SlideShare une entreprise Scribd logo
1  sur  41
Ontologies de capteurs

Pour mieux
affirmer
ses missions,
le Cemagref
devient Irstea

Equipe COPAIN, UR TSCF
Rimel BENDADOUCHE, Stephan BERNARD, Jean-Pierre
CHANET, Gil DE SOUSA, Catherine ROUSSEY
6 décembre 2013, Moulis
Merci à slide share, Jean Paul CALBIMONTE, Oscar CORCHO,
W3C SSN Working Group

www.irstea.fr
2

Plan
• Définitions de base: de l’Ontologie aux ontologies
• Motivations: Pourquoi des ontologies de capteurs ?
• W3C SSN group
•

SSN ontologie

• Irstea Use Case 1
•

WSSN Ontologie

• Irstea Use Case 2
•

agricultural Ontologies

• Nos Perspectives sur les ontologies
3

Définitions:
DONNÉES, INFORMATIONS, CONNAISSANCES
Donnée: un élément d’information,
percevable,
manipulable
Information: donnée +
sens + contexte
typée + structurée + documentée
Connaissance: information +
stabilité + croyance
abstraction + traitement
généralisation d’un ensemble d’information = modèle
toujours propre à une personne
partagée par d’autres personnes
4

Schéma général
DONNÉES, INFORMATIONS, CONNAISSANCES
Connaissances

Résultat d’un processus d’apprentissage: une
généralisation d’un ensemble d’information que
l’on va mémoriser

Information

Sens dans un contexte

Données

Perception

Classes en LD
Classes en POO
BD Relationnelle
Données typées
Données

Des traitement particuliers sur les données
qualitatives

Description sous forme d’attribut (description
quantitative & qualitative ) + méthodes
(traitements)
Données fortement structurées optimisées pour le
stockage
Différent niveau de granularité : information
structurée  non structurées
5

Définition
ONTOLOGIE
Ontologie avec un O majuscule (philosophie):
Une science: une branche de la métaphysique qui a pour objectif
l’étude de l’être, c'est-à-dire l'étude des propriétés générales de tout
ce qui est…
Ontologies au pluriel avec un o minuscule (informatique):
Outils informatiques
résultat d’une modélisation d’un domaine d’étude
défini pour un objectif donné
acceptée par une communauté d’utilisateurs
…
6

Ontologies …
Gruber 1993 : « une ontologie est une spécification explicite d’une
conceptualisation »
•
•

Conceptualisation: modèle abstrait du domaine: quelles entités?
Spécification explicite: les types et leurs contraintes d’usage sont définis
dans un langage…

Exemples:
•
•
•

Un thésaurus : vocabulaire normalisé
Un schéma de BD : un modèle structuré d'un domaine
Un système expert : un modèle du domaine formalisé pour les
inférences, des conditions exprimées à l'aide de formules logiques

Ontologie linguistique, ressource termino-ontologique, ontologie de
domaine, ontologie de haut niveau, un vocabulaire de métadonnées…
Thomas R. Gruber. “A translation approach to portable ontology specifications”,
Knowledge Acquisition, Volume 5, Issue 2, June 1993, Pages 199–220
7

Motivation: Ontologie
UNE ONTOLOGIE DE CAPTEURS POURQUOI FAIRE ?
Promouvoir un accès universel et uniformisé des données de capteurs
par le web:
• publier les données sur le web
• interroger ces données avec des techno web
• intégrer les données de capteurs avec d'autres données
• traiter ces données (par exemple les nettoyer pour améliorer leur
qualité)
Une ontologie contient un vocabulaire et un schéma de données:
• consensuels,
• publiés sur le web et documentés
• formalisés avec des standards du web (RDF, OWL, SPARQL)
• Avec des contraintes en DL (conditions nécessaires et/ou suffisantes)
= un schéma de données pour le web de données
8

Motivation: ontologies OWL-DL
Des schémas mais pas que
Comment produire des inférences?
1. Moteur d’inférence comme Pellet [Sirin 2007] valide
des modèles de Logiques de Description
 Une classe se définie par un ensemble de
conditions d’appartenance
 Réorganisation automatique des classes et des
individus en fonction de ces conditions.
 Détection d'incohérences
2. Règles d’inférence [SWRL: W3C]
 SI condition ALORS Action
9

Définition: Le web de données Linked Data
Une extension du web,
où les données sont
accessibles, bien
spécifiées et
documentées
facilite le partage et la
réutilisation
à la fois par les humains
et les machines
améliore l’interopérabilité
et propose les principes
de publication de
données
10

Publication sur le web de données
4 Principes:
• Use URIs as names for things
• Use HTTP URIs so that people can look up those names.
• When someone looks up a URI, provide useful information, using the
standards (RDF*, SPARQL)
•

Dereferenceable URI

• Include links to other URIs, so that they can discover more things.
11

Motivation: flux et métadonnées
QU'EST CE QUE SONT LES DONNÉES DE CAPTEURS ?
•Flux de données (Data Stream)
•
•
•
•

Données issues de mesure
Données continues, potentiellement infinie
Données avec des estampilles temporelles (time stamped tuple)
Données bruitées (noisy)
(t9, a1, a2, ... , an)

• un réseau produit plusieurs flux hétérogènes
•

Station météo: précipitation, direction du vent

(t8, a1, a2, ... , an)
(t7, a1, a2, ... , an)
...
...
(t1, a1, a2, ... , an)
...
...

•Métadonnées: données sur les données
•
•

Description du réseau de capteurs : localisation, nb de nœuds
Description des nœuds: niveau d'énergie, sondes, paramétrage des sondes
12

Données de capteurs: exemple

J P CALBIMONTE, O CORCHO, A J G GRAY. Enabling Ontology-based Access to Streaming Data
Sources. International Semantic Web Conference In ISWC 2010 proc
13

Données de capteurs: exemple

J.-P. CALBIMONTE, H. JEUNG, O.
CORCHO AND K. ABERER.
“Semantic Sensor Data Search in a
Large-scale Federated Sensor
Network” In Proc. of the 4th
International Workshop on Semantic
Sensor Networks SSN 2011, at ISWC
2011, Bonn, Germany, Oct 2011.
14

W3C Semantic Sensor Incubator Group
: SSN XG
SSN – XG : mars 2009
41 Participants de 16 organisations : Des grands noms du domaine des
ontologies et des réseaux de capteurs : CSIRO, Wright State University, OGC, DERI, OEG,
Knoesis etc…

Objectifs:
• Proposer un modèle unifié de données de capteurs et de métadonnées
• Etat de l’art sur les ontologies de capteurs existantes
• Proposer des méthodes de développements applications intelligentes
travaillant sur les données de capteurs
Résultat :
une ontologie qui intègre plusieurs ontologies existantes, validées dans des
projets.

