Présentation d’un travail de recherche: conceptualisation et modélisation spatio-temporelle d’un problème d’érosion et de nourrissage de la plage: le problème.

Présentation au sujet: "Présentation d’un travail de recherche: conceptualisation et modélisation spatio-temporelle d’un problème d’érosion et de nourrissage de la plage: le problème."— Transcription de la présentation:

1 Présentation d’un travail de recherche: conceptualisation et modélisation spatio-temporelle d’un problème d’érosion et de nourrissage de la plage: le problème d’Ameland

2 PLAN Problématique: représentation d’un phénomène spatio-temporel: intégrer les dimensions thématiques, spatiales, temporelles. (Gruber,1993, Noy and McGuiness, 2001, Kuhn 2001). Une représentation est une approximation de la réalité et dépend du phénomène à étudier. La dimension temporelle est encore peu prise en compte 2) Comment réaliser une représentation d’un phénomène la plus juste possible par rapport au phénomène à étudier? Hypothèse: possible d’intégrer différentes réalités sous forme de catégories en établissant une ontologie de l’application associant les différents éléments de l’application et les paramètres de qualité. Nécessité de prendre en considération la problématique de qualité - Erreur et qualité interne - Qualité interne et qualité externe (fitness for use) 3) Exemple: le cas d’Ameland

3 Intégration Dimensions thématiques, spatiales, temporelles
Dimension thématique Quoi? Intégration Espace Ou? Temps Quand, sur quelle période?

4 Les observations géographiques peuvent être définies en terme d’espace, de thème et de temps [PEU 94, PEU 02, VER 99]. Ces trois dimensions sont essentielles pour analyser et comprendre les changements spatiaux intervenants dans les problématiques géographiques dynamiques. Si les modèles spatiaux tiennent en général compte des dimensions spatiales et thématiques, ils négligent toutefois la dimension temporelle: « Les systèmes d’information géographique devraient soutenir des activités humaines. Au lieu de cela, ils sont souvent conçus en tant que modèles passifs du monde, avec trop peu de souci pour les contextes de tâche dans lesquels ils seront employés » (traduction libre)[Kuhn, 01] Meilleure prise en compte de la dimension temporelle

5 Différentes réalités à intégrer dans la modélisation
Comment sont élaborées les catégories?: catégories = simplification de la réalité Différentes réalités à intégrer dans la modélisation Adapté de (Frank A. 2001, IJGIS special issue) Réalité physique - Réalité observable (e.g. Approximation de la réalité à un Etat donné: description incomplète et imprécise. La connaissance n’est jamais parfaite. Par exemple, l’observation de la réalité en utilisant des images de télédétection. - Réalité sociale: réalité sociale influence la représentation de la réalité: (e.g. parcelles légales versus parcelles physiques, les objets correspondants aux parcelles légales n'ont pas forcément une existence physique) - Connaissance subjective (e.g. Les agents cognitifs, personnes ou organisations) on une connaissance incomplète de la réalité mais utilisent leur connaissance pour prendre des décisions. - Objets avec des propriétés (routes, maisons, etc…)

6 Notion philosophique d’ontologie:
Catégories: Notion philosophique d’ontologie: Du grec = ontos – “être“ : la réflexion sur ce qui “est” - Réponse à la question simple: “what is there ?” (Quine, 1950) Ontologie et Information (qui suivre ?) - Spécification explicite d’une conceptualisation (Gruber, 1993) Ontologie en Système d’information géographique: « la totalité des concepts, catégories, relations et processus géospatiaux ». [Mark 02]. « une manière formelle de réaliser une description claire et concise des termes et des concepts que nous employons, afin que les autres puissent interpréter ce que nous faisons » [HUN 02].

