Modélisation et conception de systèmes d’information ...Asma ZOGHLAMI 1 Résumé La...
Transcript of Modélisation et conception de systèmes d’information ...Asma ZOGHLAMI 1 Résumé La...
Université Paris 8
Ecole Doctorale Sciences Sociales
THESE
Présentée en vue de l’obtention du grade de
Docteur
Spécialité : informatique
Sujet de la thèse :
Modélisation et conception de systèmes d’information
géographique gérant l’imprécision
Par
Asma ZOGHLAMI
Thèse présentée et soutenue à Saint Denis le 08 mars 2013 devant le jury
composé de :
M. Jérome GENSEL Professeur des universités Rapporteur
Université Pierre-Mendés France
M. Sami FAIZ Professeur des universités Rapporteur
Université de Jendouba
Mme Bernadette BOUCHON-MEUNIER Directrice de recherche Présidente
CNRS, LIP6, UPMC
M. Arab ALI CHERIF Professeur des universités Examinateur
Université Paris 8
M. Michel HERBIN Professeur des universités Examinateur
Université de Reims Champagne-Ardenne
M. Herman AKDAG Professeur des universités Directeur de thèse
Université Paris 8
M. Cyril DE RUNZ Maître de conférences Co-directeur de thèse
Université de Reims Champagne-Ardenne
Asma ZOGHLAMI
1
Résumé
La problématique de notre travail porte sur la gestion de connaissances spatiotemporelles
imprécises dans la construction des systèmes d’information géographique. Nous nous attachons
plus particulièrement à leur conceptualisation, représentation et structuration à l’aide de la théorie
des ensembles flous. La conception de systèmes d’information étant usuellement faite à l’aide de
l’Unified Modeling Langage (UML), nous avons privilégié les approches le complétant. Comme
le PERCEPTORY, avec ses PictograF, étend l’UML pour la modélisation des SIG, et comme
Fuzzy UML enrichit l’UML pour la gestion de l’imprécision, nous avons proposé une approche
intitulée F-PERCEPTORY exploitant leurs avantages respectifs. La deuxième partie de notre
travail a porté sur l’implémentation (structuration, contraintes, règles) de SIG modélisés à l’aide
de notre approche. Pour cela, nous avons opté pour une représentation des données par des
ensembles flous connexes et normalisés stockés via des α-coupes. Enfin, la dernière partie de
notre travail a eu pour objectif de proposer une méthodologie pour l’étude de la trajectoire d’une
ville du passé au futur basée sur les informations stockées, la modélisation descriptive et logique
des dynamiques spatiales tenant compte des aspects imprécis et sur des processus d’extraction de
règles. Les précédentes contributions ont été introduites dans l’objectif de la gestion des données
archéologiques rémoises d’une part, et l’étude des dynamiques spatiales de la ville de Saint-Denis
d’autre part.
Mots-clés : Système d’information géographique, données spatiotemporelles, imprécision,
modélisation conceptuelle, UML, ensemble flou, gestion de données floues.
Abstract
Our work focuses on the management of imprecise spatiotemporal knowledge in the
construction of geographic information systems. We more particularly deal with their
conceptualization, representation and structure using the fuzzy set theory. As the information
system design is usually done using the Unified Modeling Language (UML), we favored
approaches extending it. Therefore, since PERCEPTORY, with its PictograF language, extends
the UML for modeling GIS, and Fuzzy UML enriches UML for the management of imprecision,
we proposed an approach called F-PERCEPTORY exploiting their respective advantages. The
second part of our work is focused on the implementation (structure, constraints, rules) of GIS
modeled using our approach. For this, we chose a data representation by connected and
normalized fuzzy sets stored via α-cuts. Finally, the last part of our work aimed to propose a
methodology for the study of urban trajectories from the past to the future based on the stored
information, descriptive and logical modeling of spatial dynamics taking account of imprecise,
and on rule mining processes. Previous contributions have been introduced with the aim of
managing Reims archaeological data and the study of the spatial dynamics of the city of Saint-
Denis.
Keywords: Geographical Information System, spatiotemporal data, imprecision, conceptual
modeling, UML, fuzzy set, fuzzy data management
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
2
Asma ZOGHLAMI
3
Remerciements
Je souhaite exprimer ma plus grande reconnaissance au Professeur Jérôme GENSEL et au
Professeur Sami FAÏZ pour avoir accepté de rapporter cette thèse. Je remercie également
Madame Bernadette BOUCHON-MEUNIER, directrice de recherche CNRS, ainsi que Messieurs
les Professeurs Arab ALI CHERIF et Michel HERBIN pour leur examen attentif de ce travail.
Je souhaite adresser mes plus sincères remerciements à mon directeur de thèse, Monsieur
Herman AKDAG, Professeur à l’université Paris 8 et à mon co-directeur de thèse, Monsieur
Cyril DE RUNZ, Maitre de conférences à l’université de Reims Champagne-Ardenne. Je tiens à
leur témoigner de mon admiration pour leur exigence, leur rigueur scientifique et leur ouverture
d’esprit. Je leur suis reconnaissante pour leurs encouragements et leur confiance.
Ce travail de thèse à commencé dans le cadre d’une cotutelle entre le laboratoire
CReSTIC de l’Université de Reims Champagne-Ardenne (URCA) et l’Université de la Manouba
(Tunisie), et je remercie à ce titre ces deux universités pour m’avoir accueillie en leur sein
pendant la première partie de ma thèse. J’espère que cette thèse sera un témoignage digne de la
confiance faite à ce titre par le Professeur Janan ZAYTOON, directeur du CReSTIC.
Je tiens à remercier l’Université PARIS 8 pour m’avoir accueillie pour la seconde partie
de ma thèse et à toute l’équipe du LIASD, à commencer par le directeur Arab ALI CHERIF, pour
le soutien qu’ils m’ont accordé depuis mon arrivée.
Je voudrais également signifier aux membres du CReSTIC mes sincères remerciements.
Je remercie M. Dominique PARGNY pour sa considération envers mon travail, pour son soutien,
pour sa confiance et pour les nombreuses discussions. Je tiens aussi à témoigner ma
reconnaissance à Lynda SEDDIKI, Frédéric BLANCHARD et Youcef TOUATI pour leurs
conseils et leur soutien.
Pour finir, je remercie du fond du cœur :
Mes parents qui m’ont toujours soutenu, encouragé et aidé tout au long de ces années. Ils
ont su me donner toutes les chances pour réussir. Je vous remercie pour tout votre amour et votre
soutien.
Mes sœurs et toute ma famille, pour leurs nombreux encouragements et leur soutien
quotidien.
Mes amis proches, Rachid, Mohamed, Tahar et Sofien pour leur soutien et pour les moments
agréables que nous avons partagés au cours de ces trois années.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
4
Asma ZOGHLAMI
5
Table des Matières TABLE DES FIGURES ................................................................................................................................................ 9
TABLE DES ALGORITHMES .................................................................................................................................... 17
LISTE DES TABLEAUX ............................................................................................................................................ 21
INTRODUCTION GENERALE .................................................................................................................................. 23
PARTIE 1 : APPROCHES CONCEPTUELLES POUR LES SYSTEMES D’INFORMATION ................................................. 31
INTRODUCTION .................................................................................................................................................... 31
CHAPITRE 1. LA MODELISATION CONCEPTUELLE DES DONNEES CLASSIQUES ................................................ 33
1.1 LES GRAPHES CONCEPTUELS .................................................................................................................................. 33 1.1.1 Définition (Sowa J. , 1984) .................................................................................................................... 33 1.1.2 Le treillis de concepts (Chein & Mugnier, 1992) ................................................................................... 35 1.1.3 Opérations sur les graphes conceptuels (Sowa J. , 1984) ..................................................................... 36
1.2 MERISE ........................................................................................................................................................... 40 1.2.1 Présentation ......................................................................................................................................... 40 1.2.2 Le modèle conceptuel de données (MCD) ............................................................................................ 41 1.2.3 Le modèle logique ................................................................................................................................ 42
1.3 UML................................................................................................................................................................ 42 1.3.1 Présentation ......................................................................................................................................... 42 1.3.2 Vue générale d’UML ............................................................................................................................. 43 1.3.3 Le diagramme de classes UML ............................................................................................................. 44
1.3.3.1 Les classes ......................................................................................................................................................... 44 1.3.3.2 Relations entre classes...................................................................................................................................... 45
CHAPITRE 2. LA MODELISATION CONCEPTUELLE DES DONNEES SPATIOTEMPORELLES ................................. 49
2.1 PERCEPTORY ET SON GEO-UML (BEDARD, 1999) ................................................................................................ 49 2.1.1 La modélisation spatiale ....................................................................................................................... 49 2.1.2 La modélisation temporelle .................................................................................................................. 51
2.2 MADS ............................................................................................................................................................. 52 2.2.1 La modélisation spatiale ....................................................................................................................... 52 2.2.2 La modélisation temporelle .................................................................................................................. 53
2.3 LA METHODE MECOSIG ET LE FORMALISME CONGOO ............................................................................................ 55 2.3.1 La modélisation spatiale ....................................................................................................................... 55 2.3.2 La modélisation temporelle .................................................................................................................. 55 2.3.3 Relations définies dans CONGOO ......................................................................................................... 56
2.4 LA METHODE POLLEN ........................................................................................................................................ 56 2.5 COMPARAISON ENTRE LES METHODES DE MODELISATION SPATIOTEMPORELLES ............................................................... 57
CHAPITRE 3. IMPERFECTION DANS LES CONNAISSANCES ET MODES DE REPRESENTATIONS ......................... 59
3.1 NATURE DE L’IMPERFECTION DE L’INFORMATION....................................................................................................... 59 3.1.1 L’imprécision......................................................................................................................................... 60 3.1.2 L’incertitude .......................................................................................................................................... 60 3.1.3 L’incomplétude ..................................................................................................................................... 60 3.1.4 Autres types d’imperfection mise en évidence dans la littérature ....................................................... 60
3.2 REPRESENTATION ET TRAITEMENT DE L’INFORMATION IMPARFAITE ............................................................................... 62 3.2.1 Représentation de l’imperfection ......................................................................................................... 62
3.2.1.1 La théorie des probabilités ............................................................................................................................... 63
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
6
3.2.1.2 La théorie des sous-ensembles flous ................................................................................................................ 64 3.2.1.3 La théorie des possibilités ................................................................................................................................. 68 3.2.1.4 La théorie des fonctions de croyance ............................................................................................................... 69
3.2.2 Traitement de l’information imparfaite ............................................................................................... 71 3.2.2.1 L’approche bayésienne ..................................................................................................................................... 72 3.2.2.2 La logique floue ................................................................................................................................................ 72 3.2.2.3 La logique possibiliste ....................................................................................................................................... 73 3.2.2.4 Les logiques non monotones ............................................................................................................................ 73
CHAPITRE 4. MODELISATION D’INFORMATIONS IMPARFAITES DANS LES MODELES CONCEPTUELS CLASSIQUES ET SPATIOTEMPORELS...................................................................................................................... 75
4.1 LES GRAPHES CONCEPTUELS FLOUS (THOMOPOULOS, 2003) ....................................................................................... 75 4.1.1 Les marqueurs flous.............................................................................................................................. 75 4.1.2 Les types flous ...................................................................................................................................... 77 4.1.3 Opérations sur les graphes conceptuels flous ...................................................................................... 79
4.2 FUZZY UML ...................................................................................................................................................... 80 4.2.1 Diagramme de classes floues ............................................................................................................... 80
4.2.1.1 Classe floue ....................................................................................................................................................... 80 4.2.1.2 Relations floues ................................................................................................................................................ 81
4.2.2 Cas d’utilisation flou ............................................................................................................................. 84 4.2.3 Diagramme de séquence flou ............................................................................................................... 85
4.3 MADS ET LA MODELISATION D’INFORMATIONS GEOGRAPHIQUES INCERTAINES ............................................................... 85 4.3.1 Imperfection spatiale............................................................................................................................ 86
4.3.1.1 Incertitude spatiale ........................................................................................................................................... 86 4.3.1.2 Imprécision spatiale .......................................................................................................................................... 88
4.3.2 Imperfection temporelle ....................................................................................................................... 89 4.3.2.1 Incertitude temporelle...................................................................................................................................... 89 4.3.2.2 Imprécision temporelle..................................................................................................................................... 90
4.3.3 Relations spatiotemporelles imparfaites .............................................................................................. 90 4.3.3.1 Relation spatiale incertaine .............................................................................................................................. 92 4.3.3.2 Relation spatiale imprécise ............................................................................................................................... 92 4.3.3.3 Relation temporelle incertaine ......................................................................................................................... 92 4.3.3.4 Relation temporelle imprécise.......................................................................................................................... 92
4.4 SPATIALITE FLOUE ET TEMPORALITE FLOUE DANS LE META MODELE SIG ......................................................................... 93 4.5 COMPARAISON ENTRE LES METHODES DE MODELISATION SPATIOTEMPORELLE ................................................................. 93
CONCLUSION ........................................................................................................................................................ 95
PARTIE 2 : L’APPROCHE F-PERCEPTORY : REPRESENTATION ET GESTION DE L’IMPRECISION ................................ 97
INTRODUCTION .................................................................................................................................................... 97
CHAPITRE 5. F-PERCEPTORY : F-PICTOGRAF ET UML ...................................................................................... 99
5.1 PICTOGRAMMES SPATIOTEMPORELS IMPRECIS ........................................................................................................ 100 5.1.1 Imprécision temporelle ....................................................................................................................... 100
5.1.1.1 Etiquette temporelle floue (fuzzy timestamp) ................................................................................................ 100 5.1.1.2 Etiquette temporelle valuée ........................................................................................................................... 101
5.1.2 Imprécision spatiale ........................................................................................................................... 102 5.1.2.1 Géométrie floue (fuzzy geometry) .................................................................................................................. 103 5.1.2.2 Géométrie valuée (geometry with d) .............................................................................................................. 104
5.1.3 Imprécision quantitative..................................................................................................................... 105 5.1.3.1 Attribut flou (fuzzy attribute) ......................................................................................................................... 106 5.1.3.2 Attribut valué (valued attribute) ..................................................................................................................... 107
5.1.4 Imperfection sur les relations ............................................................................................................. 107
Asma ZOGHLAMI
7
5.1.5 Exemples de combinaisons de géométries imprécises ....................................................................... 107 5.2 CORRESPONDANCE ENTRE F-PERCEPTORY ET UML .............................................................................................. 108
5.2.1 Correspondance UML et imprécision temporelle ............................................................................... 109 5.2.2 Correspondance UML et imprécision spatiale .................................................................................... 113 5.2.3 Correspondance UML et imprécision quantitative ............................................................................. 118
CHAPITRE 6. DU MODELE F-PERCEPTORY A UN SIG OPERATIONNEL : CONSTRUCTION DE LA BASE DE DONNEES …………………………………………………………………………………………………………………………………………….121
6.1 GESTION DE L’IMPRECISION TEMPORELLE DANS UNE BASE DE DONNEES RELATIONNELLE .................................................. 122 6.1.1 Transformation de la date floue et de la date valuée ........................................................................ 123
6.1.1.1 Les étapes de la transformation ..................................................................................................................... 123 6.1.1.2 Contraintes d’intégrité de la date floue .......................................................................................................... 126 6.1.1.3 Contraintes d’intégrité de la date valuée ....................................................................................................... 130
6.1.2 Transformation de la période floue et de la période valuée............................................................... 132 6.1.2.1 Les étapes de la transformation ..................................................................................................................... 132 6.1.2.2 Contraintes d’intégrité de la période floue .................................................................................................... 135 6.1.2.3 Contraintes d’intégrité de la période valuée .................................................................................................. 138
6.2 GESTION DE L’IMPRECISION SPATIALE DANS UNE BASE DE DONNEES RELATIONNELLE ....................................................... 140 6.2.1 Transformation du polygone flou et du polygone valué..................................................................... 141
6.2.1.1 Les étapes de la transformation ..................................................................................................................... 141 6.2.1.2 Contraintes d’intégrité du polygone flou ........................................................................................................ 143 6.2.1.3 Contraintes d’intégrité du polygone valué ..................................................................................................... 146
6.2.2 Transformation de la ligne floue et de la ligne valuée ....................................................................... 148 6.2.2.1 Les étapes de la transformation ..................................................................................................................... 148 6.2.2.2 Contraintes d’intégrité de la ligne floue ......................................................................................................... 150 6.2.2.3 Contraintes d’intégrité de la ligne valuée ....................................................................................................... 153
6.2.3 Transformation du point flou et du point valué ................................................................................. 155 6.2.3.1 Les étapes de la transformation ..................................................................................................................... 155 6.2.3.2 Contraintes d’intégrité du point flou .............................................................................................................. 157 6.2.3.3 Contraintes d’intégrité du point valué ............................................................................................................ 160
6.3 GESTION DE L’IMPRECISION QUANTITATIVE DANS UNE BASE DE DONNEES RELATIONNELLE ................................................ 162 6.3.1 Les étapes de la transformation ......................................................................................................... 162 6.3.2 Contraintes d’intégrité de l’attribut flou ............................................................................................ 164 6.3.3 Contraintes d’intégrité de l’attribut valué .......................................................................................... 167
6.4 GESTION DE L’IMPERFECTION SUR LES RELATIONS ENTRE CLASSES DANS UNE BASE DE DONNEES RELATIONNELLE ................... 169 6.5 DISCUSSION ..................................................................................................................................................... 170
CHAPITRE 7. GESTION DES DYNAMIQUES SPATIALES EN ENVIRONNEMENT IMPRECIS ................................173
7.1 APPROCHE DESCRIPTIVE : MODELISATION CONCEPTUELLE ET STRUCTURATION DES DYNAMIQUES EN ENVIRONNEMENT IMPRECIS
AVEC F-PERCEPTORY ............................................................................................................................................... 173 7.1.1 Dynamique, trajectoire et modèle d’évolution ................................................................................... 173 7.1.2 Evolution de la fonction d’un objet temporel ..................................................................................... 173 7.1.3 Evolution de l’espace d’un objet temporel ......................................................................................... 174
7.2 DU MODELE DESCRIPTIF VERS UN MODELE DESCRIPTIF PUIS PROSPECTIF EN ENVIRONNEMENT IMPRECIS ............................. 175 7.2.1 Approches logiques ............................................................................................................................ 175
7.2.1.1 Logique temporelle ......................................................................................................................................... 176 7.2.1.2 Logique modale .............................................................................................................................................. 177
7.2.2 Analyse des trajectoires floues ........................................................................................................... 180 7.2.2.1 Environnement pour l’analyse des trajectoires floues ................................................................................... 180 7.2.2.2 Modélisation des trajectoires floues .............................................................................................................. 181 7.2.2.3 Opérateurs modaux flous pour le raisonnement............................................................................................ 182
CONCLUSION .......................................................................................................................................................187
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
8
PARTIE 3 : APPLICATIONS ....................................................................................................................................189
INTRODUCTION ...................................................................................................................................................189
CHAPITRE 8. APPLICATION DANS UN CONTEXTE ARCHEOLOGIQUE : DE GISSASR A F-GISSAR ......................191
8.1 GISSAR: GEOGRAPHICAL INFORMATION SYSTEM FOR SPATIAL ANALYSIS IN ARCHAEOLOGY ............................................. 191 8.1.1 Présentation de GISSAR ...................................................................................................................... 192 8.1.2 Le modèle de données archéologiques de GISSAR ............................................................................. 193 8.1.3 Identification des informations imprécises dans GISSAR .................................................................... 195
8.2 F-GISSAR : UN SYSTEME D’INFORMATION GEOGRAPHIQUE FLOUE POUR LA REPRESENTATION ET L’ANALYSE DES DONNEES
ARCHEOLOGIQUES ...................................................................................................................................................... 198 8.2.1 Modélisation....................................................................................................................................... 198 8.2.2 Structure de la base de données F-GISSAR ......................................................................................... 199
8.3 EXPLOITATION DE F-GISSAR .............................................................................................................................. 201 8.3.1 Requêtes avec imperfection spatiale .................................................................................................. 201 8.3.2 Requêtes avec imperfection temporelle ............................................................................................. 202 8.3.3 Requêtes avec imperfection spatiotemporelle ................................................................................... 203
CHAPITRE 9. EVOLUTION URBAINE : CAS DE LA VILLE DE SAINT-DENIS .........................................................205
9.1 CONTEXTE ....................................................................................................................................................... 205 9.2 MODELISATION DES DYNAMIQUES ........................................................................................................................ 206
9.2.1 Modèle descriptif : des cartes aux données........................................................................................ 207 9.2.2 Modèle explicatif : analyse et extraction des évolutions passées ...................................................... 208
9.3 EXTRACTION DES REGLES D’EVOLUTION URBAINE : CHANGEMENT DE FONCTIONS ........................................................... 208 9.3.1 Approches basées sur les séquences .................................................................................................. 208 9.3.2 Extraction des séquences d’évolution avec degrés de possibilité ....................................................... 211
9.4 MODELE PROSPECTIF : EXPLOITATION DES REGLES POUR LA PREDICTION ....................................................................... 215
CONCLUSION .......................................................................................................................................................217
CONCLUSION GENERALE .....................................................................................................................................219
PUBLICATIONS PERSONNELLES ............................................................................................................................221
BIBLIOGRAPHIE ...................................................................................................................................................223
Asma ZOGHLAMI
9
Table des figures
Figure 1 : Concepts et relations dans un graphe conceptuel .......................................................... 33
Figure 2 : Exemple de relation AGT .............................................................................................. 34
Figure 3 : Exemple de relation OBJ ............................................................................................... 34
Figure 4 : Exemple de relation LOC .............................................................................................. 34
Figure 5 : Exemple de relation TEM .............................................................................................. 34
Figure 6 : Exemple de relation INST ............................................................................................. 34
Figure 7 : Exemple de relation DEST ............................................................................................ 34
Figure 8 : Exemple d’un graphe conceptuel en représentation graphique ..................................... 35
Figure 9 : Exemple simplifiée d’un treillis de concepts ................................................................. 35
Figure 10 : Exemple d’un treillis de relations ................................................................................ 36
Figure 11 : Exemple d’un treillis de type de concepts ................................................................... 36
Figure 12 : Exemple d’une opération de restriction ....................................................................... 37
Figure 13 : Exemple d’une opération de jointure de deux graphes conceptuels ............................ 37
Figure 14 : Exemple de jointure de deux graphes avant l'opération de simplification .................. 38
Figure 15 : Exemple d'opération de simplification sur un graphe conceptuel ............................... 38
Figure 16 : Exemple d'une opération de jointure maximale ........................................................... 39
Figure 17 : Un modèle entité association ....................................................................................... 41
Figure 18 : Exemple d’un MCD ..................................................................................................... 42
Figure 19 : Les 3 axes de modélisation UML (Fowler & Scott, 2002) .......................................... 43
Figure 20 : Classe UML ................................................................................................................. 44
Figure 21 : Illustrations des multiplicités d’associations ............................................................... 45
Figure 22 : Exemple de relation de composition ............................................................................ 45
Figure 23 : Exemple de relation d’agrégation ................................................................................ 46
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
10
Figure 24 : Relation de généralisation ............................................................................................ 46
Figure 25 : Exemples de principales géométries spatiales dans PERCEPTORY .......................... 51
Figure 26 : Pictogrammes temporels dans PERCEPTORY ........................................................... 51
Figure 27 : Exemples sur l'existence et l'évolution d'objets ........................................................... 52
Figure 28 : Hiérarchie des types abstraits spatiaux dans MADS (d’après (Parent C. , et al., 1997))
........................................................................................................................................................ 53
Figure 29 : Schéma MADS illustrant des relations temporelles (d'après (Parent C. , et al., 1997))
........................................................................................................................................................ 54
Figure 30 : Association dynamique de transition ........................................................................... 54
Figure 31 : Un réseau routier décrit avec le formalisme CONGOO (d’après (Pantazis & Donnay,
1996)) ............................................................................................................................................. 55
Figure 32 : Représentation de la relation de composition dans CONGOO (adaptée de (Pantazis &
Donnay, 1996)) ............................................................................................................................... 56
Figure 33 : Les modèles de Pollen ................................................................................................. 57
Figure 34 : Les principaux types d’imperfection (Masson, 2005) ................................................. 59
Figure 35 : Modèle de l’incertitude selon (Fisher, Comber, & Wadsworth, 2005) ....................... 61
Figure 36 : Exemple de conflit dans le domaine géographique ..................................................... 61
Figure 37 : Exemple de non spécificité de la relation spatiale « au nord de » ............................... 62
Figure 38 : La notion d’appartenance selon la théorie classique des ensembles ........................... 64
Figure 39 : La notion d’appartenance selon le concept d’ensemble flou ....................................... 65
Figure 40 : Exemple de sous-ensembles flou ................................................................................. 65
Figure 41 : Notions caractéristiques d’un ensemble flou A ........................................................... 67
Figure 42 : Exemple d’intersection de deux sous-ensembles flous................................................ 67
Figure 43 : Exemple d’union de deux sous-ensembles flous ......................................................... 68
Figure 44 : Exemple d’une distribution de possibilité ................................................................... 69
Figure 45 : Extrait de l’ensemble des types de concepts de l’application microbiologique (Buche
P. , 2007) ........................................................................................................................................ 76
Asma ZOGHLAMI
11
Figure 46 : Exemple de concept avec marqueur flou dans l’application microbiologique (Buche
P. , 2007) ........................................................................................................................................ 76
Figure 47 : Exemple de la hiérarchie de référence pour les ouragans. ........................................... 77
Figure 48 : Exemple d’un concept avec marqueur flou dans l’application des ouragans .............. 77
Figure 49 : Exemple de type flou en intention cyclone .................................................................. 78
Figure 50 : Exemple de termes du sous-ensemble flou hiérarchique avec leurs degrés associés .. 79
Figure 51 : Exemple d’opération de spécialisation dans les graphes conceptuels flous ................ 79
Figure 52 : Exemple d’une classe floue ......................................................................................... 81
Figure 53 : Exemple de relation de généralisation floue ................................................................ 82
Figure 54 : Exemple de relation UML imprécise de premier niveau ............................................. 82
Figure 55 : Exemple de relation UML imprécise de deuxième niveau .......................................... 82
Figure 56 : Exemple de relation UML imprécise de troisième niveau .......................................... 83
Figure 57 : Exemple de relation d'agrégation floue dans Fuzzy UML .......................................... 83
Figure 58 : Relation de dépendance floue ...................................................................................... 84
Figure 59 : Exemple d’un diagramme de classes flou ................................................................... 84
Figure 60 : Symbole d'un cas d'utilisation flou .............................................................................. 84
Figure 61 : Symbole d'un message flou en Fuzzy UML ................................................................ 85
Figure 62 : L’incertitude au niveau de l’entité géographique (Shu, Spaccapietra, Parent, &
Quesada Sedas, 2003) .................................................................................................................... 86
Figure 63 : Incertitude des types de données spatiales (Shu, Spaccapietra, Parent, & Quesada
Sedas, 2003) ................................................................................................................................... 86
Figure 64 : Incertitude des types de données temporelles (Shu, Spaccapietra, Parent, & Quesada
Sedas, 2003) ................................................................................................................................... 89
Figure 65 : Incertitude des relations spatiotemporelles (Shu, Spaccapietra, Parent, & Quesada
Sedas, 2003) ................................................................................................................................... 92
Figure 66 : Principaux pictogrammes de spatialité et de temporalité floue dans le méta modèle
SIG ................................................................................................................................................. 93
Figure 67 : Principe du Fuzzy-PERCEPTORY ............................................................................. 99
Figure 68 : Imprécision temporelle dans PERCEPTORY ........................................................... 100
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
12
Figure 69 : Représentation d’un accident avec une date floue ..................................................... 101
Figure 70 : Représentation d’un bâtiment avec une période floue dans F-PERCEPTORY ........ 101
Figure 71 : Représentation d’un accident avec une date valuée .................................................. 101
Figure 72 : Représentation d’un accident avec des dates valuées au niveau objet ...................... 102
Figure 73 : Représentation d’un bâtiment avec un degré de confiance........................................ 102
Figure 74 : Imprécision spatiale dans PERCEPTORY ................................................................ 103
Figure 75 : Représentation d’un bâtiment avec une forme polygone flou ................................... 103
Figure 76 : Représentation d’un segment de route avec une forme ligne floue ........................... 104
Figure 77 : Représentation d’une ville avec un point flou ........................................................... 104
Figure 78 : Représentation d’un bâtiment avec une forme polygone flou et un degré de confiance
...................................................................................................................................................... 104
Figure 79 : Représentation d’un segment de route avec une forme ligne floue et un degré de
confiance ...................................................................................................................................... 105
Figure 80 : Représentation d’une ville avec une forme point flou et un degré de confiance ....... 105
Figure 81 : Imprécision quantitative dans PERCEPTORY ......................................................... 105
Figure 82 : Exemples d’imprécisions quantitatives ..................................................................... 106
Figure 83 : Exemple de représentation d’un attribut valué .......................................................... 107
Figure 84 : Modélisation d’une relation incertaine entre deux instances de classes .................... 107
Figure 85 : Exemples de relations incertaines .............................................................................. 107
Figure 86 : Représentation d’un bâtiment avec une géométrie alternative floue ......................... 108
Figure 87 : Représentation d’un réseau hydrique avec une géométrie complexe floue ............... 108
Figure 88 : Représentation d’un segment de route avec une géométrie multiple floue ............... 108
Figure 89 : Exemple d’interprétations sur des α-coupes connexes .............................................. 109
Figure 90 : Représentation en UML de la date floue ................................................................... 110
Figure 91 : Représentation en UML de la date valuée ................................................................. 111
Figure 92 : Représentation en UML de la période floue .............................................................. 112
Figure 93 : Représentation UML de la période valuée ................................................................ 112
Asma ZOGHLAMI
13
Figure 94 : Représentation en UML du polygone flou ................................................................ 113
Figure 95 : Représentation en UML du polygone valué .............................................................. 114
Figure 96 : Représentation en UML de la ligne floue .................................................................. 115
Figure 97 : Représentation en UML de la ligne valuée ................................................................ 115
Figure 98 : Représentation en UML du point flou ....................................................................... 116
Figure 99 : Représentation en UML du point valué ..................................................................... 117
Figure 100 : Représentation en UML de l’attribut flou ............................................................... 118
Figure 101 : Représentation en UML de l’attribut valué ............................................................. 119
Figure 102 : Exemple de représentation des α-coupes ................................................................. 122
Figure 103 : Représentation des formes d’imprécision temporelle .............................................. 123
Figure 104 : Transformation de l’imprécision temporelle de type date floue .............................. 124
Figure 105 : Transformation de l’imprécision temporelle de type date valuée............................ 125
Figure 106 : Représentation par α-coupes d’un ensemble flou connexe et normalisé définissant
une date floue ............................................................................................................................... 126
Figure 107 : Contraintes de la date floue exprimées en OCL ...................................................... 129
Figure 108 : Contraintes de la date valuée exprimées en OCL .................................................... 132
Figure 109 : Transformation de l’imprécision temporelle de type période floue ........................ 133
Figure 110 : Transformation de l’imprécision temporelle de type période valuée ...................... 135
Figure 111 : Représentation par α-coupes d’un ensemble flou connexe et normalisé définissant
une période floue .......................................................................................................................... 136
Figure 112 : Contraintes de la période floue exprimées en OCL ................................................. 138
Figure 113 : Contraintes de la période valuée exprimées en OCL ............................................... 140
Figure 114 : Transformation de l’imprécision spatiale de type polygone flou ............................ 142
Figure 115 : Transformation de l’imprécision spatiale de type polygone valué .......................... 142
Figure 116 : Structure de l’ensemble flou connexe de la géométrie polygone flou ..................... 143
Figure 117 : Contraintes de la géométrie polygone flou exprimées en OCL ............................... 145
Figure 118 : Contraintes du polygone valué exprimées en OCL ................................................. 147
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
14
Figure 119 : Transformation de l’imprécision spatiale de type ligne floue ................................. 149
Figure 120 : Transformation de l’imprécision spatiale de type ligne valuée ............................... 150
Figure 121 : Structure possible de l’ensemble flou connexe de la géométrie ligne floue ............ 150
Figure 122 : Contraintes de la ligne floue exprimées en OCL ..................................................... 153
Figure 123 : Contraintes de la géométrie ligne valuée exprimées en OCL .................................. 155
Figure 124 : Transformation de l’imprécision spatiale de type point flou ................................... 156
Figure 125 : Transformation de l’imprécision spatiale de type point valué ................................. 157
Figure 126 : Structure d’un ensemble flou connexe de la géométrie point flou .......................... 157
Figure 127 : Contraintes du point flou exprimées en OCL .......................................................... 160
Figure 128 : Contraintes de la géométrie point valué exprimées en OCL ................................... 162
Figure 129 : Transformation de l’imprécision quantitative de type attribut flou ......................... 163
Figure 130 : Transformation de l’imprécision quantitative de type attribut valué ....................... 164
Figure 131 : Représentation par α-coupes d’un ensemble flou connexe et normalisé définissant un
attribut flou ................................................................................................................................... 165
Figure 132 : Contraintes de l’imprécision quantitative de type attribut flou exprimées en OCL 167
Figure 133 : Contraintes de l’imprécision quantitative de type attribut valué exprimées en OCL
...................................................................................................................................................... 169
Figure 134 : Transformation de l’imperfection sur les relations .................................................. 170
Figure 135 : Evolution de la fonction ........................................................................................... 173
Figure 136 : Transformation de l’évolution de la fonction dans F-PERCEPTORY .................... 174
Figure 137 : Evolution de l’espace ............................................................................................... 174
Figure 138 : Transformation de l’évolution de l’espace dans F-PERCEPTORY ........................ 175
Figure 139 : Les opérateurs temporels (EF, EG, AF, AG) de la CTL. ....................................... 177
Figure 140 : Exemple d’évolution d’un objet urbain ................................................................... 179
Figure 141 : Qualification d’une hypothèse d’évolution ............................................................. 180
Figure 142 : K-transitions d’un objet urbain au cours du temps .................................................. 181
Figure 143 : Paramètres définissant la trajectoire floue ............................................................... 182
Asma ZOGHLAMI
15
Figure 144 : K-transitions d’un objet urbain avec coefficients de vraisemblance ....................... 182
Figure 145 : Questions fréquentes sur des hypothèses d’évolution ............................................. 184
Figure 146 : Vérification de la cohérence du modèle d’évolution par le model checking ........... 185
Figure 147 : Modélisation des entités archéologiques, des sites et des artéfacts dans GISSAR.. 193
Figure 148 : Géoréférencement des entités archéologiques dans GISSAR ................................. 194
Figure 149 : Vue globale de GISSAR .......................................................................................... 194
Figure 150 : Identification des imprécisions descriptives dans GISSAR .................................... 196
Figure 151 : Imprécision sur la datation ....................................................................................... 197
Figure 152 : Identification des imprécisions spatiales dans GISSAR .......................................... 198
Figure 153 : Extrait du modèle F-GISSAR .................................................................................. 198
Figure 154 : Gestion de l’imprécision du langage naturel dans les données descriptives ........... 199
Figure 155 : Exemple de formes floues d’un site archéologique ................................................. 200
Figure 156 : Exemple de gestion d’une période d’activité floue ................................................. 200
Figure 157 : Liste des formes qui correspondent plutôt au site JO 88 ......................................... 201
Figure 158 : Visualisation des formes floues d’un site archéologique ........................................ 201
Figure 159 : Extrait des entités ayant une période d’activité dans le milieu 2ème siècle ............ 202
Figure 160 : Visualisation des entités avec une période d’activité dans le milieu 2ème siècle ... 202
Figure 161 : Extrait des entités avec imprécision temporelle ...................................................... 203
Figure 162 : Extrait des entités avec imprécision spatiale ........................................................... 203
Figure 163 : Visualisation des entités avec imprécision spatiale et temporelle ........................... 204
Figure 164 : Considération de l’imprécision dans la phase de récolte des données .................... 207
Figure 165 : Exemple de perte d’information dans la méthode 1 ................................................ 209
Figure 166 : Considération des transitions possibles dans la méthode 2 ..................................... 209
Figure 167 : Exemple de recherche de motifs fréquents .............................................................. 210
Figure 168 : Exemple de séquences d’évolutions de la fonction avec degrés de possibilités ...... 212
Figure 169 : Exemple de séquences d’évolution de l’espace avec degrés de possibilités ........... 213
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
16
Figure 170 : Exemple de séquences d’évolutions spatiales et fonctionnelles avec degrés de
possibilités .................................................................................................................................... 214
Figure 171 : Exemple d’un modèle prospectif ............................................................................. 215
Asma ZOGHLAMI
17
Table des algorithmes
Alg. 1. Création de la table imperfection_temporelle_date_floue ........................................... 123
Alg. 2. Création de la table Ctd ................................................................................................ 124
Alg. 3. Création de la table Imperfection_temporelle_date_valuée ......................................... 125
Alg. 4. Création de la table Ctd_valué ..................................................................................... 125
Alg. 5. Trigger pour la vérification de la cohérence des dates dans la table
« Imperfection_temporelle_date_floue » ..................................................................................... 126
Alg. 6. Trigger pour la vérification de la structure de l’ensemble flou d’une date .................. 127
Alg. 7. Vue regroupant les noyaux des ensembles flous représentant les dates....................... 127
Alg. 8. Trigger pour vérifier la normalisation des ensembles flous des dates ......................... 128
Alg. 9. Contrainte sur le nombre d’apparition d’une date dans une représentation multivalente
………………………………………………………………………………………..128
Alg. 10. Trigger pour la vérification de l’égalité des dates minimales et maximales ............ 129
Alg. 11. Contrainte de connexité de l’ensemble flou d’une date exprimée en OCL.............. 130
Alg. 12. Vérification de la normalisation de l’ensemble flou de la date exprimée en OCL .. 130
Alg. 13. Trigger pour la vérification de la cohérence des dates valuées ................................ 131
Alg. 14. Trigger pour la vérification de la somme des degrés de possibilité des dates valuées
……………………………………………………………………………………..131
Alg. 15. Contrainte sur le nombre de relations minimales et maximales avec la table
Imperfection_temporelle_date_valuée ......................................................................................... 131
Alg. 16. Création de la table Imperfection_temporelle_période_floue .................................. 133
Alg. 17. Création de la table CT ............................................................................................. 133
Alg. 18. Création de la table Imperfection_temporelle_période_valuée................................ 134
Alg. 19. Création de la table CT_valué .................................................................................. 134
Alg. 20. Trigger pour la vérification de la cohérence des dates dans la table ........................ 135
Imperfection_temporelle_période_floue ...................................................................................... 135
Alg. 21. Trigger pour la vérification de la structure de l’ensemble flou d’une période ......... 136
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
18
Alg. 22. Vue regroupant les noyaux des ensembles flous représentant les périodes ............. 137
Alg. 23. Trigger pour la vérification de la normalisation de l’ensemble flou de la période .. 137
Alg. 24. Contrainte sur le nombre de relations avec la table
Imperfection_temporelle_période_floue ..................................................................................... 137
Alg. 25. Contrainte de connexité de l’ensemble flou d’une période exprimée en OCL ........ 138
Alg. 26. Vérification de la normalisation de l’ensemble flou de la période exprimée en OCL
……………………………………………………………………………………..138
Alg. 27. Trigger pour la vérification de la cohérence des dates dans la table
Imperfection_temporelle_période_valuée ................................................................................... 139
Alg. 28. Trigger pour la vérification de la somme des degrés de possibilité des périodes
valuées ……………………………………………………………………………………..139
Alg. 29. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_temporelle_période_valuée .................................................................................... 140
Alg. 30. Création de la table Imperfection_forme_polygone_flou ........................................ 141
Alg. 31. Création de la table CS_polygone ............................................................................ 141
Alg. 32. Création de la table Imperfection_forme_polygone_valué ...................................... 143
Alg. 33. Création de la table CS_polygone_valué ................................................................. 143
Alg. 34. Trigger pour la vérification de la relation topologique « contient » sur des géométries
de type polygone flou pour la validation de la structure de l’ensemble flou ainsi défini ............ 144
Alg. 35. Trigger pour vérifier la normalisation des ensembles flous de la forme polygone flou
……………………………………………………………………………………..145
Alg. 36. Contrainte sur le nombre de relations avec la table
Imperfection_forme_polygone_flou ............................................................................................ 145
Alg. 37. Contrainte sur le type des géométries associées au polygone flou........................... 145
Alg. 38. Contrainte OCL pour la vérification de la relation topologique B contient A sur les
géométries de type polygone flou ................................................................................................ 146
Alg. 39. Contrainte sur le type des géométries associées au polygone valué ........................ 146
Alg. 40. Trigger pour la vérification de la somme des degrés de possibilité des polygones
valués ……………………………………………………………………………………..147
Alg. 41. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_forme_polygone_valué .......................................................................................... 147
Asma ZOGHLAMI
19
Alg. 42. Création de la table Imperfection_forme_ligne_floue ............................................. 148
Alg. 43. Création de la table CS_ligne ................................................................................... 148
Alg. 44. Création de la table Imperfection_forme_ligne_valuée ........................................... 149
Alg. 45. Création de la table CS_ligne_valuée ...................................................................... 149
Alg. 46. Trigger pour la vérification de la relation topologique « contient » sur des géométries
de type ligne floue pour la validation de la structure de l’ensemble flou ainsi défini.................. 151
Alg. 47. Trigger pour vérifier la normalisation des ensembles flous de la forme ligne floue 151
Alg. 48. Contrainte sur le nombre de relations avec la table Imperfection_forme_ligne_floue
……………………………………………………………………………………..152
Alg. 49. Trigger pour la vérification du type de la géométrie de la ligne floue quand le degré
=1 ……………………………………………………………………………………..152
Alg. 50. Contrainte OCL pour la vérification de la relation topologique B contient A sur des
géométries de type ligne floue...................................................................................................... 153
Alg. 51. Trigger pour la vérification du type de la géométrie ligne valuée dans le cas où
degré=1 ……………………………………………………………………………………..154
Alg. 52. Trigger pour la vérification de la somme des degrés de possibilité des lignes valuées
……………………………………………………………………………………..154
Alg. 53. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_forme_ligne_valuée ............................................................................................... 154
Alg. 54. Création de la table Imperfection_forme_point_flou ............................................... 155
Alg. 55. Création de la table CS_point ................................................................................... 156
Alg. 56. Création de la table Imperfection_forme_point_valué ............................................. 156
Alg. 57. Création de la table CS_point_valué ........................................................................ 157
Alg. 58. Trigger pour la vérification de la relation topologique « contient » sur des géométries
de type point flou pour la validation de la structure de l’ensemble flou ainsi défini ................... 158
Alg. 59. Trigger pour la vérification de la normalisation de l’ensemble flou de la forme point
flou ……………………………………………………………………………………..159
Alg. 60. Contrainte sur le nombre de relations avec la table Imperfection_forme_point_flou
……………………………………………………………………………………..159
Alg. 61. Trigger pour la vérification du type de la géométrie point flou dans le cas où le degré
=1 ……………………………………………………………………………………..159
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
20
Alg. 62. Contrainte OCL pour la vérification de la relation topologique B contient A sur des
géométries point flou .................................................................................................................... 160
Alg. 63. Trigger pour la vérification du type de la géométrie point valué dans le cas où le
degré =1 ……………………………………………………………………………………..160
Alg. 64. Trigger pour la vérification de la somme des degrés de possibilité des points valués
……………………………………………………………………………………..161
Alg. 65. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_forme_point_valué ................................................................................................. 161
Alg. 66. Création de la table Imperfection_quantitative_attribut_flou .................................. 163
Alg. 67. Création de la table CAI ........................................................................................... 163
Alg. 68. Création de la table Imperfection_quantitative_attribut_valué ................................ 163
Alg. 69. Création de la table CAI ........................................................................................... 164
Alg. 70. Trigger vérifiant la cohérence des valeurs quantitatives de l’attribut flou ............... 165
Alg. 71. Trigger pour la vérification de la structure de l’ensemble flou d’un attribut ........... 165
Alg. 72. Vue regroupant les noyaux des ensembles flous représentant les attributs .............. 166
Alg. 73. Trigger pour la vérification de la normalisation de l’ensemble flou de l’attribut .... 166
Alg. 74. Contrainte sur le nombre de relations avec la table
Imperfection_quantitative_attribut_flou ...................................................................................... 166
Alg. 75. Contrainte de connexité des ensembles flous de l’imprécision quantitative ............ 167
Alg. 76. Vérification de la normalisation de l’ensemble flou de la date exprimée en OCL .. 167
Alg. 77. Trigger vérifiant la cohérence des valeurs quantitatives de l’attribut valué............. 168
Alg. 78. Trigger pour la vérification de la somme des degrés de possibilité des attributs valués
……………………………………………………………………………………..168
Alg. 79. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_quantitative_attribut_valué .................................................................................... 169
Alg. 80. Création de la table R ............................................................................................... 169
Asma ZOGHLAMI
21
Liste des tableaux
Tableau. 1. Le cycle d’abstraction dans Merise (Rochfeld, Colletti, Tardieu, Panet, & Vahee,
1985) ……………………………………………………………………………………40
Tableau. 2. Principaux pictogrammes spatiaux dans PERCEPTORY ...................................... 50
Tableau. 3. Types de relations topologiques (d’après (Parent C. , et al., 1997)) ...................... 53
Tableau. 4. Comparaison entre les principales méthodes spatiotemporelles ............................ 57
Tableau. 5. Exemples de calculs de fonctions de croyances et de plausibilités ........................ 71
Tableau. 6. Modus ponens de la logique classique ................................................................... 73
Tableau. 7. Modus ponens généralisé dans un raisonnement flou ............................................ 73
Tableau. 8. Les 5 relations topologiques spatiales entre objets géographiques (Clementini, Di
Felice, & Van Oosterom, 1993) ..................................................................................................... 91
Tableau. 9. Relations d’Allen entre deux intervalles ................................................................ 91
Tableau. 10. Comparaison entre les méthodes de modélisation spatiotemporelles .................... 94
Tableau. 11. Conception de bases de données floues à travers les modèles conceptuels flous :
étude comparative (adapté de (Ma & Yan, 2010)) ....................................................................... 171
Tableau. 12. Codes attribués aux fonctions .............................................................................. 210
Tableau. 13. Codes et degrés attribués aux fonctions ............................................................... 211
Tableau. 14. Codes et degrés attribués aux espaces .................................................................. 212
Tableau. 15. Codes et degrés attribués aux fonctions et aux espaces ....................................... 214
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
22
Asma ZOGHLAMI
23
Introduction Générale
À l’heure où les besoins en terme de gestion du patrimoine et d’analyse des nouvelles
dynamiques urbaines (nouvelles mobilités) se font croissants, les problématiques issues de la
gestion de l'espace et du temps se font jour et sont au cœur des Systèmes d'Information
Géographique (SIG). Nous nous plaçons dans le domaine multidisciplinaire de la géomatique.
En regroupant l’ensemble des outils et des méthodes informatiques permettant de
représenter, d’analyser et de visualiser des données géographiques, l'exploitation des SIG
implique au moins trois activités distinctes : la collecte, le traitement et la diffusion des données.
Les SIG proposent des méthodes toujours plus performantes pour des applications dans des
domaines intégrant des impératifs de localisation spatiale/temporelle et d’évaluation territoriale.
Les usages des SIG sont divers et variés. Ils sont essentiellement utilisés dans des domaines
tels que l’environnement (prévision des risques naturels, localisation et suivi des espèces
animales, etc.), le transport (gérer et planifier l’utilisation d’un réseau), la télécommunication
(localisation des incidents, localisation de clients, etc.). Ils jouent aussi un grand rôle pour l’aide à
la décision, notamment pour l’aménagement du territoire. Tous ces domaines disposent d’un SIG
qui intervient dans toutes les phases du traitement des données : de la phase de collecte et
d’analyse jusqu'à l’élaboration de cartes et plans des villes.
Une vision globale des outils, des enjeux et des problématiques des SIG est présentée dans
(Burrough & Mc Donnell, 1998). Le développement des SIG est fortement lié au développement
des thématiques informatiques de la représentation, de la modélisation et de la visualisation de
données (Longley, Goodchild, Maguire, & Rhind, 2005).
Mais peut-on penser le monde sans prendre en considération la complexité de l’information
notamment ses imperfections ? Si obtenir une représentation parfaite et complète de la réalité est
une utopie, nous ne pouvons pas nous résoudre à rester dans « les modes simplificateurs de
connaissances qui mutilent plus qu’ils n’expriment les réalités ou les phénomènes dont ils rendent
compte » (Morin, 2005). Il faut donc prendre en considération les diverses complexités des
informations que nous souhaitons gérer (Benasayag, Akdag, & Secroun, 1997).
L'information géographique est complexe : spatiale, temporelle et aussi par nature
imparfaite. La prise en considération des imperfections dans la modélisation est l'objectif de cette
thèse. Ainsi, le sujet de cette thèse porte sur la recherche d'une méthodologie pour la gestion,
dans les modélisations, de l'imperfection inhérente à l’information fournie dans sa complexité.