Final Report 28 June 2011
http://www.w3.org/2005/Incubator/ssn/XGR-ssn-20110628/
15

Semantic Sensor Network Ontology
Format OWL 2, disponible sur le web et documentée
(!!) Orientée capteur uniquement, compatible avec les standards de OGC
Aligner sur l’ontologie de haut niveau Dolce Ultra Light (DUL)
 Faciliter l’intégration avec d’autres ontologies
 SSN ne s’utilise jamais seule (!!), chaque application ne réutilise qu’une sous partie
de l’ontologie
Ontologie modulaire basé sur des patrons de conception (Design Pattern)
 Importe que les parties nécessaires
 Faciliter l’évolution de l’ontologie
 Répond à plusieurs cas d’usage (4)
 Permettre d’avoir plusieurs niveaux de description
 « Redondance » voulue et nécessaire
Semantic Sensor Network Ontology: http://www.w3.org/2005/Incubator/ssn/ssnx/ssn
M. Compton et al. The SSN ontology of the W3C semantic sensor network incubator
group. Web Semantics: Science, Services and Agents on the World Wide Web
Volume 17, December 2012, pp 25–32
16

SSN 4 Use Cases
17

Modules de SSN
18

Les autres ontologies nécessaires
•
•
•
•

Ontologies d’unités
Ontologies géographiques de position et de lieux
Classification de tous les types de sondes
Ontologies des phénomènes observés et de leurs propriétés

SSN est une base pour construire une ontologie d’application
19

Ontology Design Pattern: SSO in SSN
STIMULUS SENSOR OBSERVATION
Sensor is anything that observes
Sensor is anything that observes

What is sensed?
What is sensed?
What senses ?
What senses ?
How it senses ? senses ?
How it
20

Données de capteurs : Observation

ssn:isProducedBy
ssn:Sensor
ssn:observedBy

ssn:SensorOutput

ssn:observationResult

ssn:Observation

ssn:hasValue
ssn:ObservationValue

ssn:observes
ssn:featureOfInterest

ssn:observedProperty

quantityValue

ssn:FeatureOfInterest
xsd:datatype
ssn:Property

ssn:hasProperty
21

Données de capteurs : Observation

WindSpeed : 6.245
At: 2011-1026T21:32:52

Sensor Data
Irstea:WindSpeed/Observation1
rdf:type ssn:Observation;
ssn:featureOfInterest [rdf:type cf-feature:Wind];
ssn:observedProperty [rdf:type qu:WindSpeed];
ssn:observationResult [rdf:type ssn:SensorOutput;
ssn:hasValue [qudt:numericValue "6.245"^^xsd:double]];
ssn:observationResultTime [time:inXSDDatatime "2011-10-26T21:32:52"];
ssn:observedBy irstea:Sensor1 ;
22

Métadonnées du capteur
ssn:OperatingRange
ssn:hasOperatingRange

ssn:Deployment
ssn:hasDeployment

ssn:Sensing
ssn:implements

ssn:System

ssn:Sensor

ssn:hasMeasurementCapability

ssn:deployedOnPlatform

ssn:onPlatform
ssn:Device

ssn:MeasurementCapability
ssn:SensingDevice

ssn:Platform
23

Métadonnées du capteur
Sensor metadata
Sensor 1

irstea:Sensor1
rdf:type ssn:Sensor;
ssn:onPlatform irstea:StationMontoldre;
ssn:observes [rdf:type qu:WindSpeed].
irstea:Sensor2
rdf:type ssn:Sensor;
ssn:onPlatform irstea:StationMontoldre;
ssn:observes [rdf:type qu:AirTemperature].
irstea:StationMontoldre
dul:hasLocation [rdf:type wgs84:Point;
wgs84:lat “46.33";
wgs84:long “3.43"].
24

Perspectives sur SSN ontologie
SSN Ontology used in several projects for publishing data sensor on the
web of data…
Some works has to be done:
• good practices in URL definition
• Vizualisation of spatio temporal data
• Distributed reasoning

Follows the Semantic Sensor Network Workshop at ISWC
• SSN13 October 2013 Sydney
• SSN12 http://knoesis.org/ssn2012/
• SSN11 http://ceur-ws.org/Vol-839/
• SSN10 http://ceur-ws.org/Vol-668/
• SSN 2009 http://ceur-ws.org/Vol-522/
• SSN 2006 http://www.ict.csiro.au/ssn06/
Irstea Use Case 1: Sensor
Ontologies and Observations
Wireless Semantic Sensor Network Ontology
Pour mieux
affirmer
ses missions,
le Cemagref
devient Irstea

www.irstea.fr

R. BENDADOUCHE, C. ROUSSEY, G. De SOUSA, J.P. CHANET, K.M. HOU.
Extension of the Semantic Sensor Network Ontology for Wireless Sensor Networks:
The Stimulus-WSNnode-Communication Pattern. In proceedings of the 5th
International Workshop on Semantic Sensor Networks (SSN 2012) in conjunction
with the 11th International Semantic Web Conference (ISWC
2012), Boston, USA, November 12, 2012. Editors Cory Henson, Kerry Taylor, Oscar
Corcho. CEUR Workshop Proceedings Vol 904. ISSN 1613-0073, p 49-64. /
26

Ontologies de capteurs
et leurs usages dans les RCSFs
Jean Pierre CHANET, Gil DE SOUSA, Kun Mean HOU (LIMOS), Catherine
ROUSSEY

• Projet 2010-2013 : Gestion intelligente d'un réseau de capteur sans fil en
fonction du contexte.
Thèse en collaboration avec le LIMOS de Rimel BENDADOUCHE (soutenance
2014)

• Projet 2013-2016 : Pilotage Intelligent de la publication de données de
capteurs sur le web de données
Thèse en collaboration avec le LIMOS de Jie SUN (début sept 2013)
27

Gestion contextuelle d'un RCSF
Thèse de Rimel BENDADOUCHE
Problématique
•
•
•
•

Evaluation
du TR
MOTIVE
01 février
2012

risques.meteo.edu

Dans les RCSF la communication est le service le plus coûteux
Limiter les données communiquées pour améliorer la durée de vie du RCSF
Modifier la politique de communication en fonction du contexte
Qualifier les données envoyées par les RCSF pour mieux les intégrer
28

Wireless Sensor Network (WSN)
NEEDS AND OBJECTIVES
 Adapt the WSN node behavior to the context:
•
•

Node state
Phenomena state

Context: ”The context is a set of entities states or information
describing an environment where an event occurs”
State: ”The state is a qualitative data, which changes over time
summarizing a set of information”

 Enhance the lifetime and the good functioning of the network
29

What is a context ?
FLOOD PHENOMENA
FLOOD PHENOMENA STATE:
1. Normal
2. Précipitations persistantes
3. Risque de crue
4. Crue
5. Décrue
NODE (ENERGY) STATE:
1. Strong Energy state
2. Average Energy state
3. Low Energy state
30

Wireless Sensor Network (WSN)
Phenomena state Normal
<weather> node
sends its
measures
<weather>
node sends
nothing
31

WSN and its devices
32

Communication: Stimulus-WSNnodeCommunication pattern
33

Communication process
34

State
OUR EXAMPLE

SSN'12
12/11/2012
35

The use of the WSSN ontology
USING TOOLS

• Develop the WSSN ontology
•

Protégé

• JESS rule engine
•

Derive the state from the sensor data

• Simulate the WSN and its nodes behaviour
•

JADE Simulator
36

Conclusion et Perspectives
Thèse de Rimel BENDADOUCHE
Avancée
•
•
•
•

Evaluation
du TR
MOTIVE
01 février
2012

Décrire le contexte avec une ontologie : état du phénomène, état du nœud, la
mesure, la communication
Déduire les changements de contexte avec des règles d’inférence
Création de l’ontologie Wireless Semantic Sensor Network à partir de
l’ontologie Semantic Sensor Network
Simulation de la durée de vie du réseau

Perspectives
•
•
•

risques.meteo.edu

Terminer les simulations pour évaluer l’efficacité de la
proposition
Qualifier les données communiquées (agrégat)
Développer une implémentation innovante capable d’être
porter par des nœuds de capteurs sans fils
Irstea Use Case 2:
Agricultural Ontologies and
Crop Observations
Pour mieux
affirmer
ses missions,
le Cemagref
devient Irstea

F. AMARGER, C. ROUSSEY, J.P. CHANET, N. HERNANDEZ, O. HAEMMERLÉ
Toward an intelligent system to gather and query data about bio-agressors attacks
10th Summer School on Ontology Engineering and the Semantic Web
(SSSW2013), 07/07/2013-13/07/2013, Cercedilla, ESP (p. 1), 2013
www.irstea.fr
38

