Unification des Bases de Données Géographiques: Recherches au Laboratoire COGIT de l IGN

Transcription

1 Unification des Bases de Données Géographiques: Recherches au Laboratoire COGIT de l IGN Sébastien Mustière, David Sheeren, Nils Gesbert. Différents points de vue sur le monde géographique De nombreuses bases de données géographiques coexistent pour représenter un même espace du monde réel. Ces bases ont été réalisées pour répondre à différents besoins (topographie, navigation, urbanisme...), à différents niveaux d analyse (échelle du pays, de la ville, des détails topographiques...). Par exemple, la figure 1 suivante présente, superposées à une orthophotographie, trois différentes représentations d un même carrefour, dans trois extraits de bases de données de l IGN avec différentes spécifications (extrait de [Sheeren 2004]). Une gestion relativement indépendante de ces bases pose divers problèmes pour le producteur, comme pour l utilisateur des données. Tout d abord il peut y avoir des incohérences entre les bases. Ensuite les efforts de saisie, de maintenance et de mise à jour sont multipliés. Enfin, il est difficile de réaliser des analyses combinant différentes données avec différents points de vue. Une solution possible à ces problèmes passe par l unification des bases de données, qui vise à rendre explicites les relations entre les divers éléments des bases de données. Celle-ci peut prendre la forme d une fusion, où différentes bases sont compilées pour créer une nouvelle base classique mais plus riche. Elle peut également prendre la forme d une multi-représentation, où différentes représentations d un même phénomène coexistent dans une base et sont reliées entre elles. L IGN, producteur de diverses bases de données géographiques, étudie actuellement comment unifier au moins une partie de ses différentes bases, en particulier pour en optimiser la mise à jour. Il effectue également des recherches 50 Géomatique Expert - N 32/33 - février-mars 2004

2 Figure 1 - Différentes représentations d un même carrefour (BD Carto, BD Topo, Géoroute ) à plus long terme sur ce sujet au sein du laboratoire COGIT, laboratoire spécialisé dans l étude des bases de données géographiques. Le laboratoire COGIT a entamé des études sur ce sujet depuis près de 10 ans. Dans cet article, nous présentons une partie de ces travaux de recherche, dont deux thèses en cours. Le processus d unification L unification concerne les deux aspects principaux d une base de données : le schéma de données, et les données elles-mêmes. Tout d abord l unification doit se faire au niveau des schémas. Avant de définir un nouveau schéma de données adapté aux besoins de l unification, il faut mettre en relation les schémas initiaux, c est-à-dire définir quels éléments du schéma d une base (classe/relation/attribut) correspondent à quels éléments du schéma de l autre base. Au niveau des données, il faut identifier et analyser les correspondances entre les données (à quels objets d une base correspond cet objet de l autre base?), puis instancier le schéma de données unifié. Un autre élément des bases de données est extrêmement important pour guider leur unification : les spécifications de contenu qui décrivent précisément les bases de données. Celles-ci, lorsqu elles sont disponibles, doivent donc être étudiées en détail pour guider le processus d unification. Les différentes étapes de l unification sont résumées dans la figure 2. Nous considérons tous ces aspects, au niveau des spécifications, des schémas, et des données, aussi importants les uns que les autres, et surtout intimement liés. Une des originalités des travaux du COGIT est de considérer tous ces aspects à la fois. Nous décrivons quelques uns de ces travaux ci-dessous. Formaliser les spécifications des bases de données et mettre les schémas en correspondance. Pour relier des bases de données, il faut tout d abord comprendre ce que chacune d elles contient individuellement. En pratique, une grande part de l information décrivant une base de données géographique est contenue dans ses spécifications. Par exemple, seules les spécifications permettent de décrire quelles entités du monde réel sont supposées être représentées dans la classe Rivière d une première base, et comment cela correspond aux Cours d eau d une autre base. Les cours d eau temporaires et les canaux font-ils partie d une ou de ces deux classes? A partir de quelle largeur un cours d eau est-il représenté dans chacune des bases?... Or, si les schémas de données sont représentés de manière formelle sous la forme de schémas, les spécifications restent encore généralement sous forme de description papier en langage naturel. Un premier objectif de nos travaux est donc de fournir un modèle pour formaliser les spécifications des bases, pour pouvoir les analyser et les manipuler plus efficacement. Ce travail fait l objet de la thèse de Nils Gesbert, en cours. Figure 2- Différentes étapes du processus d unification Géomatique Expert - N 32/33 - février-mars

