Development of an Ontology-Based Framework to Enhance Geospatial Data Discovery and Selection in Geoportals for Natural-Hazard Early Warning Systems
Notice bibliographique
Résumé
Discovering and selecting relevant geospatial datasets from heterogeneous sources remains difficult in conventional geoportals, where keyword-based search often fails to capture thematic relationships or user intent. This article presents an ontology-based framework that augments geoportals with semantic-aware discovery and selection. The contributions are as follows: (1) the geospatial metadata ontology (GMO), which reuses W3C and OGC ontologies and aligns with ISO 19115 to provide a uniform metadata representation enriched with thematic hierarchies and relations; and (2) GeoFit, a discovery framework that integrates GMO into geoportal workflows. The framework extends conventional functionality by enabling semantic query expansion, faceted exploration of thematic hierarchies, and ranking of datasets according to conceptual proximity and fitness-for-use criteria. These capabilities demonstrate how ontology integration operationalizes domain knowledge in the discovery process and makes dataset selection more interpretable and targeted. Validation demonstrated feasibility in the context of natural hazard Early Warning Systems (EWSs), where the prototype surfaced datasets relevant to different components, organized them into ranked and navigable results, and illustrated portability of the method to applied settings. The study confirms that embedding an ontology layer into geoportals provides semantic capabilities absent from keyword-only interfaces and establishes a foundation for extending discovery functions in heterogeneous geospatial infrastructures.
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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».