Annotations des BSV
BULLETIN DE SANTE DU VEGETAL
Bulletin d’alerte français contient des observations sur le
développement des cultures et les risques d’attaques de leurs
agresseurs
BSV distribués sur le web au format pdf
BSV hétérogènes: Différents auteurs, Différents style de
présentation, Différents contenus (texte structuré, tableau, image)
Aider la recherche d'information dans ces BSV + reconstruire
des données d'observation des cultures documentées par les
BSV

Comment aider l'annotation de ces BSV pour construire
des ontologies sur les observations des cultures et de leurs
attaques?
• Annotations Spatio-temporelles,
•Interaction entre plusieurs organismes vivants: une plante cultivée et
ses agresseurs
39

Ontologies agricoles et recherche d'information
sémantique
Thèse de Fabien AMARGER
Problématique
•
•
•

Il existe de nombreuses sources d’information : thésaurus, BD, alertes
agricoles, textes réglementaires
Linked Open Data (LOD) agricole est peu développé
Comment construire des ontologies agricoles réutilisables pour publier sur le
LOD et développer des systèmes de Recherche d’Information sémantique
dédiés

Proposition
1. Réutiliser et transformer des ressources viables existantes
2. Utiliser de Design Pattern Ontologiques (ODP) [Presutti et al 2008] et des
schémas connus de vocabulaires de métadonnées du LOD
3. Cas d’usage de l’application SWIP [Pradel et al. 2011] de l’IRIT : génération de
patrons de requêtes propres aux Bulletins de Santé du Végétal
4. Génération de nouveaux corpus documentaires : collaboration entre acteurs de
monde agricole pour générer des nouvelles connaissances
40

Les ontologies agri-environnementales:
QUESTIONS DE RECHERCHE
1. Proposer des méthodes de construction d’ontologies




Evaluer les méthodes existantes et les adapter pour les besoins agricols
Réutiliser des sources de données non ontologiques
Automatiser la construction des ontologies pour des besoins spécifiques

2. Améliorer la qualité des ontologies



Développer des méthodes de détection d'erreurs: Antipatterns
Concevoir et réutiliser des Design Patterns Ontologiques (ODP)

3. Eprouver l'utiliter des ontologies dans des applications dédiées

Publier et liéer des données agricoles sur le web de données:
Observation des phénomenes environnementaux et évaluation des risques
Observation des cultures + changement climatique
Observation des bio-agresseurs + préconisation de bonnes pratiques

Rechercher et interroger des données agricoles (projet SWIP de l'IRIT)
Les 25es journées
francophones d'Ingéniérie des
connaissances
Clermont Ferrand
du 12 au 16 mai 2014
Pour mieux
affirmer
ses missions,
le Cemagref
devient Irstea

www.irstea.fr

www.irit.fr/IC2014

Contenu connexe

Tendances

Chp1 - Introduction aux méthodologies de Conception
Chp1 - Introduction aux méthodologies de ConceptionChp1 - Introduction aux méthodologies de Conception
Chp1 - Introduction aux méthodologies de ConceptionLilia Sfaxi
 
BigData_TP5 : Neo4J
BigData_TP5 : Neo4JBigData_TP5 : Neo4J
BigData_TP5 : Neo4JLilia Sfaxi
 
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDIPrésentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDIHaShem Selmi
 
BIMO Forum 2015 - Etat de l'art de l'internet des objets : L'industrie 4.0
BIMO Forum 2015 - Etat de l'art de l'internet des objets : L'industrie 4.0BIMO Forum 2015 - Etat de l'art de l'internet des objets : L'industrie 4.0
BIMO Forum 2015 - Etat de l'art de l'internet des objets : L'industrie 4.0Artionet Web Agency
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particuleschagra bassem
 
Sécurité de l'IoT | Internet des objets - Formation d'une journée
Sécurité de l'IoT | Internet des objets - Formation d'une journéeSécurité de l'IoT | Internet des objets - Formation d'une journée
Sécurité de l'IoT | Internet des objets - Formation d'une journéeTactika inc.
 
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesProjet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesJean-Marc Dupont
 
Introduction aux systèmes répartis
Introduction aux systèmes répartisIntroduction aux systèmes répartis
Introduction aux systèmes répartisHeithem Abbes
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Technologia Formation
 
Introduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep LearningIntroduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep LearningNcib Lotfi
 
Design patterns french
Design patterns frenchDesign patterns french
Design patterns frenchmeriem sari
 
Big data, Intelligence artificielle, quelles conséquences pour les profession...
Big data, Intelligence artificielle, quelles conséquences pour les profession...Big data, Intelligence artificielle, quelles conséquences pour les profession...
Big data, Intelligence artificielle, quelles conséquences pour les profession...Gautier Poupeau
 
Les algorithmes de génération des règles d association
Les algorithmes de génération des règles d associationLes algorithmes de génération des règles d association
Les algorithmes de génération des règles d associationHajer Trabelsi
 
Chap1 systéme d'information
Chap1 systéme d'informationChap1 systéme d'information
Chap1 systéme d'informationGhita Benabdellah
 

Tendances (20)

Chp1 - Introduction aux méthodologies de Conception
Chp1 - Introduction aux méthodologies de ConceptionChp1 - Introduction aux méthodologies de Conception
Chp1 - Introduction aux méthodologies de Conception
 
BigData_TP5 : Neo4J
BigData_TP5 : Neo4JBigData_TP5 : Neo4J
BigData_TP5 : Neo4J
 
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDIPrésentation pfe Big Data Hachem SELMI et Ahmed DRIDI
Présentation pfe Big Data Hachem SELMI et Ahmed DRIDI
 
BIMO Forum 2015 - Etat de l'art de l'internet des objets : L'industrie 4.0
BIMO Forum 2015 - Etat de l'art de l'internet des objets : L'industrie 4.0BIMO Forum 2015 - Etat de l'art de l'internet des objets : L'industrie 4.0
BIMO Forum 2015 - Etat de l'art de l'internet des objets : L'industrie 4.0
 
L’optimisation par essaims de particules
L’optimisation par essaims de particulesL’optimisation par essaims de particules
L’optimisation par essaims de particules
 
Sécurité de l'IoT | Internet des objets - Formation d'une journée
Sécurité de l'IoT | Internet des objets - Formation d'une journéeSécurité de l'IoT | Internet des objets - Formation d'une journée
Sécurité de l'IoT | Internet des objets - Formation d'une journée
 
Qualité de code et bonnes pratiques
Qualité de code et bonnes pratiquesQualité de code et bonnes pratiques
Qualité de code et bonnes pratiques
 
Projet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de donnéesProjet BI - 2 - Conception base de données
Projet BI - 2 - Conception base de données
 
Introduction aux systèmes répartis
Introduction aux systèmes répartisIntroduction aux systèmes répartis
Introduction aux systèmes répartis
 
Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]Comprendre l’intelligence artificielle [webinaire]
Comprendre l’intelligence artificielle [webinaire]
 
Présentation pfe
Présentation pfePrésentation pfe
Présentation pfe
 
Introduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep LearningIntroduction: Intelligence Artificielle, Machine Learning et Deep Learning
Introduction: Intelligence Artificielle, Machine Learning et Deep Learning
 
Design patterns french
Design patterns frenchDesign patterns french
Design patterns french
 
Présentation des IoT
Présentation des IoTPrésentation des IoT
Présentation des IoT
 
Big data, Intelligence artificielle, quelles conséquences pour les profession...
Big data, Intelligence artificielle, quelles conséquences pour les profession...Big data, Intelligence artificielle, quelles conséquences pour les profession...
Big data, Intelligence artificielle, quelles conséquences pour les profession...
 
