Ce document aborde la modélisation de la spatialité dans les ontologies des capteurs, avec un accent sur les applications agricoles et les systèmes d'information contextuels. Il décrit les différentes ontologies, y compris SSN et SAREF, ainsi que leur rôle dans l'intégration des données hétérogènes et la contextualisation des informations récoltées par les capteurs. Enfin, il souligne la nécessité de développer des pratiques cohérentes pour modéliser la spatialité en relation avec les observations agricoles.

1. 1
Modelisation de la
spatialité dans les
ontologies de capteurs:
cas d’usage agricole
Catherine ROUSSEY
Merci à
(PhD) Maria POVEDA-VILLALON
(PhD candidate) Quang-Duy NGUYEN
Atelier EXCES - SAGEO, à Clermont-Ferrand, le 13 Novembre 2019

2. 2
Plan
• Système d’information agricole
• Système contextuel
• Contexte
• Ontologies
• Rôle des ontologies dans les systèmes contextuels
• Rappel définition d’une ontologie
• Ontologies de capteurs
• Semantic Sensor Network Ontologie (SSN)
• Smart Appliences Refence (SAREF)
• Comparaison SSN/SAREF
• Spatialité
• SSN station météo de montoldre
• SAREF, S4ENVI, S4AGRI
• SSN observation d’une parcelle agricole
• Conclusion

3. 3
Système d’information agricole
Besoins des agriculteurs
Leurs prises de décision dépendent d’observations de phénomènes
naturels : sol, pluie, développement des plantes etc.
Système agricole
• Composants:
• Réseau de capteurs sans fil (RCSF)
• Outil d’aide à la décision (OAD)
• Equipement automatisé : réseau d’actionneurs
• Objectifs:
• Automatiser des actions en fonction des mesures de capteurs
• Agriculture de précision : prendre la meilleure décision, au bon
moment, au bon endroit et avec le bon paramétrage.

4. 4
Système contextuel
Un système contextuel est un système qui utilise le contexte pour
fournir des informations et des services appropriés à l’utilisateur.
(Abowd et al., 1999)

5. 5
Contexte
« L’ensemble des information utilisées pour caractériser la situation d’une
entité. Une entité peut être une personne, un lieu ou un objet jugé
pertinent dans les interactions entre l’utilisateur et l’application. » (Abowd
et al., 1999)
« un ensemble d’entités caractérisées par leur états, plus toutes les
informations qui permettent de dériver les changements d’états de ces
entités » (Sun et al., 2016)
Etat « donnée qualitative qui évolue au cours du temps, résumant un
ensemble d’informations » (Bendadouche et al, 2012)
Types de contexte :
• Contexte de bas niveau : contexte contient des données quantitatives.
• Contexte de haut niveau : contexte enrichi avec des données
qualitatives nécessaires à l’application.
Types d’entité :
• Entité observée : entité dont des propriétés sont observées par les
capteurs.
• Entité d’intérêt : entité nécessaire à l’application et dont les propriétés
sont obtenues à partir des propriétés d’une ou plusieurs autres entités.

6. 6
Roles des ontologies
Données multi
sources
hétérogènes
Agrégations,
inférences

7. 7
Ontologies
Une ontologie est “une spécification explicite et formelle d’une conceptualisation
partagée” (Studer et al., 1998)
Dans le monde du web sémantique, une ontologie est l’ensemble des concepts et des
relations utilisés pour décrire un domaine d’intéret. Les mots ontologie et vocabulaire
sont utilisés conjointement. Le mot ontologie est employé quand le vocabulaire de
concepts et de relations est assez complexes et peut contenir par exemple des
contraintes: conditions nécessaire et/ou suffisante d’appartenance. (W3C)
Une ontologie sert à (W3C):
• Normaliser les termes du domaine: leur associer un identifiant (URI), un label et une
signification
• Typer les éléments de ce vocabulaire pour définir un schéma, documenté et
réutilisable: des classes, des propriétés etc…
• Aider l’intégration de données multi-sources
• Organiser les connaissances d’un domaine: publication de ressources et de leur
métadonnées descriptives sur le web (Linked Data)
• Produire des inférences

8. 8
Ontologies de capteurs
Ontologies de capteurs : SSN, SAREF, CESN, CSIRO, Sensei
O&M, OOSTethys, MMI, SWAMO, SEEK, SDO, SeReS O&M,
OntoSensor, etc. (Bendadouche et al., 2012)
SSN (Semantic Sensor Network)
• Dernière version de SSN ou SOSA/SSN
• Standard développé par World Wide Web Consortium (W3C) et
OGC
• (sosa) http://www.w3.org/ns/sosa (ssn) http://www.w3.org/ns/ssn
SAREF (Smart Appliances REFerence)
• Standard développé par European Telecommunication
Standardization Institute (ETSI)
• (SAREF) https://www.w3id.org/saref
• SAREF4ENVI: SAREF for the environment domain
• SAREF4AGRI: Extension to SAREF; Smart Agriculture and Food
Chain Domain