Considérer les informations géographiques dans leur complexité conduit à prendre en
compte les données dans leurs multiples formes. Les premières particularités de l’information
géographique sont les composantes spatiales et temporelles. Elles ont pour impact de pouvoir
considérer les données soit selon leurs composantes spatiales, soit selon leurs composantes
temporelles, soit selon les deux conjuguées.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
24
De plus, l’information géographique est de qualité diverse. Les données stockées dans le SIG
ne donnent pas une vision parfaite de la réalité. Dans cette thèse, afin de refuser la simplification
des données et de réduire les erreurs d’analyse, l’étude porte sur la gestion de l’imperfection des
données, c’est à dire à la gestion de l’imprécision, de l’ambiguïté, de l’incomplétude et/ou de
l’incertitude. En effet, obtenir une représentation des données tenant compte de leurs
imperfections permet de réduire les incertitudes et d’augmenter la pertinence des décisions. Dans
cette démarche, la qualité des données est prise en considération dans leur représentation.
La représentation de l’incertitude et son exploitation dans des systèmes d’information
forment une thématique majeure de l’intelligence artificielle mais aussi un gage de fiabilité des
dits systèmes. De fait, la gestion de l’imperfection (l’incertitude est une forme d’imperfection)
des données fait partie de la gestion de la qualité. Ainsi, l’ouvrage (Devillers & Jeansoulin,
2005) propose une vision de la gestion de la qualité des données géographiques. (De Runz,
2008) expose une approche pour la représentation de données imparfaites et porte une attention
particulière sur le traitement de l’imperfection des données (imprécision, incertitude,
incomplétude). De la littérature précédente, il apparaît que la théorie des ensembles flous
introduite dans (Zadeh, 1965) est un cadre intéressant pour gérer l’imprécision. C’est dans ce
cadre que se situe ce travail.
Cependant, un des grands défis reste la prise en considération de l'imperfection dans les
modélisations spatiales, temporelles voire spatiotemporelles. Pour cela, l’information que l’on
souhaite exploiter sera intégrée dans un système d’information.
Le concept de système d’information (SI) est apparu pour la première fois dans le cadre de
l’informatique de gestion dans les années 70. Pour schématiser, nous pouvons dire que proposer
un système d’information revenait à modéliser et construire une base de données. Cette base de
données sert à emmagasiner les données, à les garder et plus tard à l’interroger afin qu’on puisse
redécouvrir le passé et donner une image du présent. Ces données ainsi enregistrées sont riches et
les bases de données ainsi construites ont plus tard servi, avec l’ajout des connaissances
complémentaires, à faire des prévisions sur le futur. Aussi, un composant du SI permettant de
savoir si on peut donner un crédit à un client, compte tenu de son passé et de son présent et avec
des connaissances empiriques complémentaires est déjà un premier exemple d’outil prévoyant
l’avenir.
Si les premiers travaux concernant les systèmes d’information ont essentiellement porté sur
la construction de bases de données via des approches telles que Merise (Hubert, Rochfeld, &
Colletti, 1983), il est rapidement apparu que leur complexité d’usage est plus importante et que
des cadres dynamiques et statiques s’avèrent nécessaires à leur appréhension globale. Plusieurs
approches ont été développées et une normalisation est apparue nécessaire. Aussi, en 1997,
l’Object Management Group (OMG)1 a validé une première version du standard industriel de
l’Unified Modeling Language. Cette approche est désormais reconnue comme la norme pour la
conceptualisation de logiciels et de systèmes d’information.
1 http://www.omg.org/
Asma ZOGHLAMI
25
Cependant, il s’est avéré par la suite que ce standard ne permettait pas de prendre en compte
la nature imparfaite de l’information. Ainsi, les données représentées dans les modèles UML
étaient loin de refléter la réalité. Pour répondre à cette nouvelle exigence, une extension, nommée
Fuzzy UML (Ma, 2005), basée sur les ensembles flous a été apportée à UML pour permettre la
modélisation conceptuelle de données imprécises. Différents niveaux d’imprécisions ont été alors
introduits principalement dans le modèle de classe UML. Aussi Fuzzy UML a pour volonté de
rapprocher le modèle et son objet d’étude. Mais peut-on penser le monde sans prendre en
considération l’espace et le temps inhérents à sa définition ?
Parmi les outils existants de modélisation spatiotemporelle, nous nous intéressons
particulièrement à la méthode PERCEPTORY (Bedard, 1999) qui a été développée à partir du
standard UML. Cette méthode enrichit l’UML pour supporter la modélisation de l’espace et du
temps grâce au langage PictograF, anciennement appelé PVL, qui permet de créer des modèles
conceptuels de classes d’objets spatiales, temporels ou spatiotemporels.
Problématique
L’objet principal de cette thèse est de représenter un certain système d’information
géographique avec ses multiples aspects jusqu’à alors peu tenus en compte par les travaux de
recherches dans le domaine.
Nous nous intéresserons à l’aspect imparfait des données, à la temporalité, à la spatialité et à
la dynamique d’évolution. Dans ce cadre, la problématique de notre travail porte sur la gestion de
connaissances spatiotemporelles imprécises via la modélisation de systèmes d’information
spatiotemporelles. Pour y répondre, nous l’avons décomposée en deux questions :
- Comment représenter dans un modèle conceptuel des informations géographiques
pouvant être imprécises dans leur temporalité, leur spatialité, leur sémantique et leur
description ?
- Comment construire une base de données permettant le stockage de données
imprécises dans ces différents aspects ?
L’extension floue portée au standard UML forme une base pour notre travail. En effet, cette
approche permet de modéliser des informations sémantiques et descriptives imprécises au niveau
du diagramme de classes UML à travers l’introduction des nouveaux concepts de classe floue et
de relations floues. Cependant, malgré son importance, cette approche ne prend pas en compte les
aspects de spatialité et temporalité dans son modèle flou. C’est pourquoi nous proposons
d’adapter le modèle PERCEPTORY afin d’avoir une représentation conceptuelle qui modélise à
la fois des informations spatiales, temporelles, sémantiques et descriptives imprécises. Ainsi,
l'objectif de ce travail est de proposer une méthodologie pour la gestion d'information
spatiotemporelle imparfaite dans la construction et l’exploitation des systèmes d’information.
Nous appliquerons notre méthodologie dans deux modélisations théoriques et/ou métiers.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
26
- Cadre applicatif
Le premier cadre applicatif de ce travail est une base de données spatiotemporelles appelée
GISSAR (Desjardin & De Runz, 2009) qui a été développée dans le cadre des projets SIGRem
(Piantoni & Pargny, 2005) puis ArcheoChamp. GISSAR avait deux principaux objectifs. Elle
visait dans un premier temps à regrouper les données issues d’une ancienne base de données
établie entre 1980 et 2008 lors des différents chantiers de fouilles archéologiques réalisés dans la
ville de Reims. Le deuxième objectif de GISSAR était de fournir aux archéologues un outil de
saisie pour les nouveaux chantiers. Les données gérées par GISSAR appartiennent à trois
domaines complémentaires : la gestion des chantiers archéologiques, la gestion des inventaires
des structures bâties visibles et invisibles et la gestion documentaire. Les données à gérer sont par
nature imprécises (De Runz, 2008). Notre travail a consisté à construire un système d’information
géographique permettant la gestion des données de fouilles en prenant en considération leur
imprécision.
La construction d’un tel système nous a naturellement amené à essayer d’analyser les
trajectoires urbaines inscrites dans ces données. À partir de cette étude, nous nous sommes
penchés sur la volonté d’obtenir des modèles possibles de l’évolution de la ville du passé vers le
futur. Dans ce cadre, nous avons introduit une méthodologie, un formalisme ainsi qu’un cadre
logique pour la construction de règles de développement urbain. Notre volonté est qu’en utilisant
notre démarche, l’on soit capable de proposer et d’évaluer les possibilités des différentes
hypothèses d’évolution de la Ville de Saint-Denis.
Ainsi, ce travail de thèse s’inscrit à la fois dans des travaux de recherche de type génie
logiciel pour enrichir les modèles déjà existants de modélisation des systèmes d’information
géographique et dans le cadre de recherches visant à faire des propositions sur le futur d’une ville
compte tenu de son passé, son présent et d’autres connaissances de nature logistique,
démographique, écologique et politique.
- Organisation du mémoire
La première partie de ce manuscrit constitue un état de l’art sur la modélisation de
l’information dans les modèles conceptuels classiques et spatiotemporels.
Le premier chapitre concerne les données classiques représentées d’abord par des graphes
conceptuels, basés sur le concept mathématique de treillis où se mêlent les relations d’ordre et les
hiérarchies des concepts. Nous ne pouvions pas nous passer de la présentation d’un modèle qui à
notre avis est sa suite logique, le modèle conceptuel de données de Merise. Enfin, UML, standard
international viendra compléter le chapitre.
Le chapitre 2, nous amène vers les données spatiotemporelles. Basées sur les fondamentaux
de l’UML et de Merise, PERCEPTORY et MADS (Parent et al., 1997) proposent des outils
complémentaires pour représenter la spatialité et la temporalité. Plusieurs types de relations
Asma ZOGHLAMI
27
topologiques, plusieurs associations dynamiques de transition, etc. sont ainsi représentées. Nous
présenterons également les méthodes MECOSIG (Pantazis & Donnay, 1996) et POLLEN (Gayte,
Libourel, Cheylan, & Lardon, 1997). Une première étude qui compare ces méthodes se trouve
ainsi réalisée dans ce chapitre.
Le chapitre 3, nous amène dans le monde de l’imparfait, de l’incertain, de l’imprécis, de
l’approximation, du hasard, etc., c’est à dire au plus proche du monde réel où nous avons des
perceptions. Évidemment ce sont nos perceptions, parfois celles des autres et bien évidemment
elles sont entachées d’inexactitudes même si elles nous paraissent souvent correctes. Dans le
cadre de ce travail, nous nous intéressons à un seul type de ces imperfections : ce sont les
imprécisions. Elles sont souvent représentées par des outils issus de la théorie des ensembles
flous et de la théorie des possibilités. C’est pourquoi le chapitre 3 en présente les principes
fondamentaux, sans oublier au préalable la théorie des probabilités, classique et indispensable,
ainsi que la théorie de l’évidence.
Le chapitre 4 permet de nous intéresser à l’application des théories étudiées dans le chapitre
précédent, à la modélisation des informations imparfaites. Après avoir rappelé les notions de
graphes conceptuels flous, marqueurs flous, types flous et décrit quelques opérations sur les
graphes conceptuels flous, nous présentons une représentation plus générale des données
imprécises et incertaines basées sur le modèle UML, le Fuzzy UML. Les notions comme
diagramme de classes, relations, généralisation, agrégation, dépendance, cas d’utilisation et
séquence ont toutes leur version floue grâce à des extensions apportées au diagramme de classe
UML, au diagramme de cas d’utilisation UML et au diagramme de séquence UML. Dans le
contexte géographique, des travaux ont été menés sur les approches possibles pour modéliser
l’incertitude et l’imprécision à l’aide de l’outil MADS (Shu, Spaccapietra, Parent, & Quesada
Sedas, 2003). Ils proposent des moyens de représenter les concepts d’instant et d’intervalle
rendus aléatoires ou flous. Cette approche ne définit cependant pas de nouvelles représentations.
Une seconde étude de comparaison est également présentée à la fin de ce chapitre.
La partie 2 constitue la partie théorique, formelle, méthodique de notre approche
F-PERCEPTORY, au cœur de notre travail de thèse. Nous allons proposer des outils, méthodes,
formalisation permettant la représentation des informations spatiotemporelles imprécises dans les
systèmes d’information géographique.
Le chapitre 5 nous permet de mettre au point les conventions que nous avons proposées pour
adapter les pictogrammes de PERCEPTORY. Nous appelons notre modèle F-PERCEPTORY
basée sur F-PictograF qui est adapté de PictograF (le langage de PERCEPTORY). Ce chapitre
nous permettra de situer et de restituer nos travaux à l’aide d’exemples et d’illustrations. La
difficulté reconnue de la représentation continue des valeurs floues, de la fonction d’appartenance
floue, de la fonction de possibilité, nous a contraints, pour simplifier leur représentation discrète,
à les gérer sous la forme d’ensembles multivalents où les valeurs correspondent à des α-coupes.
Aussi, au regard de ce choix de représentation, ce chapitre décrira les correspondances entre notre
modèle F-PERCEPTORY et l’UML.
Par ailleurs, aussi bien un modèle conceptuel de Merise qu’un diagramme de classe UML,
ont besoin d’une étape intermédiaire pour devenir opérationnel. En ce qui nous concerne, pour
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
28
aboutir à une base de données géographique, notre travail a besoin de règles de passage du
modèle F-PERCEPTORY au modèle logique. Le chapitre 6 donne toutes les étapes de la
transformation, les contraintes d’intégrité de la période floue, de la date floue, de l’imprécision
spatiale, de la forme ligne, de la forme point, de l’imprécision quantitative, de l’imprécision sur
les relations entre classes afin d’arriver au modèle logique.
Le chapitre 7 sera consacré à l’étude de la dynamique spatiale en environnement imprécis.
Dans un premier temps, nous allons présenter notre approche descriptive qui vise à avoir une
certaine modélisation conceptuelle et une structuration des données tenant compte de cette
dynamique. La dynamique que nous avons introduite dans PERCEPTORY nous a permis de
modéliser l’évolution de la fonction de l’objet temporel ainsi que l’évolution de son espace.
L’originalité de cette dernière approche est de proposer dans chaque cas un degré flou attribué
aux couples (fonction floue, période floue) et (espace floue, période floue). A partir de ce modèle
descriptif, nous allons pouvoir établir un modèle explicatif, qui permettra à travers un processus
d’apprentissage non supervisé et en utilisant une logique modale temporelle de modéliser une
trajectoire floue.
La dernière partie de cette thèse constitue la partie applicative de ce travail.
La première application présentée dans le chapitre 8, rentre dans un contexte archéologique.
Nous appliquerons notre approche F-PERCEPTORY sur le modèle GISSAR destiné à gérer les
données archéologiques de la ville de Reims. Une fois que nous identifierons les différentes
imperfections présentes dans GISSAR, nous présenterons le nouveau modèle F-GISSAR qui
forme la base d’un système d’information géographique flou pour la représentation et l’analyse
des données archéologiques. Ainsi, nous présenterons d’abord le modèle F-GISSAR puis la
structure de sa base de données. La dernière partie de ce chapitre sera consacrée à l’exploitation
de F-GISSAR à travers des requêtes considérant des imperfections spatiales, des imperfections
temporelles et des imperfections spatiotemporelles.
Le dernier chapitre présente le second contexte applicatif autour de la ville de Saint-Denis.
Le travail exposé forme une étude préliminaire à un projet émergent en 2012 au sein du LIASD
(Laboratoire d’Informatique Avancée de Saint-Denis), dont l’objectif est l’étude de l’évolution
urbaine de la ville de Saint-Denis. Dans un premier temps nous présenterons les données mises
en jeu (cartes anciennes, cartes actuelles, données extraites). Ensuite nous proposons une
approche destinée au stockage des évolutions des différents objets de la ville. Via ces données sur
l’évolution, nous introduirons une démarche visant à obtenir des possibles modèles explicatifs
valués selon un degré de confiance. Cette démarche s’appuie sur un processus d’extraction de
règle de transition/d’évolution dont on aimerait connaitre la pertinence. A partir de ces modèles
valués et de l’exploitation des règles extraites, nous souhaitons construire un modèle prospectif
pour la prédiction du futur. Dans la dernière section de ce chapitre, nous présenterons les
différentes méthodes d’apprentissage non supervisé envisagées pour l’extraction de règles de
l’évolution urbaine en considérant principalement le changement de la fonction.
Ces deux derniers chapitres constituent, d’une part une application immédiate de nos
propositions à travers la modélisation de F-GISSAR (ainsi que ses requêtes) et d’autre part, une
extension des outils que nous avons proposés dans le but de modéliser l’évolution d’une ville.
Asma ZOGHLAMI
29
Nous pouvons résumer notre travail en le présentant comme une proposition de cadre de travail
pour la représentation des villes (ou d’autres lieux) à travers l’histoire, du passé vers le futur.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
30
Asma ZOGHLAMI
31
Partie 1 : Approches conceptuelles pour les systèmes d’information
Introduction
Afin d’atteindre notre premier objectif de proposer une approche permettant la représentation
et la gestion des données spatiotemporelles imprécises, une première étape consistant à faire une
étude bibliographique sur les méthodes et formalismes existants pour la conception des systèmes
d’information en général et des systèmes d’information géographique en particulier s’impose.
Ainsi, le chapitre 1 est consacré à la présentation des différents modèles conceptuels modélisant
des données classiques à savoir les graphes conceptuels, Merise et UML. Le chapitre 2 présente
les principales méthodes de modélisation conceptuelle de données spatiotemporelles. Nous
présenterons notamment PERCEPTORY et MADS qui étendent respectivement UML et Merise à
l’aide de pictogrammes représentant l’espace et le temps. L’étude bibliographique sur les
méthodes et formalismes de conception de système d’information classique et de système
d’information géographique doit être complétée par un état de l’art sur les différentes définitions
attribuées à l’imperfection dans la littérature ainsi que ces différents modes de représentation.
Ainsi, le chapitre 3 identifie les types d’imperfection de l’information et détaille les principales
théories de représentation et de traitement de l’information imparfaite en intelligence artificielle.
La dernière partie de notre étude bibliographique est consacrée à la présentation des extensions
faites sur les modèles conceptuels classiques et spatiotemporels dans le but de modéliser des
informations imparfaites. Ainsi, nous détaillons les graphes conceptuels flous et l’UML flou dans
le chapitre 4. Dans le cadre des méthodes conceptuelles spatiotemporelles, nous détaillons la
modélisation d’informations géographiques incertaines dans la méthode MADS ainsi que la
modélisation de la spatialité floue et de la temporalité floue dans le méta-modèle SIG. Une étude
comparative entre les méthodes de modélisation spatiotemporelle conclut le chapitre 4.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
32
Asma ZOGHLAMI
33
Chapitre 1. La modélisation conceptuelle des données classiques
Le système d’information est un concept lié aux applications informatique de gestion
classiques (gestion commerciale, paye, facturation, etc.) (Jourde & Kueviakoe, 2007) et aux
applications de gestion des connaissances et d’aide à la décision (Reix, 2004). D’une manière
générale, un SI est défini comme un ensemble de ressources matérielles et logicielles qui permet
d’acquérir, traiter, stocker et exploiter des informations (Bigand, Camus, Bourey, & Corbeel,
2006). Dans tout SI, la modélisation conceptuelle des données est une phase très importante. Elle
consiste à représenter de manière abstraite certains aspects des systèmes physiques ou humains et
de leur environnement. Dans ce contexte, les méthodes de conception des systèmes d'information
impliquent la construction de modèles conceptuels et de traitements de données. La construction
de ces modèles se fait en utilisant des formalismes divers (graphes, entité/association,
représentation objet, etc.). Dans ce chapitre, nous présenterons les principales méthodes utilisées
pour la modélisation des données classiques.
1.1 Les graphes conceptuels
1.1.1 Définition (Sowa J. , 1984)
Le graphe conceptuel introduit par (Sowa J. , 1984) est un modèle de représentation de
connaissances du type « réseaux sémantiques ». C’est un ensemble de graphes bipartites, orientés
et connexes. Les deux types de nœuds représentent le concept et la relation qui est le lien unissant
deux concepts. Les concepts représentent les objets de l'univers du discours. Ils sont représentés
graphiquement par des rectangles ou entre crochets.
Les nœuds de type concept sont représentés par un couple comprenant un label de type et un
référent optionnel qui identifie l’objet représenté. Les concepts sont dits individuels ou
génériques suivant que l'objet référencé est connu ou pas.
Un concept individuel représente un objet déterminé : par exemple, [Pays : France] désigne
une instance du concept individuel de type « Pays » et il est identifié par le nom « France ».
Un concept générique représente un objet indéterminé. Il est représenté par une variable
précédée de son type dans le rectangle ou uniquement par le type. Par exemple, [Pays : *] indique
un pays quelconque de la classe du concept « Pays ». Les nœuds relations sont représentés par
des cercles comme le montre la figure 1 ou entre parenthèses avec un seul arc entrant et un seul
arc sortant dans le cas d’une représentation linéaire.
Figure 1 : Concepts et relations dans un graphe conceptuel
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
34
Il existe plusieurs types de relations (Chawk, 2000) parmi lesquelles on peut citer :
- AGT : agent d’une action ; e.g. « inonder a pour agent un ouragan » (voir la figure 2).
Figure 2 : Exemple de relation AGT
- OBJ : objet affecté par l’action ; e.g. « inondera pour objet une ville » (voir la figure 3).
Figure 3 : Exemple de relation OBJ
- LOC : précise le lieu d’une action quand il n’est pas une entité géographique ;
e.g. « enseigner se fait à l’université » (voir la figure 4).
Figure 4 : Exemple de relation LOC
- TEM : précise la période d’une action ; e.g. « l’ouragan Katrina a eu lieu pendant l’année
2005 » (voir la figure 5).
Figure 5 : Exemple de relation TEM
- INST : instrument par lequel un agent agit pour un résultat ou une cause ; e.g. « aller se
fait à l’aide d’une voiture » (voir la figure 6).
Figure 6 : Exemple de relation INST
- DEST : destination/aboutissement qui peut être de nature spatiale ; e.g. « aller à
destination de la ville Tunis » (voir la figure 7).
Figure 7 : Exemple de relation DEST
Asma ZOGHLAMI
35
Les graphes conceptuels peuvent être représentés d’une façon graphique ou linéaire (Sowa
J.-F. , 2000). Par exemple pour le même exemple de la figure 8 on obtient la représentation
linéaire suivante :
[Aller] - > (agent) - > [personne : *]
[Aller] -> (Destination) - > [ville : Tunis]
[Aller] -> (Instrument) - > [voiture]
Figure 8 : Exemple d’un graphe conceptuel en représentation graphique
1.1.2 Le treillis de concepts (Chein & Mugnier, 1992)
Les concepts sont organisés dans des treillis 2 dits treillis de concepts (Chein & Mugnier,
1992). Le treillis de concept permet de structurer par groupes les différents concepts du plus
particulier au plus général, ce qui va permettre de dresser une hiérarchie des concepts. Un type de
concept défini par un graphe conceptuel s’insère dans le treillis en dessous du type du concept
variable de sa définition. Dans l’exemple de la figure 9, « Tunisie » < « Pays » ; on dit alors que
« Tunisie » est sous type de « Pays » et « Pays » est un sur- type de « Tunisie ».
Figure 9 : Exemple simplifiée d’un treillis de concepts
Dans le treillis de concepts, toute paire de concepts peut avoir une borne supérieure unique
(sur type commun) et une borne inférieure unique (sous type commun). Il existe aussi un type qui
est le sur-type à tous les types qui est le type universel (UNI) et un type qui est un sous-type
commun à tous les types, c’est le type absurde (ABSURD). De même les relations conceptuelles
2 Un treillis est un ensemble ordonné tel que pour tout couple d’éléments x et y il existe une borne supérieure x y
et une borne inférieure x ∩ y (Davey & Priestley, 2002)
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
36
peuvent être classées dans des treillis dits treillis de relations. La classe « action » regroupe tous
les prédicats qui relient les entités entre elles comme indiqué à la figure 10.
Figure 10 : Exemple d’un treillis de relations
La figure 11 montre un exemple de treillis de types de concepts qui sera la base pour les
exemples qui vont suivre. La hiérarchie est constituée de deux principales classes de concepts : la
classe objet et la classe verbe.
Figure 11 : Exemple d’un treillis de type de concepts
1.1.3 Opérations sur les graphes conceptuels (Sowa J. , 1984)
(Sowa J. , 1984) a défini plusieurs opérations fondamentales pour gérer les graphes conceptuels.
- Règle 1 : Copie d’un graphe
Permet de copier un graphe dans un ou plusieurs autres graphes.
- Règle 2 : Restriction des graphes
L’opération de restriction remplace un type de concept dans un graphe conceptuel par un de ses
sous-types ou la valeur de son référent par un plus précis.
Asma ZOGHLAMI
37
Figure 12 : Exemple d’une opération de restriction
Par exemple dans la figure 12, le type de concept [Dégâts] a été remplacé par un de ses sous-
types [Glissement terrain] dans G2. G1 peut aussi être restreint au graphe G3 où le type de
concept [Ouragan] est individualisé au concept [Ouragan : Katrina].
- Règle 3 : Jointure de deux graphes
Etant donné un concept c commun à deux graphes u et v, un graphe w peut être construit en
supprimant c dans u et en lui rattachant dans v toutes les relations conceptuelles qui étaient reliées
à c dans u. dans l’exemple de la figure 13, la jointure des deux graphes G1 et G2 sur le concept
commun [Ouragan] donne le graphe G3.
Figure 13 : Exemple d’une opération de jointure de deux graphes conceptuels
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
38
- Règle 4 : Simplification des graphes
Figure 14 : Exemple de jointure de deux graphes avant l'opération de simplification
Si une relation conceptuelle relie deux concepts c1 et c2 plus d’une fois, on parle de relations
redondantes. Un graphe conceptuel peut être simplifié en supprimant ces relations qui peuvent
figurer, par exemple, suite à une opération de jointure. Ainsi, la jointure des deux graphes G1 et
G2 sur les concepts communs [Ouragan: Katrina] et [Dégâts] donne le graphe conceptuel G3
comme le montre la figure 14. G3 peut être simplifié par le graphe conceptuel G4 de la figure 15
pour éliminer la relation redondante (conseq).
Figure 15 : Exemple d'opération de simplification sur un graphe conceptuel
- Règle 5: Jointure maximale
L'opération de jointure maximale combine les dernières opérations. A partir de deux graphes, elle
cherche, pour chaque couple de concepts, le plus grand concept spécialisé commun en effectuant
des restrictions. Puis, elle effectue la jointure en se basant sur un concept commun aux deux
Asma ZOGHLAMI
39
graphes. Enfin, elle supprime les relations redondantes dans le graphe par une opération de
simplification. Par exemple, la jointure maximale des deux graphes conceptuels G1 et G2 de la
figure 16 donne le graphe conceptuel G3.
Figure 16 : Exemple d'une opération de jointure maximale
Dans ce dernier exemple, nous avons combiné les 3 opérations fondamentales suivantes :
la restriction : le concept [Ouragan] de G1 est restreint au concept [Ouragan: Katrina],
la jointure: jointure sur les deux concepts [Ouragan: Katrina] et [Dégâts],
la simplification: simplification de la relation conceptuelle (conseq).
- Règle 6: Spécialisation
Un graphe G1 est une « spécialisation» d'un graphe G2 s'il est retiré de G1 par une séquence de
restriction et s'il peut être joint avec d'autres graphes conceptuels.
- Règle 7: Généralisation
L'opération de la généralisation est l'inverse de la spécialisation. Si un graphe G1 est la
spécialisation d’un graphe G2, alors G2 est la généralisation de G1. Dans l'exemple de la figure
12, le graphe G3 résulte d'une opération de restriction appliquée à G1, donc G1 est une
généralisation de G3 et G3 est une spécialisation de G1, cela est noté G3<= G1.
Les graphes conceptuels permettent de faire une représentation sémantique du langage
naturel. Ils sont appliqués dans plusieurs domaines tels que le traitement automatique du langage
et les systèmes d’informations. Cependant, ils ne considèrent que les données dans un niveau
d’abstraction conceptuel et ne tiennent pas compte des traitements. Ainsi, nous ne pouvons pas
modéliser le choix organisationnel en décrivant la manière de faire pour les traitements, le choix
technique en décrivant les moyens mis en place pour faire des traitements, etc. Il existe d’autres
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
40
méthodes de développement de systèmes d’information qui sont plus largement utilisées
aujourd’hui et qui permettent de modéliser les données et les traitements tels que la méthode
Merise que nous allons détailler dans la prochaine section.
1.2 MERISE
1.2.1 Présentation
Merise est une méthode née dans les années 1970, elle permet de construire un système
d’information automatisé qui soit efficace, flexible et adapté à l’entreprise (Hubert, Rochfeld, &
Colletti, 1983). Merise permet de modéliser le système selon quatre niveaux d’abstraction :
conceptuel, organisationnel, logique et physique. A chaque niveau d’abstraction correspond des
modèles qui concernent soit les données soit les traitements car la méthode sépare les données
des traitements. Le tableau 1 présente les différents modèles selon cette typologie.
Tableau. 1. Le cycle d’abstraction dans Merise (Rochfeld, Colletti, Tardieu, Panet, & Vahee, 1985)
a) Niveau conceptuel
Il définit les fonctions réalisées dans l'organisme. Il répond à la question « que fait
l’organisme ? ». Ce niveau décrit à travers un ensemble de règles de gestion les objectifs et les
contraintes qui pèsent sur l’entreprise.
b) Niveau organisationnel
Son rôle est de définir l’organisation qu’il est souhaitable de mettre en place dans
l’entreprise. Il exprime les choix d’organisation de ressources humaines et matérielles, au travers
notamment de la définition d’acteurs et de postes de travail.
Asma ZOGHLAMI
41
c) Niveau logique
Le niveau logique concerne la conception du logiciel correspondant aux parties à automatiser
du système. Il exprime les choix de moyens et de ressources informatiques, en faisant abstraction
de leurs caractéristiques techniques précises. Il inclut une description logique des données
(modèle relationnel, modèle objet, etc.).
d) Niveau physique
Le niveau physique traduit les choix techniques nécessaires à l’implantation physique des
données et à la mise en place des traitements.
1.2.2 Le modèle conceptuel de données (MCD)
Le modèle conceptuel de données permet de représenter la structure d’un système
d'information du point de vue des données et définit également les relations entre ces différentes
données. Les concepts de base du modèle conceptuel de données (encore appelé modèle
entité/association) sont représentés dans la figure 17. Nous les définissons ci-dessous :
- l’entité : un objet concret ou abstrait du monde réel perçu ;
- l’association : est un lien entre une ou plusieurs entités ;
- l’attribut : une donnée élémentaire que l’on perçoit sur une entité ou une association ;
- la cardinalité : est un couple de valeurs (cardinalité minimale, cardinalité maximale) que
l’on trouve entre chaque entité et ses associations liées. La cardinalité minimale traduit
combien de fois au minimum une occurrence de l’entité participe à l’association.
Inversement, la cardinalité maximale traduit combien de fois au maximum une occurrence
peut être en relation avec une occurrence de l’association.
Figure 17 : Un modèle entité association
Prenons un exemple d’un modèle conceptuel de données décrivant une gestion de prestation
(figure 18). Selon ce modèle, un client possède un ou plusieurs sites et un site est possédé par un
seul client. Un client peut ne pas souscrire de prestation et souscrit au maximum n prestations.
Chaque prestation concerne un ou plusieurs sites.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
42
Figure 18 : Exemple d’un MCD
Merise est une méthode de conception et de développement de systèmes d’information qui
repose sur la séparation de données et de traitements. La partie modélisation des traitements dans
Merise est aujourd'hui dépassée par l'avènement de l'objet, notamment avec la standardisation
UML.
1.2.3 Le modèle logique
Le modèle logique des données est une étape intermédiaire établie à partir du MCD pour
avoir une représentation physique des données qui soit adaptée à un système de gestion d’une
base de données relationnelles. En reprenant l’exemple de la figure 18, nous aurons le modèle
logique de données ci-dessous :
Client (id_client, nom_client, code_client, raison sociale)
Site (id_site, code_site, nom_site, adresse, code_postal, ville, #id_client)
Prestation (id_prestation, code_prestation, #id_client)
Concerne (#id_prestation, #id_site)
Les identifiants de chaque table/entité/concept sont soulignés et sont les clés d’accès aux
données. Les relations R entre deux concepts A et B de type A(1,1)-R-B(0,N) ou A(1,1)-R-
B(1,N) sont exprimées par l’ajout d’une clé étrangère (identifiée par #) dans l’édition du concept
A.
1.3 UML
1.3.1 Présentation
Suite à l’avènement de Merise, conçu en France, plusieurs méthodes du même type ont fleuri
dans le monde entier. Ensuite est arrivé le temps de la standardisation avec les méthodes
orientées objet (OO). Contrairement à Merise, les méthodes OO reposent sur la traduction du
monde réel en objets encapsulant à la fois les données et les traitements.
L’UML (Unified Modeling Langage) que l'on peut traduire par langage de modélisation
unifié est un langage d'analyse et de conception orienté objet défini par l'OMG (Object
Management Group). UML est né de la fusion de plusieurs méthodes existant auparavant (Booch,
Jacobson, & Rumbaugh, 1999) : Booch (Booch, 1993), OMT (Rumbaugh, Blaha, Lorensen,
Asma ZOGHLAMI
43
Eddy, & Premerlani, 1991), OOSE (Jacobson, 1992). Il est apparu dans le monde du génie
logiciel, dans le cadre de la «conception orientée objet». Couramment utilisé dans les projets
logiciels, il est devenu la référence en termes de modélisation objet (Roques & Vallée, 2007).
1.3.2 Vue générale d’UML
UML permet de définir et de visualiser un modèle, à l'aide de diagrammes. Un diagramme
UML est une représentation graphique, qui s'intéresse à un aspect précis du modèle. Chaque type
de diagramme UML possède une structure.
Un type de diagramme UML véhicule une sémantique précise et offre toujours la même
vision d’un système. La combinaison de diagrammes offre une vue complète des aspects
statiques et dynamiques d'un système.
Il existe trois principaux axes de modélisation du système (Fowler & Scott, 2002) comme
l’illustre la figure 19.
Figure 19 : Les 3 axes de modélisation UML (Fowler & Scott, 2002)
Chaque axe (fonctionnel, statique et dynamique) comporte ses propres diagrammes :
- L’axe fonctionnel : permet de décrire le fonctionnement du système à travers le diagramme de
cas d’utilisation. Ce diagramme permet de structurer les besoins des utilisateurs et les objectifs
correspondants en identifiant les acteurs et leurs interactions avec le système.
- L’axe statique : les diagrammes de l’axe statique sont utilisés en phase d'analyse pour décrire
les entités et leurs relations en terme objet. Ces diagrammes sont :
- Le diagramme de classes : représente la structure statique du système en termes de
classes et de relations entre ces classes.
- Le diagramme d'objets : montre des objets (instances de classe dans un état particulier) et
des liens (relations sémantiques) entre ces objets.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
44
- Le diagramme de composants : permet de décrire l'architecture physique et statique d'une
application en termes de modules (fichiers sources, librairies, exécutables...).
- Le diagramme de déploiement : montre la disposition physique des matériels qui
composent le système et la répartition des composants sur ces matériels.
- L’axe dynamique sert à mettre en évidence les relations temporelles inter-objets et à les
représenter. Les diagrammes de cet axe sont :
- Le diagramme de collaboration : met en évidence les interactions entre les différents
objets du système.
- Le diagramme de séquence : permet de représenter les collaborations entre objets selon un
point de vue temporel, il met l'accent sur la chronologie des envois de messages.
- Le diagramme d'états transitions : est associé à une classe pour laquelle nous gérons
différents états. Il permet de représenter tous les états possibles ainsi que les événements
qui provoquent les changements d'états.
- Le diagramme d'activités : représente graphiquement le comportement d'une méthode ou
le déroulement d'un cas d'utilisation.
La figure 19 présente une schématisation des axes de modélisation d’un système en UML. Dans
le cadre de notre travail, nous allons nous intéresser plus particulièrement au diagramme de
classes UML décrit ci-dessous.
1.3.3 Le diagramme de classes UML
UML fournit une collection de modèles pour représenter les nombreux aspects d'un système
logiciel (Roques P. , 2006). Le diagramme de classes constitue un élément très important de la
modélisation. Ce diagramme fait partie de la partie statique d'UML car il fait abstraction des
aspects temporels et dynamiques. Le diagramme de classes représente l'architecture conceptuelle
du système : il décrit les classes que le système utilise, ainsi que leurs liens. Les éléments d'un
diagramme des classes sont les classes et les relations qui les lient.
1.3.3.1 Les classes Une classe est représentée en utilisant un rectangle divisé en trois sections. La section
supérieure est le nom de la classe. La section centrale définit les propriétés ou attributs de la
classe. La section du bas énumère les méthodes de la classe. Le principe de représentation d’une
classe est présenté dans la figure 20.
Figure 20 : Classe UML
Asma ZOGHLAMI
45
1.3.3.2 Relations entre classes UML définit quatre types de relations entre éléments: relation d'association classique,
association de composition, association d’agrégation et la spécialisation/généralisation.
- Association classique
Une association exprime une connexion sémantique bidirectionnelle entre deux classes. Cette
relation est représentée par un trait plein qui porte des règles de multiplicité (voir figure 21).
Figure 21 : Illustrations des multiplicités d’associations
- Association de composition
On parle de composition si une classe ne peut pas exister par elle-même, mais doit être un
membre d'une autre classe. La composition décrit une contenance structurelle entre instances.
Prenons l’exemple de la figure 22 où les appartements disparaissent avec la destruction de
l’immeuble.
Figure 22 : Exemple de relation de composition
Immeuble
Appartement
1..n
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
46
- Association d’agrégation
Une agrégation représente une relation de type "ensemble/élément". On utilise une agrégation
lorsque on souhaite modéliser une relation tout/partie où une classe constitue un élément plus
grand (tout) composé d’éléments plus petit (partie). La figure 23 illustre un exemple de relation
d’agrégation où un groupe de TD peut avoir différents étudiants. Dans ce cas, la disparition du
groupe de TD ne met pas fin à la vie des étudiants.
Figure 23 : Exemple de relation d’agrégation
- Héritage
L’héritage décrit une relation entre une classe générale (classe mère ou encore super-classe)
et une classe spécialisée (classe fille ou sous-classes). La classe fille est entièrement cohérente
avec la classe parent, mais comporte des informations supplémentaires (attributs, opérations,
associations). On parle aussi de généralisation ou de spécialisation. Dans le cadre de la figure 24,
la classe C généralise les classes C1 et C2 ce qui est équivalent à « les classes C1 et C2 héritent
de C » ou encore à « C1 et C2 spécialisent C ».
Figure 24 : Relation de généralisation
Les méthodes basées sur les formalismes entité/relation et orientées objet usuelles sont
efficaces pour la modélisation des données classiques. Cependant, elles ne fournissent pas des
outils intuitifs et simples pour la modélisation des données à caractère spatial, temporel ou
spatiotemporel. En effet, l’information spatiale étant complexe, elle nécessite des outils
spécifiques pour sa modélisation. UML a été adapté pour modéliser les objets géographiques
grâce à un langage pictographique qui accompagne le diagramme de classes pour construire des
Groupe de TD
Etudiants
1 1..n
Asma ZOGHLAMI
47
modèles conceptuels de données géo-spatiales. L’extension spatiotemporelle apportée à UML à
travers la méthode PERCEPTORY ainsi que les autres approches de modélisation
spatiotemporelle feront l’objet du deuxième chapitre.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
48
Asma ZOGHLAMI
49
Chapitre 2. La modélisation conceptuelle des données spatiotemporelles
Le domaine de l’information géographique a proposé un certain nombre de méthodes pour la
conception des systèmes d’information à référence spatiale. Certaines de ces méthodes découlent
de l’adaptation de méthodes non spécifiques, principalement par la spatialisation et parfois la
temporalisation de modèles conceptuels, tandis que d’autres sont des méthodes spécifiques avec
des outils qui leur étaient propres. Le domaine a donc subi un nombre important de changements
au cours des années, chaque nouvelle méthode se proposant de pallier les manques laissés par ses
prédécesseurs. Les méthodes les plus souvent utilisées sont PERCEPTORY (extension
géographique de l’UML (Bedard, 1999)), MADS et le Projet MurMur (MURMUR, 2003; Parent,
Spaccapietra, & Zimanyi, 2006), la méthode MECOSIG et le formalisme CONGOO (Pantazis &
Donnay, 1996; Pantazis D. , 1997) ainsi que la méthode POLLEN plus spécifique aux systèmes
d'information sur l'environnement (SIE) (Laplanche, 2004). Dans ce chapitre, nous présenterons
un état de l’art sur la modélisation de l'information spatiotemporelle dans les SIG.
2.1 PERCEPTORY et son Géo-UML (Bedard, 1999) Issu de l'Université de Laval au Québec, PERCEPTORY (Bedard, 1999; Brodeur, Bédard, &
Proulx, 2000; Bédard, Larrivée, Proulx, & Nadeau, 2004) propose une modélisation conceptuelle
pour les données à caractère spatiotemporel. PERCEPTORY utilise une extension prévue dans le
méta modèle du formalisme UML, appelée <<stéréotype>>. Les stéréotypes permettent d'enrichir
UML pour des domaines particuliers par la création de nouveaux éléments de modélisation, et
éventuellement la définition d'une représentation graphique particulière. Les auteurs de
PERCEPTORY ont donc développé leurs propres stéréotypes autour d'UML par le biais de deux
PVL (plug-in for visual language) distincts (Bedard, 1999) : le PVL spatial, pour la
représentation des données purement spatiales, et le PVL spatiotemporel qui sert à modéliser les
données à caractère spatial et/ou temporel. Ces PVL ont pris la forme de pictogrammes à ajouter
dans les graphiques UML (Brodeur, Bédard, & Proulx, 2000) formant une nouvelle police de
caractéres appelée PictograF.
2.1.1 La modélisation spatiale
Les principaux des symboles utilisés pour modéliser la dimension spatiale des entités
géographiques sont présentés dans le tableau 2. On distingue plusieurs grandes catégories de
géométries : la géométrie simple, la géométrie alternative, la géométrie multiple et la géométrie
complexe.
- La géométrie simple : c’est le cas des objets représenté chacun par une seule primitive
géométrique 0D, 1D et 2D. Par exemple sur une carte au 1:1000, les bâtiments ont une
géométrie simple de type polygone (voir figure 25a). Les objets peuvent aussi être
représentés par une géométrie simple avec une multiplicité qui indique le nombre minimal
et maximal de géométries attribués à l’objet. Par exemple, le fait d’associer une géométrie
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
50
simple polygone avec une multiplicité 0,1 à une classe bâtiment peut permettre de dire
qu’un bâtiment peut ne pas être cartographié sur une carte si sa superficie est inférieure à
une certaine superficie minimale. Dans le cas contraire, le bâtiment possède une
géométrie polygone si sa superficie est supérieure à la superficie minimale demandée.
- La géométrie alternative : c’est le cas des objets représentés par l’une OU l’autre des
primitives géométriques. Par exemple, un bâtiment est représenté par un point si sa
superficie est plus petite que 500 m² ou par une surface si sa superficie est plus grande
que 500 m² (voir figure 25b).
- La géométrie multiple : c’est le cas des objets représentés par plusieurs primitives
géométriques mais dont une seule est utilisée à la fois dans une représentation
cartographique ou une requête spatiale. C’est le cas d’une route qui peut avoir une
géométrie surfacique à grande échelle et une géométrie linéaire à petite échelle (voir
figure 25c).
- la géométrie complexe : c’est le cas des objets représentés simultanément par plusieurs
primitives géométriques (agrégation de géométries). C’est le cas par exemple d’un réseau
hydrique qui se compose d'éléments linéaires (rivières) et d'éléments surfaciques (lacs)
comme l’illustre la figure 25d.
Tableau. 2. Principaux pictogrammes spatiaux dans PERCEPTORY
Asma ZOGHLAMI
51
Figure 25 : Exemples de principales géométries spatiales dans PERCEPTORY
2.1.2 La modélisation temporelle
La modélisation temporelle dans PERCEPTORY repose sur deux concepts fondamentaux :
l’existence et l’évolution. L’existence d’un objet correspond à sa période de vie qui va de sa
naissance à sa mort. L’évolution quant à elle caractérise les divers changements d’état d’un objet
au cours de sa vie. On distingue deux types d’évolution : descriptive et spatiale.
Figure 26 : Pictogrammes temporels dans PERCEPTORY
Les pictogrammes utilisés pour modéliser la dimension temporelle des entités géographiques
sont présentés dans la figure 26. Le premier pictogramme caractérise une existence instantanée
d’un objet, par exemple l’existence d’un objet accident (figure 27b). Le deuxième pictogramme
caractérise une existence durable, ce qui est le cas d’un bâtiment qui possède une existence
caractérisée par sa date de construction et de démolition (figure 27c). L’évolution descriptive
comprend les différents changements de valeurs des attributs de l’objet. Si on prend l’exemple de
la classe d’objets Bâtiment, la valeur de l'attribut «valeur marchande» de cette classe peut passer
d’un montant donné à un autre (figure 27.a). L’évolution spatiale quant à elle fait varier la
spatialité de l’objet, c’est-à-dire : les changements de forme ou de position. La figure 27.d montre
que la géométrie de la classe d’objets feu peut varier à chaque prise de mesure.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
52
Figure 27 : Exemples sur l'existence et l'évolution d'objets
Ainsi, PERCEPTORY offre des pictogrammes qui représentent la dimension temporelle de
l’existence de l’objet et de son évolution descriptive. Il permet d’obtenir les pictogrammes
d’évolution spatiale à travers la combinaison des pictogrammes temporels et spatiaux. Cependant,
comme il étend les diagrammes de classe de l’UML qui font partie de la modélisation du point de
vu statique de l’UML, il ne permet pas de modéliser l’aspect dynamique de la réalité et
d’exprimer les relations topologiques entre les objets géographiques. Ces aspects peuvent
cependant être en partie modélisés via les diagrammes de la vue dynamique de l’UML.
2.2 MADS MADS (modélisation d'applications à données spatiotemporelles) est un projet suisse visant
à proposer une modélisation conceptuelle des données spatiotemporelles (Parent C. , et al., 1997;
Parent, Spaccapietra, & Zimanyi, 2006; Parent, Spaccapietra, & Zimanyi, 2006). MADS utilise
une représentation entité/association des données dans un modèle relationnel étendu. Les modèles
MADS reprennent par dérivation sémantique toutes les composantes classiques présentes dans la
modélisation orientée objet en ce qui concerne la partie structurelle des données. On retrouve
donc les concepts de classe, d'objet, d'attribut, d'association, de relation de généralisation
/spécialisation, d'agrégation, etc. La spatialité et la temporalité, pour leur part, peuvent être
exprimées à différents niveaux dans la modélisation, tant au niveau des classes et associations
(classes et associations spatiales/temporelles) qu'au niveau des objets (objets de type
spatial/temporel). Pour introduire des types spatiaux, MADS adopte une approche basée sur des
types abstraits de données (TAD) qui seront présentés dans les deux sections suivantes.
2.2.1 La modélisation spatiale
La spatialité en MADS s'exprime par un ensemble de types abstraits spatiaux hiérarchisés
(Scholl, Voisard, Peloux, Raynal, & Rigaux, 1996), comme le montre la figure 28. Ces types sont
représentés sur un modèle MADS par des pictogrammes apparaissant au côté des éléments
décrits. Les objets ponctuels sont représentés par des points et des semis (ensemble de points), les
Asma ZOGHLAMI
53
objets linéaires sont représentés par des lignes, des lignes orientés, des graphes et des digraphes,
tandis que les objets surfaciques sont représentés par des surfaces simples ou complexes.
Figure 28 : Hiérarchie des types abstraits spatiaux dans MADS (d’après (Parent C. , et al., 1997))
Les associations peuvent également être décrites à l'aide de pictogrammes spatiaux d'un type
particulier : ceux-ci représentent non pas une emprise spatiale mais des relations topologiques.
Ces pictogrammes sont recensés dans le tableau 3.
Tableau. 3. Types de relations topologiques (d’après (Parent C. , et al., 1997))
2.2.2 La modélisation temporelle
De manière analogue à la spatialité, la temporalité est représentée sur un modèle MADS par
un pictogramme apparaissant au côté des éléments décrits. Lorsque l'on appose ce pictogramme
sur une classe, c'est la durée de vie des objets de cette classe que l'on modélise. On peut
également utiliser ce pictogramme sur les attributs (pour symboliser leur plage temporelle de
validité) ou, de la même façon, sur les associations. MADS propose également de modéliser les
relations temporelles : les treize relations temporelles d'Allen (Allen, 1983) entre intervalles. Ces
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
54
relations sont représentées par des pictogrammes relationnels, tout comme leurs équivalents
spatiaux (Egenhofer & Herring, 1990).
Figure 29 : Schéma MADS illustrant des relations temporelles (d'après (Parent C. , et al., 1997))
La figure 29a décrit la composante temporelle d'un modèle MADS : la digue est dotée d'une
durée de vie propre. Pendant sa vie, différentes compagnies (elles-mêmes dotées d'une durée de
vie) seront chargées de son entretien. La figure 29b illustre, pour sa part, une relation temporelle
entre deux objets. La relation temporelle <<cause>> illustre qu'un glissement de terrain peut
avoir lieu pendant un ouragan. Notons également que MADS propose des relations de génération
et de transition pour la modélisation de la dynamique spatiale. Les premières, notées <<G>>,
permettent de faire le lien entre un objet nouvellement créé et les objets qui ont causé sa
naissance. La figure 29c décrit le cas d'un lac qui se serait formé après un éboulement rocheux
sur une rivière. La relation de transition notée «T» modélise le changement de classe des objets.
La figure 30 illustre un cas de transition d’une parcelle cultivée en parcelle bâtie.
Figure 30 : Association dynamique de transition
Comme constaté par (Laplanche, 2004), MADS permet l’expression de plus d’informations
spatiotemporelles que PERCEPTORY et les autres formalismes au niveau des concepts temporels
puisqu’il propose un ensemble de relations temporelles qui permettent de saisir assez précisément
le comportement temporel des éléments du système. Cependant, bien qu’étant intrinsèquement
moins outillé pour la représentation des relations topologiques et temporelles, PERCEPTORY en
s’appuyant sur UML, permet de gérer ces phénomènes au travers des diagrammes dans l’axe
Asma ZOGHLAMI
55
représentation des dynamismes. Ainsi, UML étendu par PERCEPTORY pour ses diagrammes de
classes permet une conception plus large et plus complète des systèmes géographiques. Pour
compléter la présentation de ces méthodes, nous jugeons utile d’exposer MECOSIG et POLLEN,
qui à notre avis ont une importance secondaire, dans les paragraphes qui vont suivre.
