Multi-criteria spatial analysis for location selection of multi-purpose utility tunnels
Notice bibliographique
Résumé
Multi-purpose utility tunnels (MUTs) integrate all underground utilities in one accessible tunnel. MUTs reduce the need for excavations and their associated costs, as well as the resulting traffic congestion. Several MUTs have been implemented in different parts of the world. Their locations have either been politically influenced or selected to preserve heritage sites or to meet the conditions of a newly developed city. Nevertheless, selecting the location in an existing city under street segments is affected by several criteria that have different spatial characteristics. Combining these characteristics and managing the trade-offs that exist between them determine the ranking of alternative MUT locations. The use of subjective and objective weights in the decision-making process will offer different perspectives from the decision-maker's perspective and the data itself, respectively. This paper aims to analyze spatial data as an input in the multi-criteria decision-making (MCDM) process of the MUT location selection. The objectives are: (1) defining the criteria that influence the MUT location selection, (2) defining the required GIS datasets for quantifying the criteria as scores for each candidate street segment, (3) analyzing the impacts of the dependencies between the criteria by comparing the ranking results of two MCDM methods (i.e., Analytic Hierarchy Process (AHP) and Analytic Network Process (ANP)) combined with the Technique for Order Preference by the Similarity to Ideal Solution (TOPSIS), (4) analyzing the difference between using subjective weights or objective weights, and (5) developing a prototype system to integrate the MCDM methods in a GIS platform. A vector-based spatial analysis is conducted to identify the suitable locations for MUT construction based on 12 criteria representing physical condition information or affecting social costs. Two subjective MCDM methods (i.e., AHP and ANP) are used to generate each criterion's weights, and the ranking of alternatives is determined using TOPSIS. Another set of weights representing the objective weights are calculated for each criterion using the Shannon Entropy method. These weights are combined with TOPSIS to obtain an objective ranking of the alternatives. Based on the results from the different combinations (AHP + TOPSIS, ANP + TOPSIS, and ENTROPY + TOPSIS), the top alternative is always the same.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».