9. 9
Une vue d’ensemble de SSN et SAREF
(Poveda et al. 2018)
SSN
- SSN est une ontologie
pour décrire les capteurs,
actionneurs, observations,
actions, procédures
concernées, phénomène
observé...
- Sensor, Observation,
Sample, and Actuator
(SOSA) est le bloque
central de SSN.
SAREF
- SAREF est un modèle pour
décrire des appareils
connectés de tous les
domaines.
- SAREF intégre des modules
de l’ontologie “OneM2M”
- Extensions : SAREF4ENER,
SAREF4ENVI, SAREF4BLDG,
SAREF4AGRI, etc.
Property

10. 10
Une vue d’ensemble de SSN et SAREF
SSN décrit une situation de
mesure : qui, quoi, quand,
comment.
SAREF décrit des appareils
connectés de tous les
domaines.
des ontologies noyaux
auxquelles d’autres
ontologies se connectent
pour définir le schéma de
données de l’application
cible.
Ces deux ontologies
s’appliquent à des
domaines variés:
agriculture, santé,
domotique.
SSN
SAREF
Property

11. 11
La spatialité
La spatialité intervient dans plusieurs éléments descriptifs des
capteurs/actionneurs
• Quelle est la localisation du capteur/ actionneur ?
• Quelle géométrie est associée à la localisation du capteur ?
• Quelle est la localisation du phénomène observé ?
• Quelle géométrie est associée au phénomène?

12. 12
Semantic Sensor Network (SSN): Sensor
SOSA Observation Class: Act of carrying out an (Observation)
Procedure to estimate or calculate a value of a property of a
FeatureOfInterest. Links to a Sensor to describe what made the
Observation and how; links to an ObservableProperty to describe
what the result is an estimate of, and to a FeatureOfInterest to
detail what that property was associated with.
Example: The activity of estimating the intensity of an Earthquake using the
Mercalli intensity scale is an Observation as is measuring the moment
magnitude, i.e., the energy released by said earthquake.
SOSA Sensor Class: Device, agent (including humans), or software
(simulation) involved in, or implementing, a Procedure. Sensors
respond to a Stimulus, e.g., a change in the environment, or Input
data composed from the Results of prior Observations, and
generate a Result. Sensors can be hosted by Platforms.
Example: Accelerometers, gyroscopes, barometers, magnetometers, and so
forth are Sensors that are typically mounted on a modern smart phone
(which acts as Platform). Other examples of Sensors include the human
eyes.

13. 13
SSN: Property and Feature Of Interest Class
SSN Property Class: A quality of an entity. An aspect of an entity
that is intrinsic to and cannot exist without the entity.
SOSA Observable Property Class: An observable quality (property,
characteristic) of a FeatureOfInterest.
Example: The height of a tree, the depth of a water body, or the temperature
of a surface are examples of observable properties, while the value of a
classic car is not (directly) observable but asserted.
SOSA Feature Of Interest : The thing whose property is being
estimated or calculated in the course of an Observation to arrive at
a Result, or whose property is being manipulated by an Actuator,
or which is being sampled or transformed in an act of Sampling.
Example: When measuring the height of a tree, the height is the observed
ObservableProperty, 20m may be the Result of the Observation, and the
tree is the FeatureOfInterest. A window is a FeatureOfInterest for an
automatic window control Actuator.

14. 14
SSN: Sample Class
SOSA Sample Class: Feature which is intended to be representative
of a FeatureOfInterest on which Observations may be made.
Comment: Samples are typically subsets or extracts from the feature of
interest of an observation. They are used in situations where observations
cannot be made directly on the ultimate feature of interest, either because
the entire feature cannot be observed, or because it is more convenient to
use a proxy. Samples are thus artifacts of an observational strategy, and
usually have no significant function outside of their role in the observation
process. The characteristics of the samples themselves are generally of
little interest, except to the manager of a sampling campaign, or sample
curator.
A Sample is intended to sample some FeatureOfInterest, so there is an
expectation of at least one isSampleOf property. However, in some cases
the identity, and even the exact type, of the sampled feature may not be
known when observations are made using the sampling features.
Physical samples are sometimes known as 'specimens'.

