A COGNITIVE APPROACH FOR LANDSYSTEM IDENTIFICATION USING A GRAPH DATABASE – TOWARDS THE IDENTIFICATION OF LANDFORMS IN CONTEXT
Notice bibliographique
Résumé
Abstract. A landform is any physical feature of the earth's surface having a characteristic, recognizable shape. Most landform identification methods rely on OBIA (Object-Based Image Analysis) techniques to segment the terrain data and classify segments into objects that are assumed to compose the landform. However, geomorphologists can visually recognize any landform, considering the characteristics of the surrounding environment that plays the role of context. This notion of context was not considered in previous landform identification methods. We propose to model it using the notion of landsystem. Landsystems are geomorphologic elements that result from a set of natural geomorphological processes. They are also easily recognized by geomorphologists. In this paper, we present a new knowledge-based method to automatically identify landsystems as the context for landform identification. We first present a conceptual model as a core ontology of geomorphologic elements including landsystems and landforms, capturing relevant geomorphologists’ knowledge. Then, we present how this model is extended to create a domain ontology for a chosen domain in geomorphology. We illustrate such an extension for the case of mountainous glacial valleys. We used the graph database engine Neo4J to implement the domain ontology and to develop a knowledge-based system (a framework) to automatically identify landsystems from spatial datasets. We present the architecture of our framework and discuss how it is used to support: 1) the knowledge acquisition tasks; 2) the spatial data preparation task; 3) the processing of the user’s request seeking landsystems in a chosen study area.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| 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) | 0,000 | 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 ».