7 Classe d’objets : « classificateur décrivant un ensemble d’objets qui partagent les mêmes spécifications, contraintes et sémantiques » (e.g. les classes d’objets peuvent être réelles (routes) ou être projetées pour les besoins de l’application). Attribut : « élément constituant un classificateur qui caractérise les instances de ce classificateur ». Il existe différents types d’attribut. L’adresse d’une maison peut par exemple être un attribut géométrique (e.g. adresse géoréférencée sous la forme de coordonnées) ou un attribut thématique (e.g. adresse en toute lettre). Relations : « concept abstrait spécifiant un certain type de connexion entre des éléments ». Notions de : Etat, Processus Etat : « condition ou situation liée à l’existence d’un objet pendant laquelle il satisfait certaines conditions, effectue certaines activités [...]; C’est un instantané de l’application [...] ». (traduction libre Worboys 98). Processus : permet de comprendre ce qui se produit dans la nature pendant une certaine durée ; peut inclure des états uniformes de changement et des agrégats de petits évènements permettant de relier les changements. [Galton 03]

8 2. Quality? Error? Qualité? Qualité interne versus la qualité externe

9 Sources d’erreur affectant la qualité de prise de décision
Erreur de conceptualisation. Erreur dans les sources de données, leur entrée, leur fusion : problèmes d’exactitude (de position, thématique), d’exhaustivité (couverture partielle), d’actualité. Egalement, les problèmes de cohérence (échelle), d’accessibilité (e.g. format, coût). Erreur dans la mise en valeur à l’écran de la base de données. Erreurs de traitement des données (calcul numérique, limitations informatique) ; erreurs dans l’application des modèles et la création de données dérivées, (e.g. classification, interpolation). - Erreur dans l’analyse des données et aggrégation thématiques (e.g. mauvaise représentation visuelle) et la prise de décision basées sur l’application réalisée (…).

10 Exactitude sémantique, cohérence logique
Similitudes entre incertitude et qualité des données [Fisher 03]. La qualité des données comme elle est décrite dans les standards, et l’incertitude spatiale, comme cela a été étudié dans les recherches ont suivi deux voies complètement différentes. Les concepts devraient être complémentaires, mais ni l'un ni l'autre ne semble avoir essayé d’intégrer les concepts complémentaires dans leurs approches ".(traduction libre: [fisher, 2003]) Qualité, mesure de l’incertitude Incertitude Qualité des données Erreur Exactitude de Position d’attributs Exhaustivité Imprécision, discorde et ambiguïté ? Exactitude sémantique, cohérence logique Actualité, généalogie

11 Qualité interne, versus qualité externe
Les standards internationaux ISO considèrent la qualité comme étant « the totality of characteristics of a product that bear on its ability to satisfy stated and implied need » (Godwin, 1999; ISO 2003, 19113, 19114, 19115) La qualité dépend du but pour lequel les données sont utilisées. Pour cela, la qualité est souvent définie comme étant la qualité externe ou « fitness for use ». - Internal : qualité interne des données - External: adéquation besoin, données

12 Les principaux paramètres de qualité pour définir de manière quantitative la qualité:
Exhaustivité, cohérence logique, précision .. Exhaustivité (completeness): présence ou absence d’entités, leur attributs, les relations… Cohérence Logique: degré d’adhérence aux règles logiques de la structure des données, des attributs de leur relation Précision: Précision de position: Précision thématique: Précision temporelle:

13 Completeness: Omission Completeness: commission Positional accuracy Logical consistency

14 Internal quality, expected quality
(a) entities of the application that are present in "the problem" built for the decision-making (Ci); (b) a list of elements of quality, among those identified by the standards or of the elements necessary to use (Qi). Object (tree) Attributes ... Relationship Completeness Thematic accuracy Positional accuracy Logical consistency Less that 5% tree missing …

15 Exemple d’Ameland: Problème d’érosion
en collaboration avec ITC Objectifs - Localiser les endroits qui nécessitent un apport de sable et assister le décideur dans sa prise de décision - Représentation en terme d’objets, d’attributs, de relation de processus, compréhensible par tous. - Prise en compte - de la dimension temporelle - des différentes réalités et contraintes - représentation de qualité de l’application et améliorations éventuelles

16 Ontologie spatio-temporelle pour la maintenance des plages en Hollande
__________________________________________________________________________ Modéliser le processus d’érosion de la plage pour prévoir l’alimentation en sable (améliorer la gestion des plages)

17 Ameland application

18 Représentation d’un Processus
Mode « Trajectoire » Spatial: 1. Travailler sur des unités d’études (compartiment, qui ont des limites fixes (prependiculaires au littoral) et floues (entre la plage, la mer, les dunes). Temporel Necessité de garder la cohérence d’étude entre les différents états. Calculer le volume de sable par parcelle et son évolution sur une période de 10 ans (1990 à 2000); contraintes d’alimentation en sable. Etat 1 (1995) Etat 2 (2000) Compartments with fixed limits (dotted lines)

