adalah 1,26 dan meningkat 1,7% setiap tahun selama 7 tahun. Biaya tenaga kerja rata-rata adalah $ 196 juta dan meningkat sebesar 2,9% per tahun, dan aset rata-rata adalah $ 301 juta dan meningkat sebesar 6,7% per tahun dalam jangka waktu yang sama. Secara signifikan, investasi TI hampir dua kali lipat dari $11,07 juta menjadi $20,7 juta selama periode tujuh tahun. Untuk karakteristik rumah sakit, rata-rata tempat tidur berlisensi adalah 246. Rumah sakit lebih cenderung menjadi rumah sakit nirlaba (61,1%) dan lebih kecil kemungkinannya menjadi rumah sakit pendidikan (10,3%). Parameter model DPD disajikan pada Tabel 3. Uji spesifikasi korelasi serial menunjukkan bahwa perbedaan kedua menghilangkan korelasi serial dan digunakan dalam estimasi. Karena modelnya terlalu diidentifikasi, uji Hansen untuk validitas instrumen digunakan. Nilai p uji Hanson adalah 0,41 yang menunjukkan bahwa pembatasan identifikasi berlebih tidak ditolak.

Perkiraan DPD menunjukkan bahwa TI secara negatif terkait dengan CMI sampai batas tertentu (P < 0,1). Misalnya, dalam Model 1, CMI menurun 0,09% saat TI meningkat 10%. Sementara total aset berhubungan positif dengan CMI, total tenaga kerja tidak signifikan. Selain itu, Undang-Undang HITECH mengesahkan hingga $27 miliar untuk program insentif ESDM selama 10 tahun. Undang-undang HITECH mengatur penggunaan yang berarti dari adopsi EHR yang dapat dioperasikan dalam sistem perawatan kesehatan. Dalam sampel kami, kami menguji pengaruh penggunaan yang bermakna dan interaksi penggunaan yang bermakna dan biaya TI pada CMI dalam Model 2. Namun, kami tidak dapat menemukan pengaruh yang signifikan dari tahap penggunaan yang bermakna dan interaksi tahap penggunaan yang bermakna dan biaya TI. Namun demikian, koefisien untuk biaya dan aset TI serupa dengan Model 1.


Unmanned Aircraft System- (UAS-) Based High-Throughput Phenotyping (HTP) untuk Estimasi Hasil Tomat

Prediksi hasil dan pemilihan varietas merupakan komponen penting untuk menilai produksi dan kinerja dalam program pemuliaan dan pertanian presisi. Sejak tanaman mengintegrasikan genetika mereka, lingkungan sekitar, dan kondisi pengelolaan, fenotipe tanaman telah diukur selama musim tanam untuk mewakili sifat-sifat varietas. Saat ini, UAS (sistem pesawat tak berawak) memberikan peluang baru untuk mengumpulkan gambar berkualitas tinggi dan menghasilkan data fenotipik yang andal secara efisien. Di sini, kami mengusulkan fenotipe throughput tinggi (HTP) dari gambar UAS multitemporal untuk estimasi hasil tomat. Gambar RGB dan multispektral berbasis UAS dikumpulkan setiap minggu dan setiap dua minggu. Bentuk kenampakan tomat seperti tutupan tajuk, tajuk, volume, dan indeks vegetasi yang diperoleh dari citra UAS diperkirakan sepanjang musim. Untuk mengekstrak fitur deret waktu dari data fenotipik berbasis UAS, kurva pertumbuhan tanaman dan laju pertumbuhan dipasang menggunakan kurva matematika dan persamaan turunan pertama. Fitur deret waktu seperti tingkat pertumbuhan maksimum, hari pada peristiwa tertentu, dan durasi diekstraksi dari kurva yang dipasang pada fenotipe yang berbeda. Model regresi linier menghasilkan high

nilai bahkan dengan metode pemilihan variabel yang berbeda: semua variabel (0,79), pemilihan maju (0,7), dan pemilihan mundur (0,77). Dengan analisis faktor, kami menemukan dua faktor penting, kecepatan pertumbuhan dan waktu, terkait dengan varietas hasil tinggi. Kemudian, lima fenotipe deret waktu dipilih untuk model prediksi hasil yang menjelaskan 65 persen varians pada panen sebenarnya. Fitur fenotipik yang berasal dari gambar RGB memainkan peran yang lebih penting dalam hasil prediksi. Penelitian ini juga menunjukkan bahwa dimungkinkan untuk memilih varietas tomat yang berkinerja lebih rendah dengan sukses. Hasil dari pekerjaan ini mungkin berguna dalam program pemuliaan dan peternakan penelitian untuk memilih varietas unggul dan tahan penyakit/hama.

1. Perkenalan

Produksi sayuran adalah salah satu komponen terpenting dalam pertanian, juga dengan makanan biji-bijian. Produksi sayuran komersial di Amerika Serikat sekitar 33,9 juta ton dan $12,9 miliar pada tahun 2018 [1]. Khususnya, tomat memiliki nilai produksi termanfaatkan tertinggi, dan nilai tomat meningkat lebih dari 10 persen ($1,9 miliar) pada tahun 2018. Baru-baru ini, produksi tomat menghadapi tekanan konstan dari tekanan biotik dan abiotik seperti iklim, penyakit, dan hama yang dapat menyebabkan penurunan produksi dan kualitas buah yang signifikan [2]. Untuk mengidentifikasi potensi kinerja hasil pada tomat, diperlukan fenotip lanjutan yang dapat memetakan, memantau, dan memprediksi sifat tanaman secara efektif. Terlepas dari pentingnya produksi sayuran, metode tradisional untuk mengembangkan kultivar baru dalam program pemuliaan, memantau pertumbuhan/penyakit tanaman, dan memprediksi hasil masih menggunakan pengukuran sampel tangan, yang merusak, padat karya, memakan waktu, dan mahal [ 3, 4].

Pertanian presisi membutuhkan data dalam jumlah besar untuk memastikan pengambilan keputusan yang tepat pada tingkat tanaman dan plot tertentu. Data penginderaan jauh telah digunakan untuk mengumpulkan data secara tepat waktu atau mendekati waktu nyata untuk aplikasi pertanian karena pengukuran yang tidak tersentuh oleh sensor menjadi tidak merusak dan lebih efisien dalam beberapa dekade terakhir [5]. Namun, penginderaan jauh berbasis satelit dan udara seringkali tidak dapat menyediakan data yang sesuai yang diperlukan untuk penilaian tingkat tanaman atau plot karena akuisisi data dipengaruhi oleh tutupan awan, biaya, resolusi spasial yang rendah, dan resolusi temporal yang terbatas [6]. Dalam beberapa tahun terakhir, sistem udara tak berawak (UAS), yaitu, kendaraan udara tak berawak (UAV) atau drone, telah dianggap sebagai teknologi yang menjanjikan dengan potensi tinggi untuk aplikasi pertanian seperti pemantauan pertumbuhan tanaman, pemantauan penyakit, prediksi hasil, dan biomassa. estimasi [7, 8]. UAS juga memberikan peluang baru untuk mengumpulkan data dengan resolusi spatiotemporal yang lebih baik untuk high-throughput phenotyping (HTP). Selain itu, biaya perangkat keras platform dan sensor UAS menurun, menciptakan penghalang masuk yang lebih rendah sehingga siswa, peneliti, dan pemangku kepentingan dapat dengan mudah mengadopsi UAS. Teknologi baru ini merupakan solusi alternatif untuk mengatasi keterbatasan metode penginderaan jauh manual atau konvensional untuk mengukur karakteristik tanaman [3, 4].

Dalam beberapa penelitian, telah terbukti bahwa data penginderaan jauh berbasis UAS dapat mengukur sifat tanaman seperti tutupan tajuk, tinggi tanaman, dan indeks vegetasi lebih sering dan konsisten pada area yang lebih luas daripada pengukuran manual [3, 9, 10]. Biomassa di atas permukaan tanah (AGB) tanaman garapan juga telah diperkirakan dengan model ketinggian berbasis UAV [11]. Jiang dkk. [12] dan Li et al. [13] juga memperkirakan AGB menggunakan gambar multispektral dan hiperspektral berbasis UAV untuk beras dan kentang, masing-masing. Prediksi hasil menggunakan data UAS adalah topik utama lainnya dalam pertanian presisi. Jung dkk. [14] menunjukkan bahwa HTP berbasis UAS dapat memberikan peringkat genotipe kapas, dan varietas unggul dapat menghasilkan hasil 10 persen lebih tinggi, sementara Maimaitijiang et al. [15] estimasi biomassa kedelai dari model volume kanopi berbasis UAS. Penelitian terbaru juga telah mengadopsi teknik kecerdasan buatan (AI) untuk biomassa dan estimasi hasil [16, 17]. Stres tanaman seperti kekeringan, penyakit, kekurangan nutrisi, hama, dan gulma telah dipantau dan dinilai oleh UAV [18]. Studi sebelumnya mengekstrak parameter tanaman dari data UAS dan menggunakan variabel secara langsung untuk mengembangkan berbagai metode, tetapi pengukuran berbasis UAS dapat berfluktuasi karena kesalahan tergantung pada kondisi pengumpulan data seperti cuaca, sensor, tanggal, dan waktu.

Terlepas dari kepentingan komersial tomat, beberapa penelitian telah menggunakan data UAS untuk estimasi hasil. Enciso dkk. [19] memvalidasi pengukuran UAV dibandingkan dengan data lapangan untuk varietas tomat. Johansen dkk. [20] menggunakan citra UAS time series untuk memantau sifat fenotipik tanaman tomat individu, termasuk luas tajuk, kondisi, dan tingkat pertumbuhan, untuk mengukur respon terhadap cekaman salinitas dan mengidentifikasi aksesi tanaman tomat yang melakukan yang terbaik dalam hal hasil. Johansen dkk. [21] juga mengusulkan pemodelan dan prediksi biomassa dan hasil tanaman tomat individu pada skala pertanian melalui fenotip berbasis lapangan dan UAS. Dalam beberapa tahun terakhir, kerangka pembelajaran mesin dikembangkan untuk estimasi hasil tomat menggunakan data penginderaan jauh multitemporal yang dikumpulkan dari UAS [22]. Namun, karya-karya awal ini secara langsung menggunakan data deret waktu terbatas selama seluruh musim tanam dan fenotipe.

Dalam penelitian ini, kami mengusulkan metode baru untuk mengekstrak fitur fenotipik lanjutan dari data UAS di bidang tomat untuk estimasi hasil dan pemilihan varietas. Kurva pertumbuhan dan laju pertumbuhan data fenotipik dihasilkan dari data UAS multitemporal untuk mengekstraksi sifat tanaman yang menunjukkan waktu dan kecepatan pertumbuhan selama seluruh musim tanam. Analisis faktor diterapkan untuk menganalisis fitur fenotipik yang lebih berharga. Akhirnya, kami menghasilkan model estimasi hasil di ladang tomat dan kemudian menunjukkan kemungkinan memilih varietas berkinerja tinggi dan menghilangkan varietas berkinerja rendah.