Les algorithmes de génération des règles d association
Les algorithmes de génération des règles d associationLes algorithmes de génération des règles d association
Les algorithmes de génération des règles d association
 
Introduction scrum
Introduction scrumIntroduction scrum
Introduction scrum
 
Presentation 6lowpan
Presentation 6lowpanPresentation 6lowpan
Presentation 6lowpan
 
Machine-learning-FR.pdf
Machine-learning-FR.pdfMachine-learning-FR.pdf
Machine-learning-FR.pdf
 
Chap1 systéme d'information
Chap1 systéme d'informationChap1 systéme d'information
Chap1 systéme d'information
 

En vedette

Semantic Sensor Network Ontology: Description et usage
Semantic Sensor Network Ontology: Description et usageSemantic Sensor Network Ontology: Description et usage
Semantic Sensor Network Ontology: Description et usagecatherine roussey
 
Smoke detector Fibaro certified CE EN 14604
Smoke detector Fibaro certified CE EN 14604Smoke detector Fibaro certified CE EN 14604
Smoke detector Fibaro certified CE EN 14604Domotica daVinci
 
Story Lab - Sensor Journalism [23-04-2015, Liège]
Story Lab - Sensor Journalism [23-04-2015, Liège]Story Lab - Sensor Journalism [23-04-2015, Liège]
Story Lab - Sensor Journalism [23-04-2015, Liège]Gregory Berger
 
Surface Acoustic Wave (SAW) Wireless Passive RF Sensor Systems
Surface Acoustic Wave (SAW) Wireless Passive RF Sensor SystemsSurface Acoustic Wave (SAW) Wireless Passive RF Sensor Systems
Surface Acoustic Wave (SAW) Wireless Passive RF Sensor SystemsFuentek, LLC
 
Designing with Sensors: Creating Adaptive Experiences
Designing with Sensors: Creating Adaptive ExperiencesDesigning with Sensors: Creating Adaptive Experiences
Designing with Sensors: Creating Adaptive ExperiencesAvi Itzkovitch
 
PLM Open Hours - Systemtechnische Integration von Aktor-Sensor-Listen: BMK im 3D
PLM Open Hours - Systemtechnische Integration von Aktor-Sensor-Listen: BMK im 3DPLM Open Hours - Systemtechnische Integration von Aktor-Sensor-Listen: BMK im 3D
PLM Open Hours - Systemtechnische Integration von Aktor-Sensor-Listen: BMK im 3DIntelliact AG
 
I cursa sant jordi
I cursa sant jordiI cursa sant jordi
I cursa sant jordilluís nater
 
Smart Sensor capteurs électriques pour systèmes d’attelage par autoprestige-u...
Smart Sensor capteurs électriques pour systèmes d’attelage par autoprestige-u...Smart Sensor capteurs électriques pour systèmes d’attelage par autoprestige-u...
Smart Sensor capteurs électriques pour systèmes d’attelage par autoprestige-u...autoprestige
 
Contoh laporan praktek
Contoh laporan praktekContoh laporan praktek
Contoh laporan praktekAnang Andaka
 
SensLab Anr Stic2010
SensLab Anr Stic2010SensLab Anr Stic2010
SensLab Anr Stic2010Eric Fleury
 
Apple's Smart Sensor Technologies -- market research report (sample)
Apple's Smart Sensor Technologies -- market research report (sample)Apple's Smart Sensor Technologies -- market research report (sample)
Apple's Smart Sensor Technologies -- market research report (sample)MEMS Journal, Inc.
 
46890913 diagnostico-y-reparacion-de-fallas-en-el-sistema
46890913 diagnostico-y-reparacion-de-fallas-en-el-sistema46890913 diagnostico-y-reparacion-de-fallas-en-el-sistema
46890913 diagnostico-y-reparacion-de-fallas-en-el-sistemakristianmechanic
 
WIRELESS SENSOR NETWORK
WIRELESS SENSOR NETWORKWIRELESS SENSOR NETWORK
WIRELESS SENSOR NETWORKTejas Wasule
 
Gas Leakage Detector using Arduino with SMS Alert - Engineering Project
Gas Leakage Detector using Arduino with SMS Alert - Engineering ProjectGas Leakage Detector using Arduino with SMS Alert - Engineering Project
Gas Leakage Detector using Arduino with SMS Alert - Engineering ProjectCircuitsToday
 
P6: Kiwibot Basic Shield: Sensor de distancia por ultrasonidos
P6: Kiwibot Basic Shield: Sensor de distancia por ultrasonidosP6: Kiwibot Basic Shield: Sensor de distancia por ultrasonidos
P6: Kiwibot Basic Shield: Sensor de distancia por ultrasonidosJosé Pujol Pérez
 
Sensores del motor y automovil
Sensores del motor y automovilSensores del motor y automovil
Sensores del motor y automovilMargarita Nilo
 
Basics of Wireless sensor networks
Basics of Wireless sensor networksBasics of Wireless sensor networks
Basics of Wireless sensor networksRushin Shah
 

En vedette (20)

Semantic Sensor Network Ontology: Description et usage
Semantic Sensor Network Ontology: Description et usageSemantic Sensor Network Ontology: Description et usage
Semantic Sensor Network Ontology: Description et usage
 
Smoke detector Fibaro certified CE EN 14604
Smoke detector Fibaro certified CE EN 14604Smoke detector Fibaro certified CE EN 14604
Smoke detector Fibaro certified CE EN 14604
 
Story Lab - Sensor Journalism [23-04-2015, Liège]
Story Lab - Sensor Journalism [23-04-2015, Liège]Story Lab - Sensor Journalism [23-04-2015, Liège]
Story Lab - Sensor Journalism [23-04-2015, Liège]
 
Surface Acoustic Wave (SAW) Wireless Passive RF Sensor Systems
Surface Acoustic Wave (SAW) Wireless Passive RF Sensor SystemsSurface Acoustic Wave (SAW) Wireless Passive RF Sensor Systems
Surface Acoustic Wave (SAW) Wireless Passive RF Sensor Systems
 
Designing with Sensors: Creating Adaptive Experiences
Designing with Sensors: Creating Adaptive ExperiencesDesigning with Sensors: Creating Adaptive Experiences
Designing with Sensors: Creating Adaptive Experiences
 
Sensor de velocidad vss
Sensor de velocidad vssSensor de velocidad vss
Sensor de velocidad vss
 
PLM Open Hours - Systemtechnische Integration von Aktor-Sensor-Listen: BMK im 3D
PLM Open Hours - Systemtechnische Integration von Aktor-Sensor-Listen: BMK im 3DPLM Open Hours - Systemtechnische Integration von Aktor-Sensor-Listen: BMK im 3D
PLM Open Hours - Systemtechnische Integration von Aktor-Sensor-Listen: BMK im 3D
 
I cursa sant jordi
I cursa sant jordiI cursa sant jordi
I cursa sant jordi
 
Smart Sensor capteurs électriques pour systèmes d’attelage par autoprestige-u...
Smart Sensor capteurs électriques pour systèmes d’attelage par autoprestige-u...Smart Sensor capteurs électriques pour systèmes d’attelage par autoprestige-u...
Smart Sensor capteurs électriques pour systèmes d’attelage par autoprestige-u...
 