2.3 La méthode MECOSIG et le formalisme CONGOO MECOSIG (Méthode de Conception de SIG) est une méthode de conception de systèmes
d’information géographique. Elle est basée à la fois sur des outils traditionnels (Diagramme de
Flux de Données, organigrammes, enquêtes…) et des outils originaux (Matrices de conduite,
pyramides, formalisme CONGOO…).
2.3.1 La modélisation spatiale
Pour la modélisation conceptuelle des données, MECOSIG propose le formalisme CONGOO
(Conception Géographique Orientée Objet). Celui-ci est un formalisme original qui offre la
possibilité de modéliser des objets géographiques (Pantazis & Donnay, 1996). Le terme objet
prend un sens bien particulier dans CONGOO puisqu’il constitue une « fiche » vide, avec une
structure prédéterminée. L’instance constitue cette même « fiche » remplie avec les
caractéristiques d’une instance. Une classe est un ensemble de fiches vides et remplies. Les objets
géographiques simples de CONGOO sont au nombre de quatre : les objets géographiques de type
point, de type ligne, de type polygone et de type surface. CONGOO définit également des objets
géographiques composés lorsqu’un objet est représenté par plusieurs éléments de même
géométrie (Laplanche, 2004). La figure 31 illustre un exemple de modélisation d’un réseau
routier en utilisant le formalisme CONGOO.
Figure 31 : Un réseau routier décrit avec le formalisme CONGOO (d’après (Pantazis & Donnay, 1996))
2.3.2 La modélisation temporelle
CONGOO n’offrait pas à la base la possibilité de gérer les concepts temporels, mais une
extension temporelle a été développée dans (Sheeren, 1999). CONGOO utilise les deux concepts
de base à savoir l’existence et l’évolution :
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
56
- L’existence : fait référence au cycle de vie d’une entité, d’une instance ou d’une relation.
- L’évolution : Concerne les changements de propriétés des objets, des classes et des
relations.
2.3.3 Relations définies dans CONGOO
Les principaux types de relations utilisés dans CONGOO sont :
- Les relations topologiques de voisinages et de superposition
- Les relations de généralisation/spécialisation et de composition. Cette dernière relation est
représentée à travers une ligne d’exclusivité qui délimite l’ensemble des composants
(figure 32).
Figure 32 : Représentation de la relation de composition dans CONGOO (adaptée de (Pantazis & Donnay,
1996))
2.4 La méthode POLLEN POLLEN (Procédure d'Observation et de Lecture de L'ENvironnement) est une méthode
complète de conception de Système d'Information sur l'Environnement (SIE) (Gayte, Libourel,
Cheylan, & Lardon, 1997). Elle est basée sur la méthode OMT, une des méthodes fondatrices
d’UML et s’articule autour de trois modèles : le modèle objet, le modèle fonctionnel et le modèle
du système comme le montre la figure 33.
Asma ZOGHLAMI
57
Figure 33 : Les modèles de Pollen
Chacun de ces modèles se compose d’un diagramme et d’un dictionnaire. On retrouve dans
le modèle objet l’ensemble des outils offerts par la plupart des formalismes objet : la
généralisation avec héritage, l’agrégation, etc. Il offre en outre de nouveaux outils de
modélisation tels que la notion de classe d’objets opaque qui est une classe d’objets dont la
structure interne n’est pas connue mais qui rend des services qui sont identifiés. Les classes
opaques spatiales fondamentales sont le point, la ligne et l’aire. Le modèle fonctionnel définit les
services rendus par le système. Le modèle du système permet de modéliser l’architecture du
système à concevoir ainsi que ses relations avec les ressources humaines et matérielles
nécessaires à son bon fonctionnement. La temporalité est exprimée à partir des deux classes
temporelles fondamentales : Instant et Intervalle.
2.5 Comparaison entre les méthodes de modélisation spatiotemporelles Pour comparer les différentes méthodes de modélisation spatiotemporelles, nous dressons le
tableau comparatif ci-dessous. Cette comparaison est basée sur une série de critères qui nous
permettront de mettre en évidence les points forts et les lacunes de chaque méthode. On se
focalisera en particulier sur PERCEPTORY et MADS étant donné qu’elles sont les plus étudiées
dans le domaine du SIG. En plus, elles sont les seules méthodes soutenues par des ateliers de
génie logiciel.
PERCEPTORY MADS CONGOO Pollen
Les types de données
temporelles
oui oui oui oui
Les types de données spatiales oui oui oui oui
La dynamique spatiale partiellement
complété par
UML
oui partiellement partiellement
Les relations topologiques non explicite oui oui non
Tableau. 4. Comparaison entre les principales méthodes spatiotemporelles
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
58
Toutes les méthodes présentées abordent l’aspect temporel des données de la même façon. En
effet, le temps peut être perçu soit d’une manière discrète, soit d’une manière continue. Dans le
premier cas, l’existence de l’objet est représentée par un instant. Dans le deuxième cas,
l’évolution est représentée par un intervalle de temps.
Au niveau des types spatiaux des données, nous constatons une intéressante standardisation.
En effet, les types simples – point, ligne et polygone – sont présents dans toutes les principales
méthodes. Avec cette standardisation, la plupart des situations rencontrées peuvent être
modélisées. Par ailleurs, MADS offre plus de liberté à l’utilisateur en lui permettant de définir ses
propres types si ceux proposés ne lui conviennent pas, et de manières similaires, l’utilisateur de
PERCEPTORY/UML peut créer ses propres stéréotypes UML.
La notion de la dynamique a été principalement prise en compte par MADS. Cette dernière
permet de modéliser l’aspect dynamique de la réalité à travers une série d’associations
spécifiques qui sont les générations d’entités et les transitions entre entités géographiques. Pour
les utilisateurs de PERCEPTORY, il faudra compléter la démarche par la production des
diagrammes de l’axe dynamique d’UML.
Sur le plan des relations topologiques, aucune réflexion n’a été menée sur les relations
topologiques entre objets géographiques dans les méthodes Pollen et PERCEPTORY. Dans
MADS les relations topologiques s’expriment par le biais de pictogrammes à apposer sur
l’association qui revêt un caractère topologique ce qui constitue un plus par rapport aux autres
méthodes. Dans PERCEPTORY/UML, bien que cela ne soit pas natif, on peut envisager l’ajout
de cette sémantique (relation topologique) par des stéréotypes sur les relations dans les
diagrammes de classes.
Dans ce chapitre, nous avons présenté les principales méthodes de modélisation
spatiotemporelles que nous avons ensuite soumis à une étude comparative. A tous ces aspects
divers et variés de la représentation des informations aussi bien géographiques que propres à
d’autres domaines, s’ajoute un autre aspect, fondamental à nos yeux, c’est celui de l’imperfection
de nos connaissances. En effet, ces modèles ont été proposés en faisant l’hypothèse que toutes les
informations qu’on représentait ou que l’on essayait de représenter étaient sûres, certaines, en un
mot indiscutables. Or, à l’instar de toutes informations représentant le monde réel, elles sont par
essences imparfaites (Bouchon-Meunier, 1995). En effet, la plupart, sinon la totalité des
informations que l’on manipule est entachée d’incertitude, d’imprécision, de doute, etc.
Dans le prochain chapitre, nous allons exposer les différents formalismes qui permettent de
représenter et traiter ces irrégularités.
Asma ZOGHLAMI
59
Chapitre 3. Imperfection dans les connaissances et modes de représentations
Ce chapitre constitue un état de l’art sur la définition de l’imperfection inhérente aux
connaissances et ses différents modes de représentation. Ainsi, nous nous intéressons dans la
première partie de ce chapitre à définir les principaux types d’imperfection inhérente à
l’information (l’imprécision, l’incertitude, etc.). Dans la deuxième partie du chapitre, nous
présentons les principales théories de représentation et de traitement de l’information imparfaite
en mettant principalement l’accent sur la théorie des sous-ensembles flous et la théorie des
possibilités.
La théorie des sous-ensembles flous est basée sur l’idée d’appartenance partielle d’un élément
à un ensemble. Cette appartenance partielle est évaluée par l’intermédiaire d’un degré appelé
degré d’appartenance (pouvant aussi être vu comme le degré de confiance dans l’appartenance de
l’élément à l’ensemble) dont les valeurs prises sur le domaine de l’ensemble forment la fonction
d’appartenance. La théorie des possibilités, extension naturelle de la théorie des sous-ensembles
flous, associe, à cette idée d’appartenance partielle, la possibilité de l’élément d’être dans
l’ensemble et introduit la notion de degré de possibilité3. Ces notions, explicitées dans ce chapitre
et très largement utilisées dans ce mémoire, sont fortement connectées.
3.1 Nature de l’imperfection de l’information Le raisonnement humain est généralement entaché d’imperfections de même que les
ressources d’informations sont souvent imparfaites. Les termes utilisés pour qualifier les
informations imparfaites sont : incomplètes, incertaines, imprécises, floues etc. La figure 34
illustre les 3 grands types de l’imperfection. Cette approche se base sur (Bouchon-Meunier,
1995).
Figure 34 : Les principaux types d’imperfection (Bouchon-Meunier, 1995)
3 Dans la littérature, il apparait que les termes degré de confiance, degré d’appartenance et degré de possibilité sont
souvent utilisés pour exprimer le même phénomène. Dans le chapitre 4, la terminologie utilisée sera celle choisie par
les différents auteurs.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
60
3.1.1 L’imprécision
L’imprécision correspond à une difficulté dans l’énoncé de la connaissance, soit parce que
des données ne sont pas connues exactement, soit parce que des termes du langage naturel sont
utilisés pour qualifier une caractéristique du système de façon vague (Smets P. , 1999).
Voici deux exemples d’imprécisions :
- Exemple 1 : « L’immeuble d’habitation est haut de 30 m environ » Dans ce cas la hauteur
peut être de 31, 32, 29, 28, etc. Les valeurs possibles seront a priori dans l’intervalle [25,
35].
- Exemple 2 : « dans la salle il y a à peu près une centaine de personnes ». Modéliser
l’imprécision dans ce cas consiste à formaliser le terme « à peu près ».
3.1.2 L’incertitude
Concerne un doute sur la validité d'une connaissance. Elle est en partie due à la fiabilité de
l’observateur peu sûr de lui ou prudent qui ne peut pas déterminer la valeur de vérité de la
connaissance (Ben Amor & Martel, 2004).
Les exemples suivants illustrent ce concept :
- Exemple 1 : « Ce qu’on voit semble être un immeuble d’habitation ». Dans ce
cas, on croit mais ce n’est pas sûr, il peut être un immeuble d’habitation comme il
ne peut pas l’être.
- Exemple 2 : « Je crois qu’il va pleuvoir demain ». Il peut pleuvoir demain
comme il peut ne pas pleuvoir.
3.1.3 L’incomplétude
Il s’agit d’une absence de connaissance ou d’une connaissance partielle sur certaines
caractéristiques du système (Masson, 2005). Par exemple, lors d’un enregistrement, si une
personne n’a pas rempli sa date de naissance dans ce cas on parle de donnée incomplète.
3.1.4 Autres types d’imperfection mise en évidence dans la littérature
Il existe d’autres taxonomies plus détaillées des types d’imperfection, la plus utilisée et
reconnue dans la communauté de l’information géographique est celle de (Fisher, Comber, &
Wadsworth, 2006; Fisher, Comber, & Wadsworth, 2005). Pour désigner l’imperfection, Fisher
emploie le terme incertitude comme un concept global qui englobe tous les autres concepts (voir
figure 35). Il considère que le principal facteur de l’incertitude est le processus d’abstraction du
monde réel, à travers par exemple la définition des classes et l’assignation d’un objet à une
classe.
Asma ZOGHLAMI
61
Figure 35 : Modèle de l’incertitude selon (Fisher, Comber, & Wadsworth, 2005)
a) L’ambiguïté : L’ambigüité se produit lorsqu’il y a un doute sur la manière de définir un
objet ou un phénomène. Deux types d’ambigüités ont été reconnus à savoir le désaccord
ou le conflit et le manque de spécificité (Fisher, Comber, & Wadsworth, 2005).
- Le conflit : On parle de conflit si au minimum deux classifications contradictoires
pour un unique objet sont possibles. En géographie par exemple, la forme la plus
connue de conflit est celle des revendications territoriales des états sur des
éléments précis de terre. Prenons l’exemple des conflits frontaliers et désaccords
sur le Cachemire entre l’Inde, la Chine et le Pakistan et le conflit entre l’Inde et la
Chine pour le contrôle de territoires himalayens.
Figure 36 : Exemple de conflit dans le domaine géographique
La figure 36 illustre un exemple de conflit dans le domaine géographique. L’objet d’un
territoire himalayen se situe dans une zone mixte qui mélange des objets des deux classes Inde et
Chine.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
62
b) Le manque de spécificité :
L’ambigüité exprimée à travers le manque de spécificité peut être illustrée par les relations
géographiques. Considérons l’exemple de la figure 37 extrait de (Fisher, Comber, & Wadsworth,
2005), la relation A est « au nord de » B est non spécifique car le concept « au nord de » peut
avoir trois significations différentes :
Signification 1 : A se trouve exactement sur la même ligne de longitude que B mais il est
plus au nord sur cette ligne (figure 37a).
Signification 2 : A se situe quelque part au nord d’une ligne allant de l’est à l’ouest à
travers B (figure 37b).
Signification 3 : A se trouve entre le nord-nord-est et le nord-nord-ouest de B (figure 37c)
Figure 37 : Exemple de non spécificité de la relation spatiale « au nord de »
Ainsi, le concept d’incertitude utilisé par Fisher se situe à un niveau d’abstraction supérieur :
l’incertitude est présente dans l’exploitation de l’objet dès lors que sa définition peut être sujette à
une erreur, une imprécision, une ambigüité, etc. Au niveau d’abstraction « données », cette
approche est parfaitement compatible avec les définitions précédentes.
D’autres approches existent, à l’instar de celle proposée dans (Smets P. , 1998; Robinson,
1985) ou encore (De Runz, Desjardin, Piantoni, & Herbin, 2011 ; Snoussi, Gensel, & Davoine,
2012) dédiées à l’information spatiotemporelle. Dans l’ensemble, les définitions précédentes,
bien que légèrement différentes, s’accordent sur l’importance de représenter et de gérer
correctement l’imperfection à l’aide des différentes théories de l’incertain.
3.2 Représentation et traitement de l’information imparfaite
3.2.1 Représentation de l’imperfection
De nombreuses théories ont été développées pour la représentation de l’information
imparfaite telles que la théorie des probabilités, la théorie des ensembles flous, la théorie des
possibilités et la théorie des fonctions de croyance qui possèdent toutes des outils pour manipuler
et modéliser les imperfections. La multiplicité de ces théories est un indicateur de progression
vers la maîtrise de l'incertain. Dans cette section nous établissons un aperçu des principales
Asma ZOGHLAMI
63
théories mathématiques de représentation de l’incertain. Nous commençons par introduire la
théorie la plus ancienne et la plus connue qui est la théorie des probabilités. Ensuite nous
présentons la théorie des ensembles flous et la théorie des possibilités avant de finir avec la
théorie des fonctions de croyance.
3.2.1.1 La théorie des probabilités
3.2.1.1.1 Bases
La théorie des probabilités est la plus ancienne des théories de l’imparfait. Historiquement le
calcul des probabilités s’est développé autour des problèmes de jeux dans des situations où le
nombre de cas possibles est fini. Elle présente l’étude mathématique des phénomènes caractérisés
par le hasard et l’incertitude.
Un phénomène aléatoire est un processus dont nous pouvons décrire l’ensemble de tous les
résultats possibles avant même de réaliser l’expérience et dont le résultat de l’expérience est
inconnu à l’avance et dépend du hasard.
3.2.1.1.2 Cadre général
On considère :
- Un ensemble appelé univers, qui correspond à l’ensemble des résultats possibles à
l’expérience noté : Ω
- Une fonction P définie sur Ω, qui va associer à chaque élément de Ω sa probabilité,
satisfaisant les propriétés suivantes :
On définit un évènement comme un ensemble de résultats, c’est à dire un sous-ensemble de
Ω. La probabilité d’un évènement E est alors définie de manière naturelle par :
La probabilité que l’événement A soit réalisable sachant qu’un autre événement B est par
ailleurs réalisé est notée : P(A|B).
La probabilité de l’événement A sachant B ou probabilité conditionnelle de A par rapport à B
est le rapport :
Soient A et B deux événements (de probabilité non nulle). Si P(A|B) =P(A) cela signifie
concrètement que la réalisation de l’événement B ne modifie pas les chances de réalisation de A
c’est à dire que B n’influe pas sur A. Dans ce cas on a et on a aussi
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
64
Ainsi A n’influe pas sur B et la non influence est donc réciproque : B et A sont
dits indépendants. Si maintenant l’un des événements A ou B est de probabilité nulle, il est
intuitivement clair qu’il n’influe pas sur l’autre. Pour tenir compte de ce fait on préfère définir
l’indépendance entre deux événements de la manière suivante :
Deux événements A et B sont indépendants si et seulement si l’une des conditions
équivalentes suivantes est vérifiée :
- P (A B) = P (A)
- P (B A) = P(B)
- P (A∩B) = P(A) P(B)
Basée sur des notions comme la fréquence, le conditionnel et l’indépendance des événements, la
théorie des probabilités a été introduite pour représenter l’incertitude contenue dans les données.
Elle n’est pas adaptée à la gestion de l’imprécision. Zadeh a introduit la théorie des sous-
ensembles flous (Zadeh, 1965) afin de représenter l’imprécision incluse dans les données.
3.2.1.2 La théorie des sous-ensembles flous La théorie des sous-ensembles flous (aussi appelée théorie des ensembles flous) a été
introduite dans (Zadeh, 1965) en vue de formaliser la représentation de concepts vagues tels que
“jeune”, “proche”, etc.
3.2.1.2.1 Les ensembles flous
Soit U l’univers de discours et A un sous-ensemble de U. D’après la théorie classique des
ensembles, si µA est la fonction d’appartenance de l’ensemble A alors :
Ce principe est illustré dans la figure 38.
Figure 38 : La notion d’appartenance selon la théorie classique des ensembles
Asma ZOGHLAMI
65
Selon le concept d’ensemble flou (Bouchon-Meunier, 1995), si est la fonction d’appartenance
de l’ensemble flou A, alors Par exemple dans la figure 39, (X2) = 0,75
ce qui signifie que X2 appartient à l’ensemble flou A avec un degré d’appartenance de 0,75.
Figure 39 : La notion d’appartenance selon le concept d’ensemble flou
La notion de sous-ensembles flous a pour but de permettre des graduations dans
l’appartenance d’un élément à une classe ; c'est-à-dire d’autoriser un élément à appartenir plus ou
moins fortement à cette classe. Par exemple, on peut être jeune avec une graduation de 1, 0.6, 0,
etc. ; cette graduation prend des valeurs dans l’intervalle [0,1]. Dans un ensemble de référence E,
et d’après (Zadeh, 1965), un sous-ensemble flou de ce référentiel est caractérisé par une fonction
d'appartenance μ de E dans l'intervalle des nombres réels [0,1] (le degré d'appartenance est
l'extension de la fonction caractéristique d'un sous-ensemble classique). En fait, un ensemble flou
A est formellement défini par sa fonction d’appartenance . A titre d’exemple, une classification
des personnes à travers leur âge en théorie des ensembles flous est présentée dans la figure 40.
Une personne de 25 ans appartient à l’ensemble (jeune) avec une valeur de 0.75, et à l’ensemble
(entre deux âges) avec un degré de 0.25. Par contre une personne de 70 ans appartient avec une
valeur de 1 à l’ensemble âgé.
Figure 40 : Exemple de sous-ensembles flou
3.2.1.2.2 Notions caractéristiques
Soit A un sous-ensemble flou de U et de fonction d’appartenance . Les notions suivantes
sont caractéristiques de A :
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
66
- Le support de A : est l’ensemble des éléments x tels que (x) est non nulle :
- La hauteur de A est la valeur maximale de la fonction d’appartenance :
- Cœur de A est l’ensemble des x pour lesquels la valeur de la fonction d’appartenance
(x) est égale à la hauteur de A :
.
- Noyau de A est l’ensemble des x tels que (x) = 1 :
.
- A est dit normalisé si et seulement si H (A) = 1.
- Pour tout ensemble , une α-coupe d’un ensemble flou défini sur est l’ensemble
des éléments pour lesquels la valeur de la fonction d’appartenance de est supérieure
à α, c’est-à-dire :
Par extension A0 est égale au support de A.
- Un ensemble flou A défini sur l’ensemble des réels est convexe si et seulement si pour
tout α (0 ≤ α ≤ 1) est convexe, ce qui veut dire que c’est un intervalle fermé. Ainsi, un
ensemble flou A défini sur l’ensemble des réels de fonction d’appartenance est
convexe si :
D’une façon générale, un ensemble flou défini sur est dit convexe si et seulement si
toutes ses α-coupes sont des sous-ensembles convexes de - Par généralisation, un ensemble flou A sera dit connexe si et seulement si pour tout α
(0 ≤ α ≤ 1) est connexe (un ensemble d’un seul tenant). est connexe si pour tout B
et C non vides tels que est leur union, alors il existe au moins un point de B adhérent à
C ou un point de C adhérent à B. Sur , est connexe si et seulement si c’est un
intervalle. Par définition, un ensemble flou convexe est connexe.
Les notions de support, noyau et hauteur sont illustrées dans la figure 41. Dans cette figure,
puisque la hauteur de A vaut 1, nous aurons :
Noyau (A) = Cœur (A).
Asma ZOGHLAMI
67
Figure 41 : Notions caractéristiques d’un ensemble flou A
3.2.1.2.3 Opérations sur les ensembles flous
Les mêmes notions qu’en théorie des ensembles sont définies en théorie des sous-ensembles
flous. Pour deux ensembles flous A et B de l’ensemble x :
- Egalité : A = B si et seulement si . - Inclusion: A ⊂ B si et seulement si .
- Intersection : A⋂B est définie par :
- Union : A⋃B est définie par :
Figure 42 : Exemple d’intersection de deux sous-ensembles flous
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
68
Figure 43 : Exemple d’union de deux sous-ensembles flous
Les deux figures 42 et 43 illustrent respectivement un exemple d’intersection et d’union de
deux ensembles flous : l’ensemble flou des personnes petites et l’ensemble flou des personnes
moyennes.
La théorie des sous-ensembles flous est un outil de représentation de l’imperfection qui ne
prendra en compte que l’imprécision incluse dans les données. Elle est très largement utilisée
notamment en traitement d’images à l’instar de (Herbin, Vautrot, Nocent, Huez, & Remion,
2006). Cependant, une information peut contenir simultanément de l’imprécision et de
l’incertitude, d’où l’avènement de la théorie des possibilités. Cette dernière a été introduite pour
la représentation et le traitement de l’information à la fois imprécise et incertaine.
3.2.1.3 La théorie des possibilités La théorie des possibilités introduite par (Zadeh L. , 1978) est une extension de la théorie des
sous-ensembles flous (cf. section 3.2.1.2). On définit une distribution de possibilité π associée à A
telle que π corresponde à la fonction d’appartenance de A et sup a A (π (a)) =1. Par exemple,
l’information d’expert : « Je suis certain de trouver la quantité incertaine dans [1.1, 1.8], mais les
valeurs au sein de [1.5, 1.6] semblent être les plus vraisemblables » peut être représentée en
définissant l’intervalle dans lequel l’expert est certain de trouver la « vraie » valeur du paramètre,
à savoir le support [1.1, 1.8]. L’expert peut apporter de l’information supplémentaire en
exprimant sa préférence au sein du support par l’introduction du degré de possibilité α.
L’intervalle pour un degré de possibilité α=1 est dénommé « noyau » et correspond ici à
[1.5, 1.6].
Sans autre information, les deux intervalles, support et noyau, sont reliés par une fonction
affine définissant ainsi une distribution de possibilité trapézoïdale vue comme un emboîtement
d’intervalles hiérarchisés par leur degré de possibilité (figure 44). La dernière condition stipule
qu’au moins un élément de A est possible. Formellement, une telle distribution fournit une double
mesure de la vraisemblance d’un évènement, à savoir la mesure de Possibilité et celle de
Nécessité (respectivement notées П et N), définies telles que :
π (A) = sup a A [π (a)] et N(A) = inf a ⊈A [1- π (A)].
Asma ZOGHLAMI
69
Figure 44 : Exemple d’une distribution de possibilité
Par rapport à la théorie des probabilités, les outils utilisant les approches floues et/ou
possibilistes se différencient par le fait que toute la sémantique réside dans les propositions des
fonctions d’appartenance ou des distributions de possibilité.
3.2.1.4 La théorie des fonctions de croyance La théorie des fonctions de croyance ou théorie de l’évidence de (Shafer, 1976 ; Dempster,
1968) fournit des outils mathématiques pour raisonner avec des connaissances imparfaites
(imprécises, incertaine, ...). Elle est fondée sur la manipulation des fonctions de masse qui sont
définies sur l’ensemble de toutes les disjonctions du cadre de discernement ῼ = {w1, w2, …, wk}.
Définition 1: Une fonction de masse de croyance sur ῼ est une application m :
2 ῼ
→ [0,1] tel que : ∑ A ⊆ ῼ m(A) = 1
Où :
- la fonction de masse m représente l’état de connaissance d’un agent rationnel à un certain
instant t.
- m (A) : est la part de croyance allouée à A
- m (ῼ) : est le degré d’ignorance
- m (∅) : est le degré de conflit
Définition 2 : fonction de croyance : Le degré de croyance en A bel (A) est la somme des
masses des sous-ensembles de A notée :
bel (A) = ∑ ∅ ≠B ⊆ A m(B), A ⊆ ῼ
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
70
Définition 3 : fonction de plausibilité : La plausibilité de A est la somme des masses
« compatibles » avec A :
Pl (A) = ∑ B ⋂ A≠ ∅ m (B), A ⊆ ῼ
Définition 4 : fonction de communalité
⊆
Exemple : Supposons qu’une personne dispose pour se déplacer de Reims à Epernay de plusieurs
possibilités :
- une voiture : v
- un train : t
- une moto : m
- vélo : l
On peut décomposer l’espace des hypothèses en une hiérarchie des hypothèses dans laquelle
« Moyen de transport » est l’hypothèse mère ; « Motorisé » ({v,t,m}) et « Non motorisé » (l) ses
enfants ; « Voiture » ({v}), « Train » ({t}) et Moto ({m}) sont les enfants de « Motorisé » ; et
« Vélo » est l’enfant de « Non motorisé ».
Sachant que des pluies sont prévues le jour du départ, On veut déterminer quel moyen de
transport il utilisera pour se rendre à Epernay. L’ensemble des hypothèses ou le cadre du
discernement ῼ est: ῼ = {v, t, b, m}
On peut estimer ses chances d’avoir raison de 80 %. Dans ce cas, la personne n’ira ni en moto ni
en vélo et la fonction de masse se définit comme suit :
m ({v, t}) = 0,8
m (ῼ) = 0,2
Le tableau suivant montre des exemples de calculs de fonctions de croyances et de plausibilités
relatifs à notre exemple :
Asma ZOGHLAMI
71
Tableau. 5. Exemples de calculs de fonctions de croyances et de plausibilités
3.2.2 Traitement de l’information imparfaite
Il existe plusieurs modèles qui traitent les connaissances imparfaites. Ces modèles sont
divisés en deux grandes catégories : les approches numériques quantitatives, dont la plupart
traitent l’incertitude, et les approches symboliques qualitatives.
Dans les modèles de l’approche numériques, l’imperfection est représentée par des nombres et le
raisonnement s’effectue par la propagation de l’information à l’aide de calculs numériques. Parmi
ces modèles, nous pouvons citer les différentes approches bayésiennes, la logique possibiliste et
la logique floue. Par contre, les modèles basés sur les approches symboliques concernent la
déduction basée sur les connaissances, en visant à créer des modèles de déduction à travers
l’introduction de nouveaux opérateurs logiques. Parmi les modèles symboliques de traitement de
l’imperfection nous citons à titre d’exemple les logiques non monotones et la théorie des
endossements.
Les approches numériques et symboliques ont deux interprétations différentes de la notion
d’inférence, ce qui constitue la principale source de différence entre les deux approches.
Rappelons que l’inférence est un processus qui, à partir des connaissances disponibles sur un état
de l’univers, permet d’aboutir à une conclusion. Dans les modèles de l’approche numérique,
l’inférence est faible. En effet, ces modèles évaluent les chances de la vérité et de la fausseté de la
conclusion dans le but d’avoir un poids en faveur de la conclusion et un poids en sa défaveur.
L’évaluation finale dépendra alors de ces deux poids. Dans les approches de l’approche
symbolique, l’inférence est forte et elle est basée sur des suppositions et des hypothèses faites par
analogie. Dans ce cas, les conclusions obtenues ne sont pas accompagnées de poids, mais elles
sont supposées vraies ou fausses sachant qu’elles sont remises en cause ultérieurement (la non
monotonie). Dans cette section, nous allons présenter brièvement les modèles de traitement de
l’imperfection suivants : la logique possibiliste, la logique floue et les logiques non monotones.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
72
3.2.2.1 L’approche bayésienne
La version la plus simple de l’approche bayésienne consiste à calculer la probabilité a
posteriori notée P(hi/e1∩e2∩…em) d’un événement hi de H = {h1, h2, …, hn}en fonction des
probabilités à priori P(hi), et des probabilités conditionnelles de l’intersection des événements (e1,
e2,…,em), notée P(e1∩e2∩…em/hi). La probabilité a posteriori est calculée suivant la formule de
Bayes ci-dessous :
= P( )*P( )/ P( *P( )
On note que la formule de Bayes est valide sous l’hypothèse que les événements sont
mutuellement exclusifs (P ) =0 pour tout i ) et exhaustivement connu ( P( =1).
L’approche bayésienne est utilisée principalement dans les systèmes experts à l’instar de
(Bonissone, 1987).
3.2.2.2 La logique floue La logique floue est la théorie mathématique du raisonnement approximatif, fondée sur la
théorie des ensembles flous et la théorie des possibilités (Zadeh L., 1975), qui permet de déduire
des conclusions imprécises à partir de faits imprécis. Les conclusions et les faits sont représentés
par des sous ensembles flous. Contrairement à la logique classique qui ne considére que les états
mutuellement exclusifs vrai et faux, la logique floue autorise tous les états intermédiaires entre le
vrai et le faux.
En logique floue, le raisonnement utilisé est dit approximatif ou flou. Il se base,
contrairement à la logique classique sur un ensemble de régles floues. En effet, une régle est
exprimée en logique classique sous la forme suivante : si p alors q (p est vrai implique q est vrai).
En logique floue, une régle est exprimée comme suit : si (x est A) alors (y est B), sachant que x
est une variable floue appartenant à la classe floue A avec un certain dergé de vérite (x), et y
est une variable floue appartenant à la classe floue B avec un certain degré de vérité qui dépend
du degré (x).Voici un exemple d’une régle floue dans laquelle on utilise une conjonction (ET
logique) : (si temps est beau) ET (moment est début de la journée) ALORS (moral est haut). Dans
cet exemple, les expressions (si temps est beau) et (moment est début de la journée) sont appelées
prémisses. La conclusion de la régle floue dans ce cas concerne l’appartenance de la variable
floue de sortie moral à la classe floue haut. Le principe de la régle floue utilisée dans la logique
floue conduit forcément à un mode de raisonnement différent de celui de la logique classique. En
effet, le modus ponens, qui est la régle de déduction utilisée pour inférer de la connaissance se
présente dans la logique classique comme l’indique le tableau 6. En logique floue, le modus
ponens dit modus ponens généralisé se présente comme l’indique le tableau 7. Il doit combiner la
régle floue (x est A ⇒ y est B) avec l’observation floue (x est A’) pour déduire la conclusion B’. Il
s’agit en d’autres termes de chercher la valeur de µB’ sachant que µA, µB et µA’ sont connues.
Asma ZOGHLAMI
73
Régle :
Prémisse
⇒ Conclusion
Observation:
Prémisse
Obervée
Déduction : Conclusion
Tableau. 6. Modus ponens de la logique classique
Régle floue : x est A ⇒ y est B
µA µB
Observation floue : x est A’
µA’
Déduction : Z est B’
µB’
Tableau. 7. Modus ponens généralisé dans un raisonnement flou
La fonction d’appartenance µB’ (x) se calcule à l’aide de fonctions comme les t-normes, et de
t-conormes selon les principes de conjonction et de projection définis par Zadeh (Zadeh, 1975).
La t-norme de Zadeh se base sur le minimum des degrés d’appartenance, tandis que la t-conorme
de Zadeh se base sur le principe de maximum des degrés d’appartenance. Pour ne pas alourdir le
texte, nous n’allons pas détailler ni la fonction qui donne µB’(x), ni les t-normes et t-conormes, ni
les principes de conjonction et de projection.
La logique floue est appliquée dans de nombreux domaines à l’instar de la robotique (Touati,
Amirat, & Ali Chérif, 2007).
3.2.2.3 La logique possibiliste La logique possibiliste traite les connaissances propositionnelles incertaines en associant des
degrés de certitude à des propositions établies dans une logique classique. Ainsi, une formule
logique en logique possibiliste est représentée par un couple (A, B) où A est une formule
propositionnelle et B un degré de certitude ( B ).
Nous savons que l’incertitude d’une proposition P est évaluée selon deux mesures. La
première est une mesure de possibilité notée П, et la deuxième est une mesure de nécessité notée
N. De même, comme le raisonnement approximatif en logique floue, la logique possibiliste
propose des extensions du modus ponens et/ou du modus tollens (P⇒Q, ¬ Q ⇒¬P, la
contraposition). Pour les mêmes raisons qu’en logique floue, nous ne voulons pas alourdir le
texte et donc nous ne rentrerons pas dans les détails.
3.2.2.4 Les logiques non monotones Les logiques non monotones répondent au besoin d’avoir, contrairement à la logique
classique, un formalisme de raisonnement révisable qui permet de revenir sur un résultat dés
qu’une nouvelle information arrive pour le contredire. Prenons un exemple simple d’un
raisonnement révisable. Soient n variables à valeurs dans un ensemble E = {u, v, w, …}, dans
lequel chaque variable peut avoir seulement une valeur. Dans le cas où il y a plus d’une valeur
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
74
possible pour une variable, une supposition est effectuée. Quand une nouvelle information sur la
valeur d’une variable arrive, une mise à jour sur la supposition est effectuée. Il existe plusieurs
types de logiques non monotones parmi lesquels on trouve la logique des défauts, la logique des
suppositions, la logique des conditionnels et la logique modale. Cette dernière est une extension
de la logique classique qui permet principalement de formaliser la nécessité et la possibilité. La
logique modale sera détaillée dans le chapitre 7.
Dans ce chapitre, nous avons exposé les principales théories de représentation et de traitement
de l’imperfection : la théorie des probabilités, la théorie des ensembles flous qui est très utilisé
pour la formalisation de l’imprécision dans les systèmes d’information géographiques, la théorie
des possibilités, la théorie des fonctions de croyance, l’approche bayésienne, la logique floue, et
enfin les logiques non monotones. Dans le chapitre suivant nous allons voir comment les données
imparfaites peuvent être modélisées dans des approches classiques ou spatiotemporelles en se
basant sur les différentes approches de représentation de l’imparfait déjà évoquées.
Asma ZOGHLAMI
75
Chapitre 4. Modélisation d’informations imparfaites dans les modèles conceptuels classiques et spatiotemporels
Dans le chapitre précédent, nous avons présenté les principales notions théoriques de
représentation de l’imperfection. Dans ce chapitre, nous nous intéresserons à l’application de ces
théories pour la modélisation des informations imparfaites. En effet, l’un des axes importants de
recherche dans les bases de données est l'effort continu d’enrichir les modèles de base de données
existants d'une collection plus vaste de concepts sémantiques. C’est dans ce contexte que des
extensions ont été portées aux modèles conceptuels classiques (graphes conceptuels et UML) et
aux modèles spatiotemporels pour la modélisation de l’information floue.
4.1 Les graphes conceptuels flous (Thomopoulos, 2003) Une extension a été portée sur le modèle des graphes conceptuels (Thomopoulos, 2003) dans
le cadre d’un projet dont l’objectif est la construction d’un outil d’analyse des risques
microbiologiques dans les produits alimentaires. Cette extension combine à la fois deux
formalismes : le modèle des graphes conceptuels et la théorie des sous-ensembles flous.
L’idée de base de cette extension est de représenter les informations qui sont stockées dans
les concepts d’une façon floue que ce soit sous la forme d’un marqueur individuel ou sous forme
de type de concept.
4.1.1 Les marqueurs flous
Un marqueur flou M d’un type de concept t est un sous-ensemble flou défini sur l’ensemble
des marqueurs individuels I, qui associe une valeur entre 0 et 1 à tout marqueur individuel
conforme à t et la valeur 0 si non (Thomopoulos, 2003). Afin de pouvoir appliquer les opérations
et comparaisons entre sous-ensembles flous, les marqueurs flous sont tous définis sur le même
domaine, en l’occurrence I. (Thomopoulos, 2003) définit un concept avec marqueur flou comme
étant un sommet concept dont l’étiquette est un couple (t, M), où M est un marqueur flou du type
de concept t.
La figure 45 montre une partie de l’ensemble des types de concepts utilisés pour la
représentation des connaissances dans l’application relative à la prévention du risque
microbiologique dans les aliments. Le concept température est représenté avec un marqueur flou
de type valeur numérique comme l’indique la figure 46.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
76
Figure 45 : Extrait de l’ensemble des types de concepts de l’application microbiologique (Buche P. , 2007)
Figure 46 : Exemple de concept avec marqueur flou dans l’application microbiologique (Buche P. , 2007)
Nous reprenons l’approche floue portée au graphe conceptuel par (Buche, Dibie-Barthélemy,
Haemmerlé, & Thomopoulos, 2006), initialement mise en place pour une application
microbiologique, et nous l’appliquons à la représentation des connaissances relatives à des
ouragans. Cet exemple présente plusieurs types de cyclones. Tous les objets sont reliés entre eux
par la relation « sorte de ». Ainsi, un cyclone tropical et un cyclone extra tropical sont des sortes
de cyclone. Une tempête tropicale est une sorte de cyclone tropical. Finalement, un cyclone
subtropical est à la fois une sorte de cyclone tropical et de cyclone extra tropical (cf. figure 47).
Selon cette figure, les données qui nous intéressent sur les ouragans sont : la durée, la
température, la vitesse et l’humidité.
Asma ZOGHLAMI
77
Figure 47 : Exemple de la hiérarchie de référence pour les ouragans.
Généralement pour avoir une tempête tropicale, la vitesse maximale du vent ne dépasse pas
33 m/s et elle ne descend pas au-dessous de 17 m/s. Dans ce cas, le sommet concept vitesse
comporte un marqueur flou de type valeur numérique comme l’indique la figure 48.
Figure 48 : Exemple d’un concept avec marqueur flou dans l’application des ouragans
4.1.2 Les types flous
Un type flou en intention T, appelé aussi type flou, est un sous-ensemble flou défini sur un
domaine constitué d’un sous-ensemble des types de concepts Tc (Buche P. , 2007). La figure 49
montre un exemple d’un sous-ensemble flou cyclone considéré comme un type flou T défini sur
le sous-ensemble des types de concepts Tc: cyclone tropical, tempête tropicale, dépression
tropicale et perturbation tropicale.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
78
Figure 49 : Exemple de type flou en intention cyclone
(Thomopoulos, 2003) a introduit le type flou en extension qui présente une relation d’ordre
partiel définie par la relation « sorte de » entre les valeurs du domaine défini. Ce type flou rejette
l’hypothèse classique d’un sous-ensemble flou défini sur un domaine de valeurs non organisé en
taxonomie qui est l’indépendance des valeurs entre elles. Il se base sur l’idée qu’une préférence
associée à une valeur de la hiérarchie possède obligatoirement des implications sur les degrés
associés aux autres valeurs surtout les valeurs comparables : les plus spécifiques ou les plus
générales. La définition d’un type flou en extension est la suivante :
Soit T un type flou en intention défini sur un domaine , avec ⊆ et de
fonction d’appartenance . Le type flou en extension associé à , noté , est défini sur
l’ensemble des types de concepts et sa fonction d’appartenance est définie comme
suit :
Pour tout élément de , soit l’ensemble des plus petits sur-types de
(c’est-à-dire , peut être égal à ) dans :
- Si est non vide, alors ; - Sinon,
La figure 50 présente un exemple d’un type flou en extension. Dans cette figure, le degré 1
associé au cyclone subtropical correspond au maximum des degrés associés à ces deux plus petits
super termes : cyclone tropical (1) et cyclone extra tropical (0,8).
Asma ZOGHLAMI
79
Figure 50 : Exemple de termes du sous-ensemble flou hiérarchique avec leurs degrés associés
4.1.3 Opérations sur les graphes conceptuels flous
L’opération de projection sur les graphes conceptuels se base sur la restriction qui remplace
un type de concept dans un graphe conceptuel par un de ses sous-types et la valeur de son
référent par un autre plus précis. Dans le cas des graphes conceptuels flous, une étiquette de
concept e’ = (T’, M’) est définie. Cette étiquette est une spécialisation de l’étiquette de concept e
= (T, M) si et seulement si T’est une spécialisation de T, sachant que T et T’ peuvent être des
types flous, et M’est une spécialisation de M sachant que M et M’ peuvent être des marqueurs
flous. La figure 51 montre un exemple de spécialisation dans lequel G2 est une spécialisation de
G1.
Figure 51 : Exemple d’opération de spécialisation dans les graphes conceptuels flous
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
80
Dans cette section, nous avons présenté une extension du modèle des graphes conceptuels
pour représenter des sous-ensembles flous. Cette extension était originellement destinée à
répondre à un besoin de représenter des données imprécises dans le domaine de la microbiologie.
Nous pouvons noter que cette approche permet de construire des relations entre concepts et donc
peut intuitivement être considérée comme une manière de créer des ontologies floues. Cette
approche se base sur une vision hiérarchique et graphique des concepts. Elle ne s’est cependant
pas appuyée sur les approches à l’usage plus généralisé telle que l’UML et le Merise.
Nous présentons dans la prochaine section une approche plus générale de représentation des
données imprécises et incertaines. Cette approche se base sur le modèle UML.
4.2 Fuzzy UML L’un des axes importants de recherche dans les bases de données est l'effort continu
d’enrichir les modèles de bases de données existants d'une collection plus vaste de concepts
sémantiques. C’est dans ce contexte qu'une méthodologie de modélisation conceptuelle orientée
objet a été développée pour la modélisation floue de l’information. Les diagrammes de classe
UML peuvent modéliser des informations floues à travers le concept du FUZZY UML.
4.2.1 Diagramme de classes floues
4.2.1.1 Classe floue
Selon (Ma & Yan, 2010), une classe peut être floue à cause des raisons suivantes :
1. Certains objets qui ont des propriétés semblables sont considérés comme flous. Une classe
définie par ces objets flous sera donc floue. Les objets appartiennent à la classe avec un
degré d’appartenance entre [0,1].
2. Quand une classe est intentionnellement définie (classe définie par un ensemble
d’attributs et les valeurs admissibles des attributs), le domaine d'un attribut peut être flou
et une classe floue est alors formée.
3. Une sous-classe produite par une super-classe floue au moyen d’une relation de
spécialisation est considérée comme une classe floue. Suivant ce même principe, une
super-classe produite par des sous-classes, dans lesquelles il y a au moins une classe qui
est floue au moyen de la relation de généralisation, est considérée comme une classe
floue.
Donc dans la classe UML, il y a trois niveaux d’imprécision définis comme suit :
- Niveau 1: l’imprécision dans l’appartenance de la classe au modèle de données ou
l’imprécision dans l’appartenance de l’attribut à la classe. Pour modéliser ce niveau
d’imprécision, l'attribut ou le nom de classe devrait être suivi par les mots : « WITH d
DEGREE » (avec degré d’appartenance) où 0 < d <=1. Le degré d’appartenance est
utilisé pour indiquer le degré auquel l'attribut appartient à la classe ou la classe appartient
au modèle de données. Généralement, une classe ou un attribut ne sera pas déclaré si son
degré est 0. De plus, "WITH 1.0 DEGREE" peut être omise quand le degré d'un attribut
ou d’une classe est 1.
Asma ZOGHLAMI
81
- Niveau 2 : Il est possible qu'une instance de la classe appartienne à la classe avec un degré
d’appartenance. Pour la modélisation de ce deuxième type d’imprécision nous devons
indiquer le degré d’appartenance auquel une instance appartient à la classe. Pour cela, un
attribut supplémentaire est introduit dans la classe pour représenter le degré
d’appartenance à la classe avec un domaine d'attribut dans l’intervalle [0,1]. Cet attribut
spécial est représenté par « μ ».
- Niveau 3 : L’imprécision sur les valeurs d'attribut des instances de la classe. Un attribut
dans une classe définit un domaine de valeurs. Quand ce domaine définit un sous-
ensemble flou, l’imprécision d'une valeur d'attribut apparaîtra. Pour modéliser ce niveau
d’imprécision, le mot clé fuzzy est introduit et placé devant l’attribut.
La figure 52 illustre un exemple d’une classe floue. Le premier niveau d’imprécision est
présent dans la classe à travers l’attribut bureau qui appartient à la classe avec un degré de 0.8. Le
deuxième niveau d’imprécision est modélisé par l’insertion de l’attribut µ dans la classe.
Finalement, le troisième niveau d’imprécision se manifeste dans la classe à travers l’attribut flou
âge.
Figure 52 : Exemple d’une classe floue
4.2.1.2 Relations floues
Les différents types de relations entre les classes UML (association, relation de
généralisation, composition, agrégation, etc.) peuvent être flous.
a) Généralisation floue
Le concept d’héritage est l'un des composants de base du modèle objet (cf. section 1.3.3).
Puisqu'une sous-classe est la spécialisation de la superclasse, n'importe quel objet appartenant à la
sous-classe doit appartenir à la superclasse. Cette caractéristique peut être utilisée pour
déterminer si deux classes possèdent la relation de sous-classe/superclasse. Cependant, une classe
produite d'une classe floue doit être floue. Une classe peut être une sous-classe d'une autre classe
avec un degré d’appartenance entre [0,1]. Dans la figure 53, la classe « Jeune étudiant » et
« Jeune faculté » sont deux classes avec le deuxième niveau d’imprécision. Ces deux classes
peuvent avoir quelques instances qui leur appartiennent avec un degré d’appartenance. Elles sont
généralisées dans la superclasse « Jeune ».
Doctorant
Identifiant Nom
Bureau WITH 0.8 DEGREE
Fuzzy âge
µ
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
82
Figure 53 : Exemple de relation de généralisation floue
b) Association floue
Deux niveaux d’imprécision peuvent être identifiés dans la relation d'association.
- Niveau 1 : une relation d'association existe mais d’une manière imprécise entre deux
classes associées. Cette relation d'association se produit avec un degré de possibilité. Dans
l’exemple ci-dessous, on est incertain que le lecteur de CD est installé dans la voiture et la
possibilité est 0,8.
Figure 54 : Exemple de relation UML imprécise de premier niveau
- Niveau 2 : il est possible qu'on ignore si deux instances de classes, qui appartiennent à
deux classes associées auront une relation d'association donnée, bien que cette relation
d'association existe entre ces deux classes. Dans l’exemple ci-dessous, on est certain que
le lecteur de CD est installé dans la voiture et la possibilité est 1.0 mais au niveau des
instances il est possible que des instances de lecteur de CD et de la voiture n’auront pas la
relation d'association «installer»
Figure 55 : Exemple de relation UML imprécise de deuxième niveau
- Niveau 3 : Les deux niveaux de flou mentionnés ci-dessus peuvent se produire
simultanément dans une relation d’association. Cela signifie que d'une part, les deux
classes ont une relation d'association floue au niveau de la classe, et d'autre part, les
instances de ces deux classes peuvent avoir une relation d'association floue au niveau des
instances de la classe. Pour représenter le premier niveau de flou dans la relation
d'association, la phrase WITH d DEGREE (avec ) est introduite après le nom du
rôle de l'association. Une double ligne en pointillés avec une flèche est utilisée pour
indiquer le deuxième niveau de flou dans l'association. La figure ci-dessous (figure 56)
illustre un exemple où les deux types de relation d'association floue surgissent
simultanément.
Jeune
Jeune étudiant Jeune faculté
Asma ZOGHLAMI
83
Figure 56 : Exemple de relation UML imprécise de troisième niveau
c) Agrégation floue
Une agrégation représente une relation de type «ensemble/élément» dans laquelle l'une des
classes décrit un tout, alors que la classe associée décrit des parties. Le tout est appelé «composé»
et la partie est appelée «composant». Ces composants peuvent exister indépendamment. Ainsi,
chaque objet d'un agrégat peut être projeté dans l'ensemble d'objets des éléments constitutifs.