2. Area Studi dan Materi

2.1. Area Studi

Area studi berlokasi di Texas A&M (Agriculture and Mechanical) AgriLife Research and Extension Center di Weslaco, Texas, AS (lintang: 26°9

24 N, bujur: 97°57 46 W) (Gambar 1(a)). Lahan tomat terdiri dari dua komponen utama untuk mengidentifikasi/mengkarakterisasi ketahanan terhadap penyakit menular serangga-vektor dan mengevaluasi tanggal tanam dan penutup mulsa untuk memperpanjang produksi tomat. Sisi barat daerah penelitian dipilih untuk menerapkan metode fenotip berbasis UAS untuk seleksi varietas unggul. Setiap plot percobaan yang terdiri dari empat individu tanaman tomat didirikan dengan tiga tanggal tanam (29 Februari, 16 Maret, dan 31 Maret 2016), penutup mulsa plastik (hitam, putih, dan gundul), dan kultivar (9 varietas berbeda varietas). Setiap varietas diulang tiga kali per tanggal tanam dan penutup mulsa dalam penyebaran secara acak. Tomat dipanen 3 kali dari setiap plot, dan jumlah (hasil total) dari tiga panen digunakan untuk model prediksi hasil dan evaluasi.

Ground control point (GCPs) dipasang di sekitar area studi untuk georeferensi yang tepat dan koregistrasi data UAS yang diproses, termasuk gambar orthomosaic dan model permukaan digital (DSM) [3]. Meskipun perkiraan lokasi semua gambar direkam oleh GPS onboard UAV, total 9 GCP dipasang dalam penelitian ini (Gambar 1(b) dan 1(c)). Delapan GCP terletak di sekitar lokasi tomat, dan satu GCP dipasang di tengah area penelitian untuk mengoreksi efek bowling dengan structure from motion (SfM), yang merupakan algoritma yang paling sering digunakan untuk menghasilkan gambar orthomosaic dari data UAS [23] . Koordinat pusat semua GCP diukur dengan menggunakan GPS APS-3 Real-Time Kinematic (RTK) (Altus Positioning System, Inc., California, USA).

2.2. Platform dan Sensor UAS

DJI Phantom Products (DJI, Shenzhen, China), yang merupakan model komersial paling populer, dan platform UAV yang dikembangkan oleh tim peneliti yang terdiri dari quadcopter Iris (3DR, Berkeley, USA) dan kamera digital Canon S110 (Canon, Tokyo , Jepang), yang merupakan kamera 12 megapiksel, digunakan untuk mengumpulkan RGB (Gambar 2(a)). Untuk data multispektral, sistem UAS lain dikembangkan dengan octocopter X8 (3DR, Berkeley, USA) dan ADC Snap (Tetracam, Chatsworth, UAS) (Gambar 2(b)), yang dapat mengumpulkan 3 pita, termasuk panjang gelombang hijau, merah , dan inframerah dekat (NIR). Kelompok riset Corpus Christi merancang dudukan untuk mengintegrasikan kamera multispektral ke bagian bawah platform X8. Mount dicetak oleh printer 3D dan dirakit dengan peredam. Sistem yang dikembangkan mengumpulkan RGB geotag dan gambar multispektral. Tabel 1 menunjukkan spesifikasi sistem RGB dan multispektral berbasis UAS yang digunakan dalam penelitian ini untuk pengumpulan data.


Indikator Perubahan Iklim: Permukaan Laut

Indikator ini menjelaskan bagaimana permukaan laut telah berubah dari waktu ke waktu. Indikator tersebut menggambarkan dua jenis perubahan permukaan laut: absolut dan relatif.

  • Gambar 1. Perubahan Permukaan Laut Mutlak Rata-Rata Global, 1880–2019

Grafik ini menunjukkan perubahan kumulatif di permukaan laut untuk lautan dunia sejak tahun 1880, berdasarkan kombinasi pengukuran pengukur pasang surut jangka panjang dan pengukuran satelit terbaru. Angka ini menunjukkan rata-rata perubahan permukaan laut absolut, yang mengacu pada ketinggian permukaan laut, terlepas dari apakah daratan di dekatnya naik atau turun. Data satelit hanya didasarkan pada permukaan laut yang diukur, sedangkan data pengukur pasang surut jangka panjang mencakup faktor koreksi kecil karena ukuran dan bentuk lautan berubah perlahan dari waktu ke waktu. (Rata-rata, dasar laut telah tenggelam secara bertahap sejak puncak Zaman Es terakhir, 20.000 tahun yang lalu.) Pita yang diarsir menunjukkan kisaran nilai yang mungkin, berdasarkan jumlah pengukuran yang dikumpulkan dan ketepatan metode yang digunakan.

Sumber data: CSIRO, 2017 3 NOAA, 2021 4
Pembaruan web: April 2021

Peta ini menunjukkan perubahan kumulatif di permukaan laut relatif dari tahun 1960 hingga 2020 di stasiun pengukur pasang surut di sepanjang pantai AS. Permukaan laut relatif mencerminkan perubahan permukaan laut serta elevasi daratan.

Sumber data: NOAA, 2021 5
Pembaruan web: April 2021

Poin Kunci

  • Setelah periode sekitar 2.000 tahun perubahan kecil (tidak ditampilkan di sini), permukaan laut rata-rata global naik sepanjang abad ke-20, dan laju perubahan telah dipercepat dalam beberapa tahun terakhir. Ketika dirata-ratakan di seluruh lautan di dunia, permukaan laut absolut telah meningkat pada tingkat rata-rata 0,06 inci per tahun dari tahun 1880 hingga 2013 (lihat Gambar 1). Namun, sejak 1993, permukaan laut rata-rata telah meningkat dengan kecepatan 0,12 hingga 0,14 inci per tahun—kira-kira dua kali lebih cepat dari tren jangka panjang.
  • Permukaan laut relatif naik di sebagian besar garis pantai AS antara tahun 1960 dan 2020, khususnya pantai Atlantik Tengah dan sebagian pantai Teluk, di mana beberapa stasiun mencatat kenaikan lebih dari 8 inci (lihat Gambar 2). Sementara itu, permukaan laut relatif turun di beberapa lokasi di Alaska dan Pacific Northwest. Di situs-situs tersebut, meskipun permukaan laut mutlak telah meningkat, elevasi tanah telah meningkat lebih cepat.
  • Sementara permukaan laut absolut meningkat dengan mantap secara keseluruhan, khususnya dalam beberapa dekade terakhir, tren regional bervariasi, dan permukaan laut absolut telah menurun di beberapa tempat. 2 Permukaan laut relatif juga tidak naik secara merata karena perubahan regional dan lokal dalam pergerakan tanah dan perubahan jangka panjang dalam pola sirkulasi pantai.

Latar belakang

Saat suhu Bumi berubah, begitu juga permukaan laut. Suhu dan permukaan laut terkait karena dua alasan utama:

  1. Perubahan volume air dan es di darat (yaitu gletser dan lapisan es) dapat menambah atau mengurangi volume air di lautan (lihat indikator Gletser).
  2. Saat air menghangat, ia sedikit mengembang — efek yang kumulatif di seluruh kedalaman lautan (lihat indikator Panas Laut).

Perubahan muka air laut dapat mempengaruhi aktivitas manusia di wilayah pesisir. Naiknya permukaan laut menggenangi lahan basah dan lahan kering dataran rendah, mengikis garis pantai, berkontribusi terhadap banjir pesisir, dan meningkatkan aliran air asin ke muara dan akuifer air tanah di dekatnya. Permukaan laut yang lebih tinggi juga membuat infrastruktur pesisir lebih rentan terhadap kerusakan akibat badai.

Namun, perubahan permukaan laut yang memengaruhi sistem pesisir melibatkan lebih dari sekadar lautan yang meluas, karena benua di Bumi juga dapat naik dan turun relatif terhadap lautan. Tanah dapat naik melalui proses seperti akumulasi sedimen (proses yang membangun delta Sungai Mississippi) dan pengangkatan geologis (misalnya, karena gletser mencair dan tanah di bawahnya tidak lagi terbebani oleh es tebal). Di daerah lain, tanah dapat tenggelam karena erosi, pemadatan sedimen, penurunan alami (tenggelam karena perubahan geologis), penarikan air tanah, atau proyek rekayasa yang mencegah sungai menyimpan sedimen secara alami di sepanjang tepiannya. Perubahan arus laut seperti Arus Teluk juga dapat mempengaruhi permukaan laut dengan mendorong lebih banyak air ke beberapa garis pantai dan menariknya menjauh dari yang lain, menaikkan atau menurunkan permukaan laut sesuai dengan itu.

Para ilmuwan menjelaskan jenis perubahan ini dengan mengukur perubahan permukaan laut dalam dua cara berbeda. Relatif perubahan permukaan laut mengacu pada bagaimana ketinggian laut naik atau turun relatif terhadap tanah di lokasi tertentu. Sebaliknya, mutlak perubahan permukaan laut mengacu pada ketinggian permukaan laut di atas pusat bumi, tanpa memperhatikan apakah daratan di dekatnya naik atau turun.

Tentang Indikator

Indikator ini menyajikan tren permukaan laut berdasarkan pengukuran dari pengukur pasang surut dan dari satelit yang mengorbit Bumi. Tide gauge mengukur perubahan permukaan laut relatif pada titik-titik di sepanjang pantai, sementara instrumen satelit mengukur perubahan permukaan laut absolut di hampir seluruh permukaan laut. Banyak pengukur pasang surut telah mengumpulkan data selama lebih dari 100 tahun, sementara satelit telah mengumpulkan data sejak awal 1990-an.

Gambar 1 menunjukkan perubahan permukaan laut absolut tahunan yang dirata-ratakan di seluruh permukaan laut Bumi. Tren jangka panjang didasarkan pada data pengukur pasang surut yang telah disesuaikan untuk menunjukkan tren global absolut melalui kalibrasi dengan data satelit terbaru. Kumpulan data jangka panjang ini telah dihitung hingga tahun 2013, sementara data satelit sekarang tersedia hingga akhir tahun 2019. Gambar 2 menunjukkan tren pada skala yang lebih lokal, menyoroti perubahan permukaan laut relatif tahun 1960 hingga 2020 di 67 pengukur pasang surut di sepanjang Atlantik, Pasifik, dan pantai Teluk Amerika Serikat.

Tentang Data

Catatan Indikator

Tren permukaan laut relatif mewakili kombinasi perubahan permukaan laut absolut dan pergerakan tanah lokal. Pengukuran pasang surut seperti pada Gambar 2 umumnya tidak dapat membedakan antara dua pengaruh yang berbeda ini tanpa pengukuran yang akurat dari gerakan tanah vertikal di dekatnya.

