iTowns, le nouveau moteur de visualisation 3D de données géospatiales du Géoportail
Bibliographic record
Abstract
La visualisation est un mode privilégié de l’interaction des utilisateurs avec l’information géographique, et sa représentation efficace est d’autant plus importante que les données sont massives et hétérogènes et que les utilisateurs et les usages sont variés. Au-delà de la visualisation de données 2D sur un écran ou une carte papier, la visualisation de données 3D pose de nouveaux défis et nécessite des outils appropriés : volume des données, multiplicité des formats, stylisation et gestion des parties visibles, modes d’interaction et de navigation... iTowns est une plateforme technologique de l’IGN qui permet de visualiser des données géographiques 3D via le Web et propose des fonctions d’interaction avancées dans un environnement métrologique. Initialement développé par les laboratoires de recherche de l’IGN comme un outil de visualisation de données images et LiDAR issues de la cartographie mobile (c’est-à-dire acquises au moyen d’un véhicule équipé de capteurs), iTowns a évolué et permet aujourd’hui de naviguer de façon immersive au sein d’un très grand volume de données 3D, et ce dans toute la gamme d’échelles, depuis l’espace jusqu’au sol. Des interfaces sont également disponibles pour la manipulation de ces données. Désormais moteur de visualisation 3D du Géoportail 1 , iTowns s’enrichit continuellement de nouvelles fonctionnalités : en sus de la visualisation en 3D du territoire pour le grand public, il permet de développer des applications Web à usage professionnel pour co-visualiser différents types de données, les annoter, procéder à des analyses, des mesures...
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.026 | 0.008 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".