Selon (Ma, 2005), une classe agrégée de parties constitutives floues est floue. La classe est alors
une agrégation de parties constitutives avec un degré d'appartenance entre [0,1]. Un losange
pointillé est utilisé pour désigner une relation d'agrégation floue. Cette relation floue est illustrée
dans la figure 57. Une voiture est composée d'un moteur, d’un intérieur et d’un châssis. Le
moteur est ancien, on aura alors une classe floue « ancien moteur » avec le deuxième niveau
d’imprécision. La classe « ancienne voiture » agrégée par les classes intérieur, châssis et la classe
floue « ancien moteur », est aussi une classe floue avec le deuxième niveau d’imprécision.
Figure 57 : Exemple de relation d'agrégation floue dans Fuzzy UML
d) Dépendance floue
Un élément A dépend d'un élément B, lorsque A utilise des services de B. De ce fait, tout
changement dans B peut avoir des conséquences sur A. La dépendance entre la classe source et la
classe cible est uniquement liée aux classes elles-mêmes et ne nécessitent pas un ensemble
d'instances pour sa signification. Par conséquent, le deuxième et le troisième niveau
d’imprécision dans la classe n'affectent pas la relation de dépendance. Une relation de
dépendance floue est une relation de dépendance avec un degré de possibilité, qui peut être
indiqué d'une manière explicite par les concepteurs ou implicite par la classe source, en se basant
sur le fait que la classe cible est déterminée par la classe source. Supposons que la classe
dépendante (classe source) est une classe floue du premier niveau d’imprécision, alors la classe
proposant les services sollicités (classe cible) doit être dans ce cas une classe floue avec le
premier niveau d’imprécision.
Le degré de possibilité que la classe cible soit déterminée par la classe source est le même que
le degré de possibilité de la classe source. La figure 58 montre un exemple d’une relation de
dépendance floue. Il existe une relation de dépendance entre la classe 1 et la classe 2, et il est
possible que des objets de la classe 2 puissent avoir le premier niveau d’imprécision avec un
Ancienne voiture
Ancien moteur Intérieur Châssis
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
84
degré de possibilité = 0,5. De même, la classe 1 est floue avec le même degré de possibilité. Par
conséquent, la relation de dépendance entre les deux classes est floue avec un degré de possibilité
de 0,5.
Figure 58 : Relation de dépendance floue
e) Exemple d’un modèle UML flou
La figure 59 illustre un exemple simple d’un modèle de données UML flou. La classe
«voiture» est une superclasse et les classes «Nouvelle voiture» et «Ancienne voiture» sont ses
deux sous-classes floues. De même la classe «Employé» a trois sous-classes floues : «Jeune
employé», «Moyen employé» et «Grand employé». Les classes «Employé» et «voiture» ont une
relation d'association floue (avec le deuxième niveau d’imprécision défini sur la relation
d’association). Par contre, les deux classes floues «Jeune employé» et «Nouvelle voiture» ont une
association floue du premier niveau. La classe «moteur» possède un attribut flou «taille» qui peut
prendre une valeur floue.
Figure 59 : Exemple d’un diagramme de classes flou
4.2.2 Cas d’utilisation flou
Un cas d'utilisation décrit l'ensemble de séquences d'actions qu'un système effectue pour
fournir un résultat observable ayant une valeur pour un acteur. Fuzzy UML permet de spécifier
les exigences incertaines d'un système. En effet, quand un service est présenté d'une manière
incertaine, le cas d'utilisation correspondant doit alors être flou (Haroonabadi & Teshnehlab,
2009). Le symbole d’un cas d'utilisation flou est représenté dans la figure 60.
Figure 60 : Symbole d'un cas d'utilisation flou
Classe 1 WITH 0,5 DEGREE
Classe 2 WITH 0,5 DEGREE
Asma ZOGHLAMI
85
4.2.3 Diagramme de séquence flou
En UML, les diagrammes de séquence sont utilisés pour la réalisation des cas d'utilisation. Si
un cas d'utilisation donné est incertain, le diagramme de séquence qui lui correspond sera aussi
incertain. Les lignes pointillées sont utilisées pour la représentation des messages incertains
comme indiqué à la figure 61. Dans le diagramme de séquence, les messages expliquent les
méthodes. L'incertitude de la méthode a deux niveaux de flou. Le premier niveau est le degré
d'appartenance de la méthode à un objet. Le deuxième niveau de flou est exprimé quand la
méthode elle-même est floue. Dans la figure 61, la méthode C qui est produite à partir du
message C peut d'une part, appartenir à l'objet B avec un degré d'appartenance entre 0 et 1 et
d’autre part, elle peut être une méthode incertaine.
Figure 61 : Symbole d'un message flou en Fuzzy UML
Après une synthèse concernant l’approche UML flou, qui apporte une extension au
diagramme de classes UML et aux diagrammes de cas d’utilisation et de séquence en vue de la
modélisation de l’imperfection des données. Les sections qui suivront seront consacrées à l’étude
de la modélisation de l’information imparfaite dans les modèles conceptuels spatiotemporels.
4.3 MADS et la modélisation d’informations géographiques incertaines La problématique de la qualité de l’information géographique est régulièrement associée à la
gestion de l’imperfection des données, c’est à dire à la gestion de l’imprécision, de l’ambiguïté,
de l’incomplétude et/ou de l’incertitude. En effet, obtenir une représentation des données en
tenant compte de leurs imperfections, permet de réduire l’incertitude des décisions et
d’augmenter la qualité de ces dernières. Les imperfections des données géographiques sont dues
à de nombreuses causes comme la difficulté d’avoir des modèles proches de la réalité, ou des
limitations des instruments et des processus d'acquisition. Ainsi, une représentation inadaptée de
l'information spatiale peut être une source de dégradation de la qualité des données : la
représentation spatiale devient trop éloignée de l’objet du monde réel que l’on souhaite
modéliser. Dans ce contexte, plusieurs travaux ont été menés pour considérer l’imperfection des
données géographiques lors de leur modélisation. Selon (Shu, Spaccapietra, Parent, & Quesada
Sedas, 2003), l’incertitude d'une entité géographique peut être modélisée à travers la prise en
compte de l'incertitude inhérente aux attributs spatiaux, temporels et thématiques (voir figure 62).
Objet A Objet B
Message c
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
86
Figure 62 : L’incertitude au niveau de l’entité géographique (Shu, Spaccapietra, Parent, & Quesada
Sedas, 2003)
4.3.1 Imperfection spatiale
Une hiérarchie de l’incertitude des types de données spatiales est représentée dans la figure
63. On peut avoir deux types d’incertitude géo-spatiale : le premier type est l’incertitude spatiale
aléatoire et le deuxième type est l’imprécision spatiale.
Afin de permettre la modélisation d’informations spatiotemporelles imparfaites, le modèle
MADS a été étendu pour modéliser deux types d’objets spatiaux vagues : l’objet spatial aléatoire
(l’imprécision est uniquement liée à la position de l’objet) et l’objet spatial flou (la forme de
l’objet est floue et il présente de larges frontières).
Figure 63 : Incertitude des types de données spatiales (Shu, Spaccapietra, Parent, & Quesada Sedas,
2003)
4.3.1.1 Incertitude spatiale Il existe trois types de géométrie spatiale aléatoire : surface aléatoire, ligne aléatoire et point
aléatoire. On trouve aussi trois types de géométrie spatiale floue : surface floue, ligne floue et
point flou.
Asma ZOGHLAMI
87
a) Point aléatoire
Un point aléatoire est utilisé pour modéliser spatialement un point comme une entité
géographique qui s’est produite aléatoirement. C’est un point dont les coordonnées sont associés
à une probabilité notée pr ((x, y), p). Un point aléatoire effectue donc un transfert de l’espace
géographique (espace G) vers une unité d’un intervalle de probabilité (p [0,1]).
Par exemple, avec un récepteur GPS, un point de coordonnée (10.25 cm, 35 cm) sera à l’
instant d’après récupéré avec une probabilité de 0,9. Ce point est modélisé par un point aléatoire
pr ((10,25 cm, 35 cm), 0,9).
b) Ligne aléatoire
Une ligne aléatoire est utilisée pour la modélisation spatiale d’une entité géographique
linéaire qui se produit aléatoirement. Elle peut être modélisée d’une manière réductionniste ou
holistique.
D’une manière holistique, la ligne aléatoire est modélisée comme une ligne déterministe
associée à sa probabilité d’occurrence notée lr (l, p). Considérons un ensemble de lignes
déterministes qui constitue un espace de lignes noté (espace L). Une ligne aléatoire fait le passage
de l’espace de lignes (espace L) vers une unité d’un intervalle de probabilité (p [0,1]). Par
exemple, pour partir de la gare de Reims à l’IUT de Reims, nous pouvions prendre le bus D ou le
bus E. L’itinéraire de la gare à l’université peut être modélisé par une ligne aléatoire qui est celle
du bus D ou celle du bus E. Cela est noté par l’expression :
Itinéraire gare à IUT {(ligne de bus D, 0,5), (ligne de bus E, 0,5)}.
D’une manière réductionniste, la ligne aléatoire est modélisée comme un ensemble de points
aléatoires noté lr (pr 1pr2,…, prn). Par exemple, une voiture de la poste équipée d’un GPS fait la
route tous les jours, du bureau de poste principal à l’IUT. Sur la carte électronique, l’itinéraire de
cette voiture est modélisé par une séquence de points aléatoires échantillonnés par le GPS.
c) Surface aléatoire
Une surface aléatoire est utilisée pour la modélisation spatiale d’une entité géographique
surfacique qui se produit aléatoirement. Comme la ligne aléatoire, la surface aléatoire peut être
modélisée d’une manière holistique ou réductionniste. D’une manière holistique, la surface
aléatoire est modélisée comme une surface déterministe associée à sa probabilité d’occurrence
notée ar (a, p). Considérons un ensemble de surfaces déterministes qui constitue l’espace de
surfaces noté (Espace S). Une surface aléatoire effectue un transfert de l’espace de surfaces
(Espace S) vers une unité d’un intervalle de probabilité ([0,1]). Par exemple, considérons une
voiture comme une surface dans une carte à grande échelle. La voiture peut être stationnée au
bord de la route ou dans un autre endroit. Supposons que la voiture est garée dans un autre
endroit avec une probabilité de 0,90 d’où elle sera modélisée comme une surface aléatoire. D’une
manière réductionniste, une surface est approximativement représentée par ses frontières ainsi la
surface aléatoire peut être modélisée avec ses frontières indéterministes. La surface aléatoire est
notée : ar (lr). Par exemple, un lac évolue d’une façon aléatoire selon l’augmentation ou la
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
88
diminution considérable du niveau de l’eau. Le lac est alors identifié à travers ses frontières
aléatoires.
4.3.1.2 Imprécision spatiale
Il existe 3 types d’objets spatiaux imprécis : point flou, ligne floue et surface floue. Dans
(Shu, Spaccapietra, Parent, & Quesada Sedas, 2003), les auteurs ont employé la théorie des
possibilités pour la modélisation d’objets imprécis. La possibilité qu’un objet soit pris sous une
contrainte floue est numériquement égale à son degré d’appartenance à un ensemble flou ; une
contrainte floue notée FR est représentée par un ensemble flou.
a) Point flou
Un point flou est utilisé pour la modélisation spatiale d’un point comme une entité
géographique définie d’une façon vague. Un point flou est un point dont les coordonnées sont
associées à une possibilité notée pf ((x, y), ∏). Sous la contrainte floue, la distribution de
possibilité du point flou effectue un transfert de l’espace géographique (espace G) vers une unité
d’un intervalle de possibilité, cela est noté ; ∏p
FR : espace G p [0,1]. Par exemple, sur une carte à
petite échelle, la gare de Reims est modélisée par un point à la position (x0, y0). La possibilité
que le centre-ville de Reims soit à la position (x0, y0) de la gare est de 0,85. Cela est représenté
par cette expression : gare Reims« centre-ville » ((x, y), 0,85).
b) Ligne floue
Une ligne floue est utilisée pour la modélisation spatiale d’une entité géographique linéaire
définie d’une façon vague. La ligne floue peut être modélisée d’une manière holistique ou
réductionniste. D’une manière holistique, elle est modélisée comme une ligne déterministe
associée à la possibilité qu’elle soit prise sous une contrainte floue notée lf (i,∏ ). Par exemple, à
partir de la gare de Reims, les gens peuvent prendre le bus D ou le bus E pour se rendre à l’IUT.
Pour les voyageurs qui préfèrent prendre une route citadine, la possibilité que la ligne D soit une
route citadine est de 0,72. Dans ce cas, la ligne D de la gare de Reims à l’IUT de Reims peut être
modélisée par une ligne floue notée : (bus gare Reims à l’IUT « route citadine» (bus gare à l’IUT,
0,72). D’une manière réductionniste, la ligne floue est modélisée comme étant un ensemble de
points flous qui la composent. Reprenons le même exemple de la gare de Reims et supposons que
la ligne D allant de la gare de train de Reims à l’IUT de Reims est interprétée à partir d’une photo
aérienne. Sur une petite échelle, la gare de train de Reims est interprétée comme un point flou à
partir duquel la ligne D passe. Dans ce cas, la ligne est modélisée par une ligne floue qui passe à
partir d’un point flou qui est « la gare de Reims ».
c) Surface floue
Une surface floue modélise spatialement une entité géographique surfacique définie d’une
façon vague. Elle peut être modélisée d’une manière holistique ou réductionniste. D’une manière
holistique, la surface floue est modélisée comme un ensemble de α-coupes de l’ensemble flou
Asma ZOGHLAMI
89
noté : af ({aλ, λ p [0,1]}).Un ensemble de α-coupe de l’ensemble flou est l’ensemble de tous les
éléments qui ont des degrés d’appartenance supérieurs ou égales à α.
Lorsque α prend la valeur « 1 », l’ensemble de coupe est interprété comme intérieur à
l’ensemble flou. Lorsque α prend la valeur « 0 », l’ensemble de coupe est interprété comme
extérieur à l’ensemble flou. Lorsque α prend une certaine valeur de l’intervalle [0,1], toutes les
frontières des ensembles de coupes constituent des frontières floues de l’ensemble flou.
Considérons un ensemble de surfaces déterministes qui constitue l’espace de surfaces ou un
ensemble d’ensembles de α-coupes noté (Espace S). Une surface floue effectue un transfert de
l’espace de surfaces (espace S) vers une unité d’un intervalle de possibilité : espace S p [0,1]. Par
exemple, si on considère la ville de Reims comme étant une surface floue sur une carte à grande
échelle, la surface de la ville s’accroît progressivement du centre-ville vers les banlieues avec un
degré d’urbanisation qui peut être modélisé comme un niveau de surface floue « ville ». Par
conséquent, on aura une ville floue : ville de Reims ({surface de la ville, degré d’urbanisation}).
D’une manière réductionniste, une surface est approximativement représentée par ses frontières,
ainsi la surface floue peut être modélisée par ses limites vaguement définies. Par exemple, sur le
plan de la ville de Reims, la place d’Erlon se définie d’une façon vague. Elle peut être modélisée
par une polyligne floue.
4.3.2 Imperfection temporelle
De la même manière que l’incertitude géo-spatiale, l’incertitude temporelle est divisée en
temps aléatoire et temps flou. Comme le montre la figure 64. Le temps aléatoire est divisé en
instant aléatoire et intervalle aléatoire et on peut avoir deux types de temps flou : instant flou et
intervalle flou.
Figure 64 : Incertitude des types de données temporelles (Shu, Spaccapietra, Parent, & Quesada Sedas, 2003)
4.3.2.1 Incertitude temporelle
a) Instant aléatoire
Un instant aléatoire est utilisé pour la modélisation temporelle d’un événement géographique
qui s’est produit d’une façon stochastique. Un instant aléatoire est un point de coordonnées
temporelles associé à une probabilité notée tr (t, p). Il effectue un transfert de l’espace de temps
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
90
(espace T) vers une unité d’un intervalle de probabilité (p [0,1]). Par exemple, on modélise
l’instant d’arrivée d’un bus à 10 :23 avec une probabilité de 0,85 par un instant aléatoire tr
(10 :23, 0,85).
b) Intervalle aléatoire
Un intervalle aléatoire est utilisé pour la modélisation temporelle d’un processus
géographique qui s’est produit d’une manière stochastique. Il peut être modélisé d’une manière
holistique ou réductionniste. D’une manière holistique, il est modélisé comme un intervalle
déterministe associé à sa probabilité d’occurrence. Notée ir (i, p). L’intervalle aléatoire effectue
un transfert de l’espace des intervalles (espace I) vers une unité d’un intervalle de probabilité p
[0,1]. Par exemple, le fait qu’il va pleuvoir entre 9 :15 et 13 :31 avec une probabilité de 0,56 peut
se modéliser de la façon suivante : pleuvoir ([9 :15,13 :31], 0,56). D’une manière réductionniste,
l’intervalle aléatoire est modélisé comme un ensemble d’instants aléatoires. Par exemple, une
semaine des pluies qui commencera du 2 au 7 décembre avec les probabilités suivantes pour
chaque jour: 0.6, 0.7, 0.8, 0.9, 0.7, 0.5 est modélisé de la manière suivante : semaine pluie
((dec.2, 0.6), ( dec.3, 0.7), (dec.4, 0.8), (dec.5, 0.9), (dec.6, 0.7), (dec.7, 0.5)).
4.3.2.2 Imprécision temporelle
a) Instant flou
L’instant flou modélise temporellement un événement géographique défini d’une façon
vague. Il est un point dont les coordonnées temporelles sont associées à une possibilité notée tf(t,
π). Par exemple, l’arrivée prévue d’un bus à 10 :23 avec une possibilité égale à 0.93.
b) Intervalle flou
Un intervalle flou modélise temporellement un processus géographique défini d’une façon
vague. Il peut être modélisé d’une manière holistique ou réductionniste. D’une manière
holistique, l’intervalle flou est modélisé comme un intervalle déterministe associé à sa possibilité
d’occurrence noté if(i, π). Par exemple, si un marathon est prévu dans une ville le 1er
novembre
avec une possibilité de 0.7, cela veut dire qu’il s’y tiendra à n’importe quelle heure de 00:01
jusqu’à 23:59 du même jour avec la même possibilité. Cela est noté comme suit : ([00:01, nov.1,
23:59, nov.1] ,0.7).
D’une manière réductionniste, l’intervalle flou est modélisé comme un ensemble d’instants
flous. Par exemple, une semaine nuageuse qui durera du 11 au 16 novembre avec respectivement
les possibilités suivantes : 0.2, 0.3, 0.6, 0.8, 0.9, 0.1 est modélisée comme suit : semaine nuageuse
((nov.11, 0.2), (nov.12, 0.3), (nov.13, 0.6), (nov.14, 0.8), (nov.15, 0.9), (nov.16, 0.1)).
4.3.3 Relations spatiotemporelles imparfaites
L’approche de (Shu, Spaccapietra, Parent, & Quesada Sedas, 2003) s’est basée sur les 5
relations topologiques spatiales proposées par (Clementini, Di Felice, & Van Oosterom, 1993) et
Asma ZOGHLAMI
91
les 13 relations temporelles d’Allen pour la modélisation de l’incertitude des relations
spatiotemporelles. D’après (Clementini, Di Felice, & Van Oosterom, 1993) les 5 relations
topologiques spatiales sont les suivantes: disjonction, adjacence, recouvrement, inclusion et
égalité (tableau 8). Cette vision est fortement basée sur les travaux d’Egenhofer et ses
collaborateurs (Egenhofer, Sharma, & Mark, 1993 ; Egenhofer & Franzosa, 1991 ; Egenhofer &
Herring, 1990).
Tableau. 8. Les 5 relations topologiques spatiales entre objets géographiques (Clementini, Di Felice, & Van Oosterom, 1993)
Allen, dans (Allen, 1983), définit 13 relations de base qui peuvent exister entre deux
intervalles et décrivent toutes les manières possibles d’ordonner leurs extrémités. Il y a 7 relations
de base et leurs inverses : égal, avant, recouvrement, rencontre, pendant, départ et fin. Ces
relations sont illustrées dans le tableau 9.
Tableau. 9. Relations d’Allen entre deux intervalles
La figure 65 présente l’approche de (Shu, Spaccapietra, Parent, & Quesada Sedas, 2003) pour la
représentation de l’imperfection dans les relations spatiotemporelles.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
92
Figure 65 : Incertitude des relations spatiotemporelles (Shu, Spaccapietra, Parent, & Quesada Sedas,
2003)
4.3.3.1 Relation spatiale incertaine Une relation spatiale aléatoire est utilisée pour la modélisation des relations spatiales entre
entités géographiques qui se produisent d’une manière stochastique. C’est une relation spatiale
déterministe associée à sa probabilité notée srr (sr, p). La fonction de probabilité de la relation
spatiale aléatoire effectue un transfert de l’espace des relations spatiales (espace RS) vers un
intervalle de probabilité p [0,1].
4.3.3.2 Relation spatiale imprécise Une relation spatiale floue modélise les relations spatiales entre des objets spatiaux définis
d’une façon vague. C’est une relation spatiale déterministe associée à une possibilité notée srf (sr,
π). Sous une contrainte floue FR, la distribution de possibilité de la relation spatiale floue effectue
un transfert de l’espace des relations spatiales (espace RS) vers une unité d’un intervalle de
possibilité.
4.3.3.3 Relation temporelle incertaine La relation temporelle aléatoire modélise les relations temporelles entre événements
géographiques définis d’une façon vague. La relation temporelle aléatoire est une relation
temporelle déterministe associée à une probabilité notée trr (tr, p). La fonction de probabilité de
la relation aléatoire effectue un transfert de l’espace des relations temporelles (espace RT) vers
une unité d’un intervalle de probabilité.
4.3.3.4 Relation temporelle imprécise Une relation temporelle floue modélise les relations temporelles qui existent entre des objets
temporels définis d’une manière vague. C’est est une relation temporelle déterministe associée à
sa possibilité notée trf (tr, π). Sous une contrainte floue FR, la distribution de possibilité de la
relation temporelle floue effectue un transfert de l’espace des relations temporelles (espace RT)
vers une unité d’un intervalle de possibilité.
Asma ZOGHLAMI
93
4.4 Spatialité floue et temporalité floue dans le méta modèle SIG Une extension a été portée au métamodèle SIG avec les concepts de spatialité floue et de
temporalité floue par (Miralles, 2006). Selon cette extension, ces deux concepts sont définis du
moment où l’on traite des entités référencées dont la spatialité et la temporalité sont connues mais
avec un certain niveau d’incertitude. Ainsi, un concept SIG flou est défini comme un concept
doté d’un indice de probabilité à valeur dans l’intervalle [0,1]. Dans ce contexte, un ensemble de
pictogrammes flous est introduit pour représenter les concepts SIG flous. Les pictogrammes de
spatialité floue sont des pictogrammes spatiaux classiques qui s’estompent suivant la diagonale
issue du coin haut à droite au coin bas à gauche. L’atténuation de ces pictogrammes augmente
suivant cette direction. Inversement, les pictogrammes de temporalité floue sont des
pictogrammes temporels classiques qui s’estompent suivant la diagonale issue du coin bas à
gauche au coin haut à droite. L’ensemble de ces pictogrammes est représenté dans la figure ci-
dessous. On note à ce niveau qu’uniquement les 5 concepts flous (point flou, ligne floue,
polygone flou, volume flou et instant Flou) ont été implémentés et que la période floue n’a pas
été implémentée en raison de sa délicatesse à être définie, étant donné que l’incertitude peut
porter soit sur la durée temporelle, soit sur la date de début et de fin de l’intervalle temporel.
Figure 66 : Principaux pictogrammes de spatialité et de temporalité floue dans le méta modèle SIG
4.5 Comparaison entre les méthodes de modélisation spatiotemporelle
Nous reprenons une partie du tableau de comparaison entre les méthodes de modélisation
spatiotemporelles (cf. section 2.5). On ajoutera cette fois-ci au tableau un nouveau critère de
comparaison qui est la prise en compte des données spatiotemporelles imparfaites (voir tableau
10). L’extension portée au formalisme MADS présentée dans ce chapitre, a défini d’une manière
précise les concepts de spatialité floue et de temporalité floue. Cependant, la réflexion menée sur
ces deux derniers concepts ne dépasse pas le cadre théorique. Il n’y a donc pas à ce jour de
réponse physique implémentant ces concepts. De leur coté, le formalisme CONGOO et la
méthode POLLEN n’ont pas traité les données imparfaites. Les concepts de spatialité floue et de
temporalité floue introduits par (Miralles, 2006), enrichissent la capacité d’expression du langage
pictogrammique des SIG, notamment celui de PERCEPTORY. Cependant, dans cette approche,
l’auteur n’a pas étudié les implications sur la base de données et sur l’exploitation de cette
dernière à travers des requêtes qui tiennent compte de ces concepts flous.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
94
PERCEPTORY MADS POLLEN CONGOO
Dynamique
spatiotemporelle
partiellement oui partiellement Partiellement
Données
spatiotemporelles
imparfaites
partiellement indirectement partiellement Partiellement
Tableau. 10. Comparaison entre les méthodes de modélisation spatiotemporelles
Dans ce chapitre, nous avons exposé des travaux qui ont mis l’accent sur la modélisation de
l’information imparfaite. Nous avons introduit en premier lieu les graphes conceptuels flous qui
étendent le modèle des graphes conceptuels à la représentation de valeurs floues et qui ont été
développés dans le cadre d’une application qui vise la prévention du risque microbiologique dans
les produits alimentaires. Ensuite, nous avons présenté la méthodologie de modélisation
conceptuelle orientée objet Fuzzy UML ainsi que la modélisation d’informations géographiques
imparfaites dans la méthode MADS. Enfin, un tableau de comparaison entre les méthodes
spatiotemporelles nous a permis de mettre l’accent sur la nécessité de mettre en place des outils
pour la représentation et la gestion de l’imperfection ainsi que la gestion de la dynamique
spatiotemporelle dans le modèle PERCEPTORY.
Dans la suite de ce travail, nous proposerons une approche étendant le modèle
PERCEPTORY et inspirée du Fuzzy UML, que nous nommerons F-PERCEPTORY, pour la
représentation et la gestion de l’imprécision dans ce modèle.
Asma ZOGHLAMI
95
Conclusion Dans cette première partie, nous avons présenté un état de l’art détaillé et indispensable sur
trois axes. Le premier axe concerne les différentes approches conceptuelles pour les systèmes
d’information classiques et géographiques. Le deuxième axe porte sur la définition de
l’imperfection et ses modes de représentation et de traitement. Le troisième axe traite de la
modélisation de l’information imparfaite dans les modèles conceptuels classiques et spatio-
temporels. Dans le premier chapitre dédié à la modélisation conceptuelle des données classiques,
nous avons commencé par présenter les deux premiers modèles qui ont existé pour la
modélisation conceptuelle des données classiques. Ces modèles sont les graphes conceptuels qui
sont basés sur une représentation de connaissances de type réseau sémantique (Sowa J. , 1984) et
Merise qui diffère des graphes conceptuels par le fait d’être une méthode complète de
modélisation de systèmes d’information basée sur quatre niveaux d’abstraction. Dans chaque
niveau nous distinguons des modèles pour les données et des modèles pour le traitement. Le
dernier modèle que nous avons présenté dans le premier chapitre est le modèle UML qui
constitue un standard en termes de modélisation objet.
Comme nous nous intéressons particulièrement dans notre travail aux données spatiales et
temporelles, nous avons jugé indispensable de faire une étude bibliographique sur les méthodes
conceptuelles de modélisation des données spatio-temporelles. Ainsi, nous avons détaillé dans le
chapitre 2 les méthodes PERCEPTORY, MADS, MECOSIG et POLLEN. Ce chapitre a été
clôturé par une étude comparative entre ces méthodes. La définition de l’imperfection ainsi que
ces différents modes de représentation a fait l’objet du chapitre 3. Nous avons défini les
principaux types de l’imperfection : l’imprécision, l’incertitude, l’ambiguïté et le manque de
spécificité. Dans la deuxième section du chapitre 3, nous avons présenté les principales théories
de représentation et de traitement de l’information imparfaite. Nous avons commencé par définir
la théorie la plus ancienne de représentation des incertitudes qui est la théorie des probabilités.
Ensuite, comme nous nous intéressons très particulièrement à l’imprécision comme une forme
d’imperfection, nous avons présenté la théorie des sous-ensembles flous introduite par (Zadeh,
1965). Cette théorie est très adaptée à la représentation des données imprécises. Cependant, elle
ne tient pas compte de l’incertitude qui peut être attachée aux données, puisqu’une information
peut à la fois être imprécise et incertaine. Ainsi, nous avons introduit la théorie des possibilités
qui est une extension de la théorie des sous-ensembles flous qui permet de représenter des
données imprécises et incertaines. Dans le dernier chapitre de cette partie, nous avons établi un
état de l’art sur les travaux qui existent dans la littérature et qui traitent la modélisation
d’informations imparfaites soit dans les modèles conceptuels classiques ou dans les modèles
conceptuels spatio-temporels. Dans le cadre du premier type de modèle, nous avons étudiés les
graphes conceptuels flous (Thomopoulos, 2003) et l’UML flou (Ma, 2005). Dans le cadre des
modèles conceptuels spatio-temporels, nous avons cité des travaux réalisés sur la méthode
MADS pour modéliser l’information géographique incertaine (Shu, Spaccapietra, Parent, &
Quesada Sedas, 2003) ainsi que des travaux qui proposent une extension sur le méta-modèle SIG
pour modéliser la spatialité et la temporalité floue (Miralles, 2006). La fin du chapitre 4 a été
consacrée à une deuxième comparaison entre les méthodes de modélisation spatio-temporelles.
Les deux critères de cette comparaison ont porté sur la dynamique spatio-temporelle et les
données spatio-temporelles imparfaites.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
96
Il apparait qu’aucune des approches présentes dans la littérature n’offre la possibilité d’allier la
richesse des modèles UML en terme de modélisation de système complexes et donc
d’information, à la possibilité de représenter des objets spatiotemporels imprécis dans un but de
construction de systèmes d’information géographique gérant l’imprécision. Aussi, nous
proposons, dans la deuxième partie de ce mémoire, de combiner les approches Fuzzy-UML et
PERCEPTORY toutes deux étendant l’UML.
Asma ZOGHLAMI
97
Partie 2 : L’approche F-PERCEPTORY : Représentation et gestion de l’imprécision
Introduction L’objectif de notre travail porte sur la gestion de connaissances spatiotemporelles imprécises
via la modélisation de systèmes d’information spatiotemporelle et plus particulièrement sur la
proposition d’éléments de réponses aux deux questions suivantes :
- Comment représenter dans un modèle conceptuel des informations géographiques pouvant
être imprécises dans leur temporalité, leur spatialité, leur sémantique et leur description ?
- Comment construire une base de données permettant le stockage de données imprécises dans
ces différents aspects ?
Nous tacherons d’y répondre dans cette partie qui constitue le cœur de notre contribution et
qui est divisée en trois chapitres (chapitres 5, 6 et 7).
Le chapitre 5 présente l’approche F-PERCEPTORY que nous avons introduite pour
représenter et gérer l’imprécision dans le modèle PERCEPTORY afin de répondre à la première
question de notre problématique. Cette approche est basée sur un langage pictographique que
nous appelons F-PICTOGRAF. Ainsi, la première partie du chapitre 5 est consacrée à la
définition du langage F-PICTOGRAF à travers la présentation de la modélisation de
l’imprécision temporelle, spatiale et quantitative dans ce langage. La deuxième partie du chapitre
5 établit une correspondance entre F-PERCEPTORY et le langage UML afin d’obtenir un modèle
équivalent en UML d’une base de données objet qui représente et gère l’imprécision. De plus, la
correspondance entre UML et F-PERCEPTORY vise à définir un ensemble de contraintes
exprimées en OCL, qui doivent être mises en place dans un système de gestion de bases de
données objet gérant l’imprécision.
Le chapitre 6 est consacré à la transformation du modèle F-PERCEPTORY en un modèle
logique afin de répondre à la seconde question de notre problématique. Ainsi, nous introduisons
la transformation de l’imprécision temporelle, spatiale et quantitative vers le modèle logique en
définissant pour chaque type d’imprécision un ensemble d’étapes de transformation ainsi qu’un
ensemble de contraintes d’intégrité que nous exprimons dans le langage PL/pgSQL4 adapté aux
bases de données relationnelles PostGreSQL5. De plus, les contraintes définies en OCL (OMG,
2006) dans le chapitre 5 seront détaillées dans le chapitre 6.
4 http://www.postgresql.org/docs/current/static/plpgsql.html
5 http://www.postgresql.org/
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
98
Dans le chapitre 7, nous nous intéressons à la gestion de la dynamique spatiale dans un
environnement imprécis. Nous présentons dans la première partie une approche descriptive avec
F-PERCEPTORY pour la modélisation conceptuelle et la structuration de la dynamique en
termes d’évolution de la fonction d’un objet temporel puis en termes d’évolution de l’espace.
Dans la deuxième partie de ce chapitre et afin d’avoir un cadre logique qui nous permet
d’expliquer l’évolution de la fonction et de l’espace dans le temps, tout en prenant en
considération l’imprécision liée aux données, nous introduisons un modèle explicatif de
l’évolution. Ce modèle a pour objectif d’établir une trajectoire future floue d’un objet
spatiotemporel, en se basant sur une logique modale et temporelle permettant de raisonner à la
fois sur l’espace imprécis, le temps imprécis et la fonction imprécise.
Ainsi, cette partie constitue une extension naturelle des travaux des chapitres 5 et 6 et
regroupe des compléments de réponses aux deux questions de notre problématique.
Asma ZOGHLAMI
99
Chapitre 5. F-PERCEPTORY : F-PictograF et UML
Comme nous l’avons présenté dans le chapitre précédent, Fuzzy UML est une solution qui
comble le manque de représentation de données imprécises en UML dans le diagramme de
classes ainsi que dans d’autres diagrammes tels que le diagramme de cas d’utilisation et de
séquence. Dans ce travail, nous nous focalisons sur la représentation conceptuelle des
informations géographiques qui peuvent être imprécises dans leur spatialité, leur temporalité et
leur description quantitative.
En se basant sur l’approche Fuzzy UML, nous pouvons représenter des informations
sémantiques et descriptives imprécises grâce aux concepts de relations floues et de classes floues.
Cependant, les aspects de temporalité et de spatialité ne sont pas pris en compte dans cette
approche. Pour faire face à ces limites, nous proposons d’adapter le modèle PERCEPTORY qui
est une extension spatiotemporelle d’UML afin qu’il puisse représenter des informations spatiales
et /ou temporelles imprécises (voir figure 67). La conjonction de PERCEPTORY et de Fuzzy
UML est la force de notre approche F-PERCEPTORY. Dans cette approche, nous adoptons la
représentation de Fuzzy UML, qui consiste à représenter les classes et les relations floues par des
lignes pointillées, pour modéliser la temporalité et la spatialité floue.
Figure 67 : Principe du Fuzzy-PERCEPTORY
Dans cette approche, nous proposons de représenter l’imperfection spatiotemporelle dans le
modèle PERCEPTORY en adaptant ses pictogrammes classiques. Ainsi, F-PERCEPTORY sera
basé sur de nouveaux symboles que nous appelons F-PictograF. Ce langage est mis en place pour
permettre la représentation de l’imprécision temporelle, l’imprécision spatiale, l’imprécision
quantitative et les incertitudes dans les associations reliant deux classes d’objets.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
100
5.1 Pictogrammes spatiotemporels imprécis
5.1.1 Imprécision temporelle
La modélisation temporelle dans PERCEPTORY est basée sur les concepts d'existence et
d'évolution. L'existence d'un objet correspond à sa période d’activité. Les objets ayant une
existence instantanée, sont représentés par un pictogramme indiquant une date alors que les
objets qui ont une existence durable sont représentés par un pictogramme indiquant un intervalle
de temps. A ce niveau, il peut y avoir une certaine imprécision dans la définition d'une date ou
d'une période temporelle. Ainsi, on peut se poser des questions du genre : à quelle date
approximative remonte la présence d'un objet dans le temps ? Aux alentours de quelle période a-
t-il disparu ?
Comme le montre la figure 68, nous exprimons deux types d’imprécision temporelle. Le
premier type correspond à une étiquette temporelle floue qui prend la forme d’une période floue
ou d’une date floue. Ce type d’imprécision est représenté en encadrant les pictogrammes
temporels classiques de PERCEPTORY par un contour rectangulaire avec des lignes en
pointillées. Le deuxième type d’imprécision temporelle correspond à une étiquette temporelle
valuée où la temporalité est associée à une valeur d indiquant un degré de possibilité. Ainsi, nous
retrouvons la période temporelle associée à un degré d « period with d » et la date associée à un
degré d « date with d ».
Figure 68 : Imprécision temporelle dans PERCEPTORY
5.1.1.1 Etiquette temporelle floue (fuzzy timestamp)
a) Date floue
La figure 69 illustre un exemple d’une date floue. Dans cet exemple, la temporalité d’un
accident est modélisée dans PERCEPTORY sous forme d’une date. A partir du moment où nous
Asma ZOGHLAMI
101
ne pouvons pas savoir la date précise à laquelle l’accident est survenu, une modélisation sous la
forme d’une date floue s’impose.
Figure 69 : Représentation d’un accident avec une date floue
b) Période floue
Selon la figure 70, nous nous contentons dans PERCEPTORY d’une représentation
temporelle qui modélise l’existence durable d’un bâtiment sous forme d’un intervalle de temps.
Cette existence est relative à la période qui s’étend de sa date de construction à sa date de
démolition ou de disparition. Selon F-PERCEPTORY, il se peut que nous ne puissions pas cerner
avec précision les bornes inférieures et supérieures qui correspondent à cette période, d’où
l’introduction du symbole de période floue dans la classe bâtiment selon notre approche F-
PERCEPTORY.
Figure 70 : Représentation d’un bâtiment avec une période floue dans F-PERCEPTORY
5.1.1.2 Etiquette temporelle valuée
a) Date valuée
La figure 71 illustre un exemple d’une date valuée. Dans cet exemple, la temporalité de
l’accident est exprimée sous la forme d’un ensemble de dates avec pour chacune un degré de
confiance d. Ainsi, nous pouvons définir plusieurs dates pour un objet avec des valeurs
différentes.
Figure 71 : Représentation d’un accident avec une date valuée
Au niveau objet, l’exemple de l’accident avec une date valuée peut être représenté comme
l’illustre la figure 72.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
102
Figure 72 : Représentation d’un accident avec des dates valuées au niveau objet
b) Période valuée
Dans l’exemple de la figure 73, nous pouvons associer au bâtiment un intervalle de temps
avec un degré de possibilité pour exprimer qu’il peut appartenir à une période de temps avec un
degré de confiance d. Ainsi, avec le with d, nous exprimons le fait que nous allons avoir le choix
entre plusieurs possibilités valuées par un degré de possibilité.
Figure 73 : Représentation d’un bâtiment avec un degré de confiance
5.1.2 Imprécision spatiale
Les pictogrammes spatiaux dans PERCEPTORY permettent de définir la géométrie choisie
pour les éléments spatiaux d'une classe d’un modèle. Les géométries principales sur lesquelles
nous avons centrées notre démarche sont le point, la ligne et le polygone.
Dans F-PictograF, nous exprimons deux types d’imprécision spatiale (voir figure 74). Le
premier type correspond à une géométrie floue qui inclut les formes polygone flou, ligne floue et
point flou. Ce type correspond aux objets spatiaux dont on ne peut pas déterminer les limites avec
précision. Il est représenté en encadrant les pictogrammes spatiaux de base de PERCEPTORY
par un contour rectangulaire avec des lignes interrompues.
Le deuxième type d’imprécision spatiale inclut les géométries valuées, qui sont des
géométries associées à un degré de possibilité d. Ainsi, nous retrouvons la forme polygone
associée au degré d « polygon with d », la forme ligne associée au degré d « line with d » et la
forme point associée au degré d « point with d ». La hiérarchie de l’imprécision spatiale ainsi que
les symboles spatiaux de F-PictograF sont représentés dans la figure ci-dessous. Nous limitons
les formes spatiales aux trois types classiques – point, ligne et polygone – qui nous permettent
d’exprimer la vision générale de notre organisation. La même approche est possible par les autres
types de données spatiales.
Asma ZOGHLAMI
103
Figure 74 : Imprécision spatiale dans PERCEPTORY
5.1.2.1 Géométrie floue (fuzzy geometry)
a) Polygone flou
Le polygone flou est illustré dans l’exemple de la figure 75. Dans le cas de PERCEPTORY
classique, la géométrie d’un bâtiment est représentée par un type spatial polygone et elle ne
présente aucune imperfection. Dans une modélisation F-PERCEPTORY, si le bâtiment présente
des limites imprécises, il est modélisé par une forme polygone flou.
Figure 75 : Représentation d’un bâtiment avec une forme polygone flou
b) Ligne floue
La ligne floue est illustrée dans l’exemple de la figure 76. Un segment de route est représenté
par une géométrie de type ligne dans PERCEPTORY classique. A partir du moment où nous ne
pouvons pas délimiter avec exactitude et précision la ligne retraçant le segment de route, nous
opterons pour le pictogramme de ligne floue pour modéliser cette imprécision.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
104
Figure 76 : Représentation d’un segment de route avec une forme ligne floue
c) Point flou
Le point flou est illustré dans l’exemple de la figure 77. Une ville est généralement
représentée dans une carte à une échelle globale par une géométrie de type point qui se réfère au
centre de la ville. Cependant, si nous prenons en compte le fait qu’une ville est tout le temps en
expansion, il devient difficile de pouvoir indiquer précisément son centre. Pour cela, il faut avoir
une représentation qui indique l’ensemble des points possibles qui forment le centre de la ville.
L’introduction du point flou dans la classe ville permet de modéliser cette situation.
Figure 77 : Représentation d’une ville avec un point flou
5.1.2.2 Géométrie valuée (geometry with d)
a) Polygone valué
Reprenons dans la figure 78 l’exemple de la modélisation spatiale d’une classe bâtiment.
Dans le cas d’une géométrie valuée, le bâtiment peut présenter des limites imprécises et l’expert
peut lui associer une géométrie polygone avec un degré de possibilité égale à d (« polygon with
d »).
Figure 78 : Représentation d’un bâtiment avec une forme polygone flou et un degré de confiance
b) Ligne valuée
Reprenons l’exemple de la modélisation spatiale du segment de la route. Dans le cas d’une
géométrie valuée illustrée dans la figure 79, l’expert peut associer à la géométrie ligne un degré
de possibilité d (« line with d »).
Asma ZOGHLAMI
105
Figure 79 : Représentation d’un segment de route avec une forme ligne floue et un degré de confiance
c) Point valué
La figure 80 reprend l’exemple de la modélisation spatiale de la ville. Dans le cas d’une
géométrie valuée, l’expert peut associer à la géométrie point flou un degré de possibilité (« point
with d »).
Figure 80 : Représentation d’une ville avec une forme point flou et un degré de confiance
5.1.3 Imprécision quantitative
Certains attributs de classe dans le modèle F-PERCEPTORY peuvent être définis par des
ensembles flous. Pour modéliser ce niveau d'imprécision, nous adopterons le symbole proposé
dans Fuzzy UML pour représenter l’imprécision sur les valeurs quantitatives. Nous distinguons
deux types d’imprécision quantitative (voir figure 81). Le premier type correspond à l’attribut
flou modélisé à travers l’introduction du mot « Fuzzy » devant le nom de l’attribut. Le deuxième
type correspond à l’attribut valué où à chaque attribut nous associons une valeur d indiquant un
degré de possibilité.
Figure 81 : Imprécision quantitative dans PERCEPTORY
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
106
5.1.3.1 Attribut flou (fuzzy attribute)
Reprenons les exemples des figures 46 et 47 du chapitre 4. Dans le modèle conceptuel les
attributs humidité, vitesse, température et pression présentent des imprécisions quantitatives et
sont naturellement représentés par des ensembles flous, c’est pourquoi le mot clé Fuzzy précède
tous ces attributs.
Supposons qu’une dépression tropicale a une vitesse moyenne du vent qui se trouve dans
l’intervalle 12 m/s et 14 m/s. Une tempête tropicale est une dépression tropicale ayant une vitesse
moyenne maximale des vents comprise entre 17 m/s et 33 m/s et au-delà de la vitesse de 36 m/s,
nous ne parlerons plus de tempête tropicale mais d’un cyclone tropical. Sans la représentation
floue, nous ne pouvons pas avoir des réponses à des questions du type :
- La vitesse de 15 m/s, correspondra-elle à une dépression tropicale ou à une tempête
tropicale ?
- La vitesse de 35 m/s, correspondra-elle à une tempête tropicale ou à un cyclone
tropical ?
Ainsi, à travers les différentes représentations floues des attributs, nous pouvons avoir des
réponses aux questions précédentes (voir figure 82). En effet, une vitesse de 15 m/s correspond à
une dépression tropicale avec un degré d’appartenance de 0.75 et à une tempête tropicale avec un
degré 0.25. Dans ce cas la première hypothèse est la plus vraie. Dans le deuxième cas, une vitesse
de 35 m/s correspond à une tempête tropicale avec un degré d’appartenance de 0.25 et à un
cyclone tropical avec un degré d’appartenance de 0.75.
Figure 82 : Exemples d’imprécisions quantitatives
Asma ZOGHLAMI
107
5.1.3.2 Attribut valué (valued attribute) Reprenons l’exemple de la tempête tropicale dans la figure 83. La vitesse de la tempête peut
être modélisée comme un attribut valué en lui associant un degré de vérité de 0.25. Dans ce cas,
les valeurs de la vitesse qui sont prises en compte sont uniquement celles qui se trouvent dans
l’intervalle [15, 35].
Figure 83 : Exemple de représentation d’un attribut valué
5.1.4 Imperfection sur les relations
Pour la modélisation de l’imperfection sur les relations entre les classes dans le modèle F-
PERCEPTORY, on adaptera la représentation de Fuzzy UML concernant la modélisation de
l’imprécision sur la relation d’association entre classes. Nous utilisons le diagramme d’objets
UML pour modéliser ce type de relation. En effet, un degré d’appartenance est attribué à chaque
relation présentant des imprécisions entre deux instances de classes. Ainsi, la relation liant deux
classes A et B peut avoir différentes valeurs en fonction des instances de classe. La figure 84
montre la modélisation d'une relation imprécise entre deux instances de classes A et B.
Figure 84 : Modélisation d’une relation incertaine entre deux instances de classes
Prenons l’exemple de la figure 85 qui présente un diagramme de classes et le diagramme
d’objets qui lui correspond. Dans le premier cas, nous sommes sûrs que l’auteur Jean a rédigé le
livre et le degré de possibilité dans ce cas est égal à 1. Dans les deux derniers cas, nous pensons
que le livre 2 est soit rédigé par Yves (avec un degré de possibilité de 0.8) soit par Thomas (avec
un degré de possibilité de 0.2).
Figure 85 : Exemples de relations incertaines
5.1.5 Exemples de combinaisons de géométries imprécises
Nous présentons trois exemples de géométries imprécises combinées. Dans le premier
exemple (figure 86), un bâtiment possède une géométrie alternative. Ainsi, il est représenté soit
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
108
par un point si sa superficie est inférieure à 500 m² ou par un polygone si sa superficie est
supérieure à 500 m². Dans les deux cas, la forme géométrique du bâtiment peut être imprécise. La
représentation de l’imprécision liée à cette géométrie alternative est modélisée dans F-
PERCEPTORY par les deux symboles attachés (point et polygone) entourés par des contours
avec des lignes en pointillées.
Figure 86 : Représentation d’un bâtiment avec une géométrie alternative floue
Dans le deuxième exemple (figure 87), un réseau hydrique se compose d’éléments linéaires
(rivières) et d’éléments surfaciques (lacs). Sa géométrie est ainsi complexe. Le réseau hydrique
est représenté simultanément par les deux géométries primitives ligne et polygone. D’une façon
générale, il est difficile de cerner avec précision les limites des rivières et des lacs qui forment un
réseau hydrique. Ainsi, pour modéliser cette nature floue, F-PERCEPTORY représente les deux
géométries (ligne et polygone) en les entourant par des lignes en pointillées.
Figure 87 : Représentation d’un réseau hydrique avec une géométrie complexe floue
Dans le troisième exemple (figure 88), un segment de route peut avoir une géométrie
surfacique à grande échelle et une géométrie linéaire à petite échelle. C’est le cas d’une
géométrie multiple où un objet est représenté par plusieurs géométries mais dont une seule est
utilisée dans une représentation cartographique ou dans une requête spatiale. Dans les deux cas, il
peut y avoir des imprécisions qui sont représentées par les géométries superposées (polygone et
ligne) flous.
Figure 88 : Représentation d’un segment de route avec une géométrie multiple floue
5.2 Correspondance entre F-PERCEPTORY et UML Nous proposons dans cette section une structure en UML qui correspond à chacune des
représentations en F-PERCEPTORY. Nous nous appuyons sur les ensembles flous connexes et
normalisés pour effectuer cette correspondance. En outre, nous mettons en place un ensemble de
Asma ZOGHLAMI
109
contraintes qui sont numérotés dans le but de les détailler dans le chapitre 6. Rappelons qu’un
ensemble flou est dit normalisé s’il est de hauteur égale à 1, ce qui veut dire qu’au moins une
valeur de sa fonction d’appartenance est égale à 1. Un ensemble flou A est dit connexe si et
seulement si toutes ses α-coupes sont connexes. (cf. 3.2.1.2.2).