15. 15
SSN: station météo
Description d’une station météo de Montoldre (Roussey et al, 2019)
Réutilise le vocabulaire GeoSPARQL défini par OGC
geosp:hasGeometry
geosp:Feature
atpw:platform/VP2lesPalaquins01
sosa:Platform
irstea:organization/irsteaCentreMontoldre
geosp:sfWithin
POINT(3,434657 46,339351) ^^geosp:wktLiteral
geosp:Geometry
atpw:geometry/point_VP2lesPalaquins01
geosp:hasWKT
irstea:commune/montoldre
geosp:sfWithin

16. 16
SSN: capteur baromètre
Description du baromètre de la station météo de Montoldre (Roussey et
al, 2019)
Description du phénomène observé (Ultimate Feature?)
Hypothèse: la localisation de la plateforme est identique à la localisation
du phénomène
sosa:hosts
atpw:platform/VP2lesPalaquins01
sosa:Platform
sosa:ObservableProperty
atpw:observableProperty/air_pressure
sosa:observes
atpw:sensor/VP2lesPalaquins01_barometer01
sosa:Sensor
sosa:FeatureOfInterest
atpw:featureOfInterest/air
ssn:hasProperty

17. 17
SSN: mesure de capteur (observation)
sosa:madeBySensor
atpw:observation/at_2019-01-08T23:40:00+01:00_of_VP2lesPalaquins01_barometer01_on_air_pressure
sosa:Observation
sosa:ObservableProperty
atpw:observableProperty/air_pressure
sosa:observedProperty
atpw:sensor/VP2lesPalaquins01_barometer01
sosa:Sensor
sosa:FeatureOfInterest
atpw:featureOfInterest/air
sosa:hasFeatureOfInterest
sosa:result/value_1025.millibar
sosa:Result
1025.0 ^^ xsd:double
qudt:millibar
qudts:PressureOrStressUnit
sosa:hasResult
qudts:unit
qudts:numericValue

18. 18
SAREF: S4ENVI capteur photomètre TESS
Localisation du capteur (ETSI, 2017)
WGS84 un petit vocabulaire RDF pour décrire les coordonnées d’un
point: altitude, longitude, latitude.
Un standard de fait
WGS84 est parfois prefixé par geo
ex:TESS005-UCM
S4envi:TESS
Ex:LocationTESS005-UCM
40.451
-3.7261
wgs84:latitude
wgs84:longitude
wgs84:locationwgs84:Point

19. 19
SAREF: S4ENVI capteur photomètre TESS
Description du phénomène observé: absence de la localisation
(ETSI, 2017).
Hypothèse: la localisation du capteur est identique à la localisation
du phénomène.
ex:TESS005-UCM
S4envi:TESS
S4envi:LightMagnitude
saref:measuresProperty
S4envi:LightProperty
ex:Measurement2016-10-05T08:15:40TESS005-UCM
saref:Measurement
saref:makesMeasurement
saref:relatesToProperty
0.8 ^^xsd:floatex:mgPerArcsec2
saref:hasValuesaref:isMeasuredIn
saref:hasTimeStamp
2016-10-05T08:15:40^^xsd:dateTime
saref:UnitOfMeasure

20. 20
SAREF: S4AGRI parcel
Description d’une parcelle dans SAREF4AGRI (ETSI 2019)
Reutilise le vocabulaire GeoSPARQL qui contient de nombreuses
relations spatiales
geosp:hasGeometrygeosp:Feature
ex:ArvalisLand07
s4agri:Parcel
geosp:SpatialObject
geosp:Geometry
geosp:sfContains, sfWithin
wgs84:Point
wgs84:location
ex:ArvalisLand07Center

21. 21
SAREF: S4AGRI station de mesure Irrinov
Localisation du capteur (ETSI 2019)
La nouvelle version de SAREF intègre des éléments de SSN
Quel est le lien entre la plateforme et la parcelle?
ex:PlatformArvalisLand07
sosa:Platformsosa:host
ssn:deploymentOnPlatform
ex:ArvalisDeployment20162017Land07
s4agri:Deployment
ex:ArvalisIrrinovStation01
ssn:System
ex:ArvalisIrrinovStation01SoilSensor02
s4agri:SoilTensiometer
ssn:hasSubSystem
ssn:deployedSystem

22. 22
SAREF: S4AGRI station de mesure Irrinov
Localisation du phénomène observé (ETSI 2019)
Hypothèse: la localisation du capteur est identique à la localisation du phénomène…
Problème: on a besoin d’une profondeur!
Le point identifiant la géométrie de la parcelle n’est pas le point de localisation du capteur.
ex:ArvalisIrrinovStation01SoilSensor02
s4agri:SoilTensiometer
s4agri:SoilMoisture
saref:Propertysaref:measuresProperty
ex:ArvalisIrrinovStation01SoilSensor02ObservationAtPT24H2016-06-14T000000_0200
saref:Measurement
saref:makesMeasurement
saref:relatesToProperty