3 Ce modèle est en trois parties : une première partie est le schéma de la base de données manipulée ; une deuxième partie est une ontologie représentant les différents concepts sous-jacents de la base, qui apparaissent dans les spécifications mais qui n apparaissent pas nécessairement explicitement dans le schéma de la base ; la troisième partie relie ces deux premières parties entre elles. Ainsi, dans l extrait de la figure 4 ci-dessous (formalisme UML), les classes en rouge représentent le schéma du thème hydrographie de la base de données BD topo. Les classes en bleu représentent les principaux concepts rencontrés dans les spécifications correspondantes. Enfin, les liens en vert expriment comment passer d une représentation à l autre. On y voit, par exemple, que les fossés sont représentés dans la BD topo, par un objet de la classe «Tronçon de cours d eau», à condition que le fossé ait un écoulement permanent et que sa largeur soit supérieure à 2 mètres. Ce modèle permet d exprimer de manière formelle les spécifications d une base. Il permet également de comparer plus aisément les spécifications de deux bases différentes, qui reposent sur les mêmes concepts géographiques, ou du moins des concepts proches et compatibles. Le Cogit a participé au projet européen de recherche MurMur (Multiple Representation and Multiple Resolution in geographic databases) qui a réuni six partenaires européens (université libre de Bruxelles, école polytechnique fédérale de Lausanne, Cemagref, STAR Informatic, université de Lausanne, IGN) de janvier 2000 à décembre Son objectif était de développer une plate-forme logicielle (un AGL, «atelier de génie logiciel», cf. figure 3). Cette plate-forme, associée au système de gestion de bases de données Oracle, permet de modéliser (manipulation graphique Figure 4 - Extrait de l instanciation du modèle des spécifications sur le thème hydrographie de la BD TOPO. Modélisation de la représentation multiple de schémas de données multireprésentation), créer (création automatique de tables relationnelles à partir des schémas), puis interroger (création de requêtes SQL en manipulant une représentation graphique des schémas) une base de données multi-représentation. Ces outils se sont appuyés sur le langage de modélisation MADS dédié à la représentation de bases de données géographiques. Appariement de données Pour pouvoir manipuler des données réelles, il est nécessaire de s équiper d une batterie d outils d analyse spatiale sur lesquels s appuyer. En particulier des outils d appariement sont nécessaires à plusieurs étapes du processus. L appariement est une étape nécessaire pour unifier : il s agit d identifier les objets des bases représentant un même phénomène. En nous appuyant sur les travaux effectués auparavant sur ce sujet au COGIT, nous poursuivons la mise au point des outils d appariement automatique (voir par exemple la thèse de Thomas Devogele). Par exemple, la figure 5 illustre les résultats d un processus d appariement entre les réseaux routiers de BD Carto et Géoroute : les zones vertes représentent les noeuds et arcs de Géoroute appariés avec un noeud de la BD Carto, les tirets verts représentent les liens entre arcs de Géoroute et de BD Carto. Ce processus est souvent efficace pour les carrefours simples, les rondspoints, les carrefours décalés ou les carrefours en patte d oie, même en cas de dédoublement des chaussées dans Géoroute. Par contre, ce processus trouve ses limites lors du traitement de nombreux carrefours proches ou d échangeurs complexes où parfois même un appariement manuel est difficile. Un appariement complètement automatique est certainement impossible. Dans une optique d utilisation réaliste de l appariement, il est donc nécessaire de concevoir des outils pour évaluer et corriger interactivement un appariement réalisé de manière automatique. 52 Géomatique Expert - N 32/33 - février-mars 2004

4 Figure 3 - Éditeur de schéma multi-représentation de MurMur Les travaux prévus sur l appariement au Cogit se situent à plusieurs niveaux : raffinement des processus déjà établis, étude de cas particulièrement complexes, contrôle et enrichissement des données dans le but de faciliter leur appariement, qualification plus fine des résultats de l appariement pour faciliter leur utilisation dans différents contextes, visualisation et manipulation des résultats de l appariement. Pour unifier différentes bases, il faut comprendre la nature des différences de représentation entre les objets de chaque base, supposés représenter selon différents points de vue les mêmes phénomènes du monde réel. En particulier, si un même phénomène est représenté différemment dans deux bases, il faut être capable de savoir si cette différence s explique soit par des différences de spécifications entre les bases, que nous appelons des «équivalences» entre représentations, soit par des «incohérences». Ces dernières sont dues soit à des différences d actualité des données, soit à des erreurs dans l une ou l autre des bases. La figure 6 illustre cela : certaines des différences entre les données s expliquent par des équivalences (ex. petit rond point détaillé dans BD Topo, correspondant à un noeud simple dans Géoroute ), d autres par des incohérences, soit dues à des différences de mise à jour (par exemple, un carrefour en patte d oie a été transformé en rond-point), soit dues à des erreurs de saisie vis-àvis des spécifications (par exemple, un rond point de taille en théorie suffisante est représenté à tort comme un carrefour simple dans Géoroute ). L un des objectifs de ce travail est donc de définir une méthodologie pour détecter et qualifier ces différences. Ce travail fait l objet de la thèse de David Sheeren, en cours. Cette méthodologie qui repose sur une analyse des données, comme des schémas et des spécifications, contient schématiquement les étapes suivantes : - Analyse et formalisation des spécifications. Pour cela, l approche formelle décrite plus haut est utilisée. Cette analyse aboutit à la définition d un ensemble de règles et qui sont utilisées au cours des étapes suivantes. L étude des spécifications est complétée par une étude des données: des règles implicites de correspondance entre les bases sont extraites pas des processus d apprentissage automatique. Les correspondances «normales» entre les données sont donc à la fois étudiées à partir des spécifications, qui définissent une correspondance théorique, et à partir de l analyse des données qui définissent une correspondance réaliste. - Étude du respect des spécifications de chacune des bases individuellement, comme par exemple l étude du respect des tailles minimales des objets représentés. - Appariement automatique des données. Figure 5 - Appariement entre les réseaux routiers de BD Carto et Géoroute. Analyser les différences de représentation entre les données Géomatique Expert - N 32/33 - février-mars