Contoh laporan praktek
Contoh laporan praktekContoh laporan praktek
Contoh laporan praktek
 
SensLab Anr Stic2010
SensLab Anr Stic2010SensLab Anr Stic2010
SensLab Anr Stic2010
 
IMMO-SENSOR® Produktepräsentation
IMMO-SENSOR® ProduktepräsentationIMMO-SENSOR® Produktepräsentation
IMMO-SENSOR® Produktepräsentation
 
Apple's Smart Sensor Technologies -- market research report (sample)
Apple's Smart Sensor Technologies -- market research report (sample)Apple's Smart Sensor Technologies -- market research report (sample)
Apple's Smart Sensor Technologies -- market research report (sample)
 
46890913 diagnostico-y-reparacion-de-fallas-en-el-sistema
46890913 diagnostico-y-reparacion-de-fallas-en-el-sistema46890913 diagnostico-y-reparacion-de-fallas-en-el-sistema
46890913 diagnostico-y-reparacion-de-fallas-en-el-sistema
 
WIRELESS SENSOR NETWORK
WIRELESS SENSOR NETWORKWIRELESS SENSOR NETWORK
WIRELESS SENSOR NETWORK
 
Gas Leakage Detector using Arduino with SMS Alert - Engineering Project
Gas Leakage Detector using Arduino with SMS Alert - Engineering ProjectGas Leakage Detector using Arduino with SMS Alert - Engineering Project
Gas Leakage Detector using Arduino with SMS Alert - Engineering Project
 
P6: Kiwibot Basic Shield: Sensor de distancia por ultrasonidos
P6: Kiwibot Basic Shield: Sensor de distancia por ultrasonidosP6: Kiwibot Basic Shield: Sensor de distancia por ultrasonidos
P6: Kiwibot Basic Shield: Sensor de distancia por ultrasonidos
 
Electronic nose
Electronic noseElectronic nose
Electronic nose
 
Sensores del motor y automovil
Sensores del motor y automovilSensores del motor y automovil
Sensores del motor y automovil
 
Basics of Wireless sensor networks
Basics of Wireless sensor networksBasics of Wireless sensor networks
Basics of Wireless sensor networks
 

Similaire à ontologie de capteurs

Ontologies, web de données et SKOS transformation
Ontologies, web de données et SKOS transformationOntologies, web de données et SKOS transformation
Ontologies, web de données et SKOS transformationcatherine roussey
 
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...kmichel69
 
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...Gautier Poupeau
 
Méthodologie de mise en place d'observatoires virtuels via les métadonnées
Méthodologie de mise en place d'observatoires virtuels via les métadonnéesMéthodologie de mise en place d'observatoires virtuels via les métadonnées
Méthodologie de mise en place d'observatoires virtuels via les métadonnéesDesconnets Jean-Christophe
 
Stéphane Pouyllau (CNRS) - ISIDORE : plateforme d’accès unifié aux données de...
Stéphane Pouyllau (CNRS) - ISIDORE : plateforme d’accès unifié aux données de...Stéphane Pouyllau (CNRS) - ISIDORE : plateforme d’accès unifié aux données de...
Stéphane Pouyllau (CNRS) - ISIDORE : plateforme d’accès unifié aux données de...infoclio.ch
 
Concepts de Recherche dans un environnement WSS et MOSS
Concepts de Recherche dans un environnement WSS et MOSSConcepts de Recherche dans un environnement WSS et MOSS
Concepts de Recherche dans un environnement WSS et MOSSDesjardins
 
Atelier documentaire du chercheur à l'INRIA
Atelier documentaire du chercheur à l'INRIAAtelier documentaire du chercheur à l'INRIA
Atelier documentaire du chercheur à l'INRIAADBSAquidoc
 
Jabes 2011 - Sessions parallèles : Retours d'expériences innovantes - " ISIDO...
Jabes 2011 - Sessions parallèles : Retours d'expériences innovantes - " ISIDO...Jabes 2011 - Sessions parallèles : Retours d'expériences innovantes - " ISIDO...
Jabes 2011 - Sessions parallèles : Retours d'expériences innovantes - " ISIDO...ABES
 
infrastructure de données spatiales: notions et enjeux
infrastructure de données spatiales: notions et enjeuxinfrastructure de données spatiales: notions et enjeux
infrastructure de données spatiales: notions et enjeuxDesconnets Jean-Christophe
 
JCSA2013 08 - Isabelle Chrisment - L'initiative "PLATeforme d'observation de ...
JCSA2013 08 - Isabelle Chrisment - L'initiative "PLATeforme d'observation de ...JCSA2013 08 - Isabelle Chrisment - L'initiative "PLATeforme d'observation de ...
JCSA2013 08 - Isabelle Chrisment - L'initiative "PLATeforme d'observation de ...Afnic
 
Les Ontologies dans les Systèmes d’Information
Les Ontologies dans les Systèmes d’InformationLes Ontologies dans les Systèmes d’Information
Les Ontologies dans les Systèmes d’Informationcatherine roussey
 
JIES 2014 A. Giordan - Introduction
JIES 2014 A. Giordan - IntroductionJIES 2014 A. Giordan - Introduction
JIES 2014 A. Giordan - IntroductionGroupe Traces
 
Catalogage de données : notions enjeux et initiatives
Catalogage de données : notions enjeux et initiativesCatalogage de données : notions enjeux et initiatives
Catalogage de données : notions enjeux et initiativesDesconnets Jean-Christophe
 
Modélisation de la spatialité dans les ontologies de capteurs
Modélisation de la spatialité dans les ontologies de capteursModélisation de la spatialité dans les ontologies de capteurs
Modélisation de la spatialité dans les ontologies de capteurscatherine roussey
 
IODS : Retour d’expériences au sein du Center for Data Science
IODS : Retour d’expériences au sein du Center for Data ScienceIODS : Retour d’expériences au sein du Center for Data Science
IODS : Retour d’expériences au sein du Center for Data ScienceBorderCloud
 
Datalift, une plateforme Linked Data, Retour d'expériences
Datalift, une plateforme Linked Data, Retour d'expériencesDatalift, une plateforme Linked Data, Retour d'expériences
Datalift, une plateforme Linked Data, Retour d'expériencesSemWebPro
 

Similaire à ontologie de capteurs (20)

Ontologies, web de données et SKOS transformation
Ontologies, web de données et SKOS transformationOntologies, web de données et SKOS transformation
Ontologies, web de données et SKOS transformation
 
Skos transformation
Skos transformationSkos transformation
Skos transformation
 
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
Kristell MICHEL : Une IDG au service des Observatoires sur l’eau: retour d'ex...
 
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
Le "Lac de données" de l'Ina, un projet pour placer la donnée au cœur de l'or...
 
Méthodologie de mise en place d'observatoires virtuels via les métadonnées
Méthodologie de mise en place d'observatoires virtuels via les métadonnéesMéthodologie de mise en place d'observatoires virtuels via les métadonnées
Méthodologie de mise en place d'observatoires virtuels via les métadonnées
 
Stéphane Pouyllau (CNRS) - ISIDORE : plateforme d’accès unifié aux données de...
Stéphane Pouyllau (CNRS) - ISIDORE : plateforme d’accès unifié aux données de...Stéphane Pouyllau (CNRS) - ISIDORE : plateforme d’accès unifié aux données de...
Stéphane Pouyllau (CNRS) - ISIDORE : plateforme d’accès unifié aux données de...
 
Concepts de Recherche dans un environnement WSS et MOSS
Concepts de Recherche dans un environnement WSS et MOSSConcepts de Recherche dans un environnement WSS et MOSS
Concepts de Recherche dans un environnement WSS et MOSS
 
Atelier documentaire du chercheur à l'INRIA
Atelier documentaire du chercheur à l'INRIAAtelier documentaire du chercheur à l'INRIA
Atelier documentaire du chercheur à l'INRIA
 
Jabes 2011 - Sessions parallèles : Retours d'expériences innovantes - " ISIDO...
Jabes 2011 - Sessions parallèles : Retours d'expériences innovantes - " ISIDO...Jabes 2011 - Sessions parallèles : Retours d'expériences innovantes - " ISIDO...
Jabes 2011 - Sessions parallèles : Retours d'expériences innovantes - " ISIDO...
 