19 Défférentes réalités et contraintes
(Reprise, « 5 tiers Ontology », Frank A. 2001, IJGIS special issue) Défférentes réalités et contraintes Application Ameland Niveau 0: Réalité physique Réalité Ameland et problématique d’érosion Niveau 1: Réalité observable et connaissance des données Différentes réalités observables: - photos satellites - mesures d’élévation du terrain. Niveau 2 : Réalité sociale Pieux fixes installés par le gouvernement hollandais, servant de repères pour mesurer l’élévation de terrain et découpent la zone de la plage en compartiments (~26 sur la zone). Niveau 3 : Connaissance experte du phénomène observé Connaissance experte « terrain » du processus d’érosion et d’alimentation de la zone en sable Contraintes pour nourrir la plage (apports minimaux, la période, etc..)

20 mesures d’élévation du terrain à différentes périodes :
Différentes données: - photos satellites Données Date Résolution par pixel Remarques RMS -error Landsat 5 TM 30 x 30 m Corrigés géométriquement 1.46 1.63 1.62 Landsat 7 ETM+ 1.56 1.61 DEM (Jarkus) 1989 à 2000 unknown mesures d’élévation du terrain à différentes périodes : le long de pieux perpendiculaires au littoral

21 Ontologie spatio-temporelle pour la maintenance des plages en Hollande
__________________________________________________________________________ Le problème concerne la localisation des zones qui demandent d’être Nourries en sable (par unité) L’objet plage est défini en fonction d’un certain nombre de contraintes: Au dessus du niveau de la mer Zone sèche Zone non végétale Prise en compte des limites floues

22 µ(x,y,t)= min{µe (x,y,t), µv(x,y,t), µw(x,y,t)}
Quality-aware Ontology for dynamic spatial objects with indeterminate boundaries Compartment, Limits and their various fuzzy membership functions. The beach object must satisfy the constraints of elevation µe, dryness µw, and of non-vegetation µv. µ(x,y,t)= min{µe (x,y,t), µv(x,y,t), µw(x,y,t)}

23 C.vol(t)=e(x,y,t) µC (x,y,t) dxdy
Statique Etat Objet plage et unités d’étude Différentes données définissant différents états. Ces états sont utilisés pour approximer le model continue du processus d’érosion. Caractérisation de l’objet plage: fonctions d’appartenance prenant en considération l’élévation, l’indexe d’humidité et de végétation. Limites Fixes: CL: fixes et perpend. au littoral Limites Floues - BDune(t): t  {1989…2000}, {BD.elev (t) around [0, 1m], and NDVI negative, close to 0} - BSea(t): t  {1989…2000}, {BD.elev (t) around [0, 1m], and wetness index negative, close to 0} Attribut: Volume par compartiments (Attributs thématiques et quantitatifs) C.vol(t)=e(x,y,t) µC (x,y,t) dxdy

24 Dynamique Processus of erosion Evènement d’apport de sable
Quality-aware Ontology for dynamic spatial objects with indeterminate boundaries Dynamique Processus of erosion Evènement d’apport de sable Approximation des Etats à un model continue d’érosion C.Vol (t)- C.vol (t-1) < 0 and C.vol (t)< C.vol (1990) Contrainte n.1 : Processus d’érosion Contrainte n.2 : Pour un compartiment ou un groupe de compartiments adjacents, le volume de sable minimum doit être supérieur à m3.

25 Solution : une série de matrices de qualité pour définir un processus
en utilisant une série d’Etats Etats Limites floues Elévation Ind veg, humi (…) Volume Temporel Exhaustivité spatiale Précision thématique quantitative Cohérence thematique quantitative ... Nombre d’états ∂q (uv,uh,ue) ) (objets flous) Unité ∂q(vol(t)) p.s. les flèches représentent un vecteur de qualité temporel pour les cellules concernées.