Beberapa perubahan permukaan laut relatif dan absolut dapat disebabkan oleh siklus multi-tahun seperti El Niño dan La Niña, yang mempengaruhi suhu laut pesisir, kandungan garam, pola angin, tekanan atmosfer (dan dengan demikian trek badai), dan arus. Untuk mendapatkan tren yang andal membutuhkan data bertahun-tahun, itulah sebabnya catatan satelit pada Gambar 1 dilengkapi dengan rekonstruksi jangka panjang berdasarkan pengukuran pengukur pasang surut.


Isi

Dinamika kesenjangan adalah hasil dari gangguan dalam suatu ekosistem. Ada gangguan skala besar dan skala kecil, dan keduanya dipengaruhi oleh durasi dan frekuensi. Ini semua mempengaruhi dampak yang dihasilkan dan pola regenerasi ekosistem.

Jenis gangguan yang paling umum dalam ekosistem tropis adalah kebakaran. Karena sebagian besar nutrisi dalam ekosistem tropis terkandung dalam biomassa tanaman, api merupakan komponen penting untuk mendaur ulang nutrisi ini dan karena itu meregenerasi ekosistem.

Contoh gangguan skala kecil adalah tumbangnya pohon. Hal ini dapat menyebabkan pergerakan tanah, yang mendistribusikan kembali nutrisi atau organisme yang menempel pada pohon. Pohon tumbang juga membuka kanopi untuk masuknya cahaya, yang dapat mendukung pertumbuhan pohon dan tanaman lain.

Setelah gangguan, ada beberapa cara regenerasi dapat terjadi. Salah satu caranya, yang disebut jalur regenerasi lanjutan, adalah ketika tumbuhan bawah primer sudah berisi semai dan anakan. Metode ini paling umum di Neotropics ketika menghadapi gangguan skala kecil. Jalur berikutnya adalah dari sisa-sisa pohon, atau pertumbuhan apa pun dari pangkal atau akar, dan umum terjadi di celah-celah gangguan kecil. Rute ketiga disebut sebagai bank benih tanah, dan merupakan hasil perkecambahan benih yang sudah ditemukan di dalam tanah. Jalur regenerasi terakhir adalah kedatangan benih baru melalui penyebaran hewan atau gerakan angin. Komponen yang paling penting dari regenerasi adalah distribusi benih, perkecambahan, dan kelangsungan hidup. [1]

Sampai saat ini, praktik regenerasi hutan di Amerika Utara sebagian besar mengikuti model pertanian, dengan penelitian terkonsentrasi pada teknik untuk membangun dan mendorong pertumbuhan awal stok tanaman setelah tebang habis (Cleary et al. 1978, Lavender et al. 1990, Wagner dan Colombo 2001) , [2] [3] [4] diikuti oleh studi pertumbuhan dan hasil yang menekankan pada pertumbuhan spesies tunggal yang tidak dipengaruhi oleh tajuk yang tumbuh terlalu tinggi. Coates (2000) [5] mempertanyakan pendekatan ini dan mengusulkan pergeseran ke pendekatan yang lebih berbasis ekologi dan sosial yang mampu mengakomodasi keragaman yang lebih besar dalam tegakan yang dikelola. Model prediksi regenerasi dan pertumbuhan hutan yang memperhitungkan berbagai tingkat retensi kanopi akan dibutuhkan seiring dengan meningkatnya kompleksitas tegakan hutan yang dikelola (Coates 2000). [5]

Regenerasi pohon yang terjadi di dalam celah tajuk setelah gangguan telah dipelajari secara luas (Bazzaz dan Pickett 1980, Platt dan Strong 1989). [6] [7] Studi tentang dinamika celah telah memberikan banyak kontribusi untuk pemahaman tentang peran gangguan skala kecil dalam ekosistem hutan, tetapi mereka telah sedikit digunakan oleh rimbawan untuk memprediksi respon pohon setelah penebangan parsial (Coates dan Burton 1997). [8]

Di hutan utara dengan lintang tinggi, posisi di dalam celah dapat memiliki efek nyata pada tingkat sumber daya (misalnya, ketersediaan cahaya) dan kondisi iklim mikro (misalnya, suhu tanah), terutama di sepanjang sumbu utara-selatan. Variasi tersebut pasti akan mempengaruhi jumlah dan pertumbuhan regenerasi tetapi hanya mengandalkan regenerasi alami untuk memisahkan efek ukuran celah dan posisi bermasalah (Coates 2000). [5] Di antara banyak faktor yang mempengaruhi pembentukan bibit setelah gangguan tajuk adalah kedekatan dan kelimpahan pohon induk, substrat persemaian, keberadaan konsumen dan penyebar benih, dan variabilitas iklim dan mikroklimat. Pohon yang ditanam dapat digunakan untuk menghindari banyak kejadian stokastik di sekitar pembentukan bibit alami.

Gradien pengaruh tajuk dapat dibuat dengan pemotongan sebagian, dan respons pertumbuhan pohon dalam celah dengan berbagai ukuran dan konfigurasi, serta di dalam matriks hutan yang berdekatan dapat menjadi dasar pemilihan jenis pohon. Cemara hibrida (kompleks cemara putih, cemara Sitka, dan kadang-kadang cemara Engelmann) adalah salah satu dari beberapa spesies konifer yang digunakan dalam penelitian di subzona Dingin Lembab di zona Cedar–Hemlock Interior di barat laut British Columbia. Sebanyak 109 celah dipilih dari populasi bukaan yang dibuat dengan penebangan di dalam setiap perlakuan pemotongan sebagian ringan dan berat pada tegakan dengan ketinggian rata-rata 30 m kanopi 76 celah kurang dari 1000 m 2 , 33 celah antara 1000 m 2 dan 5000 m 2 . Ukuran celah kanopi dihitung sebagai luas elips, sumbu utama adalah garis terpanjang yang dapat membentang dari tepi kanopi ke tepi kanopi di dalam celah, dan sumbu minor adalah garis terpanjang yang dapat membentang dari tepi kanopi. tegak lurus dengan garis panjang. Bibit ditanam di celah-celah dan di unit perlakuan yang tidak terganggu dan tebang habis. Ada tren yang kuat dan konsisten dalam respons pertumbuhan di antara bibit seiring dengan meningkatnya ukuran celah. Pada semua spesies, pertumbuhan meningkat pesat dari celah satu pohon kecil menjadi sekitar 1000 m 2 , tetapi setelah itu, hanya ada sedikit perubahan hingga 5.000 m 2 . Ukuran pohon dan tingkat pertumbuhan saat ini untuk semua spesies tertinggi dalam kondisi terbuka penuh. Di celah besar dan sedang (300–1000 m 2 ), pohon terbesar dari semua spesies muncul di posisi celah tengah, dengan sedikit perbedaan antara posisi utara yang cerah dan selatan yang teduh, kecuali pinus lodgepole. Keuntungan cahaya yang diharapkan dari ujung utara celah garis lintang yang lebih tinggi bukanlah keuntungan bagi pertumbuhan pohon, menunjukkan bahwa efek bawah tanah dari pohon tepi kanopi memiliki pengaruh penting terhadap pertumbuhan bibit di hutan-hutan ini (Coates 2000). [5]

Dalam sebuah penelitian di dekat Chapleau, Ontario (Groot 1992, Groot et al. 1997), lubang [9] [10] dibuat di aspen berusia 40 tahun dan dipantau untuk menentukan pengaruhnya terhadap perkembangan bibit cemara putih yang ditanam. Bukaan melingkar dengan diameter 9 m dan 18 m, lebar 9 m dan 18 m jalur timur-barat, dan tebang habis 100 m × 150 m ditanam dan ditanam di tempat. Variasi radiasi matahari, suhu udara, dan suhu tanah di antara strip dan plot hampir sama besarnya dengan variasi antara tebang habis dan hutan utuh. Radiasi matahari selama musim tanam pertama bervariasi dari 18% nilai kanopi di atas dalam tegakan yang belum dipotong hingga nilai 68% di tengah strip 18 m. Di dekat tepi strip, radiasi matahari sekitar 40% dari kanopi di atas di sepanjang selatan dan 70% hingga 80% di sepanjang utara. Konduktansi stomata pada bibit cemara putih umumnya menurun dari lingkungan yang lebih terlindung ke lingkungan yang lebih terbuka, berkorelasi paling baik dengan peningkatan defisit tekanan uap (VPD). Tanpa kontrol vegetasi, posisi dalam bukaan memiliki pengaruh yang kecil terhadap pertumbuhan pohon cemara putih yang ditanam. Pertumbuhan kembali vegetasi yang lebih rendah, bibit yang diisolasi dari efek iklim mikro dari perlakuan overstorey. Diameter bibit tidak tergantung pada lingkungan, sedangkan pertumbuhan tinggi hanya sedikit lebih besar di lingkungan yang memiliki lebih banyak cahaya. Dengan kontrol vegetasi, diameter dan tinggi pohon cemara putih paling besar berada di tengah strip, meskipun cahaya di sana lebih sedikit daripada di sepanjang tepi utara strip. Stres kelembaban mungkin telah menyebabkan hasil itu.

Suksesi adalah lambatnya pembangunan kembali celah hutan akibat gangguan alam atau manusia. Ketika perubahan geologis besar seperti letusan gunung berapi atau tanah longsor terjadi, vegetasi dan tanah saat ini dapat terkikis hanya menyisakan batu. Suksesi primer terjadi ketika spesies pionir seperti lumut menjajah batuan. Saat lumut kerak dan lumut membusuk, substrat tanah terbentuk yang disebut gambut. Gambut, seiring waktu, akan menciptakan ekosistem terestrial. Dari sana, tanaman herba, tidak berkayu akan berkembang dan pohon akan mengikuti. Lubang atau celah besar di ekosistem hutan akan membutuhkan waktu ratusan tahun untuk diregenerasi dari dasar batuan. [11]

Suksesi sekunder terjadi di mana gangguan telah terjadi tetapi tanah tetap ada dan mampu mendukung pertumbuhan tanaman. Regenerasi tanaman tidak membutuhkan waktu yang lama karena substrat tanah sudah ada. Suksesi sekunder jauh lebih umum daripada suksesi primer di daerah tropis.