5 Pour en savoir plus : quelques publications, sites web Le site web du COGIT : recherche.ign.fr/activ/cogit/ Les thèses du COGIT sont téléchargeables depuis : ftp.ign.fr/ign/cogit/theses Le site web du projet MurMur : Devogèle T Processus d Intégration et d Appariement de Bases de Données Géographiques - Application à une bases de données routières multi-échelles. Thèse de Doctorat, Université de Versailles. Gesbert N. Recherche de concepts fédérateurs dans les bases de données géographiques. Actes des 6èmes journées Cassini, 2002, pages 365 à 368. Thèse en cours, Université de Montpellier. Ruas A Généralisation et représentation multiple. Traité IGAT : Information Géographique et Aménagement du Territoire, Editions Hermès - Lavoisier. Sheeren D Apprentissage de concepts pour l aide à l interprétation des différences de représentation d un même phénomène géographique, Revue du Comité Français de Cartographie (CFC), à paraître. Thèse en cours, Université Paris 6. - Interprétation des différences. Cette étape centrale qualifie les différences à partir des résultats des étapes précédentes. L analyse du respect des spécifications ne se fait plus en étudiant les bases individuellement, mais en comparant les représentations. - Compilation et présentation des résultats À titre d exemple de l utilisation de l apprentissage automatique, ou autrement dit de la fouille de données, des règles ont été apprises automatiquement à partir des données, pour expliquer la correspondance entre les rondpoints dans les bases de données BD Carto et Géoroute. Ces règles expriment que lorsque le diamètre d un rond-point dans Géoroute est inférieur à 53 mètres, sa représentation dans la BD Carto est un point qualifié de «carrefour simple», s il est entre 53 et 84 mètres, sa représentation dans la BD Carto est un point qualifié de «petit rond-point», et enfin s il est supérieur à 84 mètres, sa représentation est détaillée. Ces seuils de 53 et 84 mètres, découverts à partir d une analyse automatique d un échantillon de données, correspondent respectivement à 50 et 100 mètres dans les spécifications de la BD Carto. Ceci montre que ces seuils appris sont cohérents, et collent plus à la réalité des données que lors d une analyse limitée aux seules spécifications. Conclusion Figure 6 - Incohérences ou équivalences? Les divers travaux du Cogit relatifs à l unification des bases de données géographiques se focalisent sur deux points principaux. Le premier point est l analyse spatiale. De nombreuses informations ne sont présentes qu implicitement dans les bases de données géographiques. Ces informations ne peuvent être appréhendées directement qu à travers la visualisation des données. Pour aller plus avant dans une analyse des données géographiques, il faut mettre en oeuvre de nombreux outils d analyse spatiale afin de rendre explicites ces informations et de pouvoir les manipuler efficacement de manière informatique. Le deuxième point de nos travaux concerne l analyse conjointe des spécifications, des schémas et des données. Nous croyons fortement que ces trois aspects méritent d être étudiés autant les uns que les autres, et de manière non indépendante. Dans ce contexte, nous envisageons plusieurs directions de recherche. Les travaux de formalisation des spécifications doivent être poursuivis pour aboutir à un modèle complet de spécifications. Nous envisageons de poursuivre également la fouille automatique de données, qui semble être une direction prometteuse pour analyser les bases de données. À plus long terme, nous aborderons le problème de l utilisation de bases de données multireprésentation : comment intégrer les mises à jour dans une base de données mutlireprésentation (ceci a déjà fait l objet de travaux au COGIT)? Comment visualiser et manipuler efficacement une base de données mutlireprésentation? Comment gérer de manière transparente l utilisation conjointe de généralisation automatique (dérivation à la demande) et de représentation multiple dans les bases de données? 54 Géomatique Expert - N 32/33 - février-mars 2004