26 Perspectives et conclusion:
Prise en compte de l’incertitude dans les limites (limites floues) et du temporel (à continuer) Intégration de différentes réalités Représentation de qualité de l’application en terme d’objets, d’attributs, de relation, pour un état et un processus. Notion de qualité temporelle (la qualité est juste définie de manière statique dans les standards) Perspectives: Développement de bibliothèques de méthodes possibles pour décrire un phénomène spatio-temporel, associant les caractéristiques de l’application et les problèmes de qualité possibles. Corrections nécessaire: Changements hebdomadaires mensuels et saisonniers Changements annuels et pluriannuels

27 [AAL 98] Aalders H. , Morrison J
[AAL 98] Aalders H.., Morrison J., « Spatial Data Quality for GIS » Geographic Information Research: Trans-Atlantic Perspectives, Craglia M., Onsrud H. (eds), Taylor & Francis, London/Bristol, p.  , 1998. [AAL 99] Aalders H., « The registration of Quality in a GIS » Proceedings of the 1st International Symposium on Spatial Data Quality, Hong-Kong, p. 23-32, july 1999. [AGU 98] Agumya A., Hunter G.J., « Fitness for use: Reducing the Impact of Geographic Information Uncertainty » Proceedings of the URISA 98 Conference, Charlotte, USA, p.  , july 1998. [BED 95] Bédard Y., Vallières D., Qualité des données à référence spatiale dans un contexte gouvernemental, Rapport technique, Université Laval, Canada, 1995. [BRO 03] Brodeur J., Bédard Y., Edwards G., Moulin B., « Revisiting the Concept of Geospatial Data Interoperability within the Scope of Human Communication Process », Transactions in GIS, vol.7, nº2, p.  , 2003. [CHR 83] Chrisman N.R., « The Role of Quality Information in the Long-Term Functioning of a Geographical Information System », Proceedings of Auto Carto 6, Ottawa, Canada, vol.2, p.  , 1983. [COM 03] Comber A., Fisher P., Wadsworth R., « A Semantic Statistical Approach for Identifying Change From Ontologically Divers Land Cover Data », Proceedings of the 6th AGILE Conference, Lyon, France, p.  , avril 2003. [DAS 03] Dassonville L., Vauglin F., Jakobsson A., Luzet C., « Quality Management, Data Quality and Users, Metadata for Geographical Information », In: Spatial Data Quality, Shi W., Fisher P.F., Goodchild M.F. (eds), Taylor & Francis, p.  , 2003. [DEB 01] De Bruin S., Bregt A., Van de Ven M., « Assessing fitness for use: the expected value of spatial data sets », International Journal of Geographical Information Science, 15(5): p , 2001. Fisher (2003). "Data quality and Uncertainty: Ships passing in the night". ISSDQ'2003 Proceedings, Hong Kong. [FRA 98] Frank A.U., « Metamodels for data quality Description », In: Data Quality in Geographic Information. From Error to Uncertainty, Jeansoulin R., Goodchild M., (eds), Paris, Editions Hermès, p. 15-29, 1998. [FRA 03] Frank A.U., "A linguistically justified proposal for a spatio-temporal ontology",

28 [FRA 04] Frank A. U. , Grum E. , Vasseur B
[FRA 04] Frank A.U., Grum E., Vasseur B., « Procedure to Select the Best Dataset for a Task », Proceedings of the Third International Conference on Geographic Information Science, Egenhofer M.J., Miller H., & Freksa C. (eds.), Univ. Maryland, USA, oct [GRU 93] Gruber T.R., « A Translation Approach to Portable Ontology Specifications », Knowledge Acquisition. vol.5, nº2, p.  , 1993. [GRU 04] Grum E., Vasseur B., « How to select the Best Dataset for a Task? », Proceedings of the International Symposium on Spatial Data Quality, Bruck an der Leitha, Autriche, vol. 28b GeoInfo Series, p.  , avril 2004. [GUA 98] Guarino N., « Formal Ontology and Information Systems », in: Formal Ontology in Information Systems, Guarino N., (ed.), Amsterdam, IOS Press, p 3-15. [HUN 01] Hunter G.J., « Keynote Address: Spatial Data Quality Revisited », Proceedings of the 3rd Brazilian Geo-Information Workshop (Geo 2001), Rio de Janeiro, Brésil, 4-5 octobre 2001. [HUN 02] Hunter G.J., « Understanding Semantics and Ontologies: They're Quite Simple Really - If you know what I mean! », Transactions in GIS, vol.6, nº2, p. 83-87, 2002. [ISO 00] ISO, ISO Quality management systems, International Organization for Standardization (ISO), 2000. [ISO 02] ISO/TC 211, Geographic information - Quality principles, International Organization for Standardization (ISO), 2002. [ISO 03a] ISO/TC 211, Geographic information - Quality evaluation procedures, International Organization for Standardization (ISO), 2003. [ISO 03b] ISO/TC 211, Geographic information - Metadata, International Organization for Standardization (ISO), 2003. [JUR 74] Juran J.M., Gryna F.M.J., Bingham R.S., Quality Control Handbook, McGraw-Hill, New York, 1974. [KOK 01] Kokla M., Kavouras M., « Fusion of Top-level and geographical domain ontologies based on context formation and complementarity », International Journal of Geographical Information Science, vol.15, nº7, p.  , 2001.