Plan de Gestion de Données (PGD)_Claire Sowinski (INIST CNRS)_JeudIST IRD 202...
Plan de Gestion de Données (PGD)_Claire Sowinski (INIST CNRS)_JeudIST IRD 202...Plan de Gestion de Données (PGD)_Claire Sowinski (INIST CNRS)_JeudIST IRD 202...
Plan de Gestion de Données (PGD)_Claire Sowinski (INIST CNRS)_JeudIST IRD 202...
 
infrastructure de données spatiales: notions et enjeux
infrastructure de données spatiales: notions et enjeuxinfrastructure de données spatiales: notions et enjeux
infrastructure de données spatiales: notions et enjeux
 
JCSA2013 08 - Isabelle Chrisment - L'initiative "PLATeforme d'observation de ...
JCSA2013 08 - Isabelle Chrisment - L'initiative "PLATeforme d'observation de ...JCSA2013 08 - Isabelle Chrisment - L'initiative "PLATeforme d'observation de ...
JCSA2013 08 - Isabelle Chrisment - L'initiative "PLATeforme d'observation de ...
 
Les Ontologies dans les Systèmes d’Information
Les Ontologies dans les Systèmes d’InformationLes Ontologies dans les Systèmes d’Information
Les Ontologies dans les Systèmes d’Information
 
Semantic web introduction
Semantic web introductionSemantic web introduction
Semantic web introduction
 
JIES 2014 A. Giordan - Introduction
JIES 2014 A. Giordan - IntroductionJIES 2014 A. Giordan - Introduction
JIES 2014 A. Giordan - Introduction
 
Catalogage de données : notions enjeux et initiatives
Catalogage de données : notions enjeux et initiativesCatalogage de données : notions enjeux et initiatives
Catalogage de données : notions enjeux et initiatives
 
Modélisation de la spatialité dans les ontologies de capteurs
Modélisation de la spatialité dans les ontologies de capteursModélisation de la spatialité dans les ontologies de capteurs
Modélisation de la spatialité dans les ontologies de capteurs
 
IODS : Retour d’expériences au sein du Center for Data Science
IODS : Retour d’expériences au sein du Center for Data ScienceIODS : Retour d’expériences au sein du Center for Data Science
IODS : Retour d’expériences au sein du Center for Data Science
 
Datalift, une plateforme Linked Data, Retour d'expériences
Datalift, une plateforme Linked Data, Retour d'expériencesDatalift, une plateforme Linked Data, Retour d'expériences
Datalift, une plateforme Linked Data, Retour d'expériences
 
Entrepôt de données ouvertes IRD. Un service en ligne pour l’ouverture et le ...
Entrepôt de données ouvertes IRD. Un service en ligne pour l’ouverture et le ...Entrepôt de données ouvertes IRD. Un service en ligne pour l’ouverture et le ...
Entrepôt de données ouvertes IRD. Un service en ligne pour l’ouverture et le ...
 

Plus de catherine roussey

RavaCool Diagnostic régional des ravageurs du colza
RavaCool Diagnostic régional des ravageurs du colzaRavaCool Diagnostic régional des ravageurs du colza
RavaCool Diagnostic régional des ravageurs du colzacatherine roussey
 
Intelligent Wireless Sensor Network Simulation: Flood Use Case
Intelligent Wireless Sensor Network Simulation: Flood Use CaseIntelligent Wireless Sensor Network Simulation: Flood Use Case
Intelligent Wireless Sensor Network Simulation: Flood Use Casecatherine roussey
 
Irstea Use Case: Integration of Crop Observations using Semantic Web Technolo...
Irstea Use Case: Integration of Crop Observations using Semantic Web Technolo...Irstea Use Case: Integration of Crop Observations using Semantic Web Technolo...
Irstea Use Case: Integration of Crop Observations using Semantic Web Technolo...catherine roussey
 
Intelligent Wireless Sensor Network Simulation
Intelligent Wireless Sensor Network SimulationIntelligent Wireless Sensor Network Simulation
Intelligent Wireless Sensor Network Simulationcatherine roussey
 
Weather Station Data Publication at Irstea: an implementation Report.
Weather Station Data Publication at Irstea: an implementation Report.  Weather Station Data Publication at Irstea: an implementation Report.
Weather Station Data Publication at Irstea: an implementation Report. catherine roussey
 
interopérabilité en informatique
interopérabilité en informatiqueinteropérabilité en informatique
interopérabilité en informatiquecatherine roussey
 
Présentation du projet de l'irstea sur l'annotation des bulletins d'alerte ag...
Présentation du projet de l'irstea sur l'annotation des bulletins d'alerte ag...Présentation du projet de l'irstea sur l'annotation des bulletins d'alerte ag...
Présentation du projet de l'irstea sur l'annotation des bulletins d'alerte ag...catherine roussey
 

Plus de catherine roussey (8)

RavaCool Diagnostic régional des ravageurs du colza
RavaCool Diagnostic régional des ravageurs du colzaRavaCool Diagnostic régional des ravageurs du colza
RavaCool Diagnostic régional des ravageurs du colza
 
Intelligent Wireless Sensor Network Simulation: Flood Use Case
Intelligent Wireless Sensor Network Simulation: Flood Use CaseIntelligent Wireless Sensor Network Simulation: Flood Use Case
Intelligent Wireless Sensor Network Simulation: Flood Use Case
 
Irstea Use Case: Integration of Crop Observations using Semantic Web Technolo...
Irstea Use Case: Integration of Crop Observations using Semantic Web Technolo...Irstea Use Case: Integration of Crop Observations using Semantic Web Technolo...
Irstea Use Case: Integration of Crop Observations using Semantic Web Technolo...
 
Intelligent Wireless Sensor Network Simulation
Intelligent Wireless Sensor Network SimulationIntelligent Wireless Sensor Network Simulation
Intelligent Wireless Sensor Network Simulation
 
2015 ed spi
2015 ed spi2015 ed spi
2015 ed spi
 
Weather Station Data Publication at Irstea: an implementation Report.
Weather Station Data Publication at Irstea: an implementation Report.  Weather Station Data Publication at Irstea: an implementation Report.
Weather Station Data Publication at Irstea: an implementation Report.
 
interopérabilité en informatique
interopérabilité en informatiqueinteropérabilité en informatique
interopérabilité en informatique
 
Présentation du projet de l'irstea sur l'annotation des bulletins d'alerte ag...
Présentation du projet de l'irstea sur l'annotation des bulletins d'alerte ag...Présentation du projet de l'irstea sur l'annotation des bulletins d'alerte ag...
Présentation du projet de l'irstea sur l'annotation des bulletins d'alerte ag...
 