23. 23
SSN: observation d’une parcelle agricole (1)
d2kab:observation/at_2013-07-01T12:00:00+01:00_of_plot T1 B1 - DKC4814_of_growthStage
sosa:Observation
sosa:ObservableProperty
dgai:growthStage/V2
sosa:observedProperty
sosa:FeatureOfInterest
arvalis:cultivatedPlot/plot T1B1 - DKC4814
sosa:hasFeatureOfInterest
arvalis:result/30_percent
sosa:Result
30.0 ^^ xsd:double
qudt:percent
qudts:CountingUnit
sosa:hasResult
qudts:unit
qudts:numericValue
geosp:hasGeometry
geosp:Feature
arvalis:geometry/plot_T1B1
geosp:Geometry

24. 24
SSN: observation d’une parcelle agricole (2)
d2kab:observation/at_2013-07-01T12:00:00+01:00_of_plot T1 B1 - DKC4814_of_growthStage
sosa:Observation
sosa:ObservableProperty
dgai:growthStage/V2
sosa:observedProperty
sosa:FeatureOfInterest
arvalis:cultivatedPlot/plot T1B1 - DKC4814
sosa:hasFeatureOfInterest
geosp:hasGeometry
geosp:Feature
arvalis:geometry/plot_T1B1
geosp:Geometry
sosa:Sample
arvalis:sample/maizePlant1sosa:isSampleOf
arvalis:point/21
geosp:Geometry
geosp:hasGeometry
sosa:Sample
arvalis:sample/maizePlantSetT1B1
isMemberOf
sosa:Sample
arvalis:sample/maizePlant1
sosa:Sample
arvalis:sample/maizePlant1
arvalis:point/21
geosp:Geometry
arvalis:point/21
geosp:Geometry

25. 25
Conclusion
SSN trois éléments peuvent être des objets géographique
• Platform : objet ou les capteurs sont installés
• FeatureOfInterest: le phénomène observé
• Sample: l’échantillon observé
• Ces ontologies n’ont pas encore été suffisamment utilisées pour
proposer une modélisation de la spatialité cohérente localisation
du capteur / localisation du phénomène.
• Besoin de mettre en usage ces ontologies pour définir des
bonnes pratiques de modélisation de la spatialité.
• Une station météo agricole se situe à 2m du sol.
• Une station irrinov à 3 tensiometres à 30 cm de profondeur et 3
autres à 60 cm de profondeur
• Comment modéliser les agrégations spatiales?
• Changement de phénomène observé (plan / volume) ou de propriété
du phénomène observé (moyenne)

26. 26
References
• Abowd, G. D., Dey, A. K., Brown, P. J., Davies, N., Smith, M., & Steggles, P. (1999). Towards a better
understanding of context and context-awareness. In H. W. Gellersen (Ed.), Handheld and Ubiquitous
Computing, Proceedings (Vol. 1707, pp. 304–307). Berlin: Springer-Verlag Berlin.
• Bendadouche, R., Roussey, C., De Sousa, G., Chanet, J.-P., & Hou, K. M. (2012). Etat de l’art sur les
ontologies de capteurs pour une intégration intelligente des données. INFORSID 2012, 89–104.
• ETSI 2017: ETSI TR 103 411 v1,1,1, Technical report, february 2017 http://www.etsi.org/standard-search
• ETSI 2019: ETSI TS 103 410-6 v1.1.1, Technical specification, SmartM2M; Extension to SAREF; Part 6:
Smart agriculture and Food Chain Domain, may 2019 http://www.etsi.org/standard-search
• M. Poveda-villalon, Q.-D. Nguyen, C. Roussey, J.-P. Chanet, C. De Vaulx. Ontological requirement
specification for smart irrigation systems: a SOSA/SSN and SAREF comparison. In Proceedings of the 9th
International Semantic Sensor Networks Workshop SSN2018, Monterey, USA, October 9th 2018.
http://ceur-ws.org/Vol-2213/paper1.pdf
• C. Roussey,S. Bernard, G. André, D. Boffety. Weather Data Publication on the LOD using SOSA/SSN
Ontology.Semantic Web Journal, 2019 http://www.semantic-web-journal.net/content/weather-data-
publication-lod-using-sosassn-ontology-0
• Semantic Sensor Network Ontology: W3C Recommendation 19 October 2017 (Link errors corrected 08
December 2017) https://www.w3.org/TR/2017/REC-vocab-ssn-20171019/
• Sun, J., De Sousa, G., Roussey, C., Chanet, J.-P., Pinet, F., & Hou, K. M. (2016). A new formalisation
for wireless sensor network adaptive context-aware system: Application to an environmental use
case. In Tenth International Conference on Sensor Technologies and Applications SENSORCOMM 2016
(pp. 49–55).
• Studer, R., Benjamins, V. R., & Fensel, D. (1998). Knowledge engineering: principles and methods.
Data & Knowledge Engineering, 25(1–2), 161–197.
• W3C https://www.w3.org/standards/semanticweb/ontology

27. 27
MERCI