Thèse de Diego Vinasco-Alvarez


Sujet :
Intégration des données urbaines multisources n-dimensionnelles basée modèle

Résumé :

L'objectif de cette thèse est de proposer une approche sémantique évolutive basée sur des modèles, où les modèles conceptuels sous-jacent aux différentes sources de données  sont préservés. Au lieu d'utiliser une  conversion directe des données, l'approche est fondée sur un modèle sémantique garantissant que pour une application donnée, toutes les informations qui peuvent être représentées par une norme donnée seront disponibles pour l'application. Une approche fondée sur un modèle garantit que même si les normes et implicitement les modèles évoluent, l'application peut utiliser toutes les informations exposées par l'une de ces sources de données. Nous nous intéressons dans cette thèse aux données urbaines et en particulier 3D.

La construction d'un modèle sémantique évolutif est un défi, car :

  1. Le choix d'un modèle sémantique expressif nécessite une bonne compréhension des différentes informations qui peuvent être représentées par les différentes sources et des normes qu'elles utilisent.
  2. La mise en correspondance automatisée des informations du modèle urbain avec le modèle sémantique proposé présente plusieurs limites
  3. L'évolution automatisée du modèle sémantique, avec l'intégration de nouvelles sources de données ainsi que de nouvelles versions des normes de données associées, rend le problème difficile.

L'industrie et les universités travaillent activement dans ce domaine. Nous voulons étudier ce problème dans le contexte des données urbaines, en considérant un certain nombre de normes de données très évolutives pour représenter des données urbaines en n-dimension souvent hétérogènes. L'objectif est de pouvoir assurer l'interopérabilité des données et la possibilité de les intégrer à d'autres données ouvertes liées. Cette proposition vise également à améliorer et à garantir les données géospatiales sur le web et leur interrogation.


Encadrant : Gilles Gesquiere
Co-encadrant : John Samuel, Sylvie Servigne