ontologie de capteurs

  • 1. Ontologies de capteurs Pour mieux affirmer ses missions, le Cemagref devient Irstea Equipe COPAIN, UR TSCF Rimel BENDADOUCHE, Stephan BERNARD, Jean-Pierre CHANET, Gil DE SOUSA, Catherine ROUSSEY 6 décembre 2013, Moulis Merci à slide share, Jean Paul CALBIMONTE, Oscar CORCHO, W3C SSN Working Group www.irstea.fr
  • 2. 2 Plan • Définitions de base: de l’Ontologie aux ontologies • Motivations: Pourquoi des ontologies de capteurs ? • W3C SSN group • SSN ontologie • Irstea Use Case 1 • WSSN Ontologie • Irstea Use Case 2 • agricultural Ontologies • Nos Perspectives sur les ontologies
  • 3. 3 Définitions: DONNÉES, INFORMATIONS, CONNAISSANCES Donnée: un élément d’information, percevable, manipulable Information: donnée + sens + contexte typée + structurée + documentée Connaissance: information + stabilité + croyance abstraction + traitement généralisation d’un ensemble d’information = modèle toujours propre à une personne partagée par d’autres personnes
  • 4. 4 Schéma général DONNÉES, INFORMATIONS, CONNAISSANCES Connaissances Résultat d’un processus d’apprentissage: une généralisation d’un ensemble d’information que l’on va mémoriser Information Sens dans un contexte Données Perception Classes en LD Classes en POO BD Relationnelle Données typées Données Des traitement particuliers sur les données qualitatives Description sous forme d’attribut (description quantitative & qualitative ) + méthodes (traitements) Données fortement structurées optimisées pour le stockage Différent niveau de granularité : information structurée  non structurées
  • 5. 5 Définition ONTOLOGIE Ontologie avec un O majuscule (philosophie): Une science: une branche de la métaphysique qui a pour objectif l’étude de l’être, c'est-à-dire l'étude des propriétés générales de tout ce qui est… Ontologies au pluriel avec un o minuscule (informatique): Outils informatiques résultat d’une modélisation d’un domaine d’étude défini pour un objectif donné acceptée par une communauté d’utilisateurs …
  • 6. 6 Ontologies … Gruber 1993 : « une ontologie est une spécification explicite d’une conceptualisation » • • Conceptualisation: modèle abstrait du domaine: quelles entités? Spécification explicite: les types et leurs contraintes d’usage sont définis dans un langage… Exemples: • • • Un thésaurus : vocabulaire normalisé Un schéma de BD : un modèle structuré d'un domaine Un système expert : un modèle du domaine formalisé pour les inférences, des conditions exprimées à l'aide de formules logiques Ontologie linguistique, ressource termino-ontologique, ontologie de domaine, ontologie de haut niveau, un vocabulaire de métadonnées… Thomas R. Gruber. “A translation approach to portable ontology specifications”, Knowledge Acquisition, Volume 5, Issue 2, June 1993, Pages 199–220
  • 7. 7 Motivation: Ontologie UNE ONTOLOGIE DE CAPTEURS POURQUOI FAIRE ? Promouvoir un accès universel et uniformisé des données de capteurs par le web: • publier les données sur le web • interroger ces données avec des techno web • intégrer les données de capteurs avec d'autres données • traiter ces données (par exemple les nettoyer pour améliorer leur qualité) Une ontologie contient un vocabulaire et un schéma de données: • consensuels, • publiés sur le web et documentés • formalisés avec des standards du web (RDF, OWL, SPARQL) • Avec des contraintes en DL (conditions nécessaires et/ou suffisantes) = un schéma de données pour le web de données
  • 8. 8 Motivation: ontologies OWL-DL Des schémas mais pas que Comment produire des inférences? 1. Moteur d’inférence comme Pellet [Sirin 2007] valide des modèles de Logiques de Description  Une classe se définie par un ensemble de conditions d’appartenance  Réorganisation automatique des classes et des individus en fonction de ces conditions.  Détection d'incohérences 2. Règles d’inférence [SWRL: W3C]  SI condition ALORS Action
  • 9. 9 Définition: Le web de données Linked Data Une extension du web, où les données sont accessibles, bien spécifiées et documentées facilite le partage et la réutilisation à la fois par les humains et les machines améliore l’interopérabilité et propose les principes de publication de données
  • 10. 10 Publication sur le web de données 4 Principes: • Use URIs as names for things • Use HTTP URIs so that people can look up those names. • When someone looks up a URI, provide useful information, using the standards (RDF*, SPARQL) • Dereferenceable URI • Include links to other URIs, so that they can discover more things.
  • 11. 11 Motivation: flux et métadonnées QU'EST CE QUE SONT LES DONNÉES DE CAPTEURS ? •Flux de données (Data Stream) • • • • Données issues de mesure Données continues, potentiellement infinie Données avec des estampilles temporelles (time stamped tuple) Données bruitées (noisy) (t9, a1, a2, ... , an) • un réseau produit plusieurs flux hétérogènes • Station météo: précipitation, direction du vent (t8, a1, a2, ... , an) (t7, a1, a2, ... , an) ... ... (t1, a1, a2, ... , an) ... ... •Métadonnées: données sur les données • • Description du réseau de capteurs : localisation, nb de nœuds Description des nœuds: niveau d'énergie, sondes, paramétrage des sondes
  • 12. 12 Données de capteurs: exemple J P CALBIMONTE, O CORCHO, A J G GRAY. Enabling Ontology-based Access to Streaming Data Sources. International Semantic Web Conference In ISWC 2010 proc
  • 13. 13 Données de capteurs: exemple J.-P. CALBIMONTE, H. JEUNG, O. CORCHO AND K. ABERER. “Semantic Sensor Data Search in a Large-scale Federated Sensor Network” In Proc. of the 4th International Workshop on Semantic Sensor Networks SSN 2011, at ISWC 2011, Bonn, Germany, Oct 2011.
  • 14. 14 W3C Semantic Sensor Incubator Group : SSN XG SSN – XG : mars 2009 41 Participants de 16 organisations : Des grands noms du domaine des ontologies et des réseaux de capteurs : CSIRO, Wright State University, OGC, DERI, OEG, Knoesis etc… Objectifs: • Proposer un modèle unifié de données de capteurs et de métadonnées • Etat de l’art sur les ontologies de capteurs existantes • Proposer des méthodes de développements applications intelligentes travaillant sur les données de capteurs Résultat : une ontologie qui intègre plusieurs ontologies existantes, validées dans des projets. Final Report 28 June 2011 http://www.w3.org/2005/Incubator/ssn/XGR-ssn-20110628/
  • 15. 15 Semantic Sensor Network Ontology Format OWL 2, disponible sur le web et documentée (!!) Orientée capteur uniquement, compatible avec les standards de OGC Aligner sur l’ontologie de haut niveau Dolce Ultra Light (DUL)  Faciliter l’intégration avec d’autres ontologies  SSN ne s’utilise jamais seule (!!), chaque application ne réutilise qu’une sous partie de l’ontologie Ontologie modulaire basé sur des patrons de conception (Design Pattern)  Importe que les parties nécessaires  Faciliter l’évolution de l’ontologie  Répond à plusieurs cas d’usage (4)  Permettre d’avoir plusieurs niveaux de description  « Redondance » voulue et nécessaire Semantic Sensor Network Ontology: http://www.w3.org/2005/Incubator/ssn/ssnx/ssn M. Compton et al. The SSN ontology of the W3C semantic sensor network incubator group. Web Semantics: Science, Services and Agents on the World Wide Web Volume 17, December 2012, pp 25–32
  • 16. 16 SSN 4 Use Cases
  • 18. 18 Les autres ontologies nécessaires • • • • Ontologies d’unités Ontologies géographiques de position et de lieux Classification de tous les types de sondes Ontologies des phénomènes observés et de leurs propriétés SSN est une base pour construire une ontologie d’application
  • 19. 19 Ontology Design Pattern: SSO in SSN STIMULUS SENSOR OBSERVATION Sensor is anything that observes Sensor is anything that observes What is sensed? What is sensed? What senses ? What senses ? How it senses ? senses ? How it
