EXTENDING GEOSPATIAL REPOSITORIES WITH GEOSEMANTIC PROXIMITY FUNCTIONALITIES TO FACILITATE THE INTEROPERABILITY OF GEOSPATIAL DATA
Notice bibliographique
Résumé
Today, with the common availability of Internet technologies, interoperability of geospatial data has become a necessity for sharing and integrating geospatial data. More specifically, it is seen as a solution to solve syntactic, structural, semantic, geometric and temporal heterogeneities between data sources. In Canada, we observe such heterogeneities from existing geospatial databases. For example, Vegetation, Trees, Wooded area, Wooded area, Milieu boisé and Zone boisée (unknown geometry), found in different geospatial data specifications, describe the same type of phenomena. Recently, we have proposed a conceptual framework for geospatial data interoperability based on human communication concepts. This framework introduces the idea of geosemantic proximity, which provides reasoning capabilities to assess the semantic, geometric, and temporal similarities between geospatial concepts and geospatial conceptual representations. In the present paper, we review the conceptual framework and present an architecture of a system based on this framework. In fact, the architecture uses a geospatial repository, namely Perceptory, as a data source’s ontology upon which we add geosemantic proximity functionalities. These functionalities evaluate the similarity of the information stored in the data source with the information required by another one in order to facilitate the interoperability of geospatial data. 1.
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 | 0,012 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,014 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».