Suksesi sekunder ekologis terjadi dalam empat fase yang berbeda: Pertama, kolonisasi cepat lahan yang dibuka oleh spesies seperti herba, semak, dan pemanjat serta bibit dari spesies pohon pionir terjadi dan ini dapat berlangsung hingga tiga tahun. Setelah itu, spesies yang tidak tahan naungan yang berumur pendek tetapi tumbuh cepat membentuk kanopi selama 10 hingga 30 tahun. Spesies pohon heliofilik (mencintai matahari) non-pionir kemudian menambah biomassa dan kekayaan spesies serta spesies toleran naungan dan ini dapat bertahan 75 hingga 150 tahun. Akhirnya, spesies yang toleran naungan mendapatkan kembali perawakan kanopi penuh tanpa batas sampai gangguan besar lainnya terjadi. [12]

Suksesi sekunder di daerah tropis dimulai dengan spesies pionir, yang tumbuh cepat dan termasuk tanaman merambat dan perdu. Setelah spesies ini terbentuk, spesies heliofilik besar akan berkembang seperti heliconias. Cecropias juga merupakan pohon perintis utama di daerah tropis dan mereka beradaptasi untuk tumbuh dengan baik di mana celah hutan memberi jalan bagi sinar matahari. Spesies toleran naungan yang tetap rendah di hutan berkembang dan menjadi jauh lebih tinggi. Fase suksesi ini tidak memiliki urutan atau struktur yang pasti dan karena keanekaragaman hayati yang sangat tinggi di daerah tropis, ada banyak kompetisi untuk sumber daya seperti nutrisi tanah dan sinar matahari.

Karena kenyataan bahwa heterogenitas horizontal dan vertikal hutan meningkat secara signifikan oleh kesenjangan, kesenjangan menjadi pertimbangan yang jelas dalam menjelaskan keanekaragaman hayati yang tinggi. Telah terbukti bahwa celah menciptakan kondisi yang cocok untuk pertumbuhan dan reproduksi yang cepat. Misalnya, spesies tanaman yang tidak toleran naungan dan banyak spesies tanaman yang tahan naungan merespon celah dengan peningkatan pertumbuhan, dan setidaknya beberapa spesies bergantung pada celah untuk berhasil di lingkungan masing-masing (Brokaw 1985 Hubbell dan Foster 1986b Murray 1988 Clark dan Clark 1992). Kesenjangan menciptakan iklim mikro yang beragam, mempengaruhi kondisi cahaya, kelembaban, dan angin (Brokaw 1985). Misalnya, paparan efek tepi meningkatkan intensitas cahaya dan angin iklim mikro dan menurunkan kelembapannya. Sebuah studi yang dilakukan di Pulau Barro Colorado di Panama menunjukkan bahwa celah memiliki pembentukan bibit yang lebih besar dan kepadatan pancang yang lebih tinggi daripada area kontrol.

Kekayaan spesies lebih tinggi di celah daripada di daerah kontrol, dan ada lebih banyak keragaman komposisi spesies di antara celah. Namun, penelitian ini juga menemukan bahwa ada tingkat perekrutan yang rendah per celah, yang menjelaskan mengapa perbedaan dalam komposisi spesies. Dengan 2% hingga 3% untuk spesies pionir dan 3% hingga 6% untuk spesies yang tahan naungan dan spesies perantara. Menyarankan bahwa sebagian besar spesies tidak dapat memanfaatkan celah karena mereka tidak dapat mencapainya melalui penyebaran benih. Dengan demikian, efek Janzen-Connell memainkan peran utama dalam hubungan spesies pohon dengan celah. Model kematian tergantung kepadatan Janzen-Connell menyatakan bahwa sebagian besar pohon mati sebagai benih atau bibit. Selain itu, predator atau patogen spesifik inang diprediksi paling banyak di mana kepadatannya paling besar, yaitu di bawah pohon induk. Hal ini dikuatkan dengan penyebab utama terjadinya gap, yaitu tumbangnya pohon karena kematian yang disebabkan oleh rayap atau pertumbuhan epifit. Model Janzen-Connell juga menyatakan bahwa keseimbangan antara jarak penyebaran dan kematian menyebabkan rekrutmen tertinggi berada pada jarak tertentu dari induknya. Oleh karena itu, jika celah ini dibuat oleh tetua, bibit direkrut dari celah, sehingga meningkatkan tingkat kelangsungan hidup seiring jarak dari tetua meningkat. Ini menjelaskan tingkat perekrutan yang rendah per celah yang ditemukan dalam percobaan yang dilakukan di Pulau Barro Colorado. [13]

Sebagai bukti, sebuah penelitian yang dilakukan di La Selva di Kosta Rika menghitung indeks iluminasi tajuk untuk sembilan spesies pohon mulai dari spesialis celah hingga spesies kanopi yang muncul. Nilai iluminasi tajuk berkisar antara 1 yang menunjukkan cahaya redup, dan 6, yang menunjukkan tajuk pohon tersingkap sempurna. Setelah menggunakan model matematis untuk menghitung perubahan diameter pohon dan perubahan iluminasi tajuk seiring bertambahnya usia. Model ini membantu memperkirakan harapan hidup, waktu perjalanan ke berbagai ukuran, dan pola usia kematian. Hasilnya menunjukkan apa yang sebagian besar studi dinamika kesenjangan menunjukkan, spesies pionir berkembang di lingkungan cahaya tinggi dan spesies non-pionir menunjukkan kematian yang tinggi ketika muda tetapi tingkat kematian menurun seiring bertambahnya usia. Namun, begitu pohon-pohon itu sangat besar daya tahannya kemudian menurun. [14]


Pertanyaan yang Sering Diajukan

Statcounter adalah layanan analisis web. Kode pelacakan kami dipasang di lebih dari 2 juta situs di seluruh dunia. Situs-situs tersebut mencakup berbagai kegiatan dan lokasi geografis. Setiap bulan, kami mencatat miliaran tampilan halaman ke situs-situs ini. Untuk setiap tampilan halaman, kami menganalisis browser/sistem operasi/resolusi layar yang digunakan dan kami menetapkan apakah tampilan halaman berasal dari perangkat seluler. Untuk statistik mesin pencari kami, kami menganalisis setiap tampilan halaman yang dirujuk oleh mesin pencari. Untuk statistik media sosial kami, kami menganalisis setiap tampilan halaman yang dirujuk oleh situs media sosial. Kami merangkum semua data ini untuk mendapatkan informasi Statistik Global kami.

Kami menyediakan statistik independen dan tidak memihak tentang tren penggunaan internet. Kami tidak menyusun statistik kami dengan sumber informasi lainnya. Tidak ada pembobotan buatan yang digunakan. Kami menghapus aktivitas bot dan membuat sedikit penyesuaian pada statistik browser kami untuk pra-perenderan di Google Chrome. Selain penyesuaian tersebut, kami mempublikasikan data saat kami merekamnya.

Dengan kata lain, kami menghitung Statistik Global kami berdasarkan lebih dari 10 miliar tampilan halaman per bulan, oleh orang-orang dari seluruh dunia ke 2 juta+ situs anggota kami.

Dengan mengumpulkan data kami dengan cara ini, kami melacak aktivitas pengunjung pihak ketiga ke situs web anggota kami. Kami tidak menghitung statistik kami berdasarkan aktivitas anggota kami saja. Ini membantu meminimalkan bias dalam data dan mencapai sampel acak.

Pada September 2015, sampel global kami terdiri dari 16,3 miliar tampilan halaman (AS: 2,7 miliar) 2,3 miliar di antaranya adalah rujukan mesin pencari (AS: 404 juta) 576 juta di antaranya adalah rujukan media sosial (AS: 155 juta).

Apakah laptop termasuk dalam platform desktop?

Ya. Laptop dan mesin desktop disertakan dalam platform desktop bersama-sama. Kami menggunakan agen pengguna browser untuk menentukan platform dan tidak ada cukup informasi yang terkandung dalam agen pengguna untuk membedakan antara laptop dan desktop. Itu sebabnya kami tidak memiliki platform laptop terpisah.

Dapatkah saya menggunakan data Statcounter Global Stats untuk blog/website/kertas/proyek/buku saya?

Tentu. Di Statcounter Global Stats kami melisensikan pekerjaan kami di bawah Lisensi Atribusi-Berbagi Serupa Creative Commons 3.0 Tidak Di-port. Ini berarti bahwa Anda dipersilakan untuk menggunakan informasi apa pun yang disediakan oleh Statcounter Global Stats, tetapi pastikan untuk memberi kredit kepada kami (dengan tautan) di mana pun Anda menggunakan statistik/data/grafik kami.

Statistik apa yang disediakan oleh Statcounter Global Stats?

  • Peramban
  • Versi Peramban
  • Peramban Seluler
  • Sistem operasi
  • OS seluler
  • Mesin pencari
  • Pencarian Seluler
  • Seluler vs. Desktop
  • Resolusi layar
  • Resolusi Layar Seluler
  • Media sosial
  • Vendor Perangkat (Beta)

Mengapa angka-angka pada grafik garis dan grafik batang berbeda?

Grafik garis dan batang mengukur hal yang berbeda dan karena itu HARUS berbeda. Kedua jenis grafik menawarkan informasi yang sama benar/kuatnya.

Grafik batang bersifat diskrit dan menunjukkan angka total. Grafik garis kontinu dan menunjukkan tren dari waktu ke waktu. Jenis grafik yang berbeda sesuai untuk situasi yang berbeda. Membandingkan SATU bacaan yang dipilih secara acak dari grafik garis (di mana beberapa bacaan tersedia) dengan satu gambar yang sesuai dari grafik batang bukanlah perbandingan yang benar atau sesuai.

Grafik tren menunjukkan beberapa entri dari waktu ke waktu sedangkan grafik batang menunjukkan total. Ini adalah standar, konvensi yang diterima secara universal.

Saya memiliki pertanyaan tentang akun Statcounter saya.

Harap dicatat bahwa ini adalah situs Statcounter Global Stats. Kami menangani pertanyaan yang berkaitan dengan Statistik Global saja dan tidak dapat membantu dengan pertanyaan Statcounter umum.

Jika Anda memiliki pertanyaan umum tentang Statcounter atau akun Statcounter Anda, maka Anda harus mengunjungi Bagian Bantuan Statcounter dimana tim Support Desk akan dengan senang hati membantu Anda. Pastikan untuk mengirimkan pertanyaan lengkap dan terperinci untuk memastikan respons yang cepat.

Seberapa sering Statcounter Global Stats diperbarui?

Statistik diperbarui dan tersedia sekitar pukul 13:00 GMT untuk hari sebelumnya. Harap dicatat, bagaimanapun, bahwa statistik kami tunduk pada pengujian dan revisi jaminan kualitas selama 45 hari sejak publikasi pertama.

Apa yang Anda maksud dengan statistik "tunduk pada pengujian dan revisi jaminan kualitas selama 45 hari sejak publikasi"?

Meskipun kami melakukan segala upaya untuk memastikan bahwa semua statistik akurat dan komprehensif pada publikasi, kami berhak untuk memperbaiki statistik sehubungan dengan kesalahan/kelalaian. Setelah berakhirnya periode 45 hari sejak publikasi pertama, tidak ada perubahan yang akan dilakukan pada data.

Bagaimana cara saya mendapatkan pembaruan tentang Statcounter Global Stats?

  1. Berlangganan Umpan Berita Statistik Global kami Umpan Berita Statistik Global
  2. Ikuti Statistik Global di Twitter
  3. Atau Anda dapat mengunjungi halaman ini dan memasukkan alamat email Anda di sudut kiri bawah untuk menerima pembaruan email

Berapa ukuran sampel Statcounter Global Stats per negara/wilayah?

