The signature of the 2019 Declaration of Cooperation on advancing the digitization of cultural heritage in Europe shows the important role that the 3D digitization process plays in the safeguard and sustainability of cultural heritage. The digitization also aims at sharing and presenting cultural heritage. However, the processing steps of data acquisition to its presentation requires an interdisciplinary collaboration, where understanding and collaborative work is difficult due to the presence of different expert knowledge involved. This study proposes an end-to-end method from the cultural data acquisition to its presentation thanks to explicit semantics representing the different fields of expert knowledge intervening in this process. This method is composed of three knowledge-based processing steps: (i) a recommendation process of acquisition technology to support cultural data acquisition; (ii) an object recognition process to structure the unstructured acquired data; and (iii) an enrichment process based on Linked Open Data to document cultural objects with further information, such as geospatial, cultural, and historical information. The proposed method was applied in two case studies concerning the watermills of Ephesos terrace house 2 and the first Sacro Monte chapel in Varallo. These application cases show the proposed method’s ability to recognize and document digitized cultural objects in different contexts thanks to the semantics.

La gestion de catastrophe nécessite une préparation collaborative entre les divers intervenants. Les exercices collaboratifs visent à entraîner les intervenants à appliquer les plans préparés ainsi qu’à identifier les problèmes et points d’améliorations potentiels. Ces exercices étant coûteux, la simulation informatique est un outil permettant d’optimiser la préparation à l’aide d’une plus grande diversité de cas. Cependant, les travaux de recherche centrés sur la simulation et la gestion de catastrophe sont spécialisés sur un problème spécifique plutôt que sur l’optimisation globale des plans préparés. Cette limite s’explique par le défi que constitue la réalisation d’un modèle de simulation capable de représenter et de s’adapter à une large diversité de plans provenant de diverses disciplines. Les travaux présentés dans cet article répondent à ce défi en adaptant le modèle de simulation en fonction des informations et des plans de gestion de catastrophes intégrés dans une base de connaissances. Le modèle de simulation généré est ensuite programmé automatiquement afin d’exécuter des expériences de simulation. Les résultats sont ensuite analysés afin de générer de nouvelles connaissances et d’enrichir les plans de gestion de catastrophe dans un cycle vertueux. Cet article présente une preuve de concept sur le plan national français NOVI (NOmbreuses VIctimes), pour lequel les expériences de simulation ont permis de savoir quel est l’impact de la répartition des médecins sur l’application du plan et d’identifier la meilleure répartition.

Star-based schemes, such as the 5-star Linked Open Data model and its geospatial extensions, are widely used to characterize openness and interoperability. However, in practice, higher star ratings are often assigned on the basis of technical properties such as RDF exposure or schema publication without requiring the satisfaction of foundational metadata quality conditions. This weakens the monotonic interpretation of star levels and can produce ambiguous signals for data users. To address this issue, we propose the LETTER framework, a multi-dimensional evaluation model in which seven independent binary dimensions describe metadata readiness for reuse: Provenance (P), Access (A), Structure (S), Connections (C), License (L), Identifiers (I), and Quality (Q). The framework is aligned with FAIR principles and mapped to ISO 19115 and ISO 19157 concepts. We evaluate it through an exploratory comparative case study of four purposively selected datasets from the German Spatial Data Infrastructure (GDI-DE): Municipal Points of Interest (Trier), Thuringia Digital Elevation Model (DEM), Administrative Units (VG250), and INSPIRE Digital Land Model (DLM). The results show that datasets receiving comparatively high star ratings may still lack machine-actionable provenance, quality evidence, stable identifiers, or robust access conditions. In particular, the analysis highlights a recurring ‘PDF Trap’, where relevant trust information exists only in narrative documentation and therefore remains inaccessible to automated reuse workflows. We conclude that LETTER provides clearer diagnostic power than scalar star ratings by exposing which metadata functions are actually satisfied and which remain missing.

La protection des personnes contre les catastrophes est une tâche importante des gouvernements et des experts, qui s'effectue en définissant des plans de gestion de catastrophes. Les stratégies de réponse en cas de catastrophe visent à réduire le nombre de victimes et l'impact économique. La sélection du plan de réponse le plus approprié pour des situations de catastrophe spécifiques nécessite une évaluation de ces plans. Toutefois, cette évaluation est limitée par le coût élevé des exercices et la spécificité des modèles de simulation existants. L'approche proposée dans cette thèse combine les techniques du Web Sémantique et la simulation multi-agents pour évaluer les plans de réponse de gestion de catastrophes. Elle est composée de quatre étapes : (1) la modélisation des connaissances en matière de gestion des catastrophes, (2) la modélisation des simulations, (3) la conception des simulations, et (4) l'analyse des résultats des simulations à partir de regroupements. Tout d'abord, les connaissances explicites et les données d'experts sont utilisées pour créer un modèle de connaissances pour la gestion des catastrophes. Deuxièmement, les modèles de simulation sont conçus sur la base du modèle de connaissances. Troisièmement, la programmation générative est utilisée pour la conception des simulations. Enfin, les résultats des simulations sont utilisés pour calculer l'efficacité du plan pour chaque simulation. Le regroupement par apprentissage non supervisé permet d'identifier le contexte d'application lié à l'efficacité calculée. L'efficacité et le contexte d'application associé enrichissent le modèle de connaissance initial. Cette approche a été appliquée à une étude de cas basée sur le plan français NOVI dans la ville de Montbard, en France.