Spatial Decision-Making for Dense Built Environments: The Logic Scoring of Preference Method for 3D Suitability Analysis
Notice bibliographique
Résumé
As many urban areas undergo increasing densification, there is a growing need for methods that can extend spatial analysis and decision-making for three-dimensional (3D) environments. Traditional multicriteria evaluation (MCE) methods implemented within geographic information systems (GIS) can assist in spatial decision-making but are rarely suited for 3D environments. These methods typically use a simplified decision logic that limits the number of evaluation criteria and variability of output suitability scores. In this study, the logic scoring of preference (LSP) as a generalized MCE method is used for 3D suitability analysis to better represent human reasoning through flexible soft computing stepwise decision logic operators. This research: (1) implements the LSP–MCE method to compare the suitability of high-rise residential units in 3D, and (2) performs criteria weight sensitivity and cost–suitability analyses using datasets for the City of Vancouver, Canada. LSP aggregation structures are developed for unique priorities and requirements of three demographic profiles. The results demonstrate the method’s flexibility in representing unique preference sets comprising 2D and 3D criteria, and that cost has a significant effect on residential unit attractiveness in a dense built environment. The proposed 3D LSP–MCE method could be adapted to benefit other stakeholders, such as property tax assessors, urban planners, and developers.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».