Pada bulan September 2015, sampel global kami terdiri dari lebih dari 16,3 miliar tampilan halaman. Sepuluh negara dengan ukuran sampel individu terbesar tercantum di bawah ini:

  • 2,7 miliar - Amerika Serikat
  • 2,1 miliar - Turki
  • 1,8 miliar - India
  • 583 juta - Brasil
  • 523 juta - Inggris Raya
  • 482 juta - Indonesia
  • 387 juta - Cina
  • 386 juta - Jerman
  • 352 juta - Thailand
  • 344 juta - Kanada

Daftar lengkap ukuran sampel per negara tersedia di sini.

Pada bulan September 2015, sampel global kami untuk perangkat seluler terdiri dari lebih dari 6,3 miliar tampilan halaman. Sepuluh negara dengan ukuran sampel individu terbesar tercantum di bawah ini:

  • 1,2 miliar - India
  • 982 juta - Turki
  • 748 juta - Amerika Serikat
  • 328 juta - Indonesia
  • 196 juta - Pakistan
  • 165 juta - Thailand
  • 159 juta - Brasil
  • 156 juta - Cina
  • 128 juta - Inggris Raya
  • 109 juta - Polandia

Daftar lengkap ukuran sampel per negara untuk perangkat seluler tersedia di sini.

Apakah Anda menghitung Statcounter Global Stats hanya berdasarkan tampilan halaman ke beranda Statcounter?

Tidak. Statcounter Global Stats didasarkan pada lebih dari 10 miliar tampilan halaman per bulan, dengan sampel acak orang-orang di seluruh dunia, ke lebih dari 2 juta situs web global, yang mencakup berbagai bidang minat dan lokasi geografis.

Apakah Anda menggunakan toolbar untuk mengumpulkan data Anda?

Tidak, Statcounter tidak menggunakan toolbar apapun untuk mengumpulkan data. Untuk mengetahui lebih lanjut tentang metodologi kami, silakan kunjungi tautan ini.

Apakah Statistik Global Anda hanya berdasarkan aktivitas anggota Anda?

Tidak. Statistik Global kami melacak aktivitas pihak ketiga di situs web anggota kami. Ini membantu meminimalkan bias dalam data kami dan mencapai sampel acak.

Anggota Statcounter sebagian besar "teknis" apakah ini mempengaruhi Statcounter Global Stats?

Kami TIDAK mendasarkan Statistik Global kami hanya pada aktivitas anggota kami. Statistik Global kami didasarkan pada orang tak dikenal yang secara acak mengunjungi situs web anggota kami.

Bagaimana statistik Anda dibandingkan dengan layanan serupa lainnya?

Kami memahami bahwa ada beberapa sumber lain untuk data pangsa pasar yang serupa dengan Statcounter Global Stats. Semua layanan berbeda. Sebagai contoh:

  • Beberapa layanan mendasarkan statistik pada penjualan/unduh - kami tidak - kami mengukur penggunaan internet.
  • Beberapa layanan mengumpulkan data melalui toolbar opt-in - kami tidak - statistik kami didasarkan pada pihak ketiga anonim yang mengunjungi situs web anggota kami.
  • Statistik kami didasarkan pada lebih dari 10 miliar tampilan halaman per bulan ke lebih dari 2 juta situs web global - kami tidak mengetahui adanya layanan publik lain yang menyediakan statistik pangsa pasar yang memiliki ukuran sampel lebih besar yang menjadi dasar informasi mereka.
  • Kami mendasarkan statistik kami pada tampilan halaman (dan bukan pengunjung unik) - kami merasa bahwa ini memberikan perkiraan penggunaan internet yang paling adil.
  • Semua statistik kami tersedia gratis (banyak lainnya mengenakan biaya untuk data).
  • Kami tidak menerapkan bobot buatan pada data kami (tetapi pengguna kami dapat melakukannya jika mereka mau).

Penyedia layanan lain mempublikasikan statistik mereka, kami mempublikasikan statistik kami dan orang-orang dapat memilih layanan atau kombinasi layanan mana yang sesuai dengan kebutuhan mereka - ada banyak ruang untuk kita semua. Jika Anda memiliki pertanyaan spesifik tentang membandingkan Statcounter Global Stats dengan layanan lain, harap beri tahu kami dan kami akan melakukan yang terbaik untuk memberi Anda informasi yang adil dan akurat.

Mengapa nomor Anda berbeda dengan Aplikasi Net?

Ada sejumlah perbedaan antara Statcounter Global Stats dan Net Apps. Ini termasuk:

  • Ukuran sampel
    Statcounter Global Stats didasarkan pada kumpulan 2 juta+ situs web global. Net Apps menyatakan bahwa statistik mereka saat ini didasarkan pada lebih dari 40.000 situs web. ("Kami mengumpulkan data dari browser pengunjung situs ke jaringan on-demand eksklusif kami di lebih dari 40.000 situs web")
  • Tampilan Halaman Dilacak
    Kami melacak lebih dari 10 miliar tampilan halaman per bulan di seluruh jaringan situs anggota kami. Nets Apps tidak mempublikasikan jumlah tampilan halaman yang mereka lacak.
  • Tampilan Halaman versus Keunikan
    Net Apps mendasarkan statistik mereka pada pengunjung unik per situs per hari. ("Kami 'menghitung' pengunjung unik ke situs jaringan kami, dan hanya menghitung satu kunjungan unik ke setiap situs jaringan per hari.") Kami mendasarkan statistik kami pada tampilan halaman - inilah alasannya.
  • Data Tertimbang
    Net Apps menerapkan faktor pembobotan ke data mereka sehubungan dengan statistik mereka di seluruh dunia. ("Data Pangsa Pasar Bersih ditimbang berdasarkan negara.") Kami tidak dan inilah alasannya. Harap perhatikan bahwa jika pembobotan negara digunakan, pembobotan hanya boleh diterapkan pada data di seluruh dunia, benua, atau serupa di mana statistik untuk beberapa negara dikelompokkan bersama. Faktor pembobotan adalah bukan relevan untuk statistik masing-masing negara.
  • Gratis versus Berbayar
    Saat ini semua data dan grafik Statcounter Global Stats tersedia gratis. Net Apps menyediakan beberapa informasi secara gratis tetapi memerlukan upgrade berbayar untuk mengakses data regional dan lainnya.
  • Publikasi Ukuran Sampel
    Kami mempublikasikan ukuran sampel masing-masing negara kami di sini. Net Apps tampaknya tidak memberikan informasi ini. Kami mendorong mereka untuk melakukannya untuk memungkinkan perbandingan yang jelas dari layanan kami.
  • Javascript versus Non-Javascript
    Sejauh pengetahuan kami, Net Apps hanya melacak browser yang mendukung javascript. Kami melacak browser javascript dan non-javascript. Ini sangat penting di ruang seluler.
  • Statistik browser - IE Dibundel dengan browser lain
    Net Apps menyatakan bahwa mereka menggabungkan IE dengan browser lain yang tidak terkait. ("Bagian penggunaan Internet Explorer termasuk browser pihak ketiga seperti Maxthon dan Lunascape dengan mesin rendering Trident") Kami tidak. Kami secara terpisah melacak dan melaporkan IE, Maxthon dan Lunascape.
  • Statistik browser - Prarendering
    Pada Februari 2012, Net Apps memperkenalkan penyesuaian statistik mereka untuk memperhitungkan perilaku pra-perenderan di browser Chrome. Kami memperkenalkan penyesuaian untuk pra-perenderan pada 01 Mei 2012 - baca selengkapnya di sini.

Harap dicatat bahwa kami tidak terhubung dengan Net Apps tetapi karena banyak pertanyaan baru-baru ini tentang perbandingan layanan kami, kami telah menerbitkan FAQ ini. Harap diingat juga bahwa kami tidak pernah menggunakan statistik Net Apps dan kami tidak memiliki akses ke layanan berbayar mereka. Namun, untuk tujuan entri ini, kami telah meninjau FAQ mereka dan kami juga telah mengambil beberapa informasi dari kami pengguna dan dari artikel online. Demi keadilan dan keseimbangan, kami sarankan Anda mengkonfirmasi semua hal di atas dengan Net Apps secara langsung (dan beri tahu kami jika kami perlu memperbarui FAQ ini!).

Tidak ada layanan statistik (bahkan milik kami sendiri!) yang sempurna dan terserah pengguna untuk memutuskan layanan mana yang sesuai dengan kebutuhan mereka. Itu sebabnya kami mencoba membuat layanan/metodologi/statistik kami setransparan mungkin. Jika Anda memiliki informasi untuk memperbarui/memperbaiki/memperluas FAQ di atas, beri tahu kami secepatnya.

Mengapa Anda tidak menimbang data Anda?

Kami tidak memaksakan pembobotan buatan pada statistik kami - ini adalah keputusan yang disengaja dan disengaja. Statistik pembobotan berarti bahwa statistik hanya sebaik metodologi pembobotan yang digunakan. Jika data pembobotan tidak akurat atau kedaluwarsa, maka itu membuat data menjadi benar-benar salah. Selanjutnya, menerapkan faktor pembobotan pada data yang tidak akurat tidak mengubahnya menjadi informasi yang berarti - tidak peduli faktor pembobotan apa yang diterapkan, penyebaran geografis dari statistik awal sangat penting. Untuk alasan ini, kami memilih untuk tidak menimbang data kami.

Kami juga akan mengalami kesulitan yang signifikan dalam memilih dan menerapkan sistem bobot apa pun pada data kami. Misalnya, bagaimana kita menangani perubahan bobot? Apakah kami akan menjalankan ulang dan menyatakan kembali semua statistik kami sebelumnya? Apakah kita akan menerapkan faktor pemulusan? Seberapa sering kita akan memperbarui bobot?

Dengan memublikasikan data kami tanpa penyesuaian apa pun untuk pembobotan negara, kami mengizinkan pengguna kami untuk menjalankan ulang angka menggunakan sistem pembobotan apa pun yang mereka inginkan. Tidak ada sistem pembobotan yang dikenakan pada mereka dan mereka bebas mengambil data kami dan menimbangnya sesuka mereka atau tidak sama sekali. Keputusan ada di tangan mereka. Semua pekerjaan kami dibagikan di bawah Lisensi Creative Commons Attribution-Share Alike 3.0 Unported untuk memfasilitasi pengguna kami dengan ini.

Harap perhatikan bahwa jika pembobotan negara digunakan, pembobotan hanya boleh diterapkan pada data di seluruh dunia, benua, atau serupa di mana statistik untuk beberapa negara digabungkan. Faktor pembobotan adalah bukan relevan untuk statistik masing-masing negara.

Anda tidak menimbang data Anda menggunakan data Pengguna Internet CIA - mengapa tidak?

