un modèle de métadonnées centré utlisateur pour la découverte, l'intégration de données d'observation hétérogènes et pluri-disciplinaire

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

16. Wheather dataset (2 meteo station collecting data on multiple
properties)

17. Vocabularies
FieldStation → <(meteoStationAt)Djougou>
Geometry → MD_GeometricObjectTypeCode_point (<http://registry.it.csiro.au/def/isotc211/MD_GeometricObjectTypeCode/point>)
SampledFeature -> Atmosphere (<http://aims.fao.org/aos/agrovoc/c_8994>)
Spatial Unit → Admin Unit → Benin (<http://www.geonames.org/countries/BJ/benin>)
DATASET URL http://www.amma-catch.org/spip.php?article206&lang=en
Wheather dataset (2 meteo stations collecting data on multiple
properties)

19. Example with Tuna dataset ( tuna occurences + SST and CHLA)

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)