  • 20. 20 Données de capteurs : Observation ssn:isProducedBy ssn:Sensor ssn:observedBy ssn:SensorOutput ssn:observationResult ssn:Observation ssn:hasValue ssn:ObservationValue ssn:observes ssn:featureOfInterest ssn:observedProperty quantityValue ssn:FeatureOfInterest xsd:datatype ssn:Property ssn:hasProperty
  • 21. 21 Données de capteurs : Observation WindSpeed : 6.245 At: 2011-1026T21:32:52 Sensor Data Irstea:WindSpeed/Observation1 rdf:type ssn:Observation; ssn:featureOfInterest [rdf:type cf-feature:Wind]; ssn:observedProperty [rdf:type qu:WindSpeed]; ssn:observationResult [rdf:type ssn:SensorOutput; ssn:hasValue [qudt:numericValue "6.245"^^xsd:double]]; ssn:observationResultTime [time:inXSDDatatime "2011-10-26T21:32:52"]; ssn:observedBy irstea:Sensor1 ;
  • 23. 23 Métadonnées du capteur Sensor metadata Sensor 1 irstea:Sensor1 rdf:type ssn:Sensor; ssn:onPlatform irstea:StationMontoldre; ssn:observes [rdf:type qu:WindSpeed]. irstea:Sensor2 rdf:type ssn:Sensor; ssn:onPlatform irstea:StationMontoldre; ssn:observes [rdf:type qu:AirTemperature]. irstea:StationMontoldre dul:hasLocation [rdf:type wgs84:Point; wgs84:lat “46.33"; wgs84:long “3.43"].
  • 24. 24 Perspectives sur SSN ontologie SSN Ontology used in several projects for publishing data sensor on the web of data… Some works has to be done: • good practices in URL definition • Vizualisation of spatio temporal data • Distributed reasoning Follows the Semantic Sensor Network Workshop at ISWC • SSN13 October 2013 Sydney • SSN12 http://knoesis.org/ssn2012/ • SSN11 http://ceur-ws.org/Vol-839/ • SSN10 http://ceur-ws.org/Vol-668/ • SSN 2009 http://ceur-ws.org/Vol-522/ • SSN 2006 http://www.ict.csiro.au/ssn06/
  • 25. Irstea Use Case 1: Sensor Ontologies and Observations Wireless Semantic Sensor Network Ontology Pour mieux affirmer ses missions, le Cemagref devient Irstea www.irstea.fr R. BENDADOUCHE, C. ROUSSEY, G. De SOUSA, J.P. CHANET, K.M. HOU. Extension of the Semantic Sensor Network Ontology for Wireless Sensor Networks: The Stimulus-WSNnode-Communication Pattern. In proceedings of the 5th International Workshop on Semantic Sensor Networks (SSN 2012) in conjunction with the 11th International Semantic Web Conference (ISWC 2012), Boston, USA, November 12, 2012. Editors Cory Henson, Kerry Taylor, Oscar Corcho. CEUR Workshop Proceedings Vol 904. ISSN 1613-0073, p 49-64. /
  • 26. 26 Ontologies de capteurs et leurs usages dans les RCSFs Jean Pierre CHANET, Gil DE SOUSA, Kun Mean HOU (LIMOS), Catherine ROUSSEY • Projet 2010-2013 : Gestion intelligente d'un réseau de capteur sans fil en fonction du contexte. Thèse en collaboration avec le LIMOS de Rimel BENDADOUCHE (soutenance 2014) • Projet 2013-2016 : Pilotage Intelligent de la publication de données de capteurs sur le web de données Thèse en collaboration avec le LIMOS de Jie SUN (début sept 2013)
  • 27. 27 Gestion contextuelle d'un RCSF Thèse de Rimel BENDADOUCHE Problématique • • • • Evaluation du TR MOTIVE 01 février 2012 risques.meteo.edu Dans les RCSF la communication est le service le plus coûteux Limiter les données communiquées pour améliorer la durée de vie du RCSF Modifier la politique de communication en fonction du contexte Qualifier les données envoyées par les RCSF pour mieux les intégrer
  • 28. 28 Wireless Sensor Network (WSN) NEEDS AND OBJECTIVES  Adapt the WSN node behavior to the context: • • Node state Phenomena state Context: ”The context is a set of entities states or information describing an environment where an event occurs” State: ”The state is a qualitative data, which changes over time summarizing a set of information”  Enhance the lifetime and the good functioning of the network
  • 29. 29 What is a context ? FLOOD PHENOMENA FLOOD PHENOMENA STATE: 1. Normal 2. Précipitations persistantes 3. Risque de crue 4. Crue 5. Décrue NODE (ENERGY) STATE: 1. Strong Energy state 2. Average Energy state 3. Low Energy state
  • 30. 30 Wireless Sensor Network (WSN) Phenomena state Normal <weather> node sends its measures <weather> node sends nothing
  • 31. 31 WSN and its devices
  • 35. 35 The use of the WSSN ontology USING TOOLS • Develop the WSSN ontology • Protégé • JESS rule engine • Derive the state from the sensor data • Simulate the WSN and its nodes behaviour • JADE Simulator
  • 36. 36 Conclusion et Perspectives Thèse de Rimel BENDADOUCHE Avancée • • • • Evaluation du TR MOTIVE 01 février 2012 Décrire le contexte avec une ontologie : état du phénomène, état du nœud, la mesure, la communication Déduire les changements de contexte avec des règles d’inférence Création de l’ontologie Wireless Semantic Sensor Network à partir de l’ontologie Semantic Sensor Network Simulation de la durée de vie du réseau Perspectives • • • risques.meteo.edu Terminer les simulations pour évaluer l’efficacité de la proposition Qualifier les données communiquées (agrégat) Développer une implémentation innovante capable d’être porter par des nœuds de capteurs sans fils
  • 37. Irstea Use Case 2: Agricultural Ontologies and Crop Observations Pour mieux affirmer ses missions, le Cemagref devient Irstea F. AMARGER, C. ROUSSEY, J.P. CHANET, N. HERNANDEZ, O. HAEMMERLÉ Toward an intelligent system to gather and query data about bio-agressors attacks 10th Summer School on Ontology Engineering and the Semantic Web (SSSW2013), 07/07/2013-13/07/2013, Cercedilla, ESP (p. 1), 2013 www.irstea.fr
  • 38. 38 Annotations des BSV BULLETIN DE SANTE DU VEGETAL Bulletin d’alerte français contient des observations sur le développement des cultures et les risques d’attaques de leurs agresseurs BSV distribués sur le web au format pdf BSV hétérogènes: Différents auteurs, Différents style de présentation, Différents contenus (texte structuré, tableau, image) Aider la recherche d'information dans ces BSV + reconstruire des données d'observation des cultures documentées par les BSV Comment aider l'annotation de ces BSV pour construire des ontologies sur les observations des cultures et de leurs attaques? • Annotations Spatio-temporelles, •Interaction entre plusieurs organismes vivants: une plante cultivée et ses agresseurs
  • 39. 39 Ontologies agricoles et recherche d'information sémantique Thèse de Fabien AMARGER Problématique • • • Il existe de nombreuses sources d’information : thésaurus, BD, alertes agricoles, textes réglementaires Linked Open Data (LOD) agricole est peu développé Comment construire des ontologies agricoles réutilisables pour publier sur le LOD et développer des systèmes de Recherche d’Information sémantique dédiés Proposition 1. Réutiliser et transformer des ressources viables existantes 2. Utiliser de Design Pattern Ontologiques (ODP) [Presutti et al 2008] et des schémas connus de vocabulaires de métadonnées du LOD 3. Cas d’usage de l’application SWIP [Pradel et al. 2011] de l’IRIT : génération de patrons de requêtes propres aux Bulletins de Santé du Végétal 4. Génération de nouveaux corpus documentaires : collaboration entre acteurs de monde agricole pour générer des nouvelles connaissances
  • 40. 40 Les ontologies agri-environnementales: QUESTIONS DE RECHERCHE 1. Proposer des méthodes de construction d’ontologies    Evaluer les méthodes existantes et les adapter pour les besoins agricols Réutiliser des sources de données non ontologiques Automatiser la construction des ontologies pour des besoins spécifiques 2. Améliorer la qualité des ontologies   Développer des méthodes de détection d'erreurs: Antipatterns Concevoir et réutiliser des Design Patterns Ontologiques (ODP) 3. Eprouver l'utiliter des ontologies dans des applications dédiées  Publier et liéer des données agricoles sur le web de données: Observation des phénomenes environnementaux et évaluation des risques Observation des cultures + changement climatique Observation des bio-agresseurs + préconisation de bonnes pratiques  Rechercher et interroger des données agricoles (projet SWIP de l'IRIT)
  • 41. Les 25es journées francophones d'Ingéniérie des connaissances Clermont Ferrand du 12 au 16 mai 2014 Pour mieux affirmer ses missions, le Cemagref devient Irstea www.irstea.fr www.irit.fr/IC2014