Dans notre modèle, sur chaque ensemble flou qui doit être représenté, nous considérons
uniquement un ensemble de n α-coupes connexes que nous stockons dans la base de données. Ce
choix est justifié par le fait que les α-coupes nous permettent sur un plan pratique d’économiser la
mémoire et le temps de calcul tout en ayant une vue globale sur l’ensemble flou. La notion de
convexité (et donc aussi la connexité) est particulièrement utile dans les applications qui utilisent
la classification, l’optimisation, etc. (Zadeh, 1965). Dans notre cas, l’utilisation des α-coupes
connexes nous permet de discrétiser différentes valeurs d’imprécision sur des ensembles flous
représentant des données de nature temporelles, spatiales ou descriptives. Leur utilisation permet
également de tracer les limites entre une confiance d’appartenance très faible (support), une
confiance d’appartenance plutôt faible, une confiance d’appartenance moyennement faible, une
confiance d’appartenance faible, etc. Ce qui peut aussi se traduire par une échelle de valeurs entre
presque possible et très possible (figure 89). Nous pouvons aussi envisager de représenter et
d’extraire des expressions linguistiques telles que « très peu », « beaucoup », « moyennement »,
etc. (Akdag & Truck, 2008).
Figure 89 : Exemple d’interprétations sur des α-coupes connexes
Les éléments (point, intervalle, segment et polygone), à l’aide desquels nous représentons
nos α-coupes, sont par nature connexes. Nous n’autorisons pas de définitions par morceaux ou
discontinues ; si l’utilisateur en a besoin, les opérateurs de composition et d’agrégation
permettent de gérer ces situations.
5.2.1 Correspondance UML et imprécision temporelle
a) Date floue
Nous pouvons modéliser la date floue en UML suivant la représentation proposée dans la
figure 90. Dans cette figure, la classe temporelle « Ctd » se connecte à la classe « Imperfection
temporelle ». La navigation de la classe « Ctd » vers la classe « Imperfection temporelle » est
assurée par le rôle date. Inversement, la navigation de la classe « Imperfection temporelle » vers
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
110
la classe « Ctd » est assurée par le rôle objet temporel. Selon ce type de représentation, un objet
temporel de « Ctd » est composé de n objets de « Imperfection temporelle », sachant que n
correspond aux nombres des α-coupes. Ces n objets représentent la même date avec une
représentation multivalente. Dans ce cas, quatre principales contraintes sont à vérifier. La
première contrainte exprimée en OCL est relative à la vérification de la cohérence des dates.
Ainsi, la date minimale doit être inférieure ou égale à la date maximale dans la classe
« Imperfection temporelle ». La deuxième contrainte consiste à s’assurer que les ensembles flous
représentés dans « Imperfection temporelle » et qui se réfèrent aux dates sont connexes et
normalisés. La troisième contrainte consiste à vérifier qu’un objet temporel est composé de n
objets dates représentant une date spécifique avec une représentation multivalente sachant que n
est le nombre des α-coupes sur l’ensemble flou. Dans la quatrième contrainte, il faut que les
valeurs de min-date et max-date soient égales dans le cas où α est égal à 1.
Figure 90 : Représentation en UML de la date floue
b) Date valuée
La représentation en UML de la date valuée est mentionnée dans la figure 91. Dans ce cas, la
classe « Ctd » se connecte à la classe « Imperfection temporelle ». Cependant, contrairement à la
date floue où une date avec n α-coupes est attribuée à chaque objet temporel, un objet temporel
est composé d’une ou plusieurs dates différentes. Ainsi, il possède une ou plusieurs dates avec
différents degrés de possibilité. En plus de la contrainte classique de la vérification de la
cohérence des dates, nous devons dans ce cas vérifier que la somme des degrés de possibilité des
différentes dates est inférieure ou égal à 1. La dernière contrainte à mettre en place consiste à
vérifier qu’un objet temporel est composé d’au moins une date et d’au maximum n dates.
Asma ZOGHLAMI
111
Figure 91 : Représentation en UML de la date valuée
c) Période floue
Comme l’illustre la figure 92, la période floue est représentée en UML suivant le même principe
de représentation de la date floue. La classe temporelle « Ct » se connecte à la classe
« Imperfection temporelle ». La navigation de la classe « Ct » vers la classe « Imperfection
temporelle » est assurée par le rôle période. Inversement, la navigation de la classe
« Imperfection temporelle » vers la classe « Ct » est assurée par le rôle objet temporel. Selon ce
modèle, un objet temporel de « Ct » se compose de n objets périodes représentant une même
période avec une représentation multivalente. Suivant le même principe de la date floue, nous
avons dans ce cas trois contraintes à vérifier dans le modèle de la période floue. La première
contrainte est relative à la vérification de la cohérence des dates. Ainsi, la date minimale doit être
inférieure ou égale à la date maximale dans la classe « Imperfection temporelle ». La deuxième
contrainte consiste à s’assurer de la connexité et de la normalisation des ensembles flous qui
représentent les différentes périodes dans la classe « Imperfection temporelle ». La troisième
contrainte consiste à vérifier qu’un objet temporel est composé de n objets périodes représentant
une même période avec une représentation multivalente (avec n = nombre des α-coupes).
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
112
Figure 92 : Représentation en UML de la période floue
d) Période valuée
Figure 93 : Représentation UML de la période valuée
Asma ZOGHLAMI
113
Comme l’illustre la figure 93, dans le cas de la période valuée, la classe « Ct » se connecte à
la classe « Imperfection temporelle ». Cependant, contrairement à la période floue où une période
avec n α-coupes compose chaque objet temporel, un objet temporel est composé d’une ou
plusieurs périodes différentes avec différents degrés de possibilité. Suivant le même principe de
la date valuée, cette modélisation impose la vérification de trois contraintes. La première consiste
à vérifier la cohérence des dates, la deuxième consiste à vérifier que la somme des degrés
d’appartenance aux différentes périodes est inférieure ou égale à 1, et la dernière consiste à
vérifier qu’un objet temporel est composé d’au moins une période et d’au maximum n périodes.
5.2.2 Correspondance UML et imprécision spatiale
a) Polygone flou
La figure 94 représente la modélisation du polygone flou telle que nous l’envisageons en
UML. Dans cette figure, la classe « Imperfection forme » est une classe spatiale ayant un attribut
de type géométrique (géom) et un degré qui lui est associé. La navigation de la classe « Cs-
polygone » vers la classe « Imperfection forme » est assurée par le rôle géométries. La navigation
de la classe « Imperfection forme » vers la classe « Cs-polygone » est assurée par le rôle objet
spatial. Selon cette représentation, n géométries de type polygone avec différents degrés
d’appartenance, qui correspondent à des α-coupes sur un ensemble flou de géométries polygones,
composent chaque objet spatial. Ainsi, trois principales contraintes sont à respecter dans cette
modélisation. La première contrainte correspond à vérifier que les α-coupes forment un ensemble
flou connexe et normalisé, c’est-à-dire : 1) quelque soit la géométrie G1 avec un degré d1, toutes
les géométries concernant notre ensemble flou ayant un degré supérieur à d1 sont incluses dans
G1 ; 2) les formes sont des formes géométriques connexes ; 3) le degré maximal est égale à 1.
Dans la deuxième contrainte, il s’agit de vérifier que chaque objet spatial de la classe « Cs-
polygone » est composé de n géométries (avec n = nombre des α-coupes). La dernière contrainte
consiste à vérifier que l’attribut « géom » est de type polygone.
Figure 94 : Représentation en UML du polygone flou
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
114
b) Polygone valué
Figure 95 : Représentation en UML du polygone valué
Dans le cas du polygone valué, la classe « Cs-polygone » se connecte à la classe
« Imperfection forme ». Cependant, contrairement au polygone flou où un ensemble flou de n
géométries de type polygone compose chaque objet spatial de « Cs-polygone », un objet spatial
est composé d’une ou plusieurs géométries ayant différents degrés de possibilité. Nous devons
vérifier dans ce cas qu’un objet spatial possède au moins une géométrie et que la somme des
degrés de possibilité de ces différentes géométries est inférieure ou égal à 1(voir figure 95).
c) Ligne floue
Nous appliquons le même principe de représentation du polygone flou pour modéliser la ligne
floue (figure 96). Dans ce cas, la classe « Imperfection forme » est une classe spatiale ayant un
attribut de type géométrique (géom) et un degré qui lui est associé. La navigation de la classe
« Cs-ligne » vers la classe « Imperfection forme » est assurée par le rôle géométries. Inversement,
la navigation de la classe « Imperfection forme » vers la classe « Cs-ligne » est assurée par le rôle
objet spatial. Selon cette représentation, n géométries de type polygone (sauf dans le cas où le
degré = 1) avec différents degrés d’appartenance, qui correspondent à des α-coupes sur un
ensemble flou de géométries, composent chaque objet spatial. Comme dans le cas du polygone
flou, nous avons trois principales contraintes à respecter. La première contrainte correspond à
vérifier que les α-coupes forment un ensemble flou connexe et normalisé. Dans la deuxième
contrainte, il s’agit de vérifier que chaque objet spatial de la classe « Cs-ligne » est composé de n
géométries (avec n = nombre des α-coupes). La dernière contrainte consiste à vérifier que la
géométrie de l’attribut « géom » est de type ligne lorsque le degré est égal à 1.
Asma ZOGHLAMI
115
Figure 96 : Représentation en UML de la ligne floue
d) Ligne valuée
Figure 97 : Représentation en UML de la ligne valuée
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
116
Dans le cas de la ligne valuée représentée dans la figure 97, la classe « Cs-ligne » se connecte
à la classe « Imperfection forme ». Cependant, contrairement à la ligne floue où un ensemble flou
de n géométries compose chaque objet spatial de « Cs-ligne », un objet spatial est composé d’une
ou plusieurs géométries de type polygone (sauf dans le cas où le degré = 1), avec différents
degrés de possibilité. Nous devons vérifier dans ce cas qu’un objet de « Cs-ligne » est composé
d’au moins une géométrie et que la somme des degrés d’appartenance aux différentes géométries
est inférieure ou égal à 1. En plus, la géométrie doit être de type ligne lorsque le degré est égal à
1.
e) Point flou
Figure 98 : Représentation en UML du point flou
La figure 98 illustre la représentation en UML du point flou. Cette représentation reprend le
principe de modélisation du polygone flou et de la ligne floue. En effet, la classe « Imperfection
forme » est une classe spatiale ayant un attribut de type géométrique (géom) et un degré qui lui
est associé. La navigation de la classe « Cs-point » vers la classe « Imperfection forme » est
assurée par le rôle géométries. Inversement, la navigation de la classe « Imperfection forme »
vers la classe « Cs-point » est assurée par le rôle objet spatial. Selon cette représentation, n
géométries de type polygone (sauf dans le cas où le degré =1) avec différents degrés
d’appartenance, qui correspondent à des α-coupes sur un ensemble flou de géométries,
composent chaque objet spatial. Nous avons trois contraintes à respecter. La première contrainte
correspond à vérifier que les α-coupes forment un ensemble flou connexe et normalisé. Dans la
deuxième contrainte, il s’agit de vérifier que chaque objet spatial de la classe « Cs-point » est
Asma ZOGHLAMI
117
composé de n géométries (avec n = nombre des α-coupes). Dans la troisième contrainte, la
géométrie doit être de type point quand le degré est égal à 1.
f) Point valué
Nous appliquons le même principe de représentation du polygone valué et de la ligne valuée
pour modéliser le point valué représenté dans la figure 99. La classe « Cs-point » se connecte à la
classe « Imperfection forme ». Contrairement au point flou où un ensemble flou de n géométries
est attribué à chaque objet de « Cs-point », un objet spatial est composé d’une ou plusieurs
géométries de type polygone (sauf dans le cas où le degré est égal à 1) avec différents degrés de
possibilité. Dans ce cas, il y a trois contraintes à respecter. La première consiste à vérifier que si
le degré est égal à 1, la géométrie est de type point. La deuxième contrainte concerne la
vérification de la somme des degrés d’appartenance aux différentes géométries qui doit être
inférieure ou égale à 1. Dans la dernière contrainte, un objet spatial doit être composé d’au moins
une géométrie et d’au maximum n géométries.
Figure 99 : Représentation en UML du point valué
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
118
5.2.3 Correspondance UML et imprécision quantitative
a) Attribut flou
Figure 100 : Représentation en UML de l’attribut flou
Un attribut flou peut être modélisé en UML suivant la représentation proposée dans la figure
100. Dans ce modèle, la classe « CAI » se connecte à la classe « Imperfection quantitative ». La
navigation de la classe « CAI » vers la classe « Imperfection quantitative » est assurée par le rôle
attribut. Inversement, la navigation de la classe « Imperfection quantitative » vers la classe
« CAI » est assurée par le rôle objet quantitatif. Un objet quantitatif est composé de n objets de
type attribut représentant un même attribut avec une représentation multivalente. En plus de la
contrainte de vérification de la cohérence des valeurs minimales et maximales, il y a deux
principales contraintes à respecter dans ce type de modélisation. La première contrainte est
relative à la vérification de la connexité et de la normalisation des ensembles flous. La deuxième
contrainte consiste à vérifier qu’un objet quantitatif est composé de n objets attribut (avec n =
nombre des α-coupes).
b) Attribut valué
Dans le cas d’un attribut valué représenté dans la figure 101, un objet quantitatif est composé
d’un ou n objets de la classe « Imperfection quantitative ». Nous devons vérifier dans ce cas que
pour chaque objet quantitatif, la somme des degrés qui lui sont attribués est inférieure ou égal à 1.
Nous vérifions aussi qu’un objet quantitatif se compose d’au moins un attribut et d’au maximum
n attributs. De plus, la contrainte de vérification de la cohérence des valeurs minimales et
maximales dans la classe « Imperfection quantitative » est mise en place.
Asma ZOGHLAMI
119
Figure 101 : Représentation en UML de l’attribut valué
Dans ce chapitre, nous avons présenté à travers plusieurs exemples le langage F-PictograF
que nous avons défini dans le cadre de notre approche F-PERCEPTORY pour permettre la
représentation de l’imprécision temporelle, spatiale et quantitative. L’imprécision temporelle est
représentée dans F-PictograF à travers les étiquettes temporelles floues (date floue et période
floue) et les étiquettes temporelles valuées (date valuée et période valuée). L’imprécision spatiale
est représentée à travers les géométries floues (polygone flou, ligne floue et point flou) et les
géométries valuées (polygone valué, ligne valuée et point valué). L’imprécision quantitative est
définie à travers l’attribut flou et l’attribut valué. Nous pouvons noter que dans cette proposition
de représentation des différentes informations imprécises, nous nous basons sur une organisation
de ces concepts qui peut être vue comme une ontologie. Pour toutes ces précédentes formes
d’imprécision, nous avons proposé une représentation en UML qui met l’accent sur les
principales contraintes qui doivent être mises en place pour chaque type de représentation.
La démarche originale proposée dans ce chapitre contribue à la modélisation conceptuelle des
SIG en prenant en considération l’imprécision inhérente à l’information. Ainsi l’utilisateur de F-
PERCEPTORY peut définir ses propres diagrammes de classes dans lesquels il aura identifié le
caractère spatial, temporel et/ou imprécis des classes et attributs modélisés. Afin de construire un
SIG à partir d’un modèle F-PERCEPTORY, il est nécessaire de le transformer en un modèle
logique afin qu’il puisse être exploitable au niveau d’une base de données relationnelle. Pour
cela, il nous reste à établir un ensemble de règles. Le chapitre suivant sera consacré à définir et
détailler les règles de gestion des différentes formes d’imprécision dans un système de gestion de
bases de données spatiotemporelles qu’il soit relationnel ou objet.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
120
Asma ZOGHLAMI
121
Chapitre 6. Du modèle F-PERCEPTORY à un SIG opérationnel : construction de la base de données
Dans ce chapitre nous allons introduire les différentes règles et contraintes, permettant de
construire un SIG opérationnel (et sa base de données), à partir d’un diagramme de classes F-
PERCEPTORY. Afin de mettre en œuvre la base de données, il est nécessaire de passer par une
étape de modélisation logique des données avant la phase de construction de la base de données
et de ses règles d’édition. Cette étape est indispensable pour décrire la structure des données
utilisées dans un modèle, sans faire référence à un langage de programmation, et pour traiter
l’intégrité des données. Aussi, nous proposons dans ce chapitre de présenter pour chaque forme
d’imprécision, un certain nombre de règles et de contraintes pour arriver au modèle logique puis
à l’édition de la base de données.
Suivant notre approche F-PERCEPTORY, le temps, l’espace et les caractéristiques
quantitatives sont associés à des ensembles flous. Ainsi, lors du passage au modèle logique, nous
devrons tenir compte de ce type de représentation. Pour répondre à cette particularité de
représentation et pour pouvoir stocker les ensembles flous dans le modèle relationnel, nous
associerons un ensemble de α-coupes à chaque type de donnée imprécise que ce soit spatiale,
temporelle ou quantitative. Ainsi, on introduit plusieurs valeurs de vérité à chaque donnée
représentée par un ensemble flou, sachant que chaque degré correspondra à chaque fois à la
valeur de α. Pour illustrer le principe, prenons l’exemple de la figure 102. L’ensemble flou
caractérisé par la fonction d’appartenance µ est représenté par 3 α-coupes. La première α-coupe
où α égale à 0, correspond au support de la fonction. La deuxième α-coupe correspond à un degré
d’appartenance de 0.5, donc obligatoirement toutes les valeurs mentionnées dans l’intervalle ont
un degré de vérité supérieur ou égal à 0.5. Enfin, la dernière α-coupe correspond au noyau de la
fonction avec un degré d’appartenance de 1.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
122
Figure 102 : Exemple de représentation des α-coupes
Les règles de passage du F-PERCEPTORY au modèle logique peuvent être exprimées soit
par un langage adapté à un système de gestion de base de données relationnelle (SQL) ou par un
langage adapté au système de gestion d’une base de données objet (OCL). Nous présenterons les
deux aspects.
Nous avons opté dans ce travail pour la base de données relationnelle spatiale
PostGreSQL/Postgis. Ainsi, les transformations et les contraintes d’intégrité que nous allons
détailler sur la période floue, la date floue, l’imprécision spatiale sur la forme polygone,
l’imprécision spatiale sur la forme point, l’imprécision spatiale sur la forme ligne, l’imprécision
quantitative et l’imprécision sur les relations entre les classes, vont être exprimées dans le
langage procédural Pl/pgSQL géré par Postgis.
6.1 Gestion de l’imprécision temporelle dans une base de données relationnelle
La couche gérant l’imprécision temporelle prend en compte deux aspects de la temporalité.
Le premier aspect est la date floue qui est représentée par une date minimale, une date maximale
et une fonction d'appartenance. Le deuxième aspect est la période floue représentée par une date
minimale, une date maximale et une fonction d’appartenance. La figure 103 montre des
représentations possibles de données temporelles imprécise à l’aide d’ensembles flous. Dans cet
exemple, la date floue est représentée par une fonction d’appartenance triangulaire tandis que la
période floue est représentée par une fonction d’appartenance trapézoïdale.
Asma ZOGHLAMI
123
Figure 103 : Représentation des formes d’imprécision temporelle
Dans notre schéma de construction, la linéarité de la fonction d’appartenance entre les
bornes du noyau et du support n’est pas nécessaire. Notre approche permet de gérer toutes les
formes d’ensembles flous connexes.
6.1.1 Transformation de la date floue et de la date valuée
6.1.1.1 Les étapes de la transformation Au niveau de la base de données, l’ensemble flou qui se réfère à une imprécision sur une
date floue sera représenté par un nombre n de α-coupes définies par :
µα1 = {ti [date-min1, date-max1], µ (ti) >= α1}
…
µαn = {ti [date-minn, date-maxn], µ (t) >= αn}
Ainsi, le degré d’appartenance de toute date ti comprise dans l’intervalle [date-mink, date-maxk]
est supérieure ou égale αk.
Nous allons considérer lors de cette transformation le cas où la date est floue et le cas où elle peut
être attribuée à un certain objet temporel avec un degré de possibilité (« date with d »).
a) Transformation de la date floue
Pour chaque étiquette temporelle floue de type date floue, nous appliquons les étapes de
transformation suivantes :
1 : Création de la table « Imperfection_temporelle_date_floue » pour la représentation
multivalente de chaque date.
CREATE TABLE imperfection_temporelle_date_floue (Id-timestamp integer, alpha numeric,
min_date date, max_date date, PRIMARY KEY (Id-timestamp, alpha)) ;
Alg. 1. Création de la table imperfection_temporelle_date_floue
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
124
2 : Transformation de la classe temporelle Ctd à la table Ctd et migration d’une partie de la clé de
la table « imperfection_temporelle_date_floue» vers la table « Ctd ».
CREATE TABLE Ctd ( Identifiant integer, Id-timestamp integer, PRIMARY KEY (Identifiant),
FOREIGN KEY Id-timestamp REFERENCES Imperfection_temporelle_date_floue) ;
Alg. 2. Création de la table Ctd
Les étapes de transformation de la date floue sont illustrées dans la figure 104. La date valuée
est considérée comme un cas particulier de la date floue. En effet, elle correspond à un ou
plusieurs tuples de la table « Imperfection_temporelle_date_floue ». Vu que les contraintes
appliquées sur la date floue et la date valuée se différent, l’imprécision temporelle de type date
valuée que nous présentons dans la section suivante, ne sera pas gérée dans la même table que la
date floue. Elle sera prise en compte dans une autre table spécifique qui représente un sous-
ensemble de la table « Imperfection_temporelle_date_floue ».
Figure 104 : Transformation de l’imprécision temporelle de type date floue
Asma ZOGHLAMI
125
b) Transformation de la date valuée
Pour chaque étiquette temporelle valuée de type date valuée, nous appliquons les étapes de
transformation suivantes :
1 : Création de la table « Imperfection_temporelle_date_valuée » qui stocke les différentes dates
valuées
CREATE TABLE Imperfection_temporelle_date_valuée (Id-timestamp integer, alpha numeric,
min_date date, max_date date, PRIMARY KEY (Id-timestamp, alpha)) ;
Alg. 3. Création de la table Imperfection_temporelle_date_valuée
2 : Transformation de la classe temporelle Ctd valué à la table Ctd_valué et migration de la clé de
la table « Imperfection_temporelle_date_valuée » vers la table « Ctd_valué ».
CREATE TABLE Ctd_valué ( Identifiant integer, Id-timestamp integer, degré numeric,
PRIMARY KEY (Identifiant, Id_timestamp, degré), FOREIGN KEY (Id-timestamp, degré)
REFERENCES Imperfection_temporelle_date_valuée (Id_timestamp, alpha)) ;
Alg. 4. Création de la table Ctd_valué
Les étapes de transformation de la date valuée sont illustrées dans la figure 105.
Figure 105 : Transformation de l’imprécision temporelle de type date valuée
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
126
6.1.1.2 Contraintes d’intégrité de la date floue
a) Contraintes en SQL
Contrainte 1 : Vérifier que la date minimale (min_date) est inférieure ou égale à la date
maximale (max_date) dans la table « Imperfection_temporelle_date_floue » à travers le trigger
suivant :
CREATE FUNCTION vérifier-date () RETURNS TRIGGER AS $ vérifier-date $
BEGIN
IF NEW. min_date > NEW. max_date THEN
RAISE EXCEPTION ' incohérence des dates ';
END IF;
RETURN NEW;
END;
$ vérifier-date $ LANGUAGE plpgsql;
CREATE TRIGGER cohérence_date BEFORE INSERT ON
Imperfection_temporelle_date_floue FOR EACH ROW
EXECUTE PROCEDURE vérifier-date ();
Alg. 5. Trigger pour la vérification de la cohérence des dates dans la table
« Imperfection_temporelle_date_floue »
Contrainte 2 : Le respect de la connexité de l’ensemble flou d’une date revient à vérifier que
pour tout Id-timestamp dans « Imperfection_temporelle_date_floue », les dates ou intervalles de
degré plus élevé sont inclus dans les intervalles de degré plus faible (figure 106).
Figure 106 : Représentation par α-coupes d’un ensemble flou connexe et normalisé définissant une date floue
Pour vérifier cette contrainte, nous créons un trigger (algorithme 6) qui vérifie la structure de
l’ensemble flou relatif à une date.
Asma ZOGHLAMI
127
CREATE OR REPLACE FUNCTION structure_date () RETURNS TRIGGER AS $
structure_date $
DECLARE
NB_ERREUR integer;
BEGIN
select count (*) into NB_ERREUR from Imperfection_temporelle_date_floue t where
t.Id_timestamp = NEW.Id_timestamp and ((t.alpha > new.alpha and (t.min_date < NEW.min_date
or t.max_date > NEW.max_date)) or (t.alpha < new.alpha and (t.min_date > NEW.min_date or
t.max_date < NEW.max_date)));
dbms_output.put_line (NB_ERREUR);
if (NB_ERREUR > 0) THEN RAISE EXCEPTION 'violation de la contrainte de structure';
END IF;
RETURN NEW; END;
$structure_date $ LANGUAGE plpgsql ;
CREATE OR REPLACE TRIGGER vérification- structure-date BEFORE INSERT ON
Imperfection_temporelle_date_floue
FOR EACH ROW
EXECUTE PROCEDURE structure_date ();
Alg. 6. Trigger pour la vérification de la structure de l’ensemble flou d’une date
En plus de la structure, chaque ensemble flou qui représente une date doit être normalisé
(hauteur égale à 1). Pour vérifier cette contrainte, nous créons une vue qui regroupe les noyaux de
tous les ensembles flous représentant des dates (algorithme 7). Le trigger établi dans l’algorithme
8 vérifie que tous ces ensembles flous sont normalisés, c’est-à-dire que le degré de confiance
associé au noyau soit égal à 1.
CREATE view min_max_date
As Select Id_timestamp, max (min_date), min (max_date), alpha
From Imperfection_temporelle_date_floue group by Id_timestamp ;
Alg. 7. Vue regroupant les noyaux des ensembles flous représentant les dates
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
128
CREATE FUNCTION vérifier_ensemble_date_normalisé () RETURNS TRIGGER AS $
vérifier_ensemble_date_normalisé $
BEGIN
IF ( Select alpha from min_max_date) <> 1 THEN
RAISE EXCEPTION 'ensemble flou non normalisé ';
END IF;
RETURN NEW;
END;
$ vérifier_ensemble_date_normalisé $ LANGUAGE plpgsql;
CREATE TRIGGER ensemble_flou_date_normalisé AFETR INSERT ON
Imperfection_temporelle_date_floue FOR EACH ROW
EXECUTE PROCEDURE vérifier_ensemble_date_normalisé ();
Alg. 8. Trigger pour vérifier la normalisation des ensembles flous des dates
Contrainte 3 : Un objet de la table « Ctd » établit n relations avec la table
« Imperfection_temporelle_date_floue » sachant que n est le nombre des α-coupes. Cette
contrainte est exprimée dans le code ci-dessous :
CHECK (not (n < (select count* from Ctd, Imperfection_temporelle_date_floue where
Ctd.Id_timestamp = Imperfection_temporelle_date_floue.Id_timestamp group by Identifiant)))
CHECK (not (n > (select count* from Ctd, Imperfection_temporelle_date_floue where
Ctd.Id_timestamp = Imperfection_temporelle_date_floue.Id_timestamp group by Identifiant))
Alg. 9. Contrainte sur le nombre d’apparition d’une date dans une représentation multivalente
Asma ZOGHLAMI
129
Contrainte 4 : La date minimale et la date maximale sont égales dans le cas où alpha est égal à 1.
Cette contrainte est vérifiée à travers le trigger ci-dessous.
CREATE TRIGGER vérifier-égalité-dates AFTER INSERT ON
Imperfection_temporelle_date_floue
FOR EACH ROW
DECLARE
date_minimale date;
date_maximale date;
BEGIN
Select min_date into date_minimale, max_date into date_maximale from
Imperfection_temporelle_date_floue where alpha = 1;
If ( date_maximale <> date_minimale) THEN
RAISE EXCEPTION ' violation de la contrainte égalité des dates ' ;
END IF ;
END ;
Alg. 10. Trigger pour la vérification de l’égalité des dates minimales et maximales
b) Contraintes en OCL
Figure 107 : Contraintes de la date floue exprimées en OCL
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
130
Les contraintes 1, 3 et 4 sont représentées en OCL dans la figure 107. La contrainte 2 qui
correspond à respecter la connexité des ensembles flous dans la classe « Imperfection
temporelle» est représentée par le code OCL ci-dessous.
{Context Ctd inv :
Self.date -> forAll (c1, c2: Imperfection temporelle | c1 <> c2 and c1. Id-timestamp = c2. Id-
timestamp and c1.alpha > c2.alpha implies (c1.min-date >= c2.min-date) and (c1.max-date <=
c2.max-date)) }
Alg. 11. Contrainte de connexité de l’ensemble flou d’une date exprimée en OCL
La contrainte OCL qui vérifie que chaque objet temporel est composé de n dates qui se
référent à un ensemble flou normalisé est exprimée dans l’algorithme ci-dessous.
{Context Ctd inv :
Self -> collect (date.alpha) -> exists (alpha | alpha =1)}
Alg. 12. Vérification de la normalisation de l’ensemble flou de la date exprimée en OCL
6.1.1.3 Contraintes d’intégrité de la date valuée
a) Contraintes en SQL
Contrainte 5 : Vérifier que la date minimale (min_date) est égale à la date maximale (max_date)
dans la table « Imperfection_temporelle_date_valuée » à travers le trigger suivant :
CREATE FUNCTION vérifier-date-valuée () RETURNS TRIGGER AS $ vérifier-date $
BEGIN
IF NEW. min_date > NEW. max_date or NEW. min_date < NEW. max_date THEN
RAISE EXCEPTION ' incohérence des dates valuées ' ;
END IF;
RETURN NEW;
END;
$ vérifier-date $ LANGUAGE plpgsql;
CREATE TRIGGER cohérence_date-valuée BEFORE INSERT ON
Imperfection_temporelle_date_valuée FOR EACH ROW
Asma ZOGHLAMI
131
EXECUTE PROCEDURE vérifier-date-valuée ();
Alg. 13. Trigger pour la vérification de la cohérence des dates valuées
Contrainte 6 : Pour chaque objet oi de la table Ctd_valué, nous vérifions que
à travers le trigger suivant :
CREATE FUNCTION vérifier-somme-dates-valuées () RETURNS TRIGGER AS $ vérifier-
somme-dates $
BEGIN
IF (select sum (degré) from Ctd_valué where Identifiant in (select distinct Identifiant
from Ctd_valué group by Identifiant )) > 1THEN
RAISE EXCEPTION ' la somme des degrés de possibilité des dates valuées est non
valable ' ;
END IF;
END;
$ vérifier- somme-dates $ LANGUAGE plpgsql;
CREATE TRIGGER contrainte_somme_dates_valuées AFTER INSERT ON Ctd_valué
FOR EACH ROW
EXECUTE PROCEDURE vérifier-somme-dates-valuées () ;
Alg. 14. Trigger pour la vérification de la somme des degrés de possibilité des dates valuées
Contrainte 7 : Un objet de la table « Ctd_valué » établit au moins un lien et au maximum n liens
vers la table « Imperfection_temporelle_date_valuée ». La contrainte correspondant à 1 en
cardinalité minimale et à n en cardinalité maximale est représentée par le code suivant :
CHECK (EXISTS (select* from Ctd_valué, Imperfection_temporelle_date_valuée where
Ctd_valué.Id_timestamp = Imperfection_temporelle_date_valuée.Id_timestamp group by
Identifiant))
CHECK (not (n < (select count* from Ctd_valué, Imperfection_temporelle_date_valuée where
Ctd_valué.Id_timestamp = Imperfection_temporelle_date_valuée.Id_timestamp group by
Identifiant)))
Alg. 15. Contrainte sur le nombre de relations minimales et maximales avec la table
Imperfection_temporelle_date_valuée
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
132
b) Contraintes en OCL
Les contraintes 5, 6 et 7 sont représentées en OCL dans la figure 108.
Figure 108 : Contraintes de la date valuée exprimées en OCL
6.1.2 Transformation de la période floue et de la période valuée
6.1.2.1 Les étapes de la transformation
Au niveau de la base de données, l’ensemble flou qui se réfère à une imprécision sur une
période floue sera représenté par un nombre n de α-coupes définies par :
µα1 = {ti [date-min, date-max], µ (ti) >= α1}
…
µαn = { ti [date-min, date-max], µ (ti) >= αn}
Telle que la fonction d’appartenance de toute date ti appartenant à un intervalle [date-mini, date-
maxj] est supérieure ou égale αi. Nous allons considérer lors de cette transformation le cas où la
période est floue et le cas où elle peut être associée à un objet temporel avec un degré de
possibilité (« period with d »).
Asma ZOGHLAMI
133
a) Transformation de la période floue
Pour chaque étiquette temporelle floue de type période floue, nous appliquons les étapes de
transformation suivantes :
1 : Création de la table « Imperfection_temporelle_période_floue » pour la représentation
multivalente de chaque période.
CREATE TABLE Imperfection_temporelle_période_floue (Id_timestamp integer, alpha numeric,
min_date date, max_date date, PRIMARY KEY (Id_timestamp, alpha)) ;
Alg. 16. Création de la table Imperfection_temporelle_période_floue
2 : Transformation de la classe temporelle Ct à la table Ct et migration d’une partie de la clé de la
table « Imperfection_temporelle_période_floue» vers la table « Ct ».
CREATE TABLE Ct (Identifiant integer, Id_timestamp integer, PRIMARY KEY (Identifiant),
FOREIGN KEY Id_timestamp REFERENCES Imperfection_temporelle_période_floue) ;
Alg. 17. Création de la table CT
Figure 109 : Transformation de l’imprécision temporelle de type période floue
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
134
La figure 109 illustre la transformation de la période floue du modèle conceptuel au modèle
logique. La période valuée correspond dans ce cas à un tuple de la représentation multivalente
d’une période ou à plusieurs tuples appartenant à des périodes différentes. Ainsi, la période
valuée est considérée comme un cas particulier de période floue. Étant donné que les contraintes
appliquées sur la période floue et sur la période valuée ne sont pas les mêmes, l’imprécision
temporelle de type période valuée, que nous présentons dans la section suivante sera prise en
compte dans une table spécifique.
b) Transformation de la période valuée
Pour chaque étiquette temporelle valuée de type période valuée, nous appliquons les étapes de
transformation suivantes :
1 : Création de la table « Imperfection_temporelle_période_valuée » qui stocke les différentes
périodes valuées.
CREATE TABLE Imperfection_temporelle_période_valuée (Id_timestamp integer, alpha numeric,
min_date date, max_date date, PRIMARY KEY (Id_timestamp, alpha) ;
Alg. 18. Création de la table Imperfection_temporelle_période_valuée
2 : Transformation de la classe temporelle Ct valué à la table Ct_valué et migration de la clé de la
table « Imperfection_temporelle_période_valuée» vers la table « Ct_valué ».
CREATE TABLE Ct_valué (Identifiant integer, Id_timestamp integer, degré numeric,
PRIMARY KEY (Identifiant, Id_timestamp, degré), FOREIGN KEY (Id_timestamp, degré)
REFERENCES Imperfection_temporelle_période_valuée (Id_timestamp, alpha)) ;
Alg. 19. Création de la table CT_valué
Les étapes de transformation de la période valuée sont illustrées dans la figure 110.
Asma ZOGHLAMI
135
Figure 110 : Transformation de l’imprécision temporelle de type période valuée
6.1.2.2 Contraintes d’intégrité de la période floue
a) Contraintes en SQL
Contrainte 8 : Vérifier que la date minimale (min_date) est inférieure ou égale à la date
maximale (max_date) dans la table « Imperfection_temporelle_période_floue » à travers le
trigger suivant :
CREATE FUNCTION vérifier_date () RETURNS TRIGGER AS $ vérifier_date $
BEGIN
IF NEW. min_date > NEW. max_date THEN
RAISE EXCEPTION ' incohérence des dates ';
END IF;
RETURN NEW;
END;
$ vérifier_date $ LANGUAGE plpgsql;
CREATE TRIGGER cohérence_date BEFORE INSERT ON Imperfection_temporelle_
période_floue FOR EACH ROW EXECUTE PROCEDURE vérifier-date () ;
Alg. 20. Trigger pour la vérification de la cohérence des dates dans la table
Imperfection_temporelle_période_floue
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
136
Contrainte 9 : Pour s’assurer de la structure des ensembles flous représentant des périodes, pour
tout Id_timestamp dans « Imperfection_temporelle_période_floue », il faut vérifier que les
intervalles de degré plus élevé sont inclus dans les intervalles de degré plus faible (figure 111).
Figure 111 : Représentation par α-coupes d’un ensemble flou connexe et normalisé définissant une période
floue
Pour vérifier cette contrainte, nous créons un trigger (algorithme 21) qui vérifie la structure de
l’ensemble flou relatif à une période.
CREATE OR REPLACE FUNCTION structure_période () RETURNS TRIGGER AS $
structure_période $
DECLARE
NB_ERREUR integer;
BEGIN
select count (*) into NB_ERREUR from Imperfection_temporelle_période_floue t where
t.Id_timestamp = NEW.Id_timestamp and ((t.alpha > new.alpha and (t.min_date < NEW.min_date
or t.max_date > NEW.max_date)) or (t.alpha < new.alpha and (t.min_date > NEW.min_date or
t.max_date < NEW.max_date)));
if (NB_ERREUR > 0) THEN RAISE EXCEPTION 'violation de la contrainte de structure' ;
END IF;
RETURN NEW;
END;
$ structure_période $ LANGUAGE plpgsql ;
CREATE OR REPLACE TRIGGER vérification-structure-période BEFORE INSERT ON
Imperfection_temporelle_période_floue
FOR EACH ROW
EXECUTE PROCEDURE structure_période ();
Alg. 21. Trigger pour la vérification de la structure de l’ensemble flou d’une période
En plus de la structure, chaque ensemble flou qui représente une période doit être normalisé
(hauteur égale à 1). Pour vérifier cette contrainte, nous créons une vue qui regroupe les noyaux de
Asma ZOGHLAMI
137
tous les ensembles flous représentant des périodes (algorithme 22). Le trigger établi dans
l’algorithme 23 vérifie que tous les ensembles flous sont normalisés, c’est-à-dire que le degré de
confiance associé au noyau est égal à 1.
CREATE view min_max_période
As Select Id_timestamp, max (min_date), min (max_date), alpha
From Imperfection_temporelle_période_floue group by Id_timestamp ;
Alg. 22. Vue regroupant les noyaux des ensembles flous représentant les périodes
CREATE FUNCTION vérifier_ensemble_période_normalisé () RETURNS TRIGGER AS $
vérifier_ensemble_période_normalisé $
BEGIN
IF ( Select alpha from min_max_période) <> 1 THEN
RAISE EXCEPTION ' ensemble flou non normalisé ' ;
END IF;
RETURN NEW;
END;
$ vérifier_ensemble_période_normalisé $ LANGUAGE plpgsql;
CREATE TRIGGER ensemble_flou_période_normalisé AFETR INSERT ON
Imperfection_temporelle_période_floue FOR EACH ROW
EXECUTE PROCEDURE vérifier_ensemble_période_normalisé (); Alg. 23. Trigger pour la vérification de la normalisation de l’ensemble flou de la période
Contrainte 10 : Un objet de la table « Ct » établit n relations avec la table
« Imperfection_temporelle_période_floue ». Cette contrainte est exprimée dans le code ci-
dessous :
CHECK (not (n < (select count* from Ct, Imperfection_temporelle_période_floue where Ct.
Id_timestamp = Imperfection_temporelle_période_floue. Id_timestamp group by Identifiant)))
CHECK (not (n > (select count* from Ct, Imperfection_temporelle_période_floue where Ct.
Id_timestamp = Imperfection_temporelle_période_floue. Id_timestamp group by Identifiant)))
Alg. 24. Contrainte sur le nombre de relations avec la table Imperfection_temporelle_période_floue
b) Contraintes en OCL
Les contraintes 8 et 10 sont représentées en OCL dans la figure 112.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
138
Figure 112 : Contraintes de la période floue exprimées en OCL
La contrainte 9 qui correspond à respecter la connexité des ensembles flous dans la classe
« Imperfection temporelle » est représentée par le code OCL ci-dessous.
{Context Ct inv :
Self.période -> forAll (c1, c2: Imperfection temporelle | c1 <> c2 and c1. Id-timestamp = c2. Id-
timestamp and c1.alpha > c2.alpha implies (c1.min-date >= c2.min-date) and (c1.max-date <=
c2.max-date))}
Alg. 25. Contrainte de connexité de l’ensemble flou d’une période exprimée en OCL
La contrainte OCL qui vérifie que chaque objet temporel est composé de n périodes qui se
référent à un ensemble flou normalisé est exprimée dans l’algorithme ci-dessous.
{Context Ct inv :
Self -> collect (période.alpha) -> exists (alpha | alpha =1)}
Alg. 26. Vérification de la normalisation de l’ensemble flou de la période exprimée en OCL
6.1.2.3 Contraintes d’intégrité de la période valuée
a) Contraintes en SQL
Contrainte 11 : Vérifier que la date minimale (min_date) est inférieure ou égale à la date
maximale (max_date) dans la table « Imperfection_temporelle_période_valuée » à travers le
trigger suivant :
CREATE FUNCTION vérifier_date () RETURNS TRIGGER AS $ vérifier_date $
Asma ZOGHLAMI
139
BEGIN
IF NEW. min_date > NEW. max_date THEN
RAISE EXCEPTION ' incohérence des dates ' ;
END IF;
RETURN NEW;
END;
$ vérifier_date $ LANGUAGE plpgsql;
CREATE TRIGGER cohérence_date BEFORE INSERT ON Imperfection_temporelle_
période_valuée FOR EACH ROW
EXECUTE PROCEDURE vérifier-date () ;
Alg. 27. Trigger pour la vérification de la cohérence des dates dans la table
Imperfection_temporelle_période_valuée
Contrainte 12 : Pour chaque objet oi de la table Ct_valué, nous vérifions que
à travers le trigger suivant :
CREATE FUNCTION vérifier-somme-périodes-valuées () RETURNS TRIGGER AS $ vérifier-
somme-périodes $
BEGIN
IF (select sum (degré) from Ct_valué where Identifiant in (select distinct Identifiant from
Ct_valué group by Identifiant )) > 1THEN
RAISE EXCEPTION ' la somme des degrés de possibilité des périodes valuées est non
valable ' ;
END IF;
END;
$ vérifier- somme-périodes $ LANGUAGE plpgsql;
CREATE TRIGGER contrainte_somme_périodes_valuées AFTER INSERT ON Ct_valué
FOR EACH ROW
EXECUTE PROCEDURE vérifier-somme-périodes-valuées () ;
Alg. 28. Trigger pour la vérification de la somme des degrés de possibilité des périodes valuées
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
140
Contrainte 13 : Un objet de la table « Ct_valué » établit au moins un lien et au maximum n liens
vers la table « Imperfection_temporelle_période_valuée ». La contrainte correspondant à 1 en
cardinalité minimale et à n en cardinalité maximale est représentée par le code suivant :
CHECK (EXISTS (select* from Ct_valué, Imperfection_temporelle_période_valuée where
Ct_valué.Id_timestamp = Imperfection_temporelle_période_valuée.Id_timestamp group by
Identifiant))
CHECK (not (n < (select count* from Ct_valué, Imperfection_temporelle_période_valuée where
Ct_valué.Id_timestamp = Imperfection_temporelle_période_valuée.Id_timestamp group by
Identifiant)))
Alg. 29. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_temporelle_période_valuée
b) Contraintes en OCL
Les contraintes 11, 12 et 13 sont exprimées en OCL dans la figure 113.
Figure 113 : Contraintes de la période valuée exprimées en OCL
6.2 Gestion de l’imprécision spatiale dans une base de données relationnelle
L’imprécision spatiale peut concerner la forme géométrique de l’objet aussi bien que sa
localisation. Selon le standard ISO 19107, la géométrie d’un objet spatial est définie selon sa
dimension spatiale. Elle peut être un point, une ligne, une surface, une courbe, etc. Dans ce
travail, nous allons considérer les trois géométries de base qui sont : polygone, ligne et point.
Asma ZOGHLAMI
141
Nous visons à avoir une représentation qui permet de gérer les différentes imprécisions sur
les formes géométriques en partant du principe que quelque soit la géométrie en question,
l’imprécision est représentée sous forme d’un ensemble de polygones entourant la géométrie et
ayant différents degrés de confiance. Ainsi, nous présentons respectivement dans cette section les
différentes transformations et les différentes contraintes sur la géométrie polygone, ligne et point.
6.2.1 Transformation du polygone flou et du polygone valué
6.2.1.1 Les étapes de la transformation
Au niveau de la base de données, l’ensemble flou qui se réfère à une forme spatiale polygone est
représenté dans une table spécifique sous forme de n α-coupes définies par :
µα1 = {Gi G, µ (Gi) >= α1}
…
µαn = {Gi G, µ (Gi) >= αn}
Avec Gi une géométrie ayant un degré d’appartenance supérieur ou égal à αi. Nous allons
considérer lors de cette transformation le cas où la géométrie est floue et le cas où elle peut être
associée à un objet spatial avec un degré de possibilité (« polygon with d »).
a) Transformation du polygone flou
Nous appliquons les étapes suivantes pour transformer le polygone flou :
1 : Création de la table « Imperfection_forme_polygone_flou » où sont stockées toutes les
géométries qui correspondent à une forme polygone donnée avec leurs degrés de confiance.
CREATE TABLE Imperfection_forme_polygone_flou ( Id_géométrie integer, géométrie geometry,
degré numeric, PRIMARY KEY (Id_géométrie, degré)) ;
Alg. 30. Création de la table Imperfection_forme_polygone_flou
2 : Transformer la classe spatiale CS polygone à la table CS_polygone et migration d’une partie
de la clé de la table « Imperfection_forme_polygone_flou » vers la table « CS_ polygone ».
CREATE TABLE CS_polygone ( Identifiant integer, Id_géométrie integer, PRIMARY KEY
(Identifiant), FOREIGN KEY Id_géométrie REFERENCES Imperfection_forme_ polygone_flou ) ;
Alg. 31. Création de la table CS_polygone
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
142
Figure 114 : Transformation de l’imprécision spatiale de type polygone flou
Les étapes de transformation du polygone flou sont illustrées dans la figure 114. Le polygone
valué correspond dans ce cas à un ou plusieurs tuples de la table
« Imperfection_forme_polygone_flou ». Étant donné que les contraintes exprimées
respectivement sur le polygone flou et le polygone valué sont différentes, nous gérons
l’imprécision spatiale de type polygone valué dans une table spécifique.
b) Transformation du polygone valué
Les étapes de transformation du polygone valué sont illustrées dans la figure 115.
Figure 115 : Transformation de l’imprécision spatiale de type polygone valué
Nous appliquons les étapes suivantes pour transformer le polygone valué :
1 : Création de la table « Imperfection_forme_polygone_valué » où sont stockées toutes les
géométries qui correspondent à une forme polygone valué donnée avec leurs degrés de confiance.
Asma ZOGHLAMI
143
CREATE TABLE Imperfection_forme_polygone_valué (Id_géométrie integer, géométrie
geometry, degré numeric, PRIMARY KEY (Id_géométrie, degré)) ;
Alg. 32. Création de la table Imperfection_forme_polygone_valué
2 : Transformer la classe spatiale CS polygone valué à la table CS_polygone_valué et migration
de la clé de la table « Imperfection_forme_polygone_valué » vers la table « CS_
polygone_valué ».
CREATE TABLE CS_polygone_valué (Identifiant integer, Id_géométrie integer, degré numeric,
PRIMARY KEY (Identifiant, Id_géométrie, degré ), FOREIGN KEY (Id_géométrie, degré)
REFERENCES imperfection_forme_polygone_valué (id_géométrie, degré)) ;
Alg. 33. Création de la table CS_polygone_valué
6.2.1.2 Contraintes d’intégrité du polygone flou
a) Contraintes en SQL
Un ensemble de contraintes d’intégrité spatiale doivent être vérifiées au niveau de la couche
d’imperfection spatiale afin d’assurer la cohérence des données.
Contrainte 14 : Pour toutes les géométries associées à un objet oi de la table Cs_polygone, nous
vérifions que les géométries liées à un degré plus élevé (par exemple A) sont incluses dans les
géométries de degré plus faible (par exemple B). Il s’agit de vérifier la relation topologique
spatiale B contient A (figure 116).