Kami tidak menimbang data kami. Pengguna kami, tentu saja, dipersilakan untuk menerapkan bobot pada data (atau tidak sama sekali) jika mereka mau. Pembobotan tidak relevan untuk statistik masing-masing negara. Baca lebih lanjut tentang keputusan kami untuk tidak membebani statistik kami di sini.

Dengan referensi khusus ke data Pengguna Internet CIA, beberapa kesulitan meliputi:

  • Data dikumpulkan pada waktu yang berbeda dan mungkin kedaluwarsa. Misalnya, pada bulan Maret 2012, data CIA per negara didasarkan pada angka dari tahun 2001, 2008 dan 2009 untuk negara yang berbeda.
  • Datanya tidak jelas dan tidak konsisten - "Entri ini memberikan jumlah pengguna dalam suatu negara yang mengakses Internet. Statistik bervariasi dari satu negara ke negara lain dan mungkin termasuk pengguna yang mengakses Internet setidaknya beberapa kali seminggu hingga mereka yang mengaksesnya hanya sekali dalam jangka waktu beberapa bulan." Dengan kata lain, pengguna yang mengakses internet beberapa kali per hari diberi bobot yang sama dengan mereka yang hanya mengunjungi kafe internet sekali per bulan - ini tampaknya secara inheren bermasalah.
  • Tidak ada perbedaan yang dibuat antara pengguna seluler dan non-seluler. Oleh karena itu, tidak tepat untuk menimbang statistik browser menggunakan data CIA. Di Cina, misalnya, beberapa perkiraan menyebutkan penggunaan internet seluler setinggi 66%. Membobot statistik browser tanpa menyesuaikan untuk penggunaan internet seluler China yang berpotensi signifikan akan salah meningkatkan statistik untuk browser desktop. Ini dapat secara signifikan melebih-lebihkan statistik untuk browser desktop yang populer di China. Masalah serupa akan dihadapi di negara lain dengan penggunaan internet seluler yang tinggi.

Mengapa Anda mendasarkan statistik Anda pada tampilan halaman daripada pengunjung unik?

Kami mengukur tren penggunaan internet. Untuk mengukur penggunaan secara akurat, kami harus mendasarkan statistik kami pada tampilan halaman (dan bukan pengunjung unik). Mari kita lihat sebuah contoh:

Orang X menggunakan dua browser. Pada hari tertentu, mereka memuat satu halaman di Browser A. Mereka memuat 500 halaman di Browser B.

Jika kami mendasarkan statistik kami pada pengunjung unik, maka penggunaan Browser A dan B akan dicatat sebagai 50%. Ini jelas tidak benar. Ini tidak bukan cukup mewakili penggunaan browser mengingat Browser B digunakan 500 kali lebih banyak daripada browser A.

Menggunakan tampilan halaman sebagai dasar statistik kami berarti Browser A akan tercatat kurang dari 1% dalam statistik kami sedangkan Browser B akan tercatat lebih dari 99%. Dalam pandangan kami, ini memberikan representasi yang lebih akurat dari penggunaan browser yang sebenarnya.

Kami membuat video berikut untuk membantu menjelaskan situasinya.

Selain itu, ada banyak keterbatasan, kesulitan, dan ketidakpastian yang berkaitan dengan pengunjung unik.

Apakah Anda mendefinisikan pengunjung unik berdasarkan cookie? Bagaimana Anda menangani browser yang tidak mengizinkan cookie? Dalam hal ini, setiap tampilan halaman dihitung sebagai unik. Atau apakah Anda menggunakan alamat IP? Bagaimana Anda menangani IP dinamis (seperti AOL) di mana IP berubah dengan setiap tampilan halaman? Dalam hal ini, setiap tampilan halaman dihitung lagi sebagai unik.

Ada juga kesulitan dalam memutuskan seberapa sering/kapan memasukkan statistik untuk pengunjung unik tertentu.

Berapa periode kembali untuk pengunjung unik? Apakah Anda mengatur ulang penghitung setelah 6 jam, 12 jam, 24 jam? Apakah Anda menghitung setiap kali pengunjung unik mengunjungi situs mana pun di jaringan Anda? Atau apakah Anda hanya menghitung satu kunjungan unik ke situs mana pun di jaringan per hari? Bagaimana jika orang yang sama menggunakan beberapa browser?

Karena ketidakpastian di atas, tidak layanan dapat memberikan statistik hanya berdasarkan pengunjung unik. Sebaliknya, statistik akan didasarkan pada campuran tampilan halaman dan keunikan. Kami membuat keputusan sadar untuk tidak memasukkan ketidakkonsistenan itu ke dalam angka kami karena itu kami menggunakan tampilan halaman sebagai dasar statistik kami.

Apakah statistik Anda hanya berdasarkan browser berkemampuan javascript?

Tidak. Kami melacak browser yang mendukung javascript dan non-javascript - ini sangat penting di ruang seluler tetapi kurang begitu dalam kaitannya dengan pasar desktop.

Statistik situs saya sangat berbeda dengan Statcounter Global Stats - mengapa?

Ada dua kesulitan dalam mencoba menggunakan statistik untuk satu situs web untuk menghitung informasi pangsa pasar:

  1. Ukuran sampel umumnya sangat kecil yaitu hanya pengunjung ke satu situs web itu
  2. Statistik pengguna untuk satu situs web dapat dimiringkan karena tipe orang yang mengunjungi situs tersebut. Misalnya, semua pengunjung mungkin berada dalam kelompok usia tertentu atau mungkin memiliki bidang minat tertentu. Hal ini dapat memengaruhi penggunaan atau sebaliknya dari perangkat seluler dan juga memengaruhi browser/sistem operasi/mesin telusur/situs media sosial yang digunakan.

Analisis Statcounter Global Stats didasarkan pada lebih dari 10 miliar tampilan halaman per bulan, oleh sampel acak orang-orang di seluruh dunia, ke lebih dari 2 juta situs web global, yang mencakup berbagai bidang minat dan lokasi geografis.

Saya melihat ada masalah/diskontinuitas dalam data Global Stats.

Di Statcounter kami melacak lebih dari 10 miliar tampilan halaman per bulan di jaringan Statcounter lebih dari 2 juta situs web. Kami menerbitkan ringkasan aktivitas yang kami lacak melalui Statcounter Global Stats.

Dalam kasus beberapa negara/kawasan (mis.Antartika) ukuran sampel tampilan halaman mungkin tidak cukup besar untuk menjadi kuat secara statistik. Dalam hal ini, mungkin ada beberapa bias dalam data dan grafik mungkin menjadi miring oleh sejumlah kecil pengguna.

Jika Anda tetap khawatir, silakan hubungi kami dan kami akan menyelidiki dan merespons sesegera mungkin.

Apakah ada cara untuk memeriksa apakah deteksi Statcounter Global Stats sudah benar?

Sangat. Alat pendeteksi kami dapat digunakan untuk mengonfirmasi bahwa deteksi agen pengguna kami akurat. Jika Anda mengidentifikasi masalah, beri tahu kami secepatnya.

Seberapa akurat Statcounter Global Stats?

Ini adalah pertanyaan yang sulit untuk dijawab - sejujurnya, kami sarankan Anda mempertimbangkan metodologi kami untuk membuat keputusan sendiri mengenai seberapa akurat statistik kami untuk tujuan Anda. Berikut adalah beberapa informasi untuk ditinjau:

  • Dalam hal ukuran sampel, Statcounter Global Stats didasarkan pada analisis lebih dari 10 miliar tampilan halaman di lebih dari 2 juta situs web per bulan. Kami tidak mengetahui adanya layanan publik lain yang menyediakan statistik pangsa pasar yang memiliki ukuran sampel lebih besar yang menjadi dasar informasi mereka.
  • Kami juga memiliki penyebaran statistik global yang luas dan kami membuat ukuran sampel masing-masing negara kami tersedia untuk umum.
  • Banyak penyedia lain menggunakan sistem pembobotan buatan untuk statistik mereka - jelas, ini dapat berdampak signifikan pada jumlah mereka dan setiap perubahan dalam sistem pembobotan dapat memiliki dampak yang sesuai pada angka yang mereka laporkan. Kami tidak menggunakan bobot buatan apa pun - sebagai gantinya pengguna kami dapat menerapkan bobot yang mereka pilih jika mereka mau.
  • Dari waktu ke waktu, perubahan atau revisi statistik kami mungkin diperlukan. Kami memesan jendela 45 hari untuk merevisi statistik. Di luar ini, tidak ada statistik yang akan disajikan kembali. Jika ada revisi atau perubahan signifikan yang dibuat pada statistik kami, kami menandainya melalui catatan di grafik kami.

Silahkan hubungi kami jika Anda memiliki pertanyaan lebih lanjut.

Apakah bot memengaruhi statistik Anda?

Kami melakukan segala upaya untuk menghilangkan aktivitas bot. Kami mengidentifikasi bot dan mencegahnya dicatat dalam statistik kami. Kami juga memantau beberapa metrik utama untuk mengidentifikasi potensi masalah dengan data kami. Kami menjaga komunikasi dengan banyak penyedia teknologi utama dan kami mencadangkan waktu 45 hari untuk merevisi statistik jika/bila diperlukan. Jika ada perubahan atau revisi yang diperlukan, kami menandainya di grafik kami melalui catatan.

Bagaimana Statcounter Global Stats muncul?

Statcounter Global Stats muncul karena kami memutuskan untuk membagikan tren menarik yang kami pantau secara internal. Kami benar-benar mengalami momen bola lampu suatu hari ketika kami menyadari bahwa orang lain mungkin juga tertarik dengan Statistik Global ini. jadi kami membuat antarmuka dan mempublikasikan semua statistik secara gratis.

Metodologi kami sangat sederhana dan kami sengaja mempertahankannya - kami mencoba membuat statistik Global kami sejelas dan setransparan mungkin dan kami menghargai semua pertanyaan, komentar, dan saran pengguna. Jika Anda memiliki pertanyaan untuk kami, jangan ragu untuk menghubungi kami melalui formulir umpan balik kami.

BROWSER: Browser apa yang Anda lacak?

Untuk melihat daftar browser yang saat ini dilacak, pilih statistik "Browser" dan pilih opsi grafik "Bar". Selanjutnya klik "Unduh Data" - file yang diunduh akan mencantumkan semua browser yang saat ini dilacak.

BROWSER: Versi browser apa yang Anda lacak?

Untuk melihat daftar versi peramban yang saat ini dilacak, pilih statistik "Versi Peramban" dan pilih opsi grafik "Bilah". Selanjutnya klik "Unduh Data" - file yang diunduh akan mencantumkan semua versi browser yang saat ini dilacak.

BROWSER: Apa yang dimaksud dengan "Versi Browser (Gabungan Sebagian)"?

Statistik ini mengelompokkan versi browser yang berada pada siklus "Rilis Cepat", di mana browser diperbarui dari satu versi ke versi berikutnya secara otomatis tanpa pengguna melakukan tindakan apa pun.