29 [KUH 01] Kuhn W., « Ontologies in support of activities in geographical space », International Journal of Geographical Information Science, vol.15, nº7, p.  , 2001. [MAR 02] Mark D., Egenhofer M., Hirtle S., Smith B., « Ontological foundations for geographic information science », UCGIS Emerging Research Theme, [MOE 87] Moellering, H. (ed.), « A draft Proposed Standard for Digital Cartographic Data », National Committee for Digital Cartographic Standards, American Congress on Surveying and Mapping Report #8, 1987. [NOY 01] Noy N., McGuiness D., Ontology Development 101, « A guide to Creating your first Ontology », Stanford Knowledge Systems Laboratory Technical Report KSL and Stanford Medical Informatics Technical Report SMI , Stanford University, USA, [SHY 04] Shyllon E.A., Hunter G.J., « Fuzzy Optimization of Spatial Data Quality: Metadata for Dataset Searching », Proceedings of the Third International Symposium on Spatial Data Quality, Bruck an der Leitha, Autriche, vol. 28a GeoInfo Series, p.  , avril 2004. [SOW 98] Sowa J.F. Knowledge Representation: Logical, Philosophical and Computational Foundations, Brooks et Cole, Pacific Grove, USA, 1998. [UML 03] UML 2.0, Unified Modeling Language formalism, adopté par l'OMG [VAS 03] Vasseur B., Devillers R., Jeansoulin R., « Ontological approach of the Fitness for Use of Geospatial datasets », Proceedings of the 6th AGILE Conference, Lyon, France, p.  , avril 2003. [VAS 04] Vasseur B., Van de Vlag D., Stein A., Jeansoulin R., Dilo A., « Spatio-temporal Ontology for defining the quality of an application », Proceedings of the International Symposium on Spatial Data Quality, Bruck an der Leitha, Autriche, vol. 28b GeoInfo Series, p. 67-81, avril 2004. [VER 99] Veregin H., « Data quality parameters », Geographical Information Systems, Longley P.A., Goodchild M.F., Maguire D.J., Rhind D.W. (eds), John Wiley & Sons, p.  , 1999.

30

31 http://geomatica.free.fr Différentes applications:
- Application Inondation (en partenariat avec le CEMAGREF) Estimation de la hauteur d’eau dans la vallée de l’Hérault – 1998 et problématique de fusion et de révision de données. Simulation: différentes mesures de qualité pour l’application, affectant la représentation du phénomène et estimation de la hauteur d’eau Application Ameland Problème de modélisation du processus spatio-temporel d’érosion en intégrant la problématique de qualité. Problème d’incertitude spatiale et temporelle - Application Vienne (en partenariat avec UT Vienne) Problème de navigation en milieu urbain Différents besoins de représentation selon les groupes d’utilisateurs (pompiers, touristes). Le besoin dépend du groupe d’utilisateur et détermine la qualité obtenue.

