Machine Learning for Criteria Weighting in GIS-Based Multi-Criteria Evaluation: A Case Study of Urban Suitability Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Geographic Information System-based Multi-Criteria Evaluation (GIS-MCE) methods are designed to assist in various spatial decision-making problems using spatial data. Deriving criteria weights is an important component of GIS-MCE, typically relying on stakeholders’ opinions or mathematical methods. These approaches can be costly, time-consuming, and prone to subjectivity or bias. Therefore, the main objective of this study is to investigate the use of Machine Learning (ML) techniques to support criteria weight derivation within GIS-MCE. The proposed ML-MCE method is explored in a case study of urban development suitability analysis of the City of Kelowna, Canada. Feature importance values drawn from three ML techniques–Random Forest (RF), Extreme Gradient Boosting (XGB), and Support Vector Machine (SVM)–are used to derive criteria weights. The suitability scores obtained using the ML-MCE methodology are compared with Equal-Weights (EW) and the Analytical Hierarchy Process (AHP) approach for criteria weighting. The results indicate that ML-derived criteria weights can be used in GIS-MCE, where RF and XGB techniques provide more similar values for criteria weights than those derived from SVM. The similarities and differences are confirmed with Kappa indices obtained from comparing pairs of suitability maps. The proposed new ML-MCE methodology can support various decision-making processes in urban land-use planning.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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 découle