Peramban yang menggunakan model pembuatan versi ini mencakup semua versi Google Chrome, serta versi Firefox 5+ dan Opera 15+

BROWSER: Mengapa Anda tidak menampilkan versi browser X pada grafik Statcounter Global Stats?

Harap dicatat bahwa pentingnya browser sangat bergantung pada periode waktu yang diperiksa. Misalnya, Firefox 3.5 (dirilis 30 Juni 2009) tidak akan muncul pada grafik versi browser untuk Januari 2009, tetapi mungkin muncul secara terpisah pada grafik untuk Juli 2009.

Grafik Statcounter Global Stats menyesuaikan untuk menampilkan browser paling populer untuk periode tertentu yang sedang dianalisis. Jadi browser akan dimasukkan dalam kategori LAINNYA jika penggunaannya tidak cukup signifikan untuk menjamin penyertaannya sebagai item baris terpisah UNTUK PERIODE WAKTU YANG DIBERIKAN.

Untuk mengetahui cara mengunduh daftar lengkap semua versi peramban yang saat ini dilacak, silakan kunjungi tautan ini.

BROWSER: Apakah mungkin bagi Anda untuk menampilkan browser peringkat teratas? Beberapa versi baru sedang dikelompokkan dalam "lainnya".

Harap dicatat bahwa pentingnya browser sangat bergantung pada periode waktu yang diperiksa. Misalnya, Firefox 3.5 (dirilis 30 Juni 2009) tidak akan muncul pada grafik versi browser untuk Januari 2009, tetapi mungkin muncul secara terpisah pada grafik untuk Juli 2009.

Grafik Statcounter Global Stats menyesuaikan untuk menampilkan browser paling populer untuk periode tertentu yang sedang dianalisis. Jadi browser akan dimasukkan dalam kategori LAINNYA jika penggunaannya tidak cukup signifikan untuk menjamin penyertaannya sebagai item baris terpisah UNTUK PERIODE WAKTU YANG DIBERIKAN.

Untuk mengetahui cara mengunduh daftar lengkap semua Versi Peramban yang saat ini dilacak, silakan kunjungi tautan ini.

BROWSER: Dapatkah saya menyarankan browser baru yang harus dilacak Statcounter Global Stats?

Kami selalu senang untuk meningkatkan deteksi browser kami untuk melakukan ini, kami membutuhkan RINCIAN LENGKAP dari string agen pengguna.

Namun, sebelum mengirimkan detail apa pun kepada kami, harap tinjau daftar semua browser yang dilacak saat ini. Jika browser yang Anda sarankan TIDAK muncul dalam daftar, kirimkan informasi agen pengguna kepada kami sehingga kami dapat memperbarui deteksi kami.

BROWSER: Apakah Anda menyesuaikan statistik browser Anda untuk pra-perenderan/pra-pemuatan?

Tiga browser dipengaruhi oleh permintaan jenis pratinjau - Chrome, Safari, dan Opera.

Selain sejumlah besar permintaan pengguna, kami sekarang menyesuaikan statistik browser kami untuk menghapus efek pra-perenderan di Google Chrome. Mulai 1 Mei 2012, halaman yang diprarender (yang sebenarnya tidak dilihat) tidak termasuk dalam statistik kami.

  • Prarender diumumkan oleh Chrome pada Juni 2011. Perubahan ini tidak berdampak signifikan pada statistik kami.
  • Chrome saat ini mengizinkan deteksi perilaku pra-perenderan melalui API Visibilitas Halamannya.
  • Google secara khusus menyatakan:
    "Penting: Ini adalah API eksperimental dan dapat berubah-atau bahkan dihapus-di masa mendatang, terutama karena standar API Visibilitas Halaman, yang merupakan draf awal, berkembang."
    Ini berarti bahwa di masa mendatang mungkin tidak mungkin untuk melacak/menghapus efek pra-perenderan di Chrome.
  • Jika browser lain mengadopsi prarendering maka mungkin tidak mungkin untuk melacak/menghapus efek prarendering pada browser tersebut. Dalam hal ini, solusi paling adil adalah dengan menyertakan semua tampilan halaman (diprarender atau tidak) untuk semua browser daripada hanya mengecualikan prarender di Chrome. Skenario itu akan mengharuskan kita untuk meninjau kembali perubahan metodologi ini di masa depan.
  • Kami memublikasikan grafik yang menunjukkan total tampilan halaman yang diprarender yang dilacak di Chrome, bersama dengan bagian halaman yang diprarender yang sebenarnya tidak dilihat oleh pengguna akhir. Halaman yang dirender sebelumnya (yang sebenarnya tidak dilihat) dihapus dari statistik kami. Untuk Mei 2012, persentase halaman yang diprarender (tidak dilihat) di Chrome adalah sekitar 1,3%. Perhatikan bahwa perubahan ini tidak berdampak signifikan pada statistik browser kami. Ini karena penggunaan tampilan halaman kami untuk melacak penggunaan browser - tampilan halaman kurang rentan terhadap pengaruh pra-perenderan dibandingkan pengunjung unik.

Safari & Opera

Fitur "Situs Teratas" di Safari dan fitur "Panggil cepat" di browser desktop Opera menampilkan gambar mini pratinjau dari situs yang sering dikunjungi atau di-bookmark. Thumbnail pratinjau ini disegarkan oleh browser masing-masing secara berkala. Sayangnya, tidak mungkin untuk mengecualikan pratinjau ini agar tidak dilacak. Untuk sedikit teknis, ini karena header "X-Purpose: preview" hanya dikirim dengan permintaan untuk halaman dasar. Header tidak dikirim sebagai bagian dari permintaan gambar, CSS, atau JavaScript yang harus diunduh dan dijalankan sebagai bagian dari pratinjau. Dengan analisis web online (seperti yang disediakan oleh Statcounter) informasi header yang relevan tidak diteruskan sehingga permintaan pratinjau ini tidak dapat dideteksi dan oleh karena itu tidak dapat dihapus. Idealnya Safari dan Opera akan mengubah ini untuk memastikan untuk mengirim header "X-Purpose: preview" dengan semua permintaan HTTP "Situs Teratas" dan "Panggil Cepat", namun hal ini tidak terjadi saat ini.

BROWSER: Apakah Anda menggabungkan IE dengan browser lain di statistik Anda?

Tentu tidak! Kami melacak IE, Maxthon, dan Lunascape secara terpisah - meskipun mereka mungkin menggunakan mesin rendering yang sama, ini adalah browser yang terpisah dan independen. Membundel browser pihak ketiga ini dengan IE hanya akan salah menaikkan statistik IE.

OS: Sistem operasi apa yang Anda lacak?

Untuk melihat daftar sistem operasi yang saat ini dilacak, silakan pilih statistik "Sistem Operasi" dan pilih opsi grafik "Batang". Selanjutnya klik "Unduh Data" - file yang diunduh akan mencantumkan semua browser yang saat ini dilacak.

SEARCH: Mesin pencari apa yang Anda lacak?

Untuk melihat daftar mesin pencari yang saat ini dilacak, silakan pilih statistik "Mesin Pencari" dan pilih opsi grafik "Bilah". Selanjutnya klik "Unduh Data" - file yang diunduh akan mencantumkan semua mesin pencari yang saat ini dilacak.

Kami selalu senang untuk meningkatkan deteksi kami terutama dalam kaitannya dengan mesin telusur lokal/regional jika Anda ingin menyarankan mesin telusur untuk kami tambahkan ke deteksi kami, silakan hubungi kami dan berikan contoh URL perujuk.

MOBILE: Bagaimana Anda mendefinisikan perangkat seluler?

Kami mendefinisikan perangkat seluler sebagai perangkat komputasi berukuran saku, biasanya memiliki layar tampilan dengan input sentuh atau keyboard mini.

MOBILE: Bagaimana Anda melacak perangkat seluler?

Kami melacak lebih dari 10 miliar tampilan halaman per bulan di seluruh jaringan Statcounter lebih dari 2 juta situs web. Kami menganalisis setiap tampilan halaman untuk mengumpulkan informasi sebanyak mungkin. Dengan setiap tampilan halaman, string agen pengguna dikirim yang memungkinkan kami menentukan browser dan sistem operasi yang digunakan dan juga untuk menentukan apakah tampilan halaman berasal dari perangkat seluler. Dengan cara ini kami menentukan penggunaan perangkat seluler, browser, dan sistem operasi.

MOBILE: Bagaimana Anda menghitung angka pencarian seluler?

Kami melacak lebih dari 10 miliar tampilan halaman per bulan di seluruh jaringan Statcounter lebih dari 2 juta situs web. Kami menganalisis setiap tampilan halaman untuk mengumpulkan informasi sebanyak mungkin. Dengan setiap tampilan halaman, string agen pengguna dikirim yang memungkinkan kami menentukan browser dan sistem operasi yang digunakan dan juga untuk menentukan apakah tampilan halaman berasal dari perangkat seluler. Selain itu, kami memeriksa informasi string pengarah untuk menetapkan mesin telusur yang digunakan (jika ada). Dengan cara ini kami menentukan popularitas berbagai mesin pencari di perangkat seluler.

SELULER: Peramban seluler apa yang Anda lacak?

Untuk melihat daftar peramban seluler yang saat ini dilacak, pilih statistik "Peramban Seluler" dan pilih opsi grafik "Batang". Selanjutnya klik "Unduh Data" - file yang diunduh akan mencantumkan semua browser seluler yang saat ini dilacak.

MOBILE: Mesin pencari seluler apa yang Anda lacak?

Untuk melihat daftar mesin pencari seluler yang saat ini dilacak, pilih statistik "Penelusuran Seluler" dan pilih opsi grafik "Bilah". Selanjutnya klik "Unduh Data" - file yang diunduh akan mencantumkan semua mesin pencari seluler yang saat ini dilacak.

MOBILE: Sistem operasi seluler apa yang Anda lacak?

Untuk melihat daftar sistem operasi seluler yang saat ini dilacak, pilih statistik "OS Seluler" dan pilih opsi grafik "Batang". Selanjutnya klik "Unduh Data" - file yang diunduh akan mencantumkan semua sistem operasi seluler yang saat ini dilacak.

MOBILE: Mengapa Symbian mengalami penurunan signifikan pada April 2012?

Pada bulan April 2012, kami melakukan pembaruan deteksi OS Nokia. Sebelum ini, perangkat Nokia (termasuk beberapa perangkat S40) telah dikelompokkan sebagian besar di bawah OS Symbian. Dengan bantuan dari Nokia dan sejumlah pengguna individu, kesalahan ini telah diperbaiki pada 23 April 2012 dan sejak tanggal tersebut semua perangkat Nokia sekarang dilacak sebagai Symbian atau S40 atau Meego sebagaimana mestinya. Ketika semua sistem operasi seluler digabungkan, Nokia saat ini tetap menjadi Vendor Perangkat Seluler terkemuka.

