Le document traite des ontologies de capteurs, soulignant leur importance pour un accès uniforme et universel aux données en ligne. Il décrit la définition, la motivation et les cas d'utilisation de l'ontologie SSN (Semantic Sensor Network) développée par le groupe de travail W3C, ainsi que des projets sur la gestion des données agricoles et l'intégration des ontologies dans diverses applications. Les perspectives incluent l'amélioration des pratiques de publication de données et le développement d'outils innovants pour la gestion des réseaux de capteurs sans fil.

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

17. 17
Modules de SSN

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 ;

22. 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. 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

32. 32
Communication: Stimulus-WSNnodeCommunication pattern

33. 33
Communication process

34. 34
State
OUR EXAMPLE
SSN'12
12/11/2012

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