Modélisation et analyse des trajectoires environnementales sémantiques des territoires

Modeling and analysis of semantic environmental trajectories of territories

• Auteur / Autrice : Daniela Milon flores
• Direction : Jérôme Gensel
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/04/2022
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble
• Partenaire(s) de recherche : Equipe de recherche : STEAMER - Spatio-temporal information, adaptability, multimédia and knowledge représentation

Mots clés

Mots clés libres

Trajectoires sémantiques

Information géographique

Web sémantique

Apprentissage automatique

Indicateurs environnementaux

Graphes de connaissances

Semantic trajectories

Geographic information

Semantic web

Machine learning

Environmental indicators

Knowledge graphs

Résumé

Les activités humaines sont les principaux moteurs des mégatendances environnementales observées telles que le changement climatique, la perte de biodiversité, l'utilisation des ressources, les pollutions, ..., qui impactent les territoires à toutes les échelles. Mieux étudier et comprendre la trajectoire environnementale d'un territoire, en sélectionnant et utilisant des indicateurs pertinents, disponibles, et comparables dans le temps et l'espace, peut aider à maîtriser ces mégatendances, qui apparaissent comme l'un des principaux défis de la durabilité de l'humanité. Dans ce contexte, le projet TRACES (ANR PRCI 2021) adopte une approche d'Intelligence Artificielle (IA) afin de définir, modéliser, mettre en œuvre, enrichir, interroger, analyser, prévoir et visualiser la trajectoire environnementale d'un territoire. Pour réaliser une telle chaîne complète de traitement, le projet TRACES s'appuie sur trois domaines de l'IA que sont la représentation des connaissances, l'apprentissage automatique et les systèmes multi-agents. Cette thèse se concentre sur les deux premiers domaines cités/ Notre première hypothèse de recherche est que l'approche sémantique soutenue dans la représentation des connaissances à travers des modèles et des langages ontologiques, et le formalisme et les outils des graphes de connaissances (KGs), peut aider, non seulement à construire et à mettre en œuvre des trajectoires environnementales sémantiques des territoires (SETTs), mais aussi à les enrichir avec des connaissances complémentaires en s'appuyant sur les données liées (ouvertes) disponibles sur le Web. Deuxièmement, l'apprentissage automatique offre des techniques, des algorithmes et des outils précieux pour regrouper et catégoriser les SETT similaires en clusters, mais aussi pour extraire des modèles fréquents dans ces SETT, et les compléter ensuite pour prévoir les futures SETT. Nous considérerons ici qu'une trajectoire environnementale peut être définie sur la base d'un ensemble d'indicateurs environnementaux, construits eux-mêmes à partir de données officielles collectées à partir d'enquêtes, de divers capteurs physiques, d'images satellites, etc. L'objet trajectoire environnementale produit et analysé par le projet TRACES permettra ainsi de rendre compte de la dynamique du territoire étudié, et en particulier, de traduire son évolution en termes de biodiversité, de conservation de la nature et de résilience au changement climatique. La chaîne de traitement proposée est destinée à aider les professionnels et les experts de l'aménagement du territoire dans leurs analyses longitudinales et comparatives, les décideurs dans l'élaboration de leurs plans d'action et les responsables de la gestion des ressources naturelles. Le premier défi scientifique et technique du projet TRACES concerne la modélisation de la trajectoire environnementale d'un territoire, qui constitue, à notre connaissance, la première tentative de représentation de cette notion en adoptant une approche basée sur le Web sémantique. La difficulté réside à la fois dans la définition d'une telle trajectoire environnementale, en termes d'indicateurs de nature et de mesures éventuellement différentes, et dans le couplage avec ses dimensions spatiales et temporelles intrinsèques. Par conséquent, dans son ensemble, la trajectoire environnementale d'un territoire apparaît comme un objet complexe multidimensionnel et multigranulaire dont la modélisation, la visualisation et l'analyse sont des tâches difficiles et encore inexplorées. Un modèle ontologique pour un tel objet devrait également inclure des vocabulaires standards afin de faciliter l'intégration des données et d'assurer la réutilisabilité des KGs représentant les SETTs qui seront créées à partir de cette description conceptuelle et des valeurs des indicateurs. L'exploration de la manière dont les techniques de regroupement par apprentissage automatique peuvent être appliquées aux SETTs se heurte à trois défis principaux : 1) fournir des mesures de similarité adaptées aux représentations de données multimodales évoluant le long de l'axe temporel ; 2) permettre le regroupement multimodal de trajectoires pour la définition de profils de trajectoires ; 3) permettre la prédiction temporelle sur des représentations de données multimodales. Enfin, plusieurs définitions d'une trajectoire environnementale seront proposées afin de traiter différentes perspectives sur cet objet d'étude. Les indicateurs et les données seront fournis et élaborés par le partenaire ISE, en utilisant la plateforme suisse Data Cube. Profitant du fait que TRACES est un projet conjoint entre chercheurs suisses et français, nous choisirons trois types de territoires pour mener une analyse longitudinale et comparative : 1) les territoires suisses (aux niveaux de l'Etat, du canton et de la commune) ; 2) les territoires français (aux niveaux du département, de la commune et de la métropole) ; 3) de part et d'autre de la frontière franco-suisse (aux niveaux de la commune et de la métropole). Cependant, notre approche se veut générique et applicable aux territoires du monde entier. En termes opérationnels, sont attendus la conception et le développement d'un outil dédié à l'analyse des trajectoires environnementales de territoire. De fait, au-delà des fonctionnalités que proposent des outils de mining de trajectoire « classique » (comme le module Traminer de R), l'analyse des trajectoires de vie, s'avère plus complexe en raison de la multidimensionnalité et de la granularité des données. L'outil développé intégrera les mesures de similarité proposées, les mettra en œuvre à travers une approche graph mining appliquée aux graphes de connaissances RDF en lesquels sont transformées les trajectoires de vie exportées dans le Web Sémantique.