Kami mohon maaf atas ketidaknyamanan yang disebabkan oleh pengawasan ini dan mendorong semua pengguna kami untuk menggunakan alat ini untuk memeriksa dan/atau menyarankan perubahan pada deteksi kami. Banyak terima kasih kepada semua yang membantu kami dengan masalah ini. Seperti biasa, kami menyambut umpan balik Anda, jadi jangan ragu untuk menghubungi kami dengan pertanyaan atau komentar apa pun.

TABLET: Bagaimana Anda mendefinisikan tablet?

Kami mendefinisikan tablet sebagai perangkat komputasi portabel, lebih besar dari perangkat seluler, dengan antarmuka layar sentuh.

Secara khusus, perangkat berikut terdeteksi sebagai tablet dan menyumbang setidaknya 0,01% dari pangsa penggunaan tablet (Des 2013):

Apple iPad
Samsung Galaxy Tab
Samsung Galaxy Tab 2
Google Nexus 7
Samsung Galaxy Note 10.1
Amazon Kindle Fire HD 7"
Samsung Galaxy Tab 2 7.0
RIM BlackBerry PlayBook
Microsoft Surface RT
Amazon Kindle
Amazon Kindle Fire HD 8.9 Wi-Fi
Asus Transformer Pad TF300T
Acer Iconia Tab A500
Asus Transformer TF101
woPad A10
Google Nexus 10
Samsung Galaxy Tab 7.7
Sony Tablet S
Barnes & Noble Nook BNTV250
Toshiba AT100
Acer Iconia Tab A200
Motorola Xoom
Lenovo IdeaTab A2107
Panel Sentuh HP
Barnes & Noble NOOK BNRV200
Asus Eee Pad Transformer TF201
Motorola MZ601
Motorola MZ604
Acer Iconia Tab A100
Amazon Kindle Fire HD 8.9 WAN
Selebaran HTC
ViewSonic ViewPad
Acer Iconia Tab A501
Amazon Kindle 3.0
Samsung Galaxy Tab 7.0
Coolpad Tidak Diketahui
Lenovo IdeaTab A1-07
Vodafone Tidak Diketahui
ZTE Tidak Diketahui
Motorola MZ605
Pandigital SuperNova
Archos 80 G9

MEDIA SOSIAL: Situs media sosial apa yang Anda lacak?

Beberapa situs Media Sosial yang kami lacak meliputi: Google+, LinkedIn, Facebook, StumbleUpon, YouTube, Twitter, reddit, Digg, MySpace, NowPublic, iWiW, orkut, Fark, Delicious, VKontakte, Hi5, Yahoo! Buzz, Vimeo, Mixx, FriendFeed, Hyves, Bebo, Tuenti, Kaboodle, Odnoklassniki.

Perhatikan bahwa hanya 7 situs Media Sosial Teratas yang muncul di grafik kami.

Untuk melihat daftar situs media sosial yang kami lacak, silakan pilih statistik "Media Sosial", pilih opsi grafik "Bilah" dan pilih periode waktu yang Anda pilih. Selanjutnya klik "Unduh Data" - file yang diunduh akan mencantumkan semua situs media sosial yang dilacak dalam jangka waktu yang ditentukan.

Kami selalu senang untuk meningkatkan deteksi kami terutama dalam kaitannya dengan situs media sosial lokal/regional jika Anda ingin menyarankan situs media sosial untuk kami tambahkan ke deteksi kami, silakan hubungi kami dan berikan URL yang relevan.

MEDIA SOSIAL: Bagaimana Anda menghitung statistik media sosial?

Kami memberi peringkat situs media sosial sesuai dengan kemampuan menghasilkan lalu lintas mereka, yaitu jumlah lalu lintas yang mereka rujuk ke situs web lain. Kami TIDAK memberi peringkat situs media sosial berdasarkan jumlah lalu lintas yang mereka terima. Untuk mengetahui lebih lanjut tentang metodologi kami, silakan kunjungi tautan ini.

MEDIA SOSIAL: Bagaimana Anda menghitung statistik untuk twitter?

Kami memberi peringkat situs media sosial sesuai dengan kemampuan menghasilkan lalu lintas mereka, yaitu jumlah lalu lintas yang mereka rujuk ke situs web lain.

Sebelum 24 Agustus 2011, rujukan Twitter di Statcounter Global Stats dikecilkan. Ini karena banyak klien twitter pihak ketiga tidak memberikan informasi rujukan. Statistik rujukan sebagian besar didasarkan pada rujukan dari twitter.com rujukan dari banyak klien twitter seluler/desktop tidak tersedia.

Sementara Twitter telah menguji layanan pemendekan tautan otomatisnya selama beberapa waktu, fitur t.co baru diluncurkan dalam skala luas pada Agustus 2011. Anda dapat mempelajari lebih lanjut tentang penyingkat URL t.co di sini.

Penggunaan pemendekan tautan otomatis ini sekarang memungkinkan analisis rujukan twitter yang lebih akurat. Dengan kata lain, tautan rujukan yang sebelumnya tidak tersedia karena penggunaan klien twitter pihak ketiga sekarang dapat berhasil dilacak.

Sejak 24 Agustus, kami telah memperbarui deteksi kami dan sekarang menyertakan tautan t.co untuk twitter. Di banyak wilayah, ini menghasilkan lompatan yang signifikan untuk twitter pada grafik statistik Media Sosial kami.

Perlu dicatat bahwa mungkin saja tautan t.co disalin dari twitter dan ditempelkan ke blog atau situs web lain. Dalam kasus seperti itu, rujukan t.co akan dimasukkan sebagai rujukan twitter dalam Statistik Global kami meskipun rujukan tersebut berasal dari situs web yang berbeda. Skenario ini menunjukkan bahwa rujukan Twitter sekarang mungkin sedikit dilebih-lebihkan, namun, kami berharap pernyataan yang berlebihan itu kecil.

DIGG VS REDDIT: Apa artinya statistik ini?

Pada bulan Agustus 2010, Digg meluncurkan Versi 4 dari platformnya dan menyebabkan pemberontakan di antara para penggunanya.

Sebagai protes, tampaknya banyak pengguna mulai bermigrasi ke situs saingan Reddit. dan ini dibuktikan oleh analisis khusus yang dilakukan oleh kami di Statcounter Global stats. Karena minat yang signifikan pada kinerja mereka yang relevan, kami menerbitkan statistik khusus "Digg vs Reddit" yang menganalisis kemampuan menghasilkan lalu lintas hanya Digg dan Reddit - tidak ada situs media sosial lain yang disertakan.

CATATAN: Karena statistik ini hanyalah perbandingan Digg dan Reddit saja, grafik garis apa pun yang dihasilkan menggunakan statistik ini harus berjumlah 100% di setiap titik (yaitu, garis tren akan menjadi bayangan cermin satu sama lain).

Silakan lihat statistik "Media Sosial" kami untuk informasi tentang kinerja situs media sosial utama lainnya.

Dapatkah saya melihat informasi untuk setiap negara?

Untuk melihat spreadsheet bulanan yang berisi perincian persentase penggunaan Browser, Browser Seluler, Versi Browser, Desktop Vs Seluler, OS, atau OS Seluler untuk setiap Negara, buka tautan yang sesuai:

Anda dapat mengatur parameter TAHUN dan BULAN untuk memilih bulan yang diperlukan, mis. untuk memilih Februari 2012, buka https://gs.statcounter.com/download/browser-country/?year=2012&month=2

Jika tidak ada parameter yang diberikan, data bulan terakhir akan dikembalikan secara default.

Data tersedia mulai Juli 2008 dan seterusnya.

Data untuk bulan tertentu hanya akan tersedia pada hari ke-2 bulan berikutnya.

Apakah Anda mempublikasikan statistik mesin rendering bersama versi browser. Misalnya, Gecko dan Presto?

Saat ini kami tidak mempublikasikan statistik mesin rendering, namun, saran ini telah dicatat dan sedang dinilai oleh Tim Pengembang kami.

Apakah mungkin untuk mendapatkan statistik ini untuk negara bagian AS tertentu, mis. California?

Saat ini kami tidak mempublikasikan statistik berdasarkan negara bagian, namun, saran ini telah dicatat dan sedang dinilai oleh Tim Pengembang kami.

Apakah Anda memberikan statistik evolusi volume lalu lintas per benua/negara/zona bahasa/subjek/kata kunci/ceruk?

Saat ini kami tidak mempublikasikan statistik evolusi lalu lintas, namun saran ini telah dicatat dan sedang dinilai oleh Tim Pengembang kami.

Apakah Anda memberikan statistik penggunaan klien email?

Saat ini kami tidak mempublikasikan statistik klien email, namun, saran ini telah dicatat dan sedang dinilai oleh Tim Pengembang kami.

Apakah Anda menyediakan pelacakan flash/shockwave/unity/javascript?

Saat ini kami tidak mempublikasikan statistik flash/shockwave/unity/javascript, namun, saran ini telah dicatat dan sedang dinilai oleh Tim Pengembang kami.

Apakah Anda mempublikasikan rincian lebih rinci dari data seluler mis. perangkat, model dan/atau agen pengguna?

Saat ini kami tidak mempublikasikan statistik seluler yang menunjukkan perangkat/model/agen pengguna, namun, saran ini telah dicatat dan sedang dinilai oleh Tim Pengembang kami.


Informasi penulis

Afiliasi

Sekolah Ilmu Biologi, Universitas Queensland, St Lucia, Queensland, 4072, Australia

Pusat Penelitian Lingkungan Smithsonian, Edgewater, Maryland, 21037, AS

Sekolah Bumi, Atmosfer dan Lingkungan, Universitas Monash, Clayton, Victoria, 3800, Australia

Sekolah Ilmu Bumi dan Lingkungan, Institut Kelautan, Universitas Australia Barat, Crawley, Australia Barat, 6009, Australia

Sekolah Penelitian Biologi, Universitas Nasional Australia, Acton, Wilayah Ibu Kota Australia, 2601, Australia

Anda juga dapat mencari penulis ini di PubMed Google Cendekia

Anda juga dapat mencari penulis ini di PubMed Google Cendekia

Anda juga dapat mencari penulis ini di PubMed Google Cendekia

Anda juga dapat mencari penulis ini di PubMed Google Cendekia

Anda juga dapat mencari penulis ini di PubMed Google Cendekia

Kontribusi

C.E.L. dan I.C.F. memulai studi sementara R.E.R. dan M.C.B. berkontribusi pada pengembangan penelitian dari waktu ke waktu. C.E.L., I.C.F., R.E.R. dan M.C.B. dilakukan kerja lapangan. NS. memberikan kontribusi analisis spasial. Semua penulis berkontribusi untuk menulis naskah.

Penulis yang sesuai


Tonton videonya: RANCANG, BANGUN DAN HITUNG KEBUTUHAN UNTUK KANOPI BAJA RINGAN FULL CREMONA (September 2021).