Figure 116 : Structure de l’ensemble flou connexe de la géométrie polygone flou
Pour vérifier cette contrainte, nous créons le trigger qui vérifie la cohérence de la structure
géométrique floue :
CREATE FUNCTION vérifier_relation_topologique_polygone () RETURNS TRIGGER AS $
vérifier_relation_topologique_polygone $
DECLARE
G1, 1
G2 , 0.8
…
Géométries d’un objet surfacique
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
144
NB_ERREUR integer;
BEGIN
select count (*) into NB_ERREUR from Imperfection_forme_polygone_flou t
where t. Id_géométrie = NEW. Id_géométrie
and ((t.degré > new.degré and not (St_contains (new.géometrie, t.géometrie)
or (t.degré <= new.degré and not (St_contains (t.géometrie, new.géometrie));
if (NB_ERREUR > 0) THEN RAISE EXCEPTION 'violation de la contrainte de structure ';
END IF;
RETURN NEW;
END ;
$ vérifier_relation_topologique_polygone $ LANGUAGE plpgsql;
CREATE TRIGGER vérifier_ B_contient_A_polygone BEFORE INSERT ON CS_polygone
FOR EACH ROW
EXECUTE PROCEDURE vérifier_relation_topologique_polygone () ;
Alg. 34. Trigger pour la vérification de la relation topologique « contient » sur des géométries de type
polygone flou pour la validation de la structure de l’ensemble flou ainsi défini
En plus de la structure, chaque ensemble flou qui représente une géométrie polygone flou doit
être normalisé. Cette contrainte est exprimée dans le trigger ci-dessous :
CREATE FUNCTION vérifier_ensemble_polygone_normalisé () RETURNS TRIGGER AS $
vérifier_ensemble_polygone_normalisé $
BEGIN
IF ( Select max (degré) from Imperfection_forme_polygone_flou group by Id_géométrie)
<> 1 THEN
RAISE EXCEPTION ' ensemble flou non normalisé ';
END IF;
RETURN NEW;
END;
$ vérifier_ensemble_polygone_normalisé $ LANGUAGE plpgsql;
Asma ZOGHLAMI
145
CREATE TRIGGER ensemble_flou_polygone_normalisé AFETR INSERT ON
Imperfection_forme _polygone_flou FOR EACH ROW
EXECUTE PROCEDURE vérifier_ensemble_polygone_normalisé ();
Alg. 35. Trigger pour vérifier la normalisation des ensembles flous de la forme polygone flou
Contrainte 15 : Un objet de la table « CS_polygone » établit n relations avec la table
« Imperfection_forme_polygone_flou » sachant que n est le nombre des α-coupes. Cette
contrainte est exprimée dans le code ci-dessous :
CHECK (not (n < (select count* from CS_polygone, Imperfection_forme_polygone_flou where
CS_polygone.Id_géométrie = Imperfection_forme_polygone_flou.Id_géométrie group by
Identifiant)))
CHECK (not (n > (select count* from CS_polygone, Imperfection_forme_polygone_flou where
CS_polygone.Id_géométrie = Imperfection_forme_polygone_flou.Id_géométrie group by
Identifiant)))
Alg. 36. Contrainte sur le nombre de relations avec la table Imperfection_forme_polygone_flou
Contrainte 16 : La contrainte qui vérifie que la géométrie dans la table
« Imperfection_forme_polygone_flou » est de type polygone est exprimée ci-dessous :
CONSTRAINT type_géométrie_polygone_flou CHECK (geometrytype (géométrie) =
‘polygon’)
Alg. 37. Contrainte sur le type des géométries associées au polygone flou
Contraintes en OCL
Figure 117 : Contraintes de la géométrie polygone flou exprimées en OCL
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
146
Les contraintes 15 et 16 sont représentées en OCL dans la figure 117.
La contrainte 14 relative à la vérification de la relation topologique B contient A pour les
géométries associées à la classe « Cs-polygone » est exprimée en OCL spatial par le code
suivant :
{Context Cs-polygone inv :
Self.géométries -> forAll (G1, G2: Imperfection forme | G1<> G2 and G1.Id-géométrie = G2.Id-
géométrie and G1.degré > G2.degré implies (G2 -> contains (G1))}
Alg. 38. Contrainte OCL pour la vérification de la relation topologique B contient A sur les géométries
de type polygone flou
6.2.1.3 Contraintes d’intégrité du polygone valué
a) Contraintes en SQL
Contrainte 17 : La contrainte qui vérifie que la géométrie dans la table
« Imperfection_forme_polygone_valué » est de type polygone est exprimée ci-dessous :
CONSTRAINT type_géométrie_polygone_valué CHECK (geometrytype (géométrie) =
‘polygon’)
Alg. 39. Contrainte sur le type des géométries associées au polygone valué
Contrainte18 : Dans le cas d’un polygone valué, pour chaque objet oi de la table
Cs_polygone_valué, nous vérifions que à travers le trigger suivant :
CREATE FUNCTION vérifier-somme-géométries-polygone-valué () RETURNS TRIGGER
AS $ vérifier-somme-polygones-valués $
BEGIN
IF (select sum (degré) from CS_polygone_valué where Identifiant in (select distinct
Identifiant from CS_polygone_valué group by Identifiant )) > 1THEN
RAISE EXCEPTION ' la somme des degrés de possibilité des polygones valués est non
valable ' ;
END IF;
END;
$ vérifier-somme-polygones-valués $ LANGUAGE plpgsql;
CREATE TRIGGER contrainte_somme_polygones_valués AFTER INSERT ON
CS_polygone_valué FOR EACH ROW
Asma ZOGHLAMI
147
EXECUTE PROCEDURE vérifier-somme-géométries-polygone-valué () ;
Alg. 40. Trigger pour la vérification de la somme des degrés de possibilité des polygones valués
Contrainte 19 : Un objet de la table « CS_polygone_valué » établit au moins un lien et au
maximum n liens vers la table « Imperfection_forme_polygone_valué ». Cette contrainte est
représentée par le code suivant :
CHECK (EXISTS (select* from CS_polygone_valué, Imperfection_forme_polygone_valué
where CS_polygone_valué.Id_géométrie = Imperfection_forme_polygone_valué.Id_géométrie
group by Identifiant))
CHECK (not (n < (select count* from CS_polygone_valué, Imperfection_forme_polygone_valué
where CS_polygone_valué.Id_géométrie = Imperfection_forme_polygone_valué.Id_géométrie
group by Identifiant)))
Alg. 41. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_forme_polygone_valué
b) Contraintes en OCL
Les contraintes 17, 18 et 19 sont exprimées en OCL dans la figure 118.
Figure 118 : Contraintes du polygone valué exprimées en OCL
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
148
6.2.2 Transformation de la ligne floue et de la ligne valuée
6.2.2.1 Les étapes de la transformation
Au niveau de la base de données, l’ensemble flou qui se réfère à une forme spatiale ligne est
représenté dans une table spécifique sous forme de n α-coupes définies par :
µα1 = {Gi G, µ (Gi) >= α1}
…
µαn = {Gi G, µ (Gi) >= αn}
Avec Gi une géométrie avec un degré d’appartenance supérieur ou égal à αi. Nous considérons
dans cette transformation le cas où la géométrie est floue et le cas où elle peut être associée à un
objet spatial avec un degré de possibilité (« line with d »).
a) Transformation de la ligne floue
Nous appliquons les étapes suivantes pour transformer l’imprécision spatiale de type ligne floue :
1 : Création de la table « Imperfection_forme_ligne_floue » où sont stockées toutes les
géométries qui correspondent à une forme géométrique ligne avec leurs degrés de confiance.
CREATE TABLE Imperfection_forme_ligne_floue ( Id_géométrie integer, géométrie geometry,
degré numeric, PRIMARY KEY (Id_géométrie, degré)) ;
Alg. 42. Création de la table Imperfection_forme_ligne_floue
2 : Transformer la classe spatiale CS ligne à la table CS_ligne et migration d’une partie de la clé
de la table « Imperfection_forme_ligne_floue » vers la table « CS_ligne».
CREATE TABLE CS_ligne (Identifiant integer, Id_géométrie integer, PRIMARY KEY
(Identifiant), FOREIGN KEY Id_géométrie REFERENCES Imperfection_forme_ligne_floue) ;
Alg. 43. Création de la table CS_ligne
Asma ZOGHLAMI
149
Figure 119 : Transformation de l’imprécision spatiale de type ligne floue
Les étapes de transformation de la ligne floue sont illustrées dans la figure 119. La ligne
valuée correspond dans ce cas à un ou plusieurs tuples de la table
« Imperfection_forme_ligne_floue ». Ainsi elle est considérée comme un cas particulier de la
ligne floue comme l’illustre la figure 120. Étant donné que les contraintes exprimées
respectivement sur la ligne floue et la ligne valuée sont différentes, nous gérons l’imprécision
spatiale de type ligne valuée dans une table spécifique.
b) Transformation de la ligne valuée
Nous appliquons les deux étapes suivantes pour transformer l’imprécision spatiale de type
ligne valuée :
1 : Création de la table « Imperfection_forme_ligne_valuée » où sont stockées toutes les
géométries qui correspondent à des formes géométriques ligne valuées avec leurs degrés de
possibilité.
CREATE TABLE Imperfection_forme_ligne_valuée ( Id_géométrie integer, géométrie geometry,
degré numeric, PRIMARY KEY (Id_géométrie, degré) ;
Alg. 44. Création de la table Imperfection_forme_ligne_valuée
2 : Transformer la classe spatiale CS ligne valuée à la table CS_ligne_valuée et migration de la
clé de la table « Imperfection_forme_ligne_valuée » vers la table « CS_ligne_valuée ».
CREATE TABLE CS_ligne_valuée (Identifiant integer, Id_géométrie integer, degré numeric,
PRIMARY KEY (Identifiant, Id_géométrie, degré), FOREIGN KEY (Id_géométrie, degré)
REFERENCES Imperfection_ forme_ligne_valuée (Id_géométrie, degré)) ;
Alg. 45. Création de la table CS_ligne_valuée
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
150
Les étapes de transformation de la ligne valuée sont illustrées dans la figure ci-dessous.
Figure 120 : Transformation de l’imprécision spatiale de type ligne valuée
6.2.2.2 Contraintes d’intégrité de la ligne floue
a) Contraintes en SQL
Contrainte 20 : Pour toutes les géométries associées à un objet oi de la table Cs_ligne, nous
vérifions que les géométries liées à un degré plus élevé sont incluses dans les géométries de degré
plus faible (figure 121).
Figure 121 : Structure possible de l’ensemble flou connexe de la géométrie ligne floue
Pour vérifier cette contrainte, nous créerons le trigger qui vérifiera la cohérence de la structure
géométrique floue (algorithme 46).
CREATE FUNCTION vérifier-relation_topologique_ligne () RETURNS TRIGGER AS $ vérifier-
relation_topologique_ligne $
DECLARE
NB_ERREUR integer;
BEGIN
select count (*) into NB_ERREUR from Imperfection_forme_ligne_flou t
where t. Id_géométrie = NEW. Id_géométrie
and ((t.degré > new.degré and not (St_contains (new.géometrie, t.géometrie)
Asma ZOGHLAMI
151
or (t.degré <= new.degré not (St_contains (t.géometrie, new.géometrie));
if (NB_ERREUR > 0) THEN RAISE EXCEPTION 'violation de la contrainte de structure ';
END IF;
RETURN NEW;
END ;
$ vérifier-relation_topologique_ligne $ LANGUAGE ‘plpgsql‘;
CREATE TRIGGER vérifier_ B_contient_A_ligne BEFORE INSERT ON CS_ligne
FOR EACH ROW
EXECUTE PROCEDURE vérifier-relation_topologique_ligne () ;
Alg. 46. Trigger pour la vérification de la relation topologique « contient » sur des géométries de type
ligne floue pour la validation de la structure de l’ensemble flou ainsi défini
En plus de la structure, chaque ensemble flou qui représente une géométrie ligne floue doit être
normalisé. Cette contrainte est exprimée dans le trigger ci-dessous :
CREATE FUNCTION vérifier_ensemble_ligne_normalisé () RETURNS TRIGGER AS $
vérifier_ensemble_ligne_normalisé $
BEGIN
IF (Select max (degré) from Imperfection_forme_ligne_floue group by Id_géométrie) <>
1 THEN
RAISE EXCEPTION 'ensemble flou non normalisé '; END IF;
RETURN NEW;
END;
$ vérifier_ensemble_ligne_normalisé $ LANGUAGE plpgsql;
CREATE TRIGGER ensemble_flou_ligne_normalisé AFETR INSERT ON
Imperfection_forme _ligne_floue FOR EACH ROW
EXECUTE PROCEDURE vérifier_ensemble_ligne_normalisé ();
Alg. 47. Trigger pour vérifier la normalisation des ensembles flous de la forme ligne floue
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
152
Contrainte 21: Un objet de la table « CS_ligne » établit n relations avec la table
« Imperfection_forme_ligne_floue ». Sachant que n correspond au nombre des α-coupes. Cette
contrainte est exprimée dans le code ci-dessous :
CHECK (not (n < (select count* from CS_ligne, Imperfection_forme_ligne_floue where
CS_ligne.Id_géométrie = Imperfection_forme_ligne_floue.Id_géométrie group by Identifiant)))
CHECK (not (n > (select count* from CS_ligne, Imperfection_forme_ligne_floue where
CS_ligne.Id_géométrie = Imperfection_forme_ligne_floue.Id_géométrie group by Identifiant)))
Alg. 48. Contrainte sur le nombre de relations avec la table Imperfection_forme_ligne_floue
Contrainte 22 : Le trigger ci-dessous vérifie si la géométrie est bien de type ligne si le degré est
égal à 1, dans la table « Imperfection_forme_ligne_floue ».
CREATE TRIGGER vérifier-géométrie-ligne-floue AFTER INSERT ON
Imperfection_forme_ligne_floue
FOR EACH ROW
DECLARE
Geom Geometry ;
BEGIN
Select géométrie into Geom from Imperfection_forme_ligne_floue where degré = 1;
If (geometrytype (Geom) <> ' Linestring ' THEN
RAISE EXCEPTION ' le type de la géométrie est non valable ' ;
END IF ;
END ;
Alg. 49. Trigger pour la vérification du type de la géométrie de la ligne floue quand le degré =1
b) Contraintes en OCL
Les contraintes 21 et 22 sont exprimées en OCL dans la figure ci-dessous.
Asma ZOGHLAMI
153
Figure 122 : Contraintes de la ligne floue exprimées en OCL
La contrainte 20 relative à la vérification de la relation topologique B contient A pour les
géométries associées à la classe « Cs-ligne » est exprimée en OCL spatial par le code suivant :
{Context Cs-ligne inv :
Self.géométries -> forAll (G1, G2: Imperfection forme | G1<> G2 and G1.Id-géométrie = G2.Id-
géométrie and G1.degré > G2.degré implies (G2 -> contains (G1))}
Alg. 50. Contrainte OCL pour la vérification de la relation topologique B contient A sur des
géométries de type ligne floue
6.2.2.3 Contraintes d’intégrité de la ligne valuée Contrainte 23 : Cette contrainte est similaire à la contrainte 22 de la géométrie ligne floue. Elle
vérifie dans la table « Imperfection_forme_ligne_valuée » si la géométrie est de type ligne quand
le degré vaut 1.
CREATE TRIGGER vérifier-géométrie-ligne-valuée AFTER INSERT ON
Imperfection_forme_ligne_valuée
FOR EACH ROW
DECLARE
Geom Geometry ;
BEGIN
Select géométrie into Geom from Imperfection_forme_ligne_valuée where degré = 1;
If (geometrytype (Geom) <> ' Linestring ' THEN
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
154
RAISE EXCEPTION ' le type de la géométrie est non valable ' ;
END IF ; END ;
Alg. 51. Trigger pour la vérification du type de la géométrie ligne valuée dans le cas où degré=1
Contrainte 24 : Pour chaque objet oi de la table Cs_ligne_valuée nous vérifions que
à travers le trigger suivant :
CREATE FUNCTION vérifier-somme-géométries-ligne-valuée () RETURNS TRIGGER AS $
vérifier-somme-lignes-valuées $
BEGIN
IF (select sum (degré) from CS_ligne_valuée where Identifiant in (select distinct
Identifiant from CS_ligne_valuée group by Identifiant )) > 1THEN
RAISE EXCEPTION ' la somme des degrés de possibilité des lignes valuées est non valable ';
END IF;
END;
$ vérifier-somme-lignes-valuées $ LANGUAGE plpgsql;
CREATE TRIGGER contrainte_somme_lignes_valuées AFTER INSERT ON
CS_ligne_valuée FOR EACH ROW
EXECUTE PROCEDURE vérifier-somme-géométries-ligne-valuée () ;
Alg. 52. Trigger pour la vérification de la somme des degrés de possibilité des lignes valuées
Contrainte 25 : Un objet de la table « CS_ligne_valuée » établit au moins un lien et au
maximum n liens vers la table « Imperfection_forme_ligne_valuée ». Cette contrainte est
représentée par le code suivant :
CHECK (EXISTS (select* from CS_ligne_valuée, Imperfection_forme_ligne_valuée where
CS_ligne_valuée.Id_géométrie = Imperfection_forme_ligne_valuée.Id_géométrie group by
Identifiant))
CHECK (not (n < (select count* from CS_ligne_valuée, Imperfection_forme_ligne_valuée where
CS_ligne_valuée.Id_géométrie = Imperfection_forme_ligne_valuée.Id_géométrie group by
Identifiant)))
Alg. 53. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_forme_ligne_valuée
c) Contraintes en OCL
Les contraintes 23, 24 et 25 sont représentées en OCL dans la figure 123.
Asma ZOGHLAMI
155
Figure 123 : Contraintes de la géométrie ligne valuée exprimées en OCL
6.2.3 Transformation du point flou et du point valué
6.2.3.1 Les étapes de la transformation L’ensemble flou qui se réfère à une forme spatiale point est représenté dans une table
spécifique sous forme de n α-coupes définies par :
µα1 = {Gi G, µ (Gi) >= α1}
…
µαn = {Gi G, µ (Gi) >= αn}
Avec Gi une géométrie ayant un degré d’appartenance supérieur ou égal à αi. Nous considérons
dans cette transformation le cas où la géométrie est floue et le cas où elle est associée à un objet
spatial avec un degré de possibilité (« point with d »).
a) Transformation du point flou
Nous appliquons les étapes suivantes pour transformer l’imprécision spatiale de type point flou:
1 : Création de la table « Imperfection_forme_point_flou » où sont stockées toutes les géométries
avec leurs degrés de confiance.
CREATE TABLE Imperfection_forme_point_flou (Id_géométrie integer, géométrie geometry,
degré numeric, PRIMARY KEY (Id_géométrie, degré)) ;
Alg. 54. Création de la table Imperfection_forme_point_flou
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
156
2 : Transformer la classe spatiale CS point à la table CS_point (algorithme 55) et migration d’une
partie de la clé de la table « Imperfection_forme_point_flou » vers la table « CS_point».
CREATE TABLE CS_point (Identifiant integer, Id_géométrie integer, PRIMARY KEY
(Identifiant), FOREIGN KEY Id_géométrie REFERENCES Imperfection_forme_point_flou) ;
Alg. 55. Création de la table CS_point
Les étapes de transformation du point flou sont illustrées dans la figure 124. Le point valué
correspond dans ce cas à un ou plusieurs tuples de la table « Imperfection_forme_point_flou ».
Ainsi il est considéré comme un cas particulier du point flou (figure 125). Étant donné que les
contraintes exprimées respectivement sur le point flou et le point valué sont différentes, nous
gérons l’imprécision spatiale de type point valué dans une table spécifique représentant un sous-
ensemble de la table « Imperfection_forme_point_flou ».
Figure 124 : Transformation de l’imprécision spatiale de type point flou
b) Transformation du point valué
Nous appliquons les étapes suivantes pour transformer l’imprécision spatiale de type point valué :
1 : Création de la table « Imperfection_forme_point_valué » où sont stockées toutes les
géométries avec leurs degrés de confiance.
CREATE TABLE Imperfection_forme_point_valué (Id_géométrie integer, géométrie geometry,
degré numeric, PRIMARY KEY (Id_géométrie, degré) ;
Alg. 56. Création de la table Imperfection_forme_point_valué
2 : Transformer la classe spatiale CS point valué à la table CS_point_valué (algorithme 57) et
migration de la clé de la table « Imperfection_forme_point_valué » vers la table
« CS_point_valué ».
Asma ZOGHLAMI
157
CREATE TABLE CS_point_valué (Identifiant integer, Id_géométrie integer, degré numeric,
PRIMARYKEY (Identifiant, Id_géométrie, degré), FOREIGN KEY (Id_géométrie, degré)
REFERENCES Imperfection_forme_point_valué (Id_géométrie, degré)) ;
Alg. 57. Création de la table CS_point_valué
Les étapes de transformation du point valué sont illustrées dans la figure 125.
Figure 125 : Transformation de l’imprécision spatiale de type point valué
6.2.3.2 Contraintes d’intégrité du point flou
a) Contraintes en SQL
Contrainte 26 : Pour toutes les géométries associées à un objet oi de la table Cs_point, nous
vérifions que les géométries liées à un degré plus élevé sont incluses dans les géométries de degré
plus faible. Il s’agit alors de vérifier la relation topologique spatiale B contient A (figure 126).
Figure 126 : Structure d’un ensemble flou connexe de la géométrie point flou
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
158
Pour vérifier cette contrainte, nous créons le trigger qui vérifiera la cohérence de la structure
géométrique du « point flou » :
CREATE FUNCTION vérifier-relation_topologique_point () RETURNS TRIGGER AS $ vérifier-
relation_topologique_point $
DECLARE
NB_ERREUR integer;
BEGIN
select count (*) into NB_ERREUR from Imperfection_forme_point_flou t
where t. Id_géométrie = NEW. Id_géométrie
and ((t.degré > new.degré and not (St_contains (new.géometrie, t.géometrie)
or (t.degré <= new.degré and not (St_contains (t.géometrie, new.géometrie));
if (NB_ERREUR > 0) THEN RAISE EXCEPTION 'violation de la contrainte de structure ';
END IF;
RETURN NEW;
END ;
$ vérifier-relation_topologique_point $ LANGUAGE plpgsql;
CREATE TRIGGER vérifier_ B_contient_A_point BEFORE INSERT ON CS_point
FOR EACH ROW
EXECUTE PROCEDURE vérifier-relation_topologique_point ();
Alg. 58. Trigger pour la vérification de la relation topologique « contient » sur des géométries de type
point flou pour la validation de la structure de l’ensemble flou ainsi défini
En plus de la structure, chaque ensemble flou qui représente une géométrie point flou doit être
normalisé. Cette contrainte est exprimée dans le trigger ci-dessous :
CREATE FUNCTION vérifier_ensemble_point_normalisé () RETURNS TRIGGER AS $
vérifier_ensemble_point_normalisé $
BEGIN
IF (Select max (degré) from Imperfection_forme_point_flou group by Id_géométrie) <>
1 THEN
RAISE EXCEPTION ' ensemble flou non normalisé ';
END IF;
RETURN NEW;
END;
$ vérifier_ensemble_point_normalisé $ LANGUAGE plpgsql;
Asma ZOGHLAMI
159
CREATE TRIGGER ensemble_flou_point_normalisé AFETR INSERT ON
Imperfection_forme _point_flou FOR EACH ROW
EXECUTE PROCEDURE vérifier_ensemble_point_normalisé ();
Alg. 59. Trigger pour la vérification de la normalisation de l’ensemble flou de la forme point flou
Contrainte 27 : Un objet de la table « CS_point » établit n relations avec la table
« Imperfection_forme_point_flou » sachant que n est le nombre des α-coupes. Cette contrainte
est exprimée dans le code ci-dessous :
CHECK (not (n < (select count* from CS_point, Imperfection_forme_point_flou where
CS_point.Id_géométrie = Imperfection_forme_point_flou.Id_géométrie group by Identifiant)))
CHECK (not (n > (select count* from CS_point, Imperfection_forme_point_flou where
CS_point.Id_géométrie = Imperfection_forme_point_flou.Id_géométrie group by Identifiant)))
Alg. 60. Contrainte sur le nombre de relations avec la table Imperfection_forme_point_flou
Contrainte 28 : le trigger ci-dessous (algorithme 61), vérifie dans la table
« Imperfection_forme_point_flou » si la géométrie est de type point quand le degré est égal à 1.
CREATE TRIGGER vérifier-géométrie-point-flou AFTER INSERT ON
Imperfection_forme_point_flou
FOR EACH ROW
DECLARE
Geom Geometry ;
BEGIN
Select géométrie into Geom from Imperfection_forme_point_flou where degré = 1;
If (geometrytype (Geom) <> ' Point ' THEN
RAISE EXCEPTION ' le type de la géométrie est non valable ' ;
END IF ;
END ;
Alg. 61. Trigger pour la vérification du type de la géométrie point flou dans le cas où le degré =1
b) Contraintes en OCL
Les contraintes 27 et 28 sont représentées en OCL dans la figure ci-dessous.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
160
Figure 127 : Contraintes du point flou exprimées en OCL
La contrainte 26 relative à la vérification de la relation topologique B contient A pour les
géométries associées à la classe « Cs-point » est exprimée en OCL spatial par le code suivant :
{Context Cs-point inv :
Self.géométries -> forAll (G1, G2: Imperfection forme | G1<> G2 and G1.Id-géométrie = G2.Id-
géométrie and G1.degré > G2.degré implies (G2 -> contains (G1))}
Alg. 62. Contrainte OCL pour la vérification de la relation topologique B contient A sur des
géométries point flou
6.2.3.3 Contraintes d’intégrité du point valué
a) Contraintes en SQL
Contrainte 29 : Le trigger ci-dessous vérifie si la géométrie est bien de type point quand le degré
est égal à 1 dans la table « Imperfection_forme_point_valué ».
CREATE TRIGGER vérifier-géométrie-point-valué AFTER INSERT ON
Imperfection_forme_point_valué
FOR EACH ROW
DECLARE
Geom Geometry ;
BEGIN
Select géométrie into Geom from Imperfection_forme_point_valué where degré = 1;
If (geometrytype (Geom) <> ' Point ' THEN
RAISE EXCEPTION ' le type de la géométrie est non valable ' ;
END IF ;
END ;
Alg. 63. Trigger pour la vérification du type de la géométrie point valué dans le cas où le degré =1
Asma ZOGHLAMI
161
Contrainte 30 : Pour chaque objet oi de la table Cs_point_valué, nous vérifions que
à travers le trigger ci-dessous.
CREATE FUNCTION vérifier-somme-géométries-point-valué () RETURNS TRIGGER AS $
vérifier-somme-points-valués $
BEGIN
IF (select sum (degré) from CS_point_valué where Identifiant in (select distinct Identifiant
from CS_point_valué group by Identifiant )) > 1THEN
RAISE EXCEPTION ' la somme des degrés de possibilité des points valués est non valable ' ;
END IF;
END;
$ vérifier-somme-points-valués $ LANGUAGE plpgsql;
CREATE TRIGGER contrainte_somme_points_valués AFTER INSERT ON CS_point_valué
FOR EACH ROW
EXECUTE PROCEDURE vérifier-somme-géométries-point-valué () ;
Alg. 64. Trigger pour la vérification de la somme des degrés de possibilité des points valués
Contrainte 31 : Un objet de la table « CS_point_valué » établit au moins un lien et au maximum
n liens vers la table « Imperfection_forme_point_valué ». La contrainte correspondant à 1 en
cardinalité minimale et à n en cardinalité maximale est représentée par le code suivant :
CHECK (EXISTS (select* from CS_point_valué, Imperfection_forme_point_valué where
CS_point_valué.Id_géométrie = Imperfection_forme_point_valué.Id_géométrie group by
Identifiant))
CHECK (not (n < (select count* from CS_point_valué, Imperfection_forme_point_valué where
CS_point_valué.Id_géométrie = Imperfection_forme_point_valué.Id_géométrie group by
Identifiant)))
Alg. 65. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_forme_point_valué
c) Contraintes en OCL
Les contraintes 29, 30 et 31 sont représentées en OCL dans la figure 128.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
162
Figure 128 : Contraintes de la géométrie point valué exprimées en OCL
6.3 Gestion de l’imprécision quantitative dans une base de données relationnelle
6.3.1 Les étapes de la transformation
L’ensemble flou qui se réfère à un attribut flou est représenté dans une table spécifique sous
forme de n α-coupes définies par :
µα1 = {vi [V-min, V-max], µ (vi) >= α1}
…
µαn = {vi [V-min, V-max], µ (vi) >= αn}
Avec vi l’ensemble des valeurs quantitatives contenues dans [V-min, V-max] et ayant un degré
d’appartenance à l’attribut supérieur ou égal à αi. Nous allons considérer lors de cette
transformation le cas où l’attribut est flou et le cas où il peut être associé à un objet avec un degré
de possibilité (« attribut with d »).
a) Transformation de l’attribut flou
Pour chaque attribut flou, nous appliquons les étapes de transformation suivantes :
1 : Création de la table « Imperfection_quantitative_attribut_flou » pour la représentation
multivalente de chaque attribut flou.
Asma ZOGHLAMI
163
CREATE TABLE Imperfection_quantitative_attribut_flou (Id_var integer, alpha numeric,
min_niveau numeric, max_niveau numeric, PRIMARY KEY (Id_var, alpha)) ;
Alg. 66. Création de la table Imperfection_quantitative_attribut_flou
2 : Transformer la classe avec l’attribut flou CAI à la table CAI et migration d’une partie de la clé
de la table « Imperfection_quantitative_attribut_flou» vers la table « CAI ».
CREATE TABLE CAI (Identifiant integer, Id_var integer, PRIMARY KEY (Identifiant),
FOREIGN KEY Id_var REFERENCES Imperfection_quantitative_attribut_flou) ;
Alg. 67. Création de la table CAI
Figure 129 : Transformation de l’imprécision quantitative de type attribut flou
La figure 129 illustre la transformation de l’imprécision quantitative de type attribut flou. L’attribut
valué correspond à un ou plusieurs tuples de la table « Imperfection_quantitative_attribut_flou ».
Étant donné que les contraintes appliquées sur l’attribut flou et l’attribut valué sont différents,
l’imprécision quantitative de type attribut valué ne sera pas gérée dans la même table que l’attribut
flou. Elle sera prise en compte dans une autre table spécifique.
b) Transformation de l’attribut valué
Pour chaque attribut valué, nous appliquons les étapes de transformation suivantes :
1 : Création de la table « Imperfection_quantitative_attribut_valué » pour la représentation
multivalente de chaque attribut valué.
CREATE TABLE Imperfection_quantitative_attribut_valué (Id_var integer, alpha numeric,
min_niveau numeric, max_niveau numeric, PRIMARY KEY (Id_var, alpha) ;
Alg. 68. Création de la table Imperfection_quantitative_attribut_valué
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
164
2 : Transformer la classe avec l’attribut valué CAI valué à la table CAI_valué et migration de la clé
de la table « Imperfection_quantitative_attribut_valué» vers la table « CAI_valué ».
CREATE TABLE CAI_valué (Identifiant integer, Id_var integer, degré numeric, PRIMARY
KEY (Identifiant, Id_var, degré), FOREIGN KEY (Id_var, degré) REFERENCES
Imperfection_quantitative_attribut_valué (Id_var, alpha)) ;
Alg. 69. Création de la table CAI
Figure 130 : Transformation de l’imprécision quantitative de type attribut valué
La figure 130 illustre la transformation de l’imprécision quantitative de type attribut valué.
6.3.2 Contraintes d’intégrité de l’attribut flou
a) Contraintes en SQL
Contrainte 32 : Vérifier que la valeur minimale (min_niveau) est inférieure ou égale à la valeur
maximale (max_niveau) dans la table « Imperfection_quantitative_attribut_flou » à travers le
trigger suivant :
CREATE FUNCTION vérifier-valeur_quantitative () RETURNS TRIGGER AS $ vérifier-
valeur_quantitative $
BEGIN
IF NEW. min_niveau > NEW. max_niveau THEN RAISE EXCEPTION 'incohérence des
valeurs minimales et maximales ' ;
END IF;
RETURN NEW;
END;
Asma ZOGHLAMI
165
$ vérifier-valeur_quantitative $ LANGUAGE plpgsql;
Create TRIGGER cohérence_valeur BEFORE INSERT ON
Imperfection_quantitative_attribut_flou
FOR EACH ROW
EXECUTE PROCEDURE vérifier-valeur_quantitative ();
Alg. 70. Trigger vérifiant la cohérence des valeurs quantitatives de l’attribut flou
Contrainte 33 : Pour tout Id_var représentant un attribut dans la table
« Imperfection_quantitative_attribut_flou, il faut vérifier que les intervalles de degré plus élevé
sont inclus dans les intervalles de degré plus faible (figure 131).
Figure 131 : Représentation par α-coupes d’un ensemble flou connexe et normalisé définissant un attribut flou
Le trigger détaillé dans l’algorithme 71 permet de vérifier la structure de l’ensemble flou relatif à
un attribut.
CREATE OR REPLACE FUNCTION structure_attribut () RETURNS TRIGGER AS $
structure_attribut $
DECLARE
NB_ERREUR integer;
BEGIN
select count (*) into NB_ERREUR from Imperfection_quantitative_attribut_flou q where
q.Id_var = NEW.Id_var and ((q.alpha > new.alpha and (q.min_niveau < NEW.min_niveau or
q.max_niveau > NEW.max_niveau)) or (q.alpha < new.alpha and (q.min_niveau >
NEW.min_niveau or q.max_niveau < NEW.max_niveau)));
if (NB_ERREUR > 0) THEN RAISE EXCEPTION ' violation de la contrainte de structure ';
END IF;
RETURN NEW;
END;
$ structure_attribut $ LANGUAGE plpgsql ;
CREATE OR REPLACE TRIGGER vérification-structure-imprécision_quantitative BEFORE
INSERT ON Imperfection_quantitative_attribut_flou
FOR EACH ROW
EXECUTE PROCEDURE structure_attribut ();
Alg. 71. Trigger pour la vérification de la structure de l’ensemble flou d’un attribut
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
166
En plus de la structure, chaque ensemble flou qui représente un attribut doit être normalisé
(hauteur égale à 1). Pour vérifier cette contrainte, nous créons une vue qui regroupe les noyaux
de tous les ensembles flous représentant des attributs (algorithme 72). Le trigger établi dans
l’algorithme 73 vérifie que tous ces ensembles flous sont normalisés.
CREATE view min_max_attribut
As Select Id_var, max (min-niveau), min (max-niveau), alpha
From Imperfection_quantitative_attribut_flou group by Id_var ;
Alg. 72. Vue regroupant les noyaux des ensembles flous représentant les attributs
CREATE FUNCTION vérifier_ensemble_attribut_normalisé () RETURNS TRIGGER AS $
vérifier_ensemble_attribut_normalisé $
BEGIN
IF ( Select alpha from min_max_attribut) <> 1 THEN
RAISE EXCEPTION ' ensemble flou non normalisé ';
END IF;
RETURN NEW;
END;
$ vérifier_ensemble_attribut_normalisé $ LANGUAGE plpgsql;
CREATE TRIGGER ensemble_flou_attribut_normalisé AFETR INSERT ON
Imperfection_quantitative_attribut_flou FOR EACH ROW
EXECUTE PROCEDURE vérifier_ensemble_attribut_normalisé () ;
Alg. 73. Trigger pour la vérification de la normalisation de l’ensemble flou de l’attribut
Contrainte 34 : Un objet de la table « CAI » établit n relations avec la table
« Imperfection_quantitative_attribut_flou ». Cette contrainte est exprimée dans le code ci-
dessous :
CHECK (not (n < (select count* from CAI, Imperfection_quantitative_attribut_flou where
CAI.Id_var = Imperfection_quantitative_attribut_flou.Id_var group by Identifiant)))
CHECK (not (n > (select count* from CAI, Imperfection_quantitative_attribut_flou where
CAI.Id_var = Imperfection_quantitative_attribut_flou.Id_var group by Identifiant)))
Alg. 74. Contrainte sur le nombre de relations avec la table Imperfection_quantitative_attribut_flou
b) Contraintes en OCL
Les contraintes 32 et 34 sont représentées en OCL dans la figure 132.
Asma ZOGHLAMI
167
Figure 132 : Contraintes de l’imprécision quantitative de type attribut flou exprimées en OCL
La contrainte 33, relative à la vérification de la structure des ensembles flous connexes dans la
classe « Imperfection quantitative », est exprimée en OCL par le code suivant :
{Context CAI inv :
Self. attributs -> forAll (A1, A2 : Imperfection quantitative | A1 <> A2 and A1.Id-var = A2.Id-var
and A1.alpha > A2.alpha implies (A1.min-niveau >= A2.min-niveau) and (A1.max-niveau <=
A2.max-niveau))}
Alg. 75. Contrainte de connexité des ensembles flous de l’imprécision quantitative
La contrainte OCL qui vérifie que chaque objet quantitatif est composé de n attributs, qui font
référence à un ensemble flou normalisé, est exprimée dans l’algorithme ci-dessous.
{Context CAI inv :
Self -> collect (attributs.alpha) -> exists (alpha | alpha =1)}
Alg. 76. Vérification de la normalisation de l’ensemble flou de la date exprimée en OCL
6.3.3 Contraintes d’intégrité de l’attribut valué
a) Contraintes en SQL
Contrainte 35 : Vérifier que la valeur minimale (min_niveau) est inférieure ou égale à la valeur
maximale (max_niveau) dans la table « Imperfection_quantitative_attribut_valué » à travers le
trigger suivant :
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
168
CREATE FUNCTION vérifier-valeur-quantitative-valué () RETURNS TRIGGER AS $ vérifier-
valeur_quantitative $
BEGIN
IF NEW. min_niveau > NEW. max_niveau THEN RAISE EXCEPTION ' incohérence des valeurs
minimales et maximales ';
END IF;
RETURN NEW;
END;
$ vérifier-valeur_quantitative $ LANGUAGE plpgsql;
Create TRIGGER cohérence_valeur BEFORE INSERT ON
Imperfection_quantitative_attribut_valué
FOR EACH ROW
EXECUTE PROCEDURE vérifier-valeur-quantitative-valué ();
Alg. 77. Trigger vérifiant la cohérence des valeurs quantitatives de l’attribut valué
Contrainte 36 : Pour chaque objet oi de la table CAI_valué, nous vérifions que
à travers le trigger ci-dessous :
CREATE FUNCTION vérifier-somme-attribut-valué () RETURNS TRIGGER AS $ vérifier-
somme-attributs-valués $
BEGIN
IF (select sum (degré) from CAI_valué where Identifiant in (select distinct Identifiant from
CAI_valué group by Identifiant )) > 1THEN
RAISE EXCEPTION ' la somme des degrés de possibilité des attributs valués est non valable ';
END IF;
END;
$ vérifier-somme-attributs-valués $ LANGUAGE plpgsql;
CREATE TRIGGER contrainte_somme_attributs_valués AFTER INSERT ON CAI_valué
FOR EACH ROW
EXECUTE PROCEDURE vérifier-somme-attribut-valué () ;
Alg. 78. Trigger pour la vérification de la somme des degrés de possibilité des attributs valués
Contrainte 37 : Un objet de la table « CAI_valué » établit au moins un lien et au maximum n
liens vers la table « Imperfection_quantitative_attribut_valué ». Cette contrainte est représentée
par le code ci-dessous :
Asma ZOGHLAMI
169
CHECK (EXISTS (select* from CAI_valué, Imperfection_quantitative_attribut_valué where
CAI_valué.Id_var = Imperfection_quantitative_attribut_valué.Id_var group by Identifiant))
CHECK (not (n < (select count* from CAI_valué, Imperfection_quantitative_attribut_valué where
CAI_valué.Id_var = Imperfection_quantitative_attribut_valué.Id_var group by Identifiant)))
Alg. 79. Contrainte sur le nombre minimal et maximal de relations avec la table
Imperfection_quantitative_attribut_valué
b) Contraintes en OCL
Les contraintes 35, 36 et 37 sont exprimées en OCL dans la figure 133.
Figure 133 : Contraintes de l’imprécision quantitative de type attribut valué exprimées en OCL
6.4 Gestion de l’imperfection sur les relations entre classes dans une base de données relationnelle
Pour chaque relation du modèle avec la mention « with d degré », nous appliquons les étapes
de transformation suivantes :
1. Créer la table R qui associe à chaque relation entre une instance d’une classe A et une
instance d’une classe B un degré d’appartenance x.
CREATE TABLE R (Identifiant A varchar (10), Identifiant B varchar (10), degré numeric,
PRIMARY KEY (Identifiant A, Identifiant B)); Alg. 80. Création de la table R
La transformation de l’imperfection sur les relations entre classes est illustrée dans la figure 134.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
170
Figure 134 : Transformation de l’imperfection sur les relations
6.5 Discussion Dans la littérature, plusieurs travaux se sont intéressés à introduire des extensions floues sur
les modèles de base de données relationnelles et les modèles de bases de données objet, afin de
stocker l’imprécision. Dans ce contexte, nous pouvons classer les travaux dans deux axes
différents. Le premier axe inclut les travaux qui s’intéressent à établir des requêtes floues tenant
compte de l’imprécision dans la base de données. Dans ce cas, nous pouvons citer principalement
les travaux de (Bosc & Pivert, 1995) et (Bosc & Pivert, 2000). Le deuxiéme axe inclut les travaux
qui s’intéressent à proposer de nouveaux modéles de données pour stocker l’information
imprécise dans les bases de données traditionelles relationelles et objet. Nous citons à titre
d’exemple les travaux récents de (Gupta, Rishi, & Mittal, 2011) et (Škrbić, Racković, & Takači,
2011). Dans le tableau 11, nous proposons une étude comparative entre notre modèle F-
PERCEPTORY et les principaux modéles conceptuels flous de base de données. Le premier
modèle est le modéle ER flou dans lequel les travaux faits par (Zvieli & Chen, 1986;
Vandenberghe, 1991; Ruspini, 1986; Vert, Stock, & Morris, 2002) ont proposé des extensions sur
le modèle ER pour représenter des entités floues, des relations floues, etc. Le deuxiéme modèle
est le modèle EER flou qui étend les modéles EER pour représenter les attributs flous, les classes
floues, etc. (Galindo, Urrutia, Carrasco, & Piattini, 2004; Chen & Kerre, 1998; Ma, Zhang, Ma,
& Chen, 2001). Le troisiéme modèle est le modèle de données UML flou que nous avons détaillé
dans le chapitre 4.
Selon le tableau 11, le modèle ER flou est adapté à des applications dans des modèles de
bases de données relationnelles floues. Cependant il ne tient pas compte des données à caractère
spatiotemporel. Le modèle EER flou et le modèle UML flou sont appliqués pour la modélisation
des bases de données orientées objet floues. Cependant, ils ne sont pas adéquats aux données
spatiotemporelles. Notre modèle F-PERCEPTORY peut être adapté à la fois dans des modèles de
bases de données relationnelles floues et dans des modèles de bases de données orientées objet
floues. Les deux derniers critères de ce tableau de comparaison portent sur le développement de
contraintes quantitatives et spatiotemporelles dans les différents modèles de bases de données
floues. Comme nous l’avons présenté dans ce chapitre, nous avons développé un ensemble de
contraintes quantitatives et spatiotemporelles qui sont adaptées aux contextes de bases de
données relationnelles et objet.
Asma ZOGHLAMI
171
Application dans les modèles de
base de données floue
Contraintes
quantitatives
Contraintes
spatiotemporelles
BDR floue BDOO floue BDR
floue
BDOO
floue
BDR floue BDOO
floue
Modèle ER
flou
oui mais non
adapté au
spatiotemporel
Modèle
EER flou
oui mais non
adapté au
spatiotemporel
Modèle
UML flou
oui mais non
adapté au
spatiotemporel
F-
PERCEPT
ORY
oui Oui oui oui oui oui
Tableau. 11. Conception de bases de données floues à travers les modèles conceptuels flous : étude
comparative (adapté de (Ma & Yan, 2010))
Dans ce chapitre, nous avons présenté la structuration de la base de données que nous avons
établie à partir du modèle conceptuel F-PERCEPTORY et qui se divise en deux couches
complémentaires et communicantes : Une première couche relative aux données spatio-
temporelles et une deuxième couche multivaluée gérant différentes formes d’imprécisions. Au
sein de la couche multivaluée, nous avons mis en place un ensemble de règles que nous avons
établies avec les deux langages SQL et OCL pour la transformation vers un modèle logique de
l’imprécision temporelle, spatiale et quantitative. Ces différentes formes d’imprécision sont
gérées en leur attribuant une représentation multivalente via les α-coupes. Cependant, ces
différentes représentations restent dans le cadre d’un modèle statique qui ne permet pas de
modéliser la dynamique spatiale qui est relative à l’évolution de l’espace et/ou de la fonction d’un
objet au cours du temps. Ainsi, dans le prochain chapitre, nous nous intéresserons à la gestion des
dynamiques spatiales dans F-PERCEPTORY.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
172
Asma ZOGHLAMI
173
Chapitre 7. Gestion des dynamiques spatiales en environnement imprécis En partant d’un environnement imprécis, nous viserons dans un premier temps à décrire la
dynamique spatiale dans F-PERCEPTORY à travers une représentation conceptuelle. Cette
dynamique est relative à l’évolution de l’espace d’un objet ou de sa fonction au cours du temps.
Ainsi, nous proposons un modèle descriptif qui permet la modélisation de la dynamique et son
stockage dans la base de données. Ce modèle descriptif, malgré son utilité, ne nous permet pas
d’expliquer comment les objets ont évolué ni d’avoir une sorte de logique qui nous offre la
possibilité de raisonner sur des expressions qualifiées en termes de temps, qui expriment des
doutes, des possibilités, des croyances, des connaissances, etc. Dans un second temps, nous
proposerons un procédé pour aller vers un modèle explicatif. Ce procédé permet de modéliser sa
trajectoire future floue en se basant sur une logique modale et temporelle à partir des différents
états du passé et du présent d’un objet flou.
7.1 Approche descriptive : modélisation conceptuelle et structuration des dynamiques en environnement imprécis avec F-PERCEPTORY
7.1.1 Dynamique, trajectoire et modèle d’évolution
La dynamique telle que nous la considérerons dans ce travail, concerne soit une évolution de
la fonction dans le temps ou une évolution de l’espace dans le temps. Dans le premier cas, nous
allons gérer les deux paramètres : fonction de l’objet et sa datation floue. Dans le deuxième cas,
nous gérerons les deux paramètres : espace flou de l’objet et sa datation floue. Au niveau de notre
approche F-PERCEPTORY, nous souhaitons pouvoir prendre en compte cette dynamique au
travers de diagrammes d’états-transitions.
7.1.2 Evolution de la fonction d’un objet temporel
La représentation de l’évolution de la fonction est illustrée dans la figure 135. A chaque
objet temporel est associé un ensemble de transitions. Chaque transition est composée d’un
couple (période floue / fonction) et un degré de possibilité leur est attribué.
Figure 135 : Evolution de la fonction
Au niveau de la base de données, une table spécifique est créée pour stocker les différentes
transitions de la fonction d’un objet au cours du temps. Cette table regroupe la clé de la table
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
174
« fonction » et les clés des tables « datation période » et « Ct ». Ces deux dernières tables sont
précédemment utilisées pour la transformation de la période floue. Ainsi, un degré final sera
attribué au couple (fonction / période floue) qui forme chaque transition temporelle d’un objet
(voir figure 136). Ce degré est obtenu par l’utilisation d’un opérateur d’agrégation à l’instar de la
t-norme de Zadeh.
Figure 136 : Transformation de l’évolution de la fonction dans F-PERCEPTORY
7.1.3 Evolution de l’espace d’un objet temporel
La représentation de l’évolution de l’espace est illustrée dans la figure 137. A chaque objet
spatial est associé un ensemble de transitions. Chaque transition est composée d’un couple
(période floue / espace flou), auquel on associe un degré de possibilité.
Figure 137 : Evolution de l’espace
Asma ZOGHLAMI
175
Suivant le même principe d’évolution d’une fonction, lors de l’évolution de l’espace, une
table spécifique est créée pour stocker les différentes transitions de l’espace d’un objet au cours
du temps. Cette table regroupe les clés de la table spatiale en question et la table « datation
période ». Un degré final sera attribué au couple (espace flou / période floue) formant une
transition spatiotemporelle d’un objet. La figure 138 illustre le cas de la transformation de
l’évolution de l’espace avec la forme géométrique surfacique.
Figure 138 : Transformation de l’évolution de l’espace dans F-PERCEPTORY
7.2 Du modèle descriptif vers un modèle descriptif puis prospectif en environnement imprécis
L’approche présentée précédemment permet de décrire les transitions que l’on a identifiées.
Elle permet ainsi d’aller vers l’établissement d’un modèle descriptif. Seulement, ces modèles ne
permettent pas de comprendre ses transitions. Pour cela, il faut chercher et modéliser des règles
d’évolution. Cette étape nous permettra d’atteindre un modèle explicatif que nous pourrons alors
étendre à un modèle prospectif dans le but de porter des hypothèses sur les futurs possibles d’un
territoire. Nous nous plaçons pleinement dans le cadre de la démarche hypothético-déductive.
Dans le but de modéliser, d’extraire et d’analyser les trajectoires des différents objets
géographiques, l’exploitation de modèle logique est indispensable (Le Ber, Ligozat, & Papini,
2007).
7.2.1 Approches logiques
Les logiques classiques (logique des propositions, logique des prépositions) ont pour but de
donner un fondement formel à un ensemble restreint d’énoncés du langage (Alliot, Schiex,
Brisset, & Garcia, 2002) et de raisonner sur cet ensemble. Cependant elles présentent des limites.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
176
En effet, ces logiques ne reconnaissent que les deux états "vrai" et "faux". Ainsi, toutes les
décisions qui en découlent sont soient vraies ou fausses. Or dans la réalité un fait quelconque peut
ne pas avoir une appartenance stricte à une croyance, mais une appartenance floue. La deuxième
limite des logiques classiques est leur incapacité à traiter des informations qui sont sujettes à de
possibles évolutions dans le temps. En réponse à ces limites, des extensions ont été apportées à
travers des modalités temporelles, de possibilité, de croyance, etc.