Human activities are the main drivers of observed environmental megatrends such as climate change, biodiversity loss, resource use, pollution, etc., which impact territories at all scales. A better study and understanding of the environmental trajectory of a territory, by selecting and using relevant, available, and comparable indicators in time and space, can help to control these megatrends, which appear as one of the main challenges of the sustainability of humanity. In this context, the TRACES project (ANR PRCI 2021) adopts an Artificial Intelligence (AI) approach in order to define, model, implement, enrich, query, analyze, forecast and visualize the environmental trajectory of a territory. To achieve such a complete processing chain, the TRACES project relies on three AI domains: knowledge representation, machine learning and multi-agent systems. This thesis focuses on the first two domains. Our first research hypothesis is that the semantic approach supported in knowledge representation through ontological models and languages, and the formalism and tools of knowledge graphs (KGs), can help, not only to build and implement semantic environmental trajectories of territories (SETTs), but also to enrich them with complementary knowledge based on linked (open) data available on the Web. Second, machine learning offers valuable techniques, algorithms and tools to group and categorize similar SETTs into clusters, but also to extract frequent patterns in these SETTs, and then complement them to predict future SETTs. We will consider here that an environmental trajectory can be defined on the basis of a set of environmental indicators, themselves constructed from official data collected from surveys, various physical sensors, satellite images, etc. The environmental trajectory object produced and analyzed by the TRACES project will thus make it possible to account for the dynamics of the studied territory, and in particular, to translate its evolution in terms of biodiversity, nature conservation and resilience to climate change. The proposed processing chain is intended to help professionals and experts in land use planning in their longitudinal and comparative analyses, decision-makers in the development of their action plans and those responsible for natural resource management. The first scientific and technical challenge of the TRACES project concerns the modeling of the environmental trajectory of a territory, which is, to our knowledge, the first attempt to represent this notion using an approach based on the Semantic Web. The difficulty lies both in the definition of such an environmental trajectory, in terms of indicators of possibly different nature and measurements, and in the coupling with its intrinsic spatial and temporal dimensions. Therefore, as a whole, the environmental trajectory of a territory appears as a complex multidimensional and multigranular object whose modeling, visualization and analysis are difficult and still unexplored tasks. An ontological model for such an object should also include standard vocabularies in order to facilitate data integration and ensure the reusability of KGs representing SETTs that will be created from this conceptual description and indicator values. Exploring how machine learning clustering techniques can be applied to SETTs faces three main challenges: 1) providing similarity measures suitable for multimodal data representations evolving along the temporal axis; 2) enabling multimodal clustering of trajectories for the definition of trajectory profiles; 3) enabling temporal prediction on multimodal data representations. Finally, several definitions of an environmental trajectory will be proposed to address different perspectives on this object of study. Indicators and data will be provided and developed by the partner ISE, using the Swiss platform Data Cube. Taking advantage of the fact that TRACES is a joint project between Swiss and French researchers, we will choose three types of territories to conduct a longitudinal and comparative analysis: 1) Swiss territories (at the state, canton and commune levels); 2) French territories (at the department, commune and metropolitan levels); 3) on both sides of the Franco-Swiss border (at the commune and metropolitan levels). However, our approach is generic and applicable to territories worldwide. In operational terms, we expect to design and develop a tool dedicated to the analysis of environmental trajectories of territories. In fact, beyond the functionalities offered by 'classic' trajectory mining tools (such as the Traminer module of R), the analysis of life trajectories is more complex due to the multidimensionality and granularity of the data. The developed tool will integrate the proposed similarity measures and implement them through a graph mining approach applied to RDF knowledge graphs into which the life trajectories exported in the Semantic Web are transformed.