Multi-objective cellular automata
Multi-Objective Cellular Automata (MOCA) couples the bottom-up spatial dynamics of cellular automata with multi-objective optimization to simultaneously pursue competing goals — such as maximizing urban compactness while minimizing ecosystem loss. Each grid cell updates its state based on transition rules that are calibrated or steered to satisfy a Pareto-optimal trade-off among two or more objectives, making the method widely used in land-use change simulation, urban growth modeling, and spatial planning under conflicting demands.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
- Liu, X., Liang, X., Li, X., Xu, X., Ou, J., Chen, Y., Li, S., Wang, S., Pei, F. (2017). A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects. Landscape and Urban Planning, 168, 94-116. · DOI 10.1016/j.landurbplan.2017.09.019
- Jantz, C. A., Goetz, S. J., Shelley, M. K. (2004). Using the SLEUTH urban growth model to simulate the impacts of future policy scenarios on urban land use in the Baltimore-Washington metropolitan area. Environment and Planning B: Planning and Design, 31(2), 251-271. · DOI 10.1068/b2983
Gecureerde claims
Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.
Deze weergave verzint geen claimbeoordeling als het register er geen heeft.
Gerelateerde methoden
Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.