32

33 Représentation de la qualité associée à un Processus
Représentation de la qualité associée à un Etat Nous intégrons dans un « produit cartésien »: C x Q les entités caractéristiques de l’application (Ci), fournies par l’ontologie les éléments de qualité, fournis par les standards (Qi) Chaque cellule de la matrice <Ci,Qi>(e), décrit la qualité d’un état donné et le comportement associé. Marche dans le cas simple, plus difficile avec des objets mal délimités (objets flous) Représentation de la qualité associée à un Processus ??? C’est plus complexe

34 Thèse 1: La qualité externe, doit tenir compte:
a. de la qualité interne, selon les normalisations adoptées : utilisation d’une liste d’éléments de qualité, inspirée de la normalisation, plus éventuellement des éléments de ‘data usability’ b. de l’expression des besoins de l’utilisateur : utilisation d’une liste d’entités (objets, attributs, relations) à construire pour chaque application [voir plus loin: ontologie] Parcelle Attrib.#1 ... Relation#1 Complétude spatiale Complétude temporelle Précision Cohérence ... Modèle de la « feuille de calcul » (spreadsheet model) : Produit cartésien Q x C + Cellules actives, inférées par les données = « Matrice de Qualité »

35 Actual quality of the dataset
External quality user (expert) Product: Problem: Product output Problem Input ‘ACTUAL DATASET’ ‘VIRTUAL DATASET’ Datasets specifications GIS Application requirements (one or several) Fit for use? Comparison = external quality features Ci Quality elements Qi (Ci,Qi) Fi Qi (Ci,Qi) Internal quality Expected quality Expected quality Actual quality of the dataset (internal quality) Fi Qi (Ci,Qi)

36 Méthode d’évaluation, et d’amélioration de la qualité externe
Données/ modèles

37 Informations Complémentaires Ameland

38 Problem Ontology 2) What are the conditions for beach nourishment?
BEACH NOURISHMENT? (Roelse, 2002) When the actual coastline (ACL) is below the basal coastline (BCL) (CONSTRAINT 1) In picture  distance between the actual coastline and basal coastline In evaluation report (Roelse, 2002)  volume difference between year x and 1990

39 Problem Ontology 2) What are the conditions for beach nourishment?
 Volume calculation: Minimal volume for beach nourishment is 200•103 m3 (CONSTRAINT 2)

40 Problem Ontology 1) Where are the areas of beach erosion? BEACH?: Altitude (Cheng, 1999): Landscape Unit Definition b1 (lower boundary) b2 (upper boundary) Foreshore -6 m NAP -1.1 m NAP Beach +2 m NAP Foredune First row of dunes * NAP = Dutch Sea-Level Standard EROSION?: Compartments (Roelse, 2002): Structural erosion in the compartments! (CONSTRAINT 1) Structural erosion = a downward trendline of beach volume for at least 10 years in a compartment Compartment = a region determined by its transect (center) Transect = approach to measure altitude (Z) Year 1995 C1 C2 transects C3

41 Fuzzy Classification: Semantic Import Model
DEM foreshore (-6, -1.1) beach (-1.1, 2) foredune (> 2) NDVI vegetated (> 0) non-vegetated (< 0) Wetness dry (< 0) wet (> 0)

42 Results Fuzzy Classification Multicolor display: RED: f. dry
GREEN: f. beach BLUE: f. non veg WHITE: Dry, non-veg, beach ~ MIN(Mvdry,Mvnon-veg, MVbeach) z(t) ± 0.4 m ndvi(t) ± 0.1 wi(t) ± 20

43 Results Fuzzy Beach Compartment
Intersection of fuzzy non-veg, fuzzy beach, fuzzy dry (WHITE) Superimposed on fuzzy altitude (RGB) Cvol(t) = cellarea * z(t) * MV

44 Results Accuracy Q. subelement: Accuracy-Position Accuracy-Thematic
Accuracy-Temporal Absolute Gridded Correctness Quantitative Validity C.id C.geo Inferred by CL/BS/BD.geo Inferred CL/BS/BD.geo C.vol CL.id CL.geo < 30 m < 1 m < year BS.id BS.geo MIN MV(z(t)), MV(ndvi(t)), MV(wi(t)) z(t) ± 0.4 m ndvi(t) ± ? wi(t) ± ? BD.id BD.geo

45 Results USER Ameland application Available datasets
Ameland data (1995)\/ User defined quality QP1 QP2 QP3 QP4 Obj 10 m Att Rel QP1 QP2 QP3 QP4 Obj 5 m Att Rel QP1 QP2 QP3 QP4 Obj BAD Att Rel Algorithms to improve data quality!

46 Results Z - 0.28 m Z + 0.28 m 220 ·103 m3 3 ·103 m3 Beach Nourishment
No Beach Nourishment