7.2.1.1 Logique temporelle La logique classique a un caractère statique, qui ne permet pas le traitement des propriétés
qui changent au fil du temps. Par conséquent, la logique temporelle a été introduite pour
permettre d’exprimer l’évolution d’un système dans le temps. Cette logique étend les logiques
classiques avec des opérateurs temporels comme toujours, tous, certains, jusqu'à, suivant, etc.
Cette logique associe une valeur de vérité à une séquence d’états représentant l’évolution du
système. Le concept de vérité dans la logique temporelle dépend de l'évolution du monde. Cela
signifie qu'une proposition peut être, à un moment donné, fausse puis devenir plus tard vraie.
La logique temporelle est définie sur un ensemble P de propositions atomiques appelées
aussi variables de proposition. Ces propositions atomiques sont combinées par des connecteurs
classiques (et, ou, non, etc.) et d'autres opérateurs appelés modalités.
Considérons une formule classique comme « (A et B) ou C », définie sur l'ensemble des
propositions P = {A, B, C}. La logique propositionnelle classique associe une valeur de vérité
pour chaque sous-ensemble de P. Par exemple, selon la formule précédente, le sous-ensemble
{A} est faux et le sous-ensemble {B, C} est vrai. Contrairement à la logique propositionnelle
classique, la logique temporelle associe une valeur de vérité à chaque partie de séquence de P ou
à chaque partie de l’arborescence de P selon le type de la logique utilisée (linéaire ou
arborescente).
Nous distinguons deux principaux groupes de logiques temporelles. Le premier groupe
comprend les logiques temporelles basées sur les états comme la logique linéaire (LTL), qui
exprime des propriétés sur les séquences (Manna & Pnueli, 1992) ou la logique arborescente
(CTL), qui exprime des propriétés sur des modèles d'exécution arborescents (Clarke, Emerson, &
Sistla, 1986). Dans ces logiques, les états sont étiquetés pour décrire comment ils sont modifiés
par les transitions. Au niveau sémantique, ils sont interprétés à travers des structures de Kripke
(Kripke, 1963).
Le deuxième groupe comprend les logiques temporelles basées sur les actions telles que la
logique A-CTL* (Nicolas & Vaandrager, 1990). Contrairement aux logiques basées sur les états,
les logiques basées sur les actions se concentrent sur les transitions qui sont étiquetées pour
décrire les actions qui causent le changement d'état. Au niveau sémantique, ces logiques sont
interprétées par des systèmes de transitions étiquetés (Bae & Meseguer, 2008).
Comme nous nous intéressons à modéliser l’évolution à travers des trajectoires floues. Nous
voulons mettre l’accent sur les possibles états futurs des objets urbains. Ainsi, nous avons choisi
de travailler avec la logique basée sur les états. La logique linéaire se concentre sur les exécutions
Asma ZOGHLAMI
177
du système sans tenir compte de l'entrelacement des états futurs possibles à un moment donné de
l'exécution. Ainsi, dans notre approche, nous allons adopter la logique CTL qui, à travers son
aspect arborescent nous permet d’avoir une représentation sous la forme d’un arbre avec toutes
les exécutions possibles. Dans la logique CTL, chaque opérateur temporel se compose de deux
parties : un quantificateur de chemin A (pour tous les chemins) ou E (il existe un chemin), suivi
par un connecteur temporel X (dans l'état suivant), G (globalement), F (parfois dans l'avenir) ou
U (jusqu'à ce que). Ces connecteurs temporels sont utilisés pour décrire la séquence des états
observés le long d'un arbre d’exécution. Il existe huit opérateurs temporels: AX, EX, AG, EG,
AF, EF, l'UA et l'UE. Nous présentons ci-dessous les opérateurs AG, EG, AF et EF que nous
illustrons dans la figure 139 :
- AGp : signifie qu'une propriété p est toujours vraie partout dans un arbre d’exécution.
- EGp : signifie qu'il existe un chemin à partir d'un certain état i tel que p est vrai le long
de ce chemin.
- AFp : signifie que tous les chemins qui commencent d’un état initial i atteignent p
- EFp : signifie qu'il existe un chemin partant d'un état i qui atteint p
Figure 139 : Les opérateurs temporels (EF, EG, AF, AG) de la CTL.
7.2.1.2 Logique modale En plus de la logique temporelle, l'élaboration de la trajectoire floue nécessite également
l'utilisation d'une logique modale pour exprimer la possibilité, l'interdiction, le doute, etc, sur une
proposition logique.
La logique modale est similaire à la logique traditionnelle. Cependant, elle inclut en plus les
modalités de la possibilité (« peut-être p », « il est possible que p ») et les modalités de la
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
178
nécessité (« nécessairement p », « il est nécessaire que p»). Outre les modalités aléthiques qui
sont les modalités de nécessité et de possibilité, la logique modale traite également les modalités
de l'impossibilité (« il est impossible que p »), les modalités de la croyance (« nous croyons que p
»), les modalités de la connaissance (« on sait que p ») et les modalités déontiques tels que (« il
est obligatoire que p », « il est permis que p »).
La logique modale intervient dans plusieurs domaines d'application. Elle est surtout utilisée
pour la vérification des programmes et est généralement associée à la logique temporelle. La
syntaxe de la logique modale a deux principaux symboles:
☐: Exprime la nécessité (par exemple ☐ α : veut dire « il est nécessaire que α").
◊ : Exprime la possibilité (par exemple ◊ α : veut dire « il est possible que α").
Dans la logique modale, l'univers est perçu comme un ensemble de mondes ou d'états. Le
modèle qui modélise l'univers est représenté par un ensemble de nœuds interconnectés. Chaque
nœud correspond à un état dans lequel une valeur de vérité est définie pour distinguer les
propositions vraies des fausses.
Les structures de Kripke sont des exemples de modèles de la logique modale. Selon (Ladner,
1981), une structure de Kripke est définie comme un triplé (W, R, V) où W est l'ensemble qui
forme les états possibles et R une relation d'accessibilité qui détermine les états qui sont
accessibles à partir de n'importe quel état donné en W. V est la fonction d'évaluation qui indique
quelles sont les variables propositionnelles vraies dans chacun des états.
Étant donné une structure M = (W, R, V) et un état w W. La notation (M, w) | = φ signifie
que « φ est vrai dans l'état w de la structure M ». (Lambert, Hermaspaandra, Homan, & Michael
Van Wie, 2004) définissent les principaux cas où une formule est considérée vraie dans un état w
d’un modèle M comme suit :
(M, w) | φ = si V (w) (φ) = vrai
(M, w) | = ¬ φ si (M, w) | ≠ φ
(M, w) | = φ ∧ ψ si (M, w) | φ = et (M, w) | = ψ
(M, w) | = ☐ φ si (M, w ') | = φ pour tout w' tel que (w, w ') R
(M, w) | = ◊ φ si (M, w ') | φ = pour certains w' W tel que (w, w ') R
Prenons l'exemple de la figure 140. Cette figure présente les évolutions possibles d'un objet
urbain intitulé O1 à partir d'un instant de temps t2. Dans l'état initial, l'objet possède la fonction F
et se trouve dans l’espace S1. Dans le second état, l’objet aura soit l’espace S2 et la fonction F1,
soit l’espace S3 et la fonction F1. Dans le dernier état, O1 changera sa description ou gardera
l’ancienne description avec le même espace et la même fonction. Le graphe à droite de la figure
102 présente tous les états représentant l’évolution d’O1.
Asma ZOGHLAMI
179
Nous avons opté pour la représentation arborescente de la logique CTL au lieu d’une
représentation linéaire pour modéliser l’évolution de l’objet urbain. En effet, l'utilisation d'une
représentation linéaire dans ce cas, ne nous permet pas d’indiquer tous les états possibles qui
peuvent avoir lieu en même temps, à partir d’un même état initial. Ainsi, face à une branche, la
représentation CTL nous permet de vérifier les formules en essayant soit tous les chemins
possibles (l’opérateur A) soit un seul chemin (l’opérateur E).
Dans cet exemple, nous supposons que l'ensemble des propositions primitives φ = {F1, S1}
et M = (W, R, V) où W = {u, v, w}, R = {(u, v), (u, w), (v, w)} et V (u) (S1) = V (w) (F1) = V (v)
(F1) = vrai. À partir de cet exemple, nous pouvons obtenir les faits suivants:
• (M, v) | = F1 et (M, w) | = F1 ainsi (M, u) | = ☐ F1, puisque F1 est vrai dans tous les états
accessibles à partir de u. Cela signifie que nécessairement l’objet urbain O1 va avoir la fonction
F1 dans tous les prochains états.
• (M, v) | = ¬ S1 et (M, w) | = ¬ S1. Par conséquent, (M, u) | = ☐ ¬ S1. Cela signifie que
nécessairement O1 changera son espace dans tous les états à venir.
Figure 140 : Exemple d’évolution d’un objet urbain
Dans l'exemple ci-dessus, la représentation des différentes hypothèses de transition a été
réalisée sans prendre en considération l’aspect imparfait (imprécision, incertitude) lié à chaque
transition. En effet, un degré de confiance doit être attribué à chaque transition possible qui mène
à un éventuel état futur de l’objet à un moment donné. Ainsi, en combinant les aspects de la
modalité et du flou, nous visons dans notre approche à vérifier dans quels cas nous pouvons
qualifier une hypothèse d’évolution par «crédible», «possible», «non crédibles», etc. (figure 141).
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
180
Figure 141 : Qualification d’une hypothèse d’évolution
Même si de nombreuses approches pour l’analyse de trajectoire existent à l’instar de celle
développée dans le projet GeOpenSIM (Ruas, et al., 2011) basée sur l’extraction d’information
d’image aérienne et de système multi-agent, ces procédés sont basés sur l’une des précédentes
logiques. Nous proposons, dans la section suivante, un cadre logique permettant une
représentation plus souple des connaissances pour l’étude des trajectoires sur des connaissances
floues.
7.2.2 Analyse des trajectoires floues
7.2.2.1 Environnement pour l’analyse des trajectoires floues Comme nous l'avons expliqué dans la première section de ce chapitre, à chaque objet Oj de
l'ensemble de données Ω, nous associons un triplé <temps, espace, fonction>. La figure 142
illustre un exemple qui modélise les différentes transitions qu'un objet urbain peut avoir dans le
temps. Nous considérons les trois compteurs i, j et k, qui correspondent aux variables < temps,
espace, fonction >, et qui appartiennent respectivement aux intervalles [0, n], [0, l] et [0, p].
À l'instant ti-1, l'objet se trouvait dans l'espace Sj-1 et avait la fonction Fk-1. Dans le présent, il
est dans l'espace Sj et il a la fonction Fk. A l'instant ti +1, il conservera son espace Sj mais changera
sa fonction de Fk à Fk +1. À l'instant ti +2, il changera son espace à Sj +2 et sa fonction à Fk +2 ou bien
il changera son espace à Sj +3 et sa fonction à Fk +3. L’objet gardera la même fonction et le même
espace à l'instant ti+ 3. A l’instant ti +4, l'objet possède trois états possibles : le premier état
correspond à la fonction Fk+4 et à l'espace Sj +4, le deuxième état comprend la fonction Fk +5 et
l'espace Sj +5 et le troisième état comprend la fonction Fk+6 et l'espace Sj +6. L'état final des K-
transitions forme le triplet <tn, Sl, FP>.
Asma ZOGHLAMI
181
Figure 142 : K-transitions d’un objet urbain au cours du temps
7.2.2.2 Modélisation des trajectoires floues Le triplet classique < temps, espace, fonction> ne permet pas de considérer l’aspect flou
dans la modélisation des trajectoires. Pour cela, nous proposons de le remplacer par le triplet
d’ensembles flous <temps flou, espace flou, fonction floue> (figure 143). Ainsi, à chaque instant
ti, nous obtenons pour chaque objet un ensemble de triplet <ti, Sj, Fk> où Sj est un espace flou
possible avec un degré d’appartenance sj et Fk une fonction floue possible avec un degré
d’appartenance fk. Un degré de vraisemblance LKm est calculé pour chaque triplet en utilisant un
opérateur d'agrégation telle que la t-norme de Zadeh. Si l'objet n'est pas présent à l'instant ti alors
est nulle. Ainsi, chaque état du modèle sera décrit par le quadruplet <temps flou, espace flou,
fonction floue, coefficient de vraisemblance >.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
182
Figure 143 : Paramètres définissant la trajectoire floue
La figure 144 illustre un exemple des différentes transitions possibles d'un objet urbain à
partir de l'instant ti+1 à tn. A l'instant ti+1, le coefficient de vraisemblance LKm est attribué au
premier état qui possède la fonction Fk+1 et l'espace Sj +1. À l'instant ti+2, deux transitions possibles
se dérivent de l'état précédent menant à deux états possibles. LKm+1 est attribué au premier état
avec les paramètres <ti+2, Sj+2, Fk+2> et LKm+2 est attribué au second état <ti+2, Sj+3, Fk+3>. A
l'instant ti +3, l'objet urbain conserve le même état. Ainsi, un coefficient de vraisemblance LKm+3
est affecté à l’état pour indiquer cette stabilité. A l'instant ti+4, l'objet urbain a trois états
possibles : le premier état comprend les paramètres <ti +4, Sj +4, FK +4> avec le coefficient de
vraisemblance LKm+4, le deuxième état comporte les paramètres <ti +4, Sj +5, FK +5> avec le
coefficient LKm+5 et le dernier état possède les paramètres <ti+4, Sj+6, FK +6> et le coefficient LKm
+6.
Figure 144 : K-transitions d’un objet urbain avec coefficients de vraisemblance
7.2.2.3 Opérateurs modaux flous pour le raisonnement En proposant une logique modale temporelle, nous visons à définir dans l'espace les points
qui forment la trajectoire de la ville à un instant ti+1. Afin de traiter l'aspect (modalité, flou), nous
Asma ZOGHLAMI
183
définissons 3 seuils: α-moyenne, α- min et α-max, sur l'ensemble des degrés de confiance LKm à
partir de
Nous proposons 4 nouveaux opérateurs modaux que nous allons considérer en plus des
opérateurs classiques de CTL. Alors, à un instant ti, nous avons :
N: ∃ <ti, Sj, FK, LKm> tel que LKm < α-moyenne
P: ∃ <ti, Sj, FK, LKm> tel que LKm ≥ α-moyenne
Z: ∃ <ti, Sj, FK, LKm> tel que LKm = α-min
T: ∃ <ti, Sj, FK, LKm> tel que LKm ≥ α-max
N est vrai s’il existe à un instant ti, un état <ti, Sj, FK, LKm> où le degré de confiance (LKm) est
inférieure au degré moyen de confiance (α-moyenne). L'hypothèse de l'évolution <ti, Sj, FK> est
alors plutôt non crédible. P est vrai s’il existe à un instant ti un état <ti, Sj, FK, LKm> où le degré
de confiance (LKm) est supérieur ou égal au degré moyen de confiance (α-moyenne). Dans ce
cas, l'hypothèse de l’évolution est plutôt possible. Z est vrai s’il existe à un instant ti un état <ti, Sj,
FK, LKm> où le degré de confiance (LKm) est égal au degré minimum de confiance (α-min).
L’hypothèse de l’évolution est impossible dans ce cas. Enfin, T est vrai s’il existe à un instant ti un état <ti, Sj, FK, LKm> où le degré de confiance (LKm) est supérieur ou égal au degré maximal
de confiance (α-max). Dans ce dernier cas, l’hypothèse de l’évolution est crédible.
En se basant sur ces différentes hypothèses d’évolution, nous pouvons avoir des réponses à des
questions qui préoccupent très souvent les preneurs de décisions telles que :
- Étant donné un état initial I et un temps t : quels sont les états possibles à l’instant t ?
- Étant donné un état initial I et un état S : quel est l’instant t de la première apparition
de S ?
- Étant donné un état initial I et un état S : est ce que S n’existera plus dans le futur à
partir de I ?
- Étant donné un état initial I et un état S : est ce que S va toujours exister dans le futur
à partir de I ?
La figure 145 illustre ces questions. En effet, pour avoir tous les états possibles à l’instant t,
il faut trouver tous les états ayant un quadruplet <ti, Sj, FK, LKm> tel que LKm α-moyenne.
Dans le deuxième exemple et à travers une description fournie sur l’état S, nous pouvons obtenir
l’instant t de sa première apparition dans le modèle. Dans le troisième exemple, l’état S n’existera
plus dans le futur si à chaque fois qu’il apparaisse dans le modèle par un quadruplet <ti, Sj, FK,
LKm>, son coefficient de vraisemblance (LKm) est égal au degré minimum de confiance (α-min).
Dans ce cas, l’état est toujours impossible dans le futur. Dans le dernier exemple, l’état S existera
toujours dans le futur s’il apparait dans tous les quadruplets successeurs avec, à chaque fois, un
coefficient de vraisemblance (LKm) supérieur ou égal au degré maximal de confiance (α-max).
Dans ce cas, l’état est toujours crédible dans le futur.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
184
Figure 145 : Questions fréquentes sur des hypothèses d’évolution
Une fois que les opérateurs modaux flous sont mis en place, nous visons à les combiner avec
les opérateurs de CTL, afin de définir une axiomatique qui sera vérifiée en utilisant un model-
checking et dans laquelle nous pouvons obtenir à la fois un indice de confiance sur le modèle et
un indice de conflit (en utilisant des contraintes spatiales et logiques).
Le model checking est un concept utilisé lors de la phase de conception d’un modèle avant
d’entamer l’implémentation concrète d’un système. Il vise à prouver si un modèle donné satisfait
certaines spécifications. Dans la littérature, plusieurs définitions du model checking sont
introduites. La définition la plus courante est la suivante : « Etant donné un modèle M et une
formule φ, un model checking vise à vérifier si φ est vrai ou pas dans M (Clarke, Emerson, &
Sistla, 1986). »
En application, le model checking est un processus composé de trois phases majeurs :
- Phase de modélisation : Consiste à transformer le système à construire en un modèle
adapté à un outil de model checking (Holzmann, 2004; Cimatti, et al., 2002).
- Phase d’exécution : Consiste à exécuter un algorithme pour la vérification de la
validité des propriétés dans le modèle à construire.
- Phase d’analyse : Cette phase est consacrée à l’analyse des résultats. Une fois que la
vérification est terminée, une notification est établie pour indiquer si une propriété a
été bien respectée. Dans le cas où la propriété n’est pas respectée, un contre-exemple
est généré. Ce contre-exemple est utile à la fois pour la compréhension de la source
Asma ZOGHLAMI
185
de l’erreur et pour sa correction. Cette phase est entièrement automatique. Cependant,
une assistance humaine est nécessaire pour la supervision des résultats et pour la
traçabilité des erreurs (erreurs de modélisation, erreurs de spécification, etc.).
Figure 146 : Vérification de la cohérence du modèle d’évolution par le model checking
Dans notre contexte, l’utilisation d’un model checking aura pour but de vérifier la cohérence
entre le modèle d’évolution obtenu en appliquant les règles d’évolution extraites à travers un
processus d’apprentissage non supervisé, et exprimées par des formules de logique modale
temporelle d’une part et d’autre part un modèle d’évolution issue des bases de données de la
planification urbaine. Ainsi, la phase de modélisation consiste à définir un modèle d’évolution
futur relatif à chaque objet urbain, en parallèle avec les formulations de l’ensemble des propriétés
à vérifier dans ce même modèle. Ces propriétés sont obtenues au préalable à travers un processus
d’apprentissage et elles sont décrites à travers des formules exprimées en logique modale
temporelle. La figure 146 illustre le principe opérationnel du model checker adapté pour la
vérification de la cohérence du modèle d’évolution urbain. Ce modèle sera vérifié en se basant
sur un ensemble de spécifications. Ces dernières sont obtenues grâce à un processus
d'apprentissage effectué sur les anciennes cartes et plans de la ville. L'application de l'algorithme
de vérification indiquera si le modèle est correcte ou pas. S’il est correct, l'hypothèse de
l'évolution peut-être non crédible, possible ou crédible et elle est retournée avec le degré de
confiance. Si le modèle n'est pas correct, cela signifie que l'hypothèse de l’évolution est
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
186
impossible. Cette dernière est retournée avec le degré de confiance et un exemple d’une
utilisation non correcte.
Dans ce chapitre, nous avons défini la notion d’évolution et de dynamique dans le modèle F-
PERCEPTORY. Ce concept permet de gérer l’évolution spatiale et l’évolution de la fonction
d’un objet au cours du temps. Nous nous sommes intéressés principalement à la modélisation de
la trajectoire floue dans le futur. L’élaboration de cette trajectoire est basée sur un raisonnement
temporel tenant compte de la nature imparfaite des informations fournies. Dans le chapitre 9,
nous nous intéresserons à un cas pratique à travers l’étude de l’évolution de la ville de Saint-
Denis à travers le temps. Notre travail concernant ce cas pratique se focalisera principalement sur
les méthodes qui nous permettront d’extraire un ensemble de règles d’évolution urbaines. Cette
étape est indispensable pour pouvoir établir le modèle de l’évolution.
Asma ZOGHLAMI
187
Conclusion
L’objectif de cette partie fut de proposer des approches répondant à notre problématique : la
modélisation et conception de système d’information gérant l’imprécision. Nous avons consacré
le chapitre 5 à présenter notre approche F-PERCEPTORY qui vise à représenter et gérer
l’imprécision dans le modèle conceptuel de données PERCEPTORY. Nous avons introduit en
premier lieu le langage F-PictograF qui permet la représentation de l’imprécision temporelle,
spatiale et quantitative ainsi que les imperfections dans les relations entre classes. Dans chaque
type d’imprécision nous avons distingué deux sous types. Ainsi, dans l’imprécision temporelle
nous gérons deux types d’imprécision. Le premier type correspond à l’étiquette temporelle floue
qui inclut la date floue et la période floue. Le deuxième type est l’étiquette temporelle valuée qui
inclut la date valuée et la période valuée. Dans l’imprécision spatiale, nous gérons la géométrie
floue et la géométrie valuée. Dans la géométrie floue nous avons défini les types polygone flou,
ligne floue et point flou, tandis que dans la géométrie valuée, nous avons défini les types
polygone valué, ligne valuée et point valué. Dans le dernier type d’imprécision qui correspond à
l’imprécision quantitative, nous avons proposé de gérer les attributs flous et les attributs valués.
En deuxième lieu, nous avons établi dans le chapitre 5 la correspondance entre notre modèle F-
PERCEPTORY et le modèle UML afin de définir un ensemble de contraintes d’intégrité
nécessaire pour assurer la cohérence des données.
Dans le chapitre 6, nous avons détaillé un ensemble d’étapes de transformation vers un
modèle logique ainsi qu’un ensemble de contraintes d’intégrité exprimées en PL/pgSQL et en
OCL.
Le chapitre 7 a abordé le problème de la gestion des dynamiques spatiales dans un
environnement imprécis. Ainsi, nous avons introduit une approche descriptive dans laquelle nous
avons défini une modélisation conceptuelle de l’évolution de la fonction et de l’évolution de
l’espace ainsi que la structuration des données dans chaque type d’évolution. En se basant sur le
modèle descriptif et dans le but d’avoir un modèle qui permet d’analyser l’évolution en
raisonnant sur le temps tout en prenant en compte l’imprécision, nous avons proposé une
approche dans le but de trouver des modèles explicatifs. Celle-ci permet de représenter
l’évolution sous forme d’une trajectoire floue représentée par une structure de Kripke dans
laquelle chaque état est associé à un quadruplet (fonction floue, espace flou, temps flou et
coefficient de vraisemblance). Nous pouvons ainsi dériver à partir de ces trajectoires floues une
logique modale et temporelle décrivant les structures de Kripke établies. Dans ce contexte, nous
avons défini quatre nouveaux opérateurs modaux flous pour raisonner sur différentes hypothèses
d’évolution. A la fin du chapitre 7, nous avons proposé de valider notre modèle d’évolution dans
un contexte urbain en utilisant un model checking qui prend en entrée une première base de
données sur les futurs projets envisageable dans une ville et une deuxième base de données avec
les règles d’évolution urbaines déjà établies et exprimées à travers une logique modale et
temporelle. Ce model checking permettra de qualifier une hypothèse d’évolution par impossible,
non crédible, possible et non crédible
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
188
Les approches et méthodes développées dans cette partie ont été exposées aux communautés
scientifiques en informatique et en géomatique à travers trois communications internationales
(Zoghlami, De Runz, Akdag, Zaghdoud, & Ben Ghezala, 2011; Zoghlami, De Runz, Akdag, &
Pargny, 2012 ; Zoghlami, De Runz, & Akdag, 2013) et trois communications nationales
(Zoghlami A. , 2011; Zoghlami, Zayrit, De Runz, Desjardin, & Akdag, 2012; Zoghlami, De
Runz, & Akdag, 2011).
Asma ZOGHLAMI
189
Partie 3 : Applications
Introduction La troisième partie illustre les concepts introduits et les méthodes développées dans la partie
2 dans des cadres applicatifs existants ou émergeant ayant des besoins industriels. Le chapitre 8
présente une application de notre réponse à notre problématique dans le contexte archéologique
rémois. Dans la première section de ce chapitre, nous présentons le modèle GISSAR dédié à la
gestion des données de fouilles archéologiques à la ville de Reims. Ensuite, nous identifions
toutes les formes d’imperfection inhérentes aux données archéologiques dans ce modèle. Dans la
deuxième section, nous introduisons notre nouveau modèle F-GISSAR, adapté à la représentation
et à l’analyse des données archéologiques imprécises. Nous introduisons aussi la structure de la
base de données du modèle F-GISSAR. Dans la troisième section, nous montrons des exemples
d’exploitation de F-GISSAR en définissant un ensemble de requêtes floues usuelles avec des
imperfections spatiales, temporelles et spatio-temporelles.
Le chapitre 9 constitue une introduction vers un projet émergeant, depuis 2012, à l’université
Paris 8 intitulé « projet ville ». Ce projet vise en un premier temps à étudier l’évolution de la ville
de Saint-Denis du passé au présent puis d’établir en un deuxième temps sa trajectoire urbaine
future. Ainsi, dans la première section de ce chapitre, nous définissons le contexte général de
notre travail qui rentre dans le cadre de l’étude de l’évolution urbaine pour l’aide à la décision
dans le domaine de la planification urbaine. La deuxième section établit dans sa première moitié
un état de l’art sur les travaux déjà existants qui traitent le problème de la modélisation des
trajectoires urbaines des villes dans le passé. Dans notre cas, nous envisageons de faire l’étude de
l’évolution de la ville de Saint-Denis ainsi que sa trajectoire urbaine future en trois étapes. Ainsi,
les deux premières étapes sont introduites dans la deuxième moitié de la deuxième section. La
première étape consiste à présenter une approche visant à établir un ou plusieurs modèles
descriptifs. Cette approche se base sur des cartes anciennes et actuelles, récupérées auprès de la
ville, à l’aide desquelles nous souhaitons stocker un ensemble de données relatives à différents
objets urbains extraits des cartes tout en tenant en compte l’imprécision inhérente aux données.
Cette imprécision se manifeste principalement dans le temps, l’espace et la fonction des objets
urbains. La deuxième étape consiste à générer des modèles explicatifs à l’aide de processus
d’extraction de règles d’évolution qui pourront servir en perspective à ce travail de thèse pour la
prédiction/prospection. Dans la troisième section, nous détaillons la démarche que nous avons
adoptée dans le but de chercher une méthode d’extraction de règles d’évolution urbaine adaptée à
nos données imprécises. La dernière section du chapitre 9 est dédiée à la définition d’un modèle
prospectif qui permet d’exploiter les règles d’évolution urbaine pour la prédiction.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
190
Asma ZOGHLAMI
191
Chapitre 8. Application dans un contexte archéologique : de GISSASR à F-GISSAR
La nécessité de stocker les données de fouilles archéologiques est apparue au début des
années 1980. Depuis, quelques systèmes d'information dédiés aux données archéologiques ont été
déployés.
En plus du besoin de stocker les données, l’objectif des archéologues était de construire les
cartes des sites de fouilles. Ces dernières années, avec l’avènement des nouvelles technologies de
l’information, l’utilisation des systèmes d’information géographique (SIG) dans le domaine de
l’archéologie est devenue un classique. En effet, ces systèmes sont très adéquats pour le stockage
des données et pour les analyses spatiales (Conolly & Lake, 2006) et (Hirst, 2008). De nos jours,
les projets qui s’intéressent aux données de fouille et aux outils SIG sont fournis et utilisés
partout dans le monde soit d'un point de vue institutionnel (Jordanie Web-SIG, SIG palestinien)
soit d’un point de vue recherche (Harrower, 2010) et (Rodier, Saligny, Lefebvre, & Pouliot,
2009).
A Reims, la première base de données archéologique a été construite en 1983. Elle visait en
un premier temps à regrouper les données issues d’une ancienne base de données établie entre
1980 et 2000 lors des différents chantiers rémois de fouilles archéologiques réalisées. En un
deuxième temps, elle visait à fournir aux archéologues un outil de saisie pour les nouveaux
chantiers. Les données gérées par GISSAR appartiennent à trois domaines complémentaires : la
gestion des chantiers archéologiques, la gestion des inventaires des structures bâties visibles et
invisibles et la gestion documentaire. Ainsi, cette base de données regroupe trois modules. Un
premier module ARCHEORem est destiné à collecter les données provenant des fouilles de sites
archéologiques ; le second IMMORem est dédié aux inventaires des structures bâties et enfin
DOCRem qui est voué à la collecte des sources documentaires de toutes sources. Une version du
système GISSAR est actuellement utilisée pour le stockage des données de fouilles dans la ville
de Reims (Piantoni & Pargny, 2005) et (Desjardin & Pargny, 2009).
Dans ce chapitre, nous nous intéresserons particulièrement au premier module
ARCHEORem. Cependant, en interrogeant le passé, l'information archéologique est de nature
imparfaite et sa qualité doit être prise en compte de l’étape de la modélisation conceptuelle du
système jusqu’à l’étape d’analyse. Ainsi, les imperfections relatives à ces données doivent être
identifiées, caractérisées et mémorisées afin qu’elles puissent être interrogeable dans le SIG
archéologique. Nous appliquerons la démarche introduite dans les chapitres 6 et 7 (F-
PERCEPTORY) afin de faire évoluer le système existant pour qu’il puisse gérer l’imprécision
inhérente à l’information pour laquelle il est destiné.
8.1 GISSAR: Geographical Information System for spatial analysis in archaeology
La gestion des données archéologiques urbaines est un enjeu majeur pour la compréhension
du passé et pour la restitution des connaissances qui lui sont relatives. Reims a subi de
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
192
nombreuses invasions et guerres et par conséquent il y avait un long processus de destruction et
de construction. Ainsi, le besoin d’avoir des outils pour le stockage et la visualisation des
données archéologiques a vu le jour.
Plusieurs modèles de données archéologiques ont été introduits dans la littérature, comme
ceux introduits par (Pfoser, Hadzilacos, Faradouris, & Kyrimis, 2007) ou (Rodier, Saligny,
Lefebvre, & Pouliot, 2009). Le premier modèle est développé pour le stockage des données
pendant la fouille tandis que le deuxième modèle est utilisé pour l’analyse des données. Ces deux
modèles n’ont pas été implémentés comme étant un système de stockage multi-sites qui stocke
les données finales de fouilles provenant de plusieurs sites. Ce dernier point est le principal
objectif du système GISSAR.
8.1.1 Présentation de GISSAR
Les données de fouilles urbaines dans GISSAR sont considérées selon le triplet (temps
espace/fonction). Dans ce triplet, il y a, selon (Rodier & Saligny, 2007), sept échelles d’analyses
spatiales qui commencent de l’unité stratigraphique jusqu’aux zones urbaines. Le temps est un
composant essentiel qui décrit les objets archéologiques, il est généralement représenté par une
période temporelle. Comme dans les SIG classique, la fonction de l’objet archéologique forme
une partie de l'information sémantique qui lui correspond. La composante descriptive est aussi
très importante, elle fournit des informations sur la composition des entités, leur dimension, etc.
Dans les fouilles urbaines, il existe deux principaux objets spatiaux à étudier. Le premier
objet spatial capital est le site archéologique qui localise les phénomènes à étudier et fournit des
informations globales sur les marques du passé. Le deuxième objet spatial correspond aux entités
archéologiques qui sont présentes dans les sites de fouilles. Ces entités sont des objets qui
représentent des marques sur les structures excavées du passé (murs, pièces, bâtiments, etc.). Par
conséquent, notre système d’information permet de stocker l’ensemble des sites archéologiques
et des entités archéologiques.
Une entité archéologique urbaine est structurée en sept échelles spatiales : de l’unité
stratigraphique à la zone interurbaine. Une entité archéologique à grande échelle peut agréger
d’autres entités à petite échelle. Les échelles sont obtenues en spécialisant les entités
archéologiques. Nous gérerons principalement quatre types d’entités :
- L’unité stratigraphique (US) : elle forme une couche d’occupation à l’intérieur d’un
bâtiment. Les US peuvent contenir des artéfacts qui sont des objets fabriqués qui
présentent des intérêts archéologiques particuliers (exemple : monnaie, poterie, etc.).
- Les faits : un fait est un ensemble volontairement structuré qui peut être isolé et
étudié d’une manière séparée. Par exemple, un mur est considéré comme un fait qui
regroupe plusieurs US.
- La structure : une structure est une collection de faits archéologiques individuels qui
constituent un ensemble cohérent qui peut être interprété comme un fait complexe.
Par exemple, une pièce d’une maison, qui est une collection de murs, est considérée
Asma ZOGHLAMI
193
comme une structure.
- L’élément constitutif : un ensemble cohérent d’entités d’un niveau supérieur
(exemple : une maison).
8.1.2 Le modèle de données archéologiques de GISSAR
Figure 147 : Modélisation des entités archéologiques, des sites et des artéfacts dans GISSAR
Une entité archéologique possède une forme spatiale, une fonction (mur, maison, etc.) et une
période d’activité. Le modèle de données archéologiques de GISSAR est établi en utilisant le
langage PictograF de PERCEPTORY. Le modèle présenté dans la figure 147, modélise les deux
principales classes spatiotemporelles : Site archéologique et Entité archéologique. Les géométries
de ces deux classes, considérées comme des formes surfaciques avec bordures, sont représentées
par des polygones. Cependant, les Artéfacts sont spatialisés par une forme point.
La datation, qui correspond aux possibles périodes ou siècles dans lesquels les entités
archéologiques et les artéfacts étaient actifs, est représentée par un pictogramme temporel
indiquant une période temporelle. De même, la période de la fouille de chaque site archéologique
est représentée par une période temporelle.
La figure 148 représente la structure spatiale du modèle GISSAR. Les entités
archéologiques, les artéfacts et les documentations sont localisés à l’aide d’un point, tandis que le
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
194
site archéologique est localisé à travers son adresse postale.
Figure 148 : Géoréférencement des entités archéologiques dans GISSAR
Figure 149 : Vue globale de GISSAR
En plus de leurs caractéristiques spatiales et temporelles, les entités archéologiques et les
artéfacts possèdent des caractéristiques descriptives comme la dimension (hauteur, épaisseur,
largeur, longueur, etc.) et la constitution en termes de matériaux. Ainsi, dans le modèle GISSAR,
ces entités sont liées à la classe Matériaux qui fournit une description sur tous les matériaux qui
Asma ZOGHLAMI
195
les constituent et à la classe Dimension qui décrit leur taille.
La classe Notice permet de décrire et de caractériser le contexte des objets concernés en leur
associant des documents originaux.
La classe Stockage sauvegarde toutes les informations qui concernent le stockage des
artéfacts et des documentations (adresse de stockage, condition de stockage, etc.). La classe
Echantillon comprend des données qui concernent les échantillons effectués sur des matériaux
archéologiques comme la céramique, le bois, etc. Toutes ces classes sont représentées dans la
figure 149 qui montre la structure globale de GISSAR. Ce système permet de traiter des données archéologiques, mais ne nous permet pas de
prendre en considération l’imprécision liées aux données. Comme les données archéologiques
sont souvent incertaines ou imprécises, nous devons tenir en compte de cet aspect. C'est l'objectif
de la section suivante.
8.1.3 Identification des informations imprécises dans GISSAR
Nous trouvons l'imperfection dans l'ensemble du processus de traitement des données
archéologiques en commençant par l'acquisition des données, leur représentation, leur gestion et
en finissant par leur visualisation. Cela est dû à la particularité des données archéologiques qui
sont une instance d'une triple relation entre le temps, l'espace et la fonction. En effet, le temps qui
s’écoule entre la période d'activité de l'objet et le moment de la fouille implique certaines
imprécisions et incertitudes dues à des destructions partielles, des mouvements du sol,
l'estimation de la période d'activité, l'estimation des attributs descriptifs, etc.
L'information quantitative est souvent définie en utilisant des qualificatifs. En effet, les
archéologues ont tendance à utiliser des qualificatifs comme long, épais, mince et grand, voire
modérément épais, très mince et un peu grand, pour décrire les formes de pierres formant un mur.
Ce type de description est aussi valable pour les artéfacts.
L'imperfection sémantique concerne la composition des entités et leurs fonctions
archéologiques. En effet, les archéologues ne peuvent pas parfois affirmer qu’un tel objet contient
de tels matériaux (fer, marbre, etc.) ou qu’il avait une fonction particulière précise dans le temps.
L'information temporelle est liée à la période d'activité de l'objet. Nous avons souvent des
informations imprécises concernant l'existence d'un événement historique ou d’un objet dans le
temps, car sa description prend souvent la forme de phrases comme « il est arrivé au début du
deuxième siècle », « il a existé au milieu de la période gallo-romaine», « il s’est produit pendant
le troisième siècle », etc. Parfois, cette existence prend aussi la forme d'expressions comme « il
s’est déroulé au début du deuxième siècle », « il a marqué le milieu de la période gallo-
romaine », etc.
Les données spatiales comprennent des informations sur la géométrie et l'emplacement d'une
instance sur la Terre. Dans les approches classiques, les instances archéologiques spatiales sont
généralement représentées comme des objets avec des frontières bien définies (points, lignes,
régions), même si elles sont de nature vagues comme les limites d'une unité stratigraphique ou un
site archéologique.
La localisation d'une instance peut être réalisée en utilisant des points de référence, des
repères, le positionnement de l’expert et à travers de vieilles cartes repositionnées. Ainsi, le
géoréférencement d’une instance est généralement lié à un manque de précision.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
196
Nous distinguons trois niveaux d’imprécision dans le modèle GISSAR. Le premier niveau
concerne l'imprécision sur les caractéristiques descriptives (dimension, matériaux, etc.). En effet,
nous décrivons la dimension par des prédicats flous tels que épais, haut, long, etc. En outre, nous
avons des imprécisions sur les matériaux qui composent les entités et les échantillons, de
l’incertitude sur les relations de superposition entre les unités stratigraphiques et de l’incertitude
sur la relation « rédige » entre Auteur et Documentation. Dans ce dernier cas, nous ne pouvons
pas affirmer des fois que celui qui a écrit le document est bien l’auteur original du document et
donc le document n’est autre qu’une reproduction.
Les différentes classes et relations concernées par ce premier niveau d’imprécision dans
GISSAR sont colorées en rouge dans la figure 150. Les classes mentionnées dans la figure
sont Dimension et Matériaux, et les relations mentionnées sont les deux relations d’Harris
(Harris, 1979), sous et sur, liant deux ou plusieurs unités stratigraphiques ainsi que les deux
relations de constitution et la relation rédige.
Figure 150 : Identification des imprécisions descriptives dans GISSAR
Le deuxième niveau d’imprécision est lié au temps. Les caractéristiques temporelles des
entités archéologiques correspondent à des périodes où les objets considérés étaient actifs.
Asma ZOGHLAMI
197
Cette datation présente un manque de précision que nous pouvons classer en deux niveaux :
- Premier niveau : correspond à une fourchette de datation possible sous forme de
siècles ou de périodes (exemple la période gallo-romaine). Parfois à ce stade nous ne
pouvons pas confirmer avec certitude qu’un document ou qu’une entité remonte à une
période x donné. Par exemple, être incertain qu’un objet fait partie de la période
gallo-romaine qui débute en 121 av. J-C et se termine en 476 ap. J-C ou la période
haut empire romain qui débute en 27 av. J-C et se termine en 235 ap. J-C.
- Deuxième niveau : même si nous sommes certains qu’un objet a existé dans une
période donnée, nous ne pouvons pas cerner avec précision l’une ou les deux bornes
de son intervalle de temps sous forme d’année (voir figure 151).
Figure 151 : Imprécision sur la datation
Le dernier niveau d’imprécision dans GISSAR est lié à l’imprécision spatiale qui est relative
d’une part à la forme géométrique des objets spatiaux qui peuvent avoir des limites floues et
d’autre part à l'imprécision sur leur géoréférencement. Les classes GISSAR concernées par ce
niveau d’imprécision sont : Site archéologique, Entité archéologique, Artéfact et Documentation
(figure 152).
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
198
Figure 152 : Identification des imprécisions spatiales dans GISSAR
8.2 F-GISSAR : un système d’information géographique floue pour la représentation et l’analyse des données archéologiques
8.2.1 Modélisation
Pour traiter le premier niveau d’imprécision, le mot-clé FUZZY est introduit et placé dans la
classe Dimension devant les attributs flous : longueur, largeur, hauteur, épaisseur, etc.
L’incertitude sur la composition en matériaux et l’incertitude sur les relations d’Harris entre les
US ne seront pas pris en compte dans ce travail. L’incertitude sur la relation rédige est modélisée
par l’introduction de l’expression « WITH d DEGREE » dans la relation.
Figure 153 : Extrait du modèle F-GISSAR
Asma ZOGHLAMI
199
Pour traiter le second niveau d’imprécision, nous utilisons les pictogrammes temporels de F-
PERCEPTORY pour exprimer l'imprécision temporelle. En effet, les objets qui ont une existence
durable comme les entités archéologiques sont représentées par une période floue.
Pour modéliser l’imprécision spatiale, les limites floues des sites archéologiques et des
entités archéologiques sont modélisées par des polygones flous. Les artéfacts et les
documentations sont modélisés par des points flous. Le manque de précision sur le
géoréférencement est également modélisé par un point flou. La figure 153 présente un extrait du
diagramme de classes mettant en évidence les trois niveaux d’imprécision dans notre contexte
archéologique.
Après avoir identifié les imprécisions et modélisé les données archéologiques selon
l’approche F-PERCEPTORY, nous devons adapter la base de données GISSAR afin de pouvoir
stocker et interroger les données spatiotemporelles floues. Nous présenterons dans la section
suivante la structuration de la nouvelle base de données gérant les imprécisions nommée F-
GISSAR.
8.2.2 Structure de la base de données F-GISSAR
Comme l'objectif principal est maintenant de stocker des données spatiotemporelles floues,
nous avons choisi de construire un système qui organise les informations en deux couches. La
première couche contient les données géométriques (comme les formes et les localisations des
instances archéologiques), les données descriptives, qui se rapportant à tous les attributs
descriptives des objets, et les données temporelles relatives à toutes les classes temporelles que
nous avons mentionnés précédemment. Une deuxième couche multivaluée est associée à la
première couche, pour gérer les différentes formes d’imprécision dans le modèle GISSAR à
savoir les imprécisions descriptives, spatiales et temporelles.
Concernant l’imprécision quantitative, tous les attributs flous sont connectés à une table qui
stocke les informations quantitatives sous forme d’ensemble multivalent de valeurs à travers un
identifiant d’ensemble flou. La figure 154 illustre un exemple de gestion de l’attribut épaisseur et
longueur.
Figure 154 : Gestion de l’imprécision du langage naturel dans les données descriptives
Pour les données spatiales, nous créons une table d’imprécision spatiale qui inclut toutes les
formes géométriques correspondant aux sites archéologiques et aux entités archéologiques sous
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
200
forme de polygones flous, ainsi que les artefacts et les documentations sous forme de points
flous. Toutes les requêtes spatiales que nous allons établir dans la prochaine section vont se
référer à cette table. La figure 155 représente toutes les formes floues correspondant à la forme
233 qui est un site archéologique (le site PC 87).
Figure 155 : Exemple de formes floues d’un site archéologique
Pour les données temporelles, toutes les entités temporelles sont reliées à une table
d’imprécision temporelle qui stocke toutes les expressions sémantiques qui se réfèrent au temps
sous forme d’ensembles multivalués. La connexion avec cette dernière table est possible grâce à
une table intermédiaire qui indique l'identifiant de l’ensemble flou pour chaque référence de
datation. Par exemple, pour une référence de datation indiquant le milieu du 2ème siècle, nous
pouvons avoir différentes valeurs de vérité qui lui correspondent selon l'intervalle de temps choisi
(voir figure 156).
Figure 156 : Exemple de gestion d’une période d’activité floue
Asma ZOGHLAMI
201
Avec la nouvelle structuration de GISSAR, nous sommes maintenant en mesure de
construire un SIG opérationnel consacré à l'information archéologique. Une étude de cas avec des
exemples de requêtes est détaillée dans la section suivante.
8.3 Exploitation de F-GISSAR Les exemples suivants de requêtes simples sont présentés sur des données simulées. La
configuration des données de fouilles à Reims est très proche de cette situation.
8.3.1 Requêtes avec imperfection spatiale
Nous considérons la requête visant à trouver les formes qui correspondent plutôt à la
géométrie du site PC 87. Les formes retenues sont celles ayant un degré d'appartenance au site
spécifié qui est supérieure ou égale à la valeur de 0,4. Le résultat de cette requête est représenté
dans la figure 157.
Figure 157 : Liste des formes qui correspondent plutôt au site JO 88
La visualisation des résultats précédents dans Quantum GIS montre un ensemble de formes
qui entourent le site et ayant différents degrés d'appartenance. Ces degrés d'appartenance sont
compris entre 0.4 et 1, qui est la valeur qui correspond parfaitement au site archéologique PC 87
(figure 158). Cette requête simple permet de sélectionner et de visualiser une forme multivaluée,
ce qui est important pour représenter des résultats incertains.
Figure 158 : Visualisation des formes floues d’un site archéologique
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
202
8.3.2 Requêtes avec imperfection temporelle
L'objectif dans ce cas est d’extraire des entités qui ont plutôt une période d'activité dans le
milieu du 2ème siècle et qui sont présents dans le site archéologique JO 88. Le résultat
correspondant à la requête est représenté dans la figure 159.
Figure 159 : Extrait des entités ayant une période d’activité dans le milieu 2ème siècle
La visualisation des entités archéologiques qui satisfont la requête précédente ainsi que leur
description est montrée dans la figure 160.
Figure 160 : Visualisation des entités avec une période d’activité dans le milieu 2ème siècle
Asma ZOGHLAMI
203
8.3.3 Requêtes avec imperfection spatiotemporelle
Nous considérons la requête suivante visant à trouver les entités qui satisfont en même temps
les conditions ci-dessous:
- Avoir une période d'activité au 2ème siècle (avec au moins un degré de 0,4)
- Avoir une forme qui appartient au site "JO 88"
- Le degré final doit être au moins égal à 0,8
Cette requête correspond à une α-coupe avec α égal à 0,8 et elle peut être exprimée comme suit:
Période d’activité (x) ~ 2ème siècle et Forme (x) ~ JO 88) >= 0.8
En utilisant la t-norme de Zadeh, cela implique que :
Min (Période d’activité(x) ~ 2ème siècle, Forme (x) ~ JO 88) >= 0.8
Alors :
Période d’activité(x) ~ 2ème siècle >= 0.8 et Forme (x) ~ JO 88 >= 0.8.
La figure 161 illustre l’exemple de la requête qui renvoie les entités ayant une période
d'activité dans le 2ème siècle. La figure 162 montre le résultat de la requête qui renvoie les entités
qui appartiennent au site JO 88. Selon ces deux requêtes, l'entité ayant l’identifiant 356 est la
seule qui satisfait les deux conditions en même temps.
Figure 161 : Extrait des entités avec imprécision temporelle
Figure 162 : Extrait des entités avec imprécision spatiale
La visualisation de la requête combinant l’imperfection spatiale et temporelle est illustrée
dans la figure 163.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
204
Figure 163 : Visualisation des entités avec imprécision spatiale et temporelle
Ainsi, avec ces trois exemples de requêtes, nous avons présenté un contexte simple de
l'utilisation d'un SIG dans le but de traiter les données archéologiques imprécises.
Dans ce chapitre, nous avons proposé une adaptation du modèle de GISSAR en utilisant F-
PERCEPTORY. Notre version floue du modèle de données archéologiques permet une gestion
plus fine des connaissances. Nous avons illustré notre démarche à l’aide de requêtes simples.
Nous envisageons, dans un travail futur, d’intégrer à notre système la possibilité de l’interroger
sur les relations topologiques spatiales et temporelles dans un contexte flou. Les évaluations des
degrés d’appartenance et les formes mises en jeu sont faites par l’archéologue responsable du
chantier afin de pouvoir être au plus juste de la connaissance sur nos données.
Ainsi à l’aide de F-PERCEPTORY, nous avons construit un système permettant à
l’utilisateur de représenter, enregistrer et requêter les données en prenant en considération
l’imprécision inhérente à l’information archéologique. Aux données retournées par le système
lors de son exploitation sont attachées des degrés de confiance qui permettent à l’analyste de
modérer sa décision. Les données, extraites ou à intégrer, qualifiées par leur degré de confiance
fournissent une information riche pour une analyse plus fine Ainsi, notre démarche participe
pleinement à la gestion de la qualité de l’information archéologique.
Nous étudierons dans le chapitre suivant, un autre contexte possible de déploiement de nos
contributions qui porte sur l’établissement de modèle des dynamiques spatiales urbaines prenant
en considération l’imprécision des connaissances.
Asma ZOGHLAMI
205
Chapitre 9. Evolution urbaine : cas de la ville de Saint-Denis
Une ville est par définition, une commune relativement large et importante. Il s'agit d'un
centre de population, de commerce, de culture, d’industrie, etc. Au fil du temps, la ville se
développe et suit une logique. De village en ville et de ville en communauté d'agglomérations, la
ville change également de forme en accord avec ses aspirations et celles de sa région. Pour
comprendre le passé, le présent et le futur de la ville, il est important d'identifier l'espace dans
lequel la trajectoire d'une ville se modélise. Pour certaines dimensions, il s'agit de placer des
espaces de variables logiques dont les valeurs et dont l'évolution dans le temps restent à définir. Il
s'agit donc d'établir une liste de variables identifiées comme une composante d'un modèle ville et
de dégager une logique cartésienne qui représente l'interaction de ces variables dans l'espace et le
temps. Cette étude semble très intéressante dans le cadre de la construction et l’extension des
régions et villes nouvelles. Il est donc nécessaire de rassembler un ensemble d’outils
technologiques nouveaux, afin d’apporter de meilleures perspectives en termes d’amélioration
des espaces urbains, du cadre de vie, et de manière générale la ville de demain. Nous nous
intéressons dans ce travail à l’extraction d’exemples de règles d’évolution de la ville de Saint-
Denis, en se basant sur des anciennes et actuelles cartes de la ville. Le but du travail est de
proposer un cadre formel ayant pour objectif d’établir différents scénarios d’évolution futurs de la
ville et de pouvoir prédire son avenir. La motivation de cette recherche est de créer un outil pour
l'aide à la planification urbaine à la disposition de la mairie de la ville. Cet outil vise à aider à la
prise de décisions futures sur les investissements, les réseaux de transport, les infrastructures, etc.
Il vise aussi à anticiper les besoins en termes de services et d’équipements publics (création des
écoles, hôpitaux, centres de loisirs, etc.)
9.1 Contexte Une ville est une unité urbaine densément peuplée, où la plupart des activités humaines sont
concentrées. Ainsi, elle est le centre de l'industrie, de l'économie, de la culture et de la science. La
ville connait des changements au fil du temps. Elle se construit, se transforme et évolue
parallèlement avec des initiatives des citoyens, des services publics, des entreprises, etc. De
nombreux facteurs sont à l’origine de l’évolution de la ville et de sa transformation. Certains sont
relatifs à la morphologie, la fonction et l’espace, d’autres sont liés aux facteurs naturels,
économiques, sociales et politiques. L'arrivée des moyens de transports (routes, chemins de fer) a
contribué de très près au développement économique et urbain (construction et/ou extensions de
sites de production déjà existants) d’une part et à l’évolution sociologique d’une autre part
(peuplement de région, immigration). Les changements pouvant être apportés, peuvent
s’effectuer de manière simple et structurée ou de manière aléatoire et complexe. Seule une trace
historique, relatant l’évolution de ces changements durant le temps et selon un protocole
d’analyse défini, peut nous renseigner de manière chronologique sur le poids économique que les
changements ont représenté dans la région considérée. S’ajoute à cela les modifications
topologiques pouvant influer sur l’environnement de manière aléatoire (catastrophes naturelles)
et dont l’humain n‘a aucune maîtrise ni de moyen pour y faire face. La situation géographique
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
206
peut aussi être un atout dans le processus d’installation et de peuplement (disposer
d’infrastructures de base comme un port, des pistes, etc.).
Prenons un exemple ; la découverte d’une source de richesse naturelle dans une région
donnée, entraine un développement industriel et l’apparition de plusieurs investissements. Le
résultat naturel de la création de nouvelles zones industrielles sera d’avoir un grand pôle de
travail, ce qui fait émerger le besoin de créer de nouvelles zones de résidence ainsi que différents
services pour les habitants comme les centres commerciaux, les lieux de divertissement, les
réseaux de transport, etc.
Étudier l’évolution d'une ville à travers l'histoire, puis analyser cette évolution en se basant
sur une logique spécifique, peut permettre de prévoir sa trajectoire future urbaine dans le but de
prendre des décisions d’ordre économique, écologique, sociale, sécuritaire, etc., dans l'intérêt de
la ville et de ses citoyens.
9.2 Modélisation des dynamiques De nombreuses recherches ont porté sur la modélisation de l'histoire ancienne des villes. En
particulier, plusieurs études ont ciblé le développement d'une approche de modélisation pour
représenter les formes des villes et leur dynamique dans le temps passé. Beaucoup, parmi ces
études, se sont concentrées à retracer la trajectoire des villes françaises comme Tours (Rodier &
Galinié, 2006; Rodier & Saligny, 2007), Aix en Provence (Boissavit-Camus, Guilloteau, &
Grataloup, 2010), et Poitiers (Boissavit-Camus, Guilloteau, & Royoux, 2010). Pour représenter la
dynamique urbaine de la ville de Tours et sa trajectoire dans la longue durée, (Rodier & Galinié,
2006) propose de passer des cartes topographiques historiques à un chrono-chorème6 représentant
la trajectoire de l'espace urbain de la ville et décrivant les différentes étapes de la schématisation
en une seule figure. (Boissavit-Camus, Guilloteau, & Grataloup, 2010) présentent l'évolution de
la ville d'Aix-en-Provence selon différents modèles en fonction du temps. Cette trajectoire est
retracée en huit phases successives. Chacune de ces phases est associée à un ou plusieurs
épisodes liés à la situation globale de la ville. Selon ce même principe, la trajectoire urbaine de
Poitiers fut représentée par (Boissavit-Camus, Guilloteau, & Royoux, 2010).
Dans tous les travaux précédents, différents modèles de villes combinant plusieurs
paramètres ont été déterminés pour analyser l'évolution de la ville. Cependant, le caractère
imparfait de l'information (imprécision, incertitude, etc.) n'a pas, ou peu, été considéré au
moment de la modélisation des trajectoires urbaines passées. En outre, le temps considéré est
toujours lié à un changement dans le passé qui vise à gérer le tracé historique et restaurer les états
successifs des objets et des villes dans la longue durée. Dans notre travail, nous visons à extraire
des exemples de règles d’évolutions urbaines en se basant sur la dynamique de la ville de Saint-
Denis dans le passé. Ces règles vont nous servir dans une deuxième étape à établir la trajectoire
future de la ville.
6 Dans (Cherni, Lopez, Laurini, & Faiz, 2010), les auteurs ont proposé une approche visant à générer
automatiquement des chorèmes à partir d’une base de données géographiques.
Asma ZOGHLAMI
207
9.2.1 Modèle descriptif : des cartes aux données
L'étude de la dynamique urbaine selon (Peuquet, 2002) est le résultat de la combinaison de
trois ensembles : la fonction, l'espace et le temps. Ainsi, la trajectoire de la ville que nous
envisageons d’établir est déterminée par les différents changements que chacun des objets
urbains qui la composent peut subir au cours du temps. Ces changements peuvent être
fonctionnels (église, école, entreprise, etc.), spatiaux (changements morphologiques, destruction,
reconstruction, fusion, changement de localisation, etc.), ou les deux à la fois.
A travers un ensemble d’informations de diverses sources (anciennes et actuelles cartes et
plans de la ville de Saint-Denis), nous pouvons récupérer des données urbaines qui remontent à
différentes époques où la ville s’est considérablement transformée et évoluée au cours des siècles.
Parmi ces données, nous avons sélectionné des échantillons d’objets urbains qui ont subi soit une
évolution spatiale, soit une évolution fonctionnelle ou bien les deux à la fois. L’évolution spatiale
se manifeste sous la forme d’un changement morphologique, changement de localisation,
extension spatiale, fusion spatiale, etc. L’évolution fonctionnelle quand à elle, se manifeste à
travers un changement de rôle d’un objet urbain d’un temps t1 vers un temps t2. L’évolution
spatiale et fonctionnelle comprend à la fois les changements dans l’espace et la fonction. Les
données dont nous disposons sur la ville de Saint-Denis, sont des données imprécises dans leur
espace, leur temps et leur fonction. En effet, les cartes qui sont produites en une année donnée a,
sont la plupart du temps établies en se basant sur des données qui ont été enregistrées des années
auparavant. Ainsi, chaque objet urbain représenté dans une carte peut avoir subir des
transformations spatiales et/ou des transformations fonctionnelles, entre le moment de
l’enregistrement des données et celui de la production de la carte, d’où le problème de
délimitation de la géométrie de l’objet et de la détermination de sa fonction à une date d. Ainsi
chaque objet sélectionné dans la carte est décrit par un temps flou, un espace flou et une fonction
floue. La figure 164 illustre un exemple d’une carte produite en 1870. Au niveau de la base de
données, cette date sera représentée par une date floue. Les trois objets urbains mentionnés dans
cette carte seront représentés dans la base de données par des polygones flous.
Figure 164 : Considération de l’imprécision dans la phase de récolte des données
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
208
9.2.2 Modèle explicatif : analyse et extraction des évolutions passées
Les règles d’évolutions seront extraites à partir d’un processus d’apprentissage non supervisé
en appliquant l’algorithme d’apprentissage « apriori » sous le logiciel libre d’apprentissage
WEKA. L’opération d’extraction des règles se déroulera en trois étapes :
- Etape 1 : le prétraitement des données. Il consiste à définir les attributs et les
instances. Les attributs de l’algorithme d’apprentissage sont les échantillons d’objets
que nous avons sélectionnés pour les étudier. Les instances sont les séquences
d’évolution.
- Etape 2 : l’extraction des connaissances. Il s’agit d’appliquer l’algorithme
d’apprentissage pour extraire les règles d’évolution.
- Etape 3 : le post-traitement des règles. Cela consiste à sélectionner les règles
intéressantes.
9.3 Extraction des règles d’évolution urbaine : changement de fonctions Pour extraire les règles d’évolution, nous nous intéressons principalement dans ce travail aux
changements de fonctions des objets urbains. Pour cela, nous associons à chaque objet une
fonction. Par exemple :
Basilique de Saint-Denis : lieu de culte
Fort de Briche : établissement militaire
Hôtel Dieu : hôpital
Hôpital de la fontaine : hôpital
Notre but sera ensuite de trouver une méthode pour l’extraction des règles qui tiendra compte
de l’aspect imprécis de la fonction dans tout le processus d’évolution. Nous détaillons dans la
prochaine section la démarche et le raisonnement que nous pouvons suivre à la recherche d’une
méthode d’extraction de règles adaptée à notre contexte.
9.3.1 Approches basées sur les séquences
Méthode de séquences d’évolution :
La première méthode consiste à établir, en un premier temps un ensemble de séquences
d’évolutions, par exemple :
S1 : Hôpital -> centre de formation
S2 : Hôpital -> centre de formation -> hôpital
S3 : Hôpital -> lieu de culte
En un deuxième temps, nous cherchons dans la base de données, les objets urbains dont les
différentes fonctions qu’ils ont eues au fil du temps correspondent aux séquences d’évolutions
fixées au départ. Dans ce cas, les règles que nous pouvons retenir, sont celles qui sont apparues le
plus dans la base de données. L’avantage de cette méthode est sa simplicité. Cependant, elle peut
entrainer une perte d’informations vu que nous ne pouvons pas garder une trace de l’ordre
Asma ZOGHLAMI
209
chronologique de l’évolution. Par exemple, si parmi les séquences d’évolutions S1, S2 et S3 la
séquence S1 : hôpital -> centre de formation est considérée comme une règle d’évolution, nous
perdons une information sur une transition qui indique que l’hôpital peut se transformer en un
centre de formation puis redevenir un hôpital (figure 165).
Figure 165 : Exemple de perte d’information dans la méthode 1
Pour remédier à ce problème, nous pouvons penser à une méthode qui considère toutes les
transitions possibles entre les fonctions.
Méthode de transitions dans les séquences d’évolution :
La deuxième méthode consiste à établir toutes les transitions possibles d’une fonction. Cela
revient à décomposer chaque séquence d’évolution de façon à pouvoir établir toutes les
transitions possibles. Par exemple en décomposant la séquence S4 : lieu de culte -> école ->
centre de formation, nous pouvons avoir les transitions suivantes :
T1: lieu de culte -> école
T2 : école -> centre de formation
T3 : lieu de culte -> centre de formation
L’avantage de cette méthode est qu’elle permet d’éviter la perte d’informations, en
considérant toutes les combinaisons possibles des séquences d’évolutions. Cependant,
l’inconvénient est le nombre important de transitions à gérer. Cela fait d’elle une méthode
consommatrice de ressources mémoires et de temps. La figure 166 reprend l’exemple de la
méthode 1 et illustre la prise en compte des différentes transitions possibles dans une séquence
d’évolution.
Figure 166 : Considération des transitions possibles dans la méthode 2
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
210
Méthode de motifs fréquents :
La troisième méthode consiste à établir un ensemble de motifs de séquences d’évolution puis
à appliquer une vérification sur les données afin de trouver les motifs de séquences les plus
fréquents. Ainsi, les règles d’évolution correspondront aux motifs fréquents. Par exemple,
considérons l’ensemble des séquences d’évolution relatives à des lieux de culte et des hôpitaux
ainsi que le code associé à chaque fonction dans le tableau 12.
S5 : lieu de culte -> usine
S6 : lieu de culte -> établissement militaire -> usine
S7 : hôpital -> centre de formation -> hôpital
S8 : hôpital -> centre de formation -> école
Fonction Code
lieu de culte A
Usine B
établissement militaire C
Hôpital D
centre de formation E
Ecole F
Tableau. 12. Codes attribués aux fonctions
Nous nous intéressons dans ce cas, à chercher les motifs fréquents qui correspondent aux
différentes séquences d’évolution. Ces motifs sont (AB), (ACB), (DED) et (DEF) qui
correspondent respectivement aux séquences S5, S6, S7 et S8. La figure 167 illustre un exemple
de recherche de motifs fréquents.
Figure 167 : Exemple de recherche de motifs fréquents
Asma ZOGHLAMI
211
Cette méthode basée sur la recherche de motifs fréquents parmi un ensemble de séquences
d’évolution, permet de générer des règles d’évolution de qualité. Cependant, elle ne tient pas en
considération l’imprécision associée à la fonction, d’où le besoin d’avoir une méthode
d’extraction de séquences d’évolution avec degrés de possibilité sur les fonctions.
9.3.2 Extraction des séquences d’évolution avec degrés de possibilité
a) Evolution de la fonction
Le but de cette méthode est de formuler des motifs d’évolution de la fonction en tenant
compte de l’imprécision. L’idée est d’associer à chaque fonction un degré de confiance entre 0 et
1 puis d’établir un ensemble de motifs d’évolution tenant compte de ces degrés. Une fois que les
motifs avec les degrés d’évolutions sont établis, l’étape finale est de chercher les motifs les plus
fréquents parmi ces derniers. Ainsi, le tableau que nous avons considéré dans la méthode basée
sur les motifs fréquents sera remplacé par le tableau ci-dessous.
Fonction Code Degré de confiance
lieu de culte A da1
lieu de culte A da2
… A dan
Usine B db1
… B dbn
établissement militaire C dc1
… C dcn
Hôpital D dd1
… D ddn
centre de formation E de1
… E den
Ecole F df1
… F dfn
Tableau. 13. Codes et degrés attribués aux fonctions
La figure 168 montre un exemple de représentation de séquences d’évolution de fonctions avec
des degrés de possibilités. Ainsi à travers cet exemple, nous aurons les motifs suivants :
Motif 1 : ((D, dd), ((E, de), (D, dd))
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
212
Motif 2 : ((D, dd), (E, de))
Motif 3 : ((D, dd), (E, de), (F, df))
Figure 168 : Exemple de séquences d’évolutions de la fonction avec degrés de possibilités
b) Evolution de l’espace
Les motifs de l’évolution de l’espace peuvent être formulés suivant le même principe de
formulation des motifs d’évolution de la fonction. En effet, un degré de confiance est attribué à
chaque géométrie. Le but sera ensuite de trouver les motifs fréquents et de les considérer comme
des règles d’évolution. Dans le tableau 14, nous associons à chaque géométrie (forme
géométrique polygone) un code et un degré de confiance.
Géométrie Code Degré de confiance
G1 S1 dg1
G1 S1 dg2
G2 S2 dg1
…
Gn Sn dg1
Tableau. 14. Codes et degrés attribués aux espaces
La figure 169 illustre un exemple de représentation de séquences d’évolution de l’espace des
objets O1, O2 et O3, avec des degrés de possibilités.
Asma ZOGHLAMI
213
Figure 169 : Exemple de séquences d’évolution de l’espace avec degrés de possibilités
Selon l’exemple ci-dessus, les motifs d’évolution sont les suivants :
Motif 1: ((S1, dg1), (S2, dg2), (S1, dg2))
Motif 2: ((S3, dg1), (S2, dg1))
Motif 3: ((S4, dg2), (S4, dg2), (S5, dg1))
Le but d’appliquer une recherche de motifs fréquents, est de voir comment l’espace des
différents objets (O1, O2 et O3) peut évoluer. Dans ce cas, nous pouvons avoir une transition
d’un espace de départ S1 vers un autre puis revenir sur le même espace. Suivant l’exemple
précédent, nous pouvons avoir un cas où il y a une seule transition d’un espace de départ vers un
autre espace (motif 1 et motif 2). La méthode d’extraction de motifs fréquents d’évolutions
spatiales, peut être combinée avec la méthode d’extraction de motifs fréquents d’évolutions
fonctionnelles, afin d’avoir un aperçu sur les évolutions simultanées de la fonction et de l’espace.
Ainsi, les nouveaux motifs que nous pouvons extraire peuvent nous renseigner par exemple si
l’objet O1 change d’espace ou garde son même espace en se transformant d’un hôpital vers un
centre de formation. Ils peuvent aussi nous renseigner si l’hôpital qui s’est transformé en centre
de formation puis qui est redevenu un hôpital a toujours gardé l’espace dans lequel il était un
centre de formation, etc.. Pour répondre à cette spécificité, il faut imaginer une méthode qui
permet de formuler des motifs d’évolution combinant à la fois l’imprécision spatiale et
l’imprécision fonctionnelle.
C) Evolution de l’espace et de la fonction
La méthode d’extraction de séquences d’évolution fonctionnelle et spatiale, associe à chaque
fonction et à chaque géométrie un degré de confiance, et cherche ensuite les motifs d’évolutions
fréquents en tenant compte de ces degrés. Le tableau 15 représenté ci-dessous est le résultat de la
combinaison des deux tableaux 13 et 14.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
214
Fonction Code Degré de
confiance
Géométrie code Degré de
confiance
lieu de culte A da1
… A dan …
Usine B db1 Gn Sn dg1
… B dbn
établissement
militaire
C dc1
… C dcn
Hôpital D dd1 G1 S1 dg1
… D ddn G1 S1 dg2
Tableau. 15. Codes et degrés attribués aux fonctions et aux espaces
La figure 170 illustre un exemple de représentation de séquences d’évolution de l’espace et de la
fonction, avec des degrés de possibilités. Les motifs d’évolution sont les suivants :
Motif 1: (((S1, dg1), (D, dd)), ((S2, dg2), (E, de)), ((S1, dg2), (D, dd))
Motif 2: (((S3, dg1), (D, dd)), (S2, dg1), (E, de))
Motif 3: ((S4, dg2), (D, dd)), ((S4, dg2), (E, de)), ((S5, dg1), (F, df))
Figure 170 : Exemple de séquences d’évolutions spatiales et fonctionnelles avec degrés de possibilités
Asma ZOGHLAMI
215
9.4 Modèle prospectif : exploitation des règles pour la prédiction
Figure 171 : Exemple d’un modèle prospectif
L’objectif du modèle prospectif, est d’appliquer un ensemble de règles d’évolution afin de
d’établir différents scénarios d’évolution futures possibles. En effet, un degré de possibilité est
calculé pour chaque motif d’évolution fonctionnelle et spatiale. A travers ces degrés, les motifs
sont classés en motifs très fréquents, si le degré de possibilité est très élevé, motifs non fréquents
si le degré de possibilité est trop faible, etc. Reprenons l’exemple précédent dans la figure 171.
Le degré de possibilité calculé pour le premier motif est très élevé, donc ce motif d’évolution est
considéré comme très fréquent. Le degré de possibilité calculé pour le deuxième motif est élevé,
ce qui veut dire que le motif d’évolution est fréquent. Finalement, le degré de possibilité calculé
pour le troisième motif est trop faible. Par conséquent, ce motif est considéré comme non
fréquent. En appliquent la première règle d’évolution, nous obtenons un scénario d’évolution très
possible. En appliquant la deuxième règle d’évolution, nous obtenons un scénario d’évolution
presque possible. Finalement, en appliquant la troisième règle d’évolution, nous obtenons un
scénario d’évolution non crédible.
Dans ce chapitre, nous nous sommes intéressés à la modélisation de l’évolution urbaine de la
ville de Saint-Denis. L’objectif à atteindre est de pouvoir exploiter des règles d’évolution urbaine,
dans le but de prédire le futur de la ville. Pour répondre à cet objectif, il faut d’abord passer par
une première étape de collecte de données, qui permet à partir des anciens et actuelles plans et
cartes de la ville, d’obtenir un ensemble de données, qui peuvent être exploitable par la suite. Le
principe est de sélectionner un ensemble d’objets urbains sur des cartes et de les stocker dans la
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
216
base de données de manière à pouvoir tenir compte de l’imprécision inhérente à la fonction, au
temps et à l’espace. Ensuite, nous avons recherché une méthode d’extraction de règles, qui peut
s’adapter à des évolutions avec des imprécisions spatiales, à des évolutions avec des imprécisions
sur la fonction et des évolutions avec des imprécisions sur la fonction et l’espace en même temps.
Ainsi, nous avons défini une méthode d’extraction de séquences d’évolution de fonction
avec degrés de possibilités, une méthode d’extraction de séquences d’évolution de l’espace avec
degrés de possibilités et une méthode d’extraction de séquences d’évolution de la fonction et de
l’espace avec degrés de possibilités. Dans une troisième phase, les règles d’évolution seront
exploitées pour la prédiction. Dans ce chapitre nous sommes restés dans un cadre théorique. La
partie application verra le jour dans le cadre du projet « Ville » à l’université Paris 8.
Asma ZOGHLAMI
217
Conclusion La dernière partie de notre travail a été consacrée aux applications. Dans le chapitre 8, nous
avons modélisé GISSAR à l’aide de notre approche F-PERCEPTOR, afin d’avoir une application
en archéologie qui vise à représenter et gérer des données archéologiques imprécises. Dans cette
application, nous avons exploité une base de données qui stocke des données de fouilles
archéologiques. Ainsi, nous avons présenté premièrement dans le chapitre 8 le modèle de
données GISSAR dédié à un système d’information géographique pour l’analyse spatiale en
archéologie à la ville de Reims. Nous avons détaillé les trois principales vues du modèle qui sont
la vue descriptive, la vue spatiale et la vue temporelle. La vue descriptive du modèle décrit la
dimension des artéfacts et des entités archéologiques comme la longueur, la largeur, l’épaisseur,
etc. La composition des entités archéologiques et des artéfacts en termes de matériaux ainsi que
les relations entre les unités stratigraphiques forment aussi une partie de la vue descriptive du
modèle. Dans les deux vues spatiales et temporelles, nous avons décrit les principales classes
présentant des caractéristiques spatiales et temporelles. Après avoir présenté le modèle GISSAR,
nous avons identifié diverses formes d’imperfection qui se manifestent dans ce modèle. Ces
imperfections sont relatives à des imprécisions temporelles, spatiales et quantitatives ainsi qu’a
des imperfections sémantiques. Ce dernier type d’imperfection n’a pas été tenu en compte dans
ce chapitre. Nous avons ensuite introduit le modèle F-GISSAR ainsi que la structure de sa base
de données, que nous avons développé pour modéliser un système d’information géographique
flou qui représente et gère des données archéologiques. Des exemples d’exploitation de F-
GISSAR à travers des requêtes floues usuelles prenant en compte des imperfections spatiales,
temporelles et spatio-temporelles ont été exposés à la fin du chapitre 8.
Le dernier chapitre de cette partie a constitué une première réflexion sur une application qui
vise à modéliser l’évolution urbaine de la ville de Saint-Denis et à prédire son futur. Cette
application pourra être un outil d’aide à la décision dans le domaine de la planification urbaine à
la disposition de la mairie de la ville. Pour atteindre cet objectif, nous avons proposé trois
modèles pour la modélisation de la dynamique : un modèle descriptif, un modèle explicatif et un
modèle prospectif. Le modèle descriptif permet de passer des cartes aux données. Il vise à établir
un ensemble d’objets urbains à partir des différentes cartes de la ville. Ces données seront ensuite
stockées dans une base de données en tenant compte de leurs différentes transformations
fonctionnelles et spatiales à travers le temps. Dans cette base de données, l’imprécision inhérente
au temps, à la fonction et à l’espace est aussi prise en considération. Ainsi, chaque objet urbain
dans la base de données est décrit par un triplé fonction floue - espace flou - temps flou. Le
modèle explicatif vise à analyser l’évolution à travers l’extraction d’un ensemble de règles
d’évolution urbaine. Nous avons établi dans ce chapitre une démarche qui vise à trouver la
méthode d’extraction de règles d’évolution qui peut être appliquée dans notre contexte. Cette
méthode doit nous permettre de considérer les différentes formes d’imprécision liées à l’objet
urbain. Dans cette démarche, nous avons introduit une première méthode naïve qui se base sur la
définition d’un ensemble de séquences d’évolution de la fonction et qui cherche celles qui sont
fréquentes dans la base de données. Cette méthode entraîne une perte d’informations, ce qui nous
a conduit à proposer une deuxième méthode qui tient compte de toutes les transitions possibles
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
218
dans une séquence d’évolution. Cette méthode s’avère très coûteuse en termes de ressources
mémoires. Nous avons alors présenté une troisième méthode inspirées des deux premières
méthodes et qui se distingue par la recherche de motifs fréquents. Toutes ces dernières méthodes
ne nous permettent pas de considérer les différentes formes d’imprécision liées aux objets urbains
lors de l’établissement des règles. Pour cette raison nous avons ensuite introduit trois nouvelles
méthodes. La première méthode permet d’extraire des séquences d’évolution de la fonction avec
des degrés de possibilité, en associant un degré de confiance à chaque fonction et en cherchant les
motifs d’évolution fréquents. La deuxième méthode permet d’extraire des séquences d’évolution
de l’espace avec des degrés de possibilité, en associant un degré de confiance à chaque espace et
en cherchant les motifs d’évolution fréquents. La troisième méthode permet de combiner les deux
précédentes méthodes afin d’extraire des règles d’évolution de l’espace et de la fonction avec des
degrés de possibilité. Le dernier modèle présenté dans le chapitre 9 est le modèle prospectif. Ce
modèle a pour objectif d’exploiter les règles d’évolution urbaine dans un processus de prédiction.
Les méthodes développées et le système d’information mis en place dans le cadre de
l’application à l’archéologie rémoise ont été présentés lors de la conférence internationale
« Computer Applications and Quantitative Methods in Archaeology » (Zoghlami, De Runz,
Pargny, Desjardin, & Akdag, 2012) et dans le cadre de la «2ème
Journée
GEOMATIQUE » organisée par l’Université de Reims Champagne-Ardenne (Zoghlami , 2011).
Asma ZOGHLAMI
219
Conclusion générale
Comme les informations géographiques sont complexes (spatiales, temporelles, imparfaites),
et afin de refuser la simplification des données et de réduire les erreurs d’analyse, nous avons
cherché dans ce travail à les considérer dans leurs multiples formes. Notre travail a porté sur la
gestion de l’imprécision des données. Dans notre démarche, la qualité des données est prise en
considération dès leur représentation.
Ce travail de thèse répond à deux grands objectifs. Le premier porte sur la représentation et
la gestion des données géographiques imprécises aussi bien dans leur temporalité, spatialité que
dans leur description plus classique, au sein des Systèmes d'Information Géographique. Le
second vise à proposer une approche pour la modélisation et la gestion des dynamiques spatiales
dans un environnement imprécis, en s'intéressant en particulier à modéliser la trajectoire urbaine
floue d'une ville.
Pour mener à bien ce travail, nous l'avons décomposé en trois parties. La première partie a
été consacrée à un état de l'art détaillé et commenté sur trois axes qui forment une base
importante pour notre travail. Le premier axe porte sur les approches conceptuelles de
modélisation des données classiques et spatiotemporelles. Dans cet axe, nous avons analysé les
principales approches conceptuelles utilisées pour les données classiques : les graphes
conceptuels, Merise et UML. Le deuxième axe est relatif à la définition de l'imperfection dans les
connaissances ainsi qu'à ses modes de représentations. Ainsi, nous avons défini, dans le chapitre
3, les types d'imperfection de l'information et nous avons introduit les principales théories de
représentation et de traitement de l'information imparfaite, en s'intéressant en particulier à la
représentation de l'imprécision à travers la théorie des sous-ensembles flous et la théorie des
possibilités. Le dernier axe correspond à une étude bibliographique sur la modélisation de
l'information imparfaite dans les modèles conceptuels classiques et spatiotemporels.
La deuxième partie de ce travail a été consacrée à développer notre contribution. Nous
avons, dans un premier temps, introduit une approche originale de représentation et de gestion de
l'imprécision (F-PERCEPTORY). Cette approche se veut une extension de l’UML qui allie les
qualités de Fuzzy UML et de PERCEPTORY. Nous avons ensuite établi, pour chaque type
d'imprécision (temporelle, spatiale et quantitative) représentée dans F-PERCEPTORY, un
ensemble de règles de transformation vers le modèle logique. La fin de cette deuxième partie a
été consacrée à proposer deux approches complémentaires pour la gestion des dynamiques
spatiales dans un environnement imprécis. La première approche est une approche descriptive
visant à modéliser et structurer des dynamiques, relatives aux évolutions possibles de fonctions
ou d'espaces d'objets temporels. La seconde vise à obtenir un modèle explicatif et prospectif, qui,
basé sur un ensemble de paramètres flous (espace flou, fonction floue et temps flou), permet de
représenter une trajectoire floue à travers une structure de Kripke, et d'en déduire une logique
modale et temporelle qui nous permet de raisonner sur le temps tout en tenant en compte de
l'imprécision.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
220
La dernière partie de ce mémoire a été dédiée aux applications. La première application
exploite l'approche F-PERCEPTORY, proposée dans ce travail, à des fins de construction d’un
système d'information géographique floue représentant et exploitant des données archéologiques.
La seconde application concerne la modélisation de l'évolution urbaine de la ville de Saint-Denis.
Étant donné que cette étude de cas rentre dans le cadre d'un projet futur du LIASD au sein de
l'université Paris 8, nous avons principalement mis l'accent sur la démarche à suivre pour
modéliser la dynamique et pour extraire d'une manière originale des règles d'évolution de la
fonction et/ou de l'espace avec degrés d'incertitude. Ainsi, ce travail se situe à l'intersection de
plusieurs axes de l’intelligence artificielle : représentation des connaissances, apprentissage, les
logiques dites floues, etc., avec des applications dans le cadre des systèmes d'informations
géographiques.
Perspectives
Dans une grande partie de cette thèse, nous avons détaillé l’approche F-PERCEPTORY qui
permet de représenter et gérer l’imprécision. Nous avons mis en place un ensemble de contraintes
d’intégrité et de règles de transformation de F-PERCEPTORY vers un modèle logique adapté à
un système de gestion de bases de données relationnelles et objet. Ainsi, il serait important
d’automatiser la génération d’une base de données à partir du modèle F-PERCEPTORY en créant
un outil de type AGL (Atelier de Génie Logiciel) gérant l’imprécision. Dans cette base de
données, il serait aussi important de définir un ensemble de règles mettant en évidence de
possibles incohérences spatiotemporelles afin d’éviter les conflits spatiotemporels entre objets
dans la base de données.
Dans notre approche, nous avons cherché à modéliser les imperfections des données
spatiales, temporelles, spatiotemporelles et quantitatives. Un important aspect des possibles
développements futurs porte sur la prise en considération des imprécisions dans les ontologies
métiers définissant les concepts pouvant être représentés à l’aide de F-PERCEPTORY. Nous
envisageons pour cela de construire une approche liant les graphes conceptuels et graphes
conceptuels flous pour l’établissement des relations entre classes/concepts de notre approche. De
même, nous cherchons à mettre en relation nos couches de données (données classiques, gestion
de l’imprécision) avec les métadonnées dans le but d’automatiser certains procédés et
évaluations.
Dans la partie applicative, nous avons établi un ensemble de requêtes floues usuelles avec
des imperfections spatiales, temporelles et spatiotemporelles. Nous envisageons de travailler au
développement de requêtes exploitant les relations topologiques temporelles floues et les
relations topologiques spatiales floues (Dubois, Hadj Ali, & Prade, 2004).
Les chapitres 7 et 9 de ce mémoire nous ont ouvert beaucoup de perspectives de travail futur
dans le but d’appliquer notre approche de gestion des dynamiques urbaines dans un
environnement imprécis. Ainsi, notre objectif futur sera d’analyser l’évolution urbaine de la ville
de Saint-Denis à travers le temps en cherchant des règles d’évolution urbaine à travers lesquelles
nous pouvons construire un modèle prospectif exploitant les règles pour la prédiction.
Asma ZOGHLAMI
221
Publications personnelles
Soit :
- 4 communications internationales [1,2,3,4]
- 2 communications nationales [5,6]
- 2 communications nationales sans actes [7,8]
[1] Zoghlami, A., De Runz, C., Akdag, H., Zaghdoud, M., & Ben Ghezala, H. (2011).
Handling imperfect spatiotemporal information from the conceptual modeling to database
structures. International Symposium on Spatial Data Quality, (pp. 165-170). Coimbra,
Portugal.
[2] Zoghlami, A., De Runz, C., Pargny, D., Desjardin, E., & Akdag, H. (2012). Through an
Archaeological Urban Data Model Handling Data Imperfection. Computer Applications
and Quantitative Methods in Archaeology. Southampton, UK.
[3] Zoghlami, A., De Runz, C., Akdag, H., & Pargny, D. (2012). Through a fuzzy spatio-
temporal information system for handling excavation data. 15th Agile International
Conference on Geographic Information Science, (pp. 179-196). Avignon.
[4] Zoghlami, A., De Runz, C., & Akdag, H. (2013). Through a fuzzy CTL logic for
modelling urban trajectories. ICAART. Barcelone: INSTICC, Portugal.
[5] Zoghlami, A. (2011). Traitement des informations spatio-temporelles imparfaites. De la
modélisation conceptuelle à la structuration de la base de données. Forum jeunes
chercheurs, conférence INFORSID (pp. 453-454). Lille, France.
[6] Zoghlami, A., Zayrit, K., De Runz, C., Desjardin, E., & Akdag, H. (2012). Vers la
construction d’un observatoire des pratiques agricoles : gestion et propagation de
l’imprécision des données agronomiques. Conférence Internationale Francophone sur
l'Extraction et la Gestion de Connaissance (EGC 2012) (pp. 537-542). Bordeaux, France:
Hermann.
[7] Zoghlami, A., De Runz, C., & Akdag, H. (2011). Gestion de l’imperfection inhérente à la
donnée archéologique dans les modèles et les structures de données. Journées
Informations Géographiques et Observation de la Terre (JIGOT 2011). Rennes, France.
[8] Zoghlami, A. (2011). Incertitude et données archéologiques. 2ème Journée
GEOMATIQUE, Gegena 2, CReSTIC, URCA. Reims, France.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
222
Asma ZOGHLAMI
223
Bibliographie
Akdag, H., & Truck, I. (2008). Uncertainty Operators in a Many-valued Logic. (I. G. Publishing,
Éd.) Encyclopedia Of DataWarehousing And Mining, 2nd edition, pp. 1997-2003.
Allen, J. F. (1983). Maintaining knowledge about temporal intervals. ACM, 26, pp. 832-843. New
York.
Alliot, J.-M., Schiex, T., Brisset, P., & Garcia, F. (2002). Intelligence artificielle et informatique
théorique. Toulouse: Cépaudues-éditions.
Bae, K., & Meseguer, J. (2008). A rewriting based model checker for the linear temporal logic of
rewriting. RULE 2008 The ninth International Worshop on Rule-Based Programming, pp.
208-225.
Bedard, Y. (1999). Visual modelling of spatial databases : Towards spatial PVL and UML.
Geomatica, 53, pp. 169-186.
Ben Amor, S., & Martel, J.-M. (2004). Le choix d’un langage de modélisation des imperfections
de l’information en aide à la décision. Conference of the Administrative Sciences
Association of Canada. 25.
http://attila.acadiau.ca/library/ASAC/v25/articles/BenAmor-Martel.pdf.
Benasayag, M., Akdag, H., & Secroun, C. (1997). Peut-on penser le monde ? : hasard et
incertitude , Préface d'Antoine Spire . Paris: Editions du Félin.
Bigand, M., Camus, H., Bourey, J.-P., & Corbeel, D. (2006). Conception des systèmes
d'information : modélisation des données, études de cas. (Technip, Éd.)
Boissavit-Camus, B., Guilloteau, C., & Grataloup, C. (2010). Aix-en-Provence : étude chrono-
chorématique. M@ppemonde(100).
http://mappemonde.mgm.fr/num28/articles/art10403.html
Boissavit-Camus, B., Guilloteau, C., & Royoux, D. (2010). Poitiers : étude chrono-chorématique.
M@ppemonde(100).
http://mappemonde.mgm.fr/num28/articles/art10405.html
Bonissone, P. (1987). Plausible reasonning: coping with uncertainty in expert systems.
Encyclopedia of Artificial Intelligence, pp. 854-863.
Bosc, P., & Pivert, O. (2000). SQLf Query Functionality on Top of a Regular Relational
Database management . Proceedings of Knowledge Management in Fuzzy Databases , pp.
171-190. Heidelberg.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
224
Bosc, P., & Pvert, O. (1995). SQLf: A Relational Database Languagefor Fuzzy Querying.
Computer Journal of IEEE Transactions on Fuzzy Systems, 3(1), pp. 80-89.
Bouchon-Meunier, B. (1995). La logique floue et ses applications. Paris: Addison Wesley.
Brodeur, J., Bédard, Y., & Proulx, M.-J. (2000). Modelling Geospatial Application Database
using UML-based Repositories Aligned with International Standards in Geomatics.
Proceedings of 8th ACM international symposium on Information and Knowledge
Management (CIKM) ACM GIS’00, pp. 39-46. Washington DC, USA.
Buche, P. (2007). Intégration de données hétérogénes, imprécises et incomplétes : Application
dans le domaine du risque alimentaire. habilitation à diriger des recherches- Université
Paris Sud, Orsay.
Buche, P., Dibie-Barthélemy, J., Haemmerlé, O., & Thomopoulos, R. (2006). Fuzzy concepts
applied to the design of a database in predictive microbiology. Fuzzy Sets and Systems,
157, pp. 1188–1200.
Burrough, P., & Mc Donnell, R. (1998). Principles of Geographical Information Systems. Oxford
University Press.
Chawk, M. (2000). Modéle de graphes conceptuels et représentation sémantique du langage
naturel. Rapport de recherche de l'équipe ERSICO Université Jean Moulin Lyon 3.
Chein, M., & Mugnier, M.-L. (1992). Conceptual Graphs: fundamental notions. Revue
d'Intelligence Artificielle, 6(4), pp. 365-406.
Chen, G., & Kerre, E. (1998). Extending ER/EER concepts towards fuzzy conceptual data
modeling. IEEE International Conference on Fuzzy Systems, 2, pp. 1320-1325.
Cherni, I., Lopez, K., Laurini, R., & Faiz, S. (2010). ChorML : Résumés visuels de bases des
données géographiques. EGC, pp. 691-692. Hammamet, Tunisie: Cépaduès-Éditions.
Cimatti, A., M.Clarke, E., Giunchiglia, E., Giunchiglia, F., Pistore, M., Rovere, M., Sebastiani,
R., Tacchella, A. (2002). NUSMV2: An Open Source Tool for Symbolic Model
Checking. 14th international conference on Computer-Aided Verification (CAV 2002),
pp. 359-364.
Clarke, E., Emerson, E., & Sistla, A. (1986). Automatic verification of finite state concurrent
systems using temporal logic specifications. ACM transactions on programming
languages and systems, 8, pp. 244-263.
Conolly, J., & Lake, M. (2006). Geographical Information Systems in Archaeolgy. Cambridge:
Cambridge University Press.
Davey, B., & Priestley, H. (2002). Introduction to Lattices and order (éd. 2). Cambridge
University Press.
Asma ZOGHLAMI
225
De Runz, C. (2008). Imperfection, temps et espace : modélisation, analyse et visualisation dans
un SIG archéologique. Thèse de doctorat. Université de Reims Champagne-Ardenne.
Dempster., A. P. (1968). A generalization of Bayesian inference. Journal of the Royal Statistical
Society, 30(2), pp. 205-247.
Desjardin, E., & Pargny, D. (2009). GISSAR: Mutualisation des données de chantiers.
Conférence Francophone ESRI. Versailles.
http://www.esrifrance.fr/sig2009/gissarchantiers.htm .
Devillers, R., & Jeansoulin, R. (2005). Qualité de l'information géographique. Hermes Science
Publications.
Dubois, D., Hadj Ali, A., & Prade, H. (2004). Traitement de l'Imprécision et de l'Incertitude
d'Information Temporelle. Actes du 14ème Congrès « Reconnaissance des Formes et
Intelligence Artificielle » (RFIA'04), pp. 103-112. Touloise.
Fisher, P., Comber, A., & Wadsworth, R. (2005). Nature de l’incertitude pour les données
spatiales (eds. Rodolphe Devillers and Robert Jeansoulin). Qualité de l’information
géographique, pp. 43-60.
Fisher, P., Comber, A., & Wadsworth, R. (2006). Approaches to Uncertainty in Spatial Data.
(ISTE, Éd.) Fundamentals of Spatial Data Quality, (eds. Rodolphe Devillers and Robert
Jeansoulin), pp. 61-88.
Fowler, M., & Scott, K. (2002). UML. Campus Press.
Galindo, J., Urrutia, A., Carrasco, R., & Piattini, M. (2004). Relaxing constraints in enhanced
entity-relationship models using fuzzy quantifiers. IEEE Transactions on Fuzzy Systems,
12, pp. 780-796.
Gayte, O., Libourel, T., Cheylan, J.-P., & Lardon, S. (1997). Conception des systemes
d'information sur l'environnement. Paris: édition Hermès.
Gupta, P., Rishi, R., & Mittal, H. (2011). Database Design for Storage of Fuzzy Information in
Traditional Database. International Journal of Computer Applications, 15(2), pp. 40-45.
Haroonabadi, A., & Teshnehlab, M. (2009). Behavior Modeling in Uncertain Information
Systems by Fuzzy-UML. International Journal of Soft Computing, 4, pp. 32-38.
Harrower, M. (2010). Geographic Information Systems (GIS) hydrological modeling in
archaeology: an example from the origins of irrigation in Southwest Arabia (Yemen).
Journal of Archaeology Science, 37, pp. 1447-1452.
Herbin, M., Vautrot, P., Nocent, O., Huez, R., & Remion, Y. (2006). A new image filtering
scheme using fuzzy aggregation. COGnitive systems with interactive sensors (COGIS).
Paris: Actes sur CD-ROM.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
226
Hirst, K. (2008). Archaeology today. Encyclopedia of Archaeology , pp. 478-489.
Holzmann, G. (2004). The Spin Model Checker: Primer and Reference Manual. Addison-
Wesley.
Hubert, T., Rochfeld, A., & Colletti, R. (1983). La méthode Merise, tome 1 : Principes et outils.
Paris: Éditions d'Organisation POCHE.
Jourde, P., & Kueviakoe, D. (2007). Systéme d'information de gestion. ESKA.
Ladner, R. (1981). The Computational Complexity of Provability in Systems of Modal
Propositional Logic. SIAM journal on comuting, 6(3), pp. 113-118.
Lambert, L., Hermaspaandra, E., Homan, C., & Michael Van Wie, R. (2004). Modal Logic in
Computer Science.
http://www.cs.brandeis.edu/~cs112/cs112-2004/newReadings/ModalLogicInCS.pdf.
Laplanche, F. (2004). Aperçu des méthodes de conception de SIRS disponibles et proposition
d'alternatives pour la modélisation de la dynamique des données spatio-temporelles. 5ème
séminaire REGLIS Mise en place de systèmes d`information à références spatiales (SIRS)
pp. 79-95. Montpellier: Cemagref Editions.
Longley, P. A., Goodchild, M. F., Maguire, D. J., & Rhind, D. W. (2005). Geographic
Information Systems and Science. Wiley.
Ma, Z. (2005). Fuzzy Information Modeling with the UML. (I. G. PUBLISHING, Éd.) Advances
in Fuzzy Object-Oriented Databases : Modeling and applications, pp. 153-176.
Ma, Z., & Yan, L. (2010). A Literature Overview of Fuzzy Conceptual Data Modeling. J. Inf. Sci.
Eng, 26(2), pp. 427-441.
Ma, Z., Zhang, W., Ma, W., & Chen, G. (2001). Conceptual design of fuzzy object-oriented
databases utilizing extended entity-relationship model. International Journal of Intelligent
Systems, 16, pp. 697-711.
Manna, Z., & Pnueli, A. (1992). The temporal logic of reactive and concurrent systems. Springer-
Verlag.
Masson, M.-H. (2005). Apports de la théorie des possibilités et des fonctions de croyance à
l’analyse de données imprécises. Mémoire de HDR, Université de Compiègne. pp. 7-23.
Miralles, A. (2006). Ingénierie des modéles pour les applications environnementales. Thèse de
doctorat en informatique, Université de Montpellier 2.
Morin, E. (2005). Introduction à la pensée complexe . Points Essais.
MURMUR. (2003). « MurMur Consortium - MurMur Project : Multi-representations and
Multiple resolution in geographic databases. Final Report.
http://lbdsun.epfl.ch/content/murmur.
Asma ZOGHLAMI
227
Nicolas, R., & Vaandrager, F. (1990). Action versus state based logics for tranition systems.
Semantics of Systems of Concurrent process, LNCS 469, pp. 407-419.
Pantazis, D., & Donnay, J.-P. (1996). La conception de SIG : méthode et formalisme. édition
Hermés.
Parent, C., Spaccapietra, S., Zimanyi, E., Donini, P., Plazanet, C., Vangenot, C., Rognon, N.,
Pouliot, N., Crausaz, P. A. (1997). MADS: un modèle conceptuel pour des applications
spatio-temporelles. Revue Internationale de Geomatique, 7(3-4), pp. 317-352.
Pfoser, D., Hadzilacos, T., Faradouris, N., & Kyrimis, K. (2007). Spatial Data Management
Aspects in Archaeological Excavation Documentation . AGILE 2007, pp. 287-302.
Piantoni, F., & Pargny, D. (2005). Méthodologie pour la gestion, la représentation et la
modélisation des données archéologiques. Conférence Francophone ESRI. Issy-Les-
Moulineaux.
Reix, R. (2004). Systéme d'information et management des organisations (éd. 5). Vuibert.
Rochfeld, A., Colletti, R., Tardieu, H., Panet, G., & Vahee, G. (1985). La méthode Merise, tome
2 : Démarche et pratiques. Paris: Les éditions d'organisation POCHE.
Rodier, X., & Galinié, H. (2006). Figurer l'espace/temps de Tours pré-industriel : essai de
chrono-chorématique urbaine. M@ppemonde(83).
http://mappemonde.mgm.fr/num11/articles/art06303.html.
Rodier, X., & Saligny, L. (2007). Modélisation des objets urbains pour l’étude des dynamiques
urbaines dans la longue durée. SAGEO 2007. Clermont-Ferrand.
http://www.emse.fr/site/SAGEO2007/CDROM/p34.pdf.
Rodier, X., Saligny, L., Lefebvre, B., & Pouliot, J. (2009). TOTOPI (Topographie de Tours Pré-
Industriel), a GIS for understanding urban dynamics based on the OH_FET model (Social
Use, Space and Time). Computer Applications to Archaeology 2009, pp. 22-26.
Williamsburg.
Roques, P. (2006). UML 2 par la pratique : études de cas et exercices corrigés (éd. 5). Eyrolles.
Roques, P., & Vallée, F. (2007). UML 2 en action : de l'analyse des besoins à la conception en
Java (éd. 4). Éditions Eyrolles.
Ruspini, E. (1986). Imprecision and uncertainty in the entity-relationship model. Dans H. Prade,
& C. Negoita, Fuzzy Logic in Knowledge Engineering pp. 18-28. Köln: Verlag TüV
Rhein- land GmbH.
Scholl, M., Voisard, A., Peloux, J. P., Raynal, L., & Rigaux, P. (1996). SGBD Géographiques,
Spécificités. International Thomson Publishing.
Shafer, G. (1976 ). A Mathematical Theory of Evidence. Princeton University Press.
Modélisation et conception de systèmes d’information géographique gérant l’imprécision
228
Sheeren, D. (1999). La conception de bases de données spatio-temporelles, problématiques et
solutions dans le cadