1. Observation & Measurement
Un modèle de métadonnées centré utilisateur pour la découverte,
l’intégration de données d’observation hétérogènes et multi-disciplinaires
Jean-Christophe Desconnets (IRD)
Valentina Beretta (IRD)
et la contribution du GT Catalogue Interpôle
2. Plan
1- O & M : modèle de données - suite Sensor Web Enablement de l’OGC
2- O & M : modèle de métadonnées, centré utilisateur
Contexte, enjeux et intérêts
O & M en tant modèle pivot de métadonnées
Expression avancée du FeatureOfInterest (pistes
de travail)
3. O & M : Modèle de données pour “Sensor Web Enablement”
- Concept de “sensor web” : rendre accessible via des API
web des réseaux de capteurs et les observations afin de
suivre des phénomènes distribués spatialement
- Suite de standards
- Observation & Measurement (O & M)
- Sensor Model Language (SensorML)
- Sensor Observation Service (SOS)
- et d ‘autres
- Fonctionnalités recherchées
- Découverte de réseaux de capteurs, données
et protocole d’observation
- Accès aux observations en temps réel ou pas
- Planification du suivi des observations
4. O & M : Concept d’observation et ses propriétés
« Une observation est une action dont
le résultat est la valeur d’une propriété
d’une entité ou objet d’intérêt à un
moment donné, obtenu grâce à une
procédure». (OGC, 07)
5. O & M : Modèle de données de haut niveau (méta-modèle)
Formalise et explicite le concept
d'observation et les concepts
associés
Permet sa déclinaison
(spécialisation) en modèle de
données spécifiques à un domaine
(observation de la Terre,
hydrologie, géologie...)
6. O & M : Exemple d’instanciation - Objet d’intérêt Point, Multi-result
tirée de D2.9 Draft Guidelines for the use of Observations & Measurements and Sensor Web
Enablement-related standards in INSPIRE Annex II and III data specification development , 2013
SamplingFeature
SampledFeature
7. O & M : spécialisation pour l’observation de la Terre
Spécialisation du
méta modèle O &
M pour
l’observation de la
Terre (Gaspéri et
al., 12)
8. O & M : modèle de description centré utilisateur
Une utilisation “presque naturelle” de O & M
- Fournir un accès sémantiquement cohérent à des descriptions issues
de divers catalogues pour découvrir des données pluri-disciplinaires
- Assurer l’accès interopérable aux données, voire permettre une
intégration (combinaison, agrégation, représentation)
9. O & M comme modèle de pivot, centré utilisateur
Intérêt : Explicite le contexte d’observation et ouvre de nombreuses perspectives
● Appuyer la découverte des données sur le contexte d’observation :
featureOfInterest, observedProperty, procedure
● Standardiser les critères à partir de terminologies existantes avec les
standards de représentation (SKOS, OWL)
● Aligner les terminologies issues des différentes disciplines pour une
recherche multi point de vue
● Associer un modèle de représentation d’un système étudié au
featureOfInterest
10. Modèle O & M, étendu à la description des jeux de données
Description des données
11. Provider-centric metadata vs user-centric metadata
● The proposed metadata model permits to clearly indicate the feature of interest and the observed property
<CHLATotal> a sosa:featureOfInterest ;
sosa:hasSample <CHLA> .
<CHLA> a sosa:Sample ;
sosa:isSampleOf <CHLATotal> ;
sosa:isResultOf <FishingTaskCHLA> ;
sosa:madeBySampler <VesselName> .
<Obs2> a sosa:Observation ;
sosa:featureOfInterest <CHLA> ;
sosa:observedProperty <concentration> ;
sosa:hasResult <Tuna_Atlas/SardaraYFT_SS...nc_subset>
.
xml data format nt data format
12. Expression avancée du featureOfInterest (piste de travail)
“Et pourquoi faire” ?
L’objet d’étude (featureOfInterest) est un point d’entrée
- pour découvrir des données quelque soit la discipline (croiser les
points de vue)
- pour intégrer, combiner des données d’observation
Le besoin ?
- Allez au delà des description des SampledFeature (station + position)
- Mettre en liens SampledFeature et SamplingFeature pour expliciter les
objets d’étude d’un domaine, d’un système
13. 1 - Expliciter le point de vue
expert “observateur” et
spécialiser les entités à partir du
concept de SamplingFeature
1.a Exprimer la dimension spatiale
Expression avancée du featureOfInterest (piste de travail) 1/3
14. 2- Expliciter le point de vue
disciplinaire et spécialiser les
entités à partir du concept de
SampledFeature relié à
SamplingFeature
Expression avancée du featureOfInterest (piste de travail) 2/3
15. 3- Associer des référentiels
spatiaux aux SamplingFeature
Expression avancée du featureOfInterest (piste de travail) 3/3
21. Vocabularies
Vessell → http://aims.fao.org/aos/agrovoc/c_876061ba (fishery research vessel)
Geometry → MD_GeometricObjectTypeCode_surface (<http://registry.it.csiro.au/def/isotc211/MD_GeometricObjectTypeCode/surface>)
SampledFeature -> Yellowfin tuna(<http://taxref.mnhn.fr/lod/taxon/70412/12.0>)
Spatial Unit → Land Cover Unit → Ocean Indien(hhttp://www.geonames.org/1545739/indian-ocean>)
DATASET URL http://www.amma-catch.org/spip.php?article206&lang=en
Example with Tuna dataset ( tuna occurences + SST and CHLA)
22. 3 - Sur les modèles/vocabulaires pour représenter les FeatureOfInterest dans
un domaine d’étude
● expressivité (représentation ontologique vs terminologique)
● complexité de mise en oeuvre
Implémentation featureOfInterest : les lignes directrices
2 - Sur les nomenclatures/terminologies, valeurs des FeatureOfInterest :
- Terminologies existantes à standardiser (4 ou 5 étoiles,: uri, rdf) avec leur géométrie
- Composant de gestion, accès et alignement des terminologies
1 - Définir des cas d’utilisation des données : questions scientifiques sur des
jeux de données pluri-disciplinaires (périmètre restreint)
Notes de l'éditeur
O & M est un modèle de métadonnées qui attache véhicule des données. dans cette utilisation, on tire partie davantage de la dimension métadonnées que du modèle de données
Associer un modèle de représentation d’un système (hydrosystème, ecosystème…)
résultat de discussion avec
4 étoiles : Utilisez des URI pour désigner des choses dans vos données, afin que les gens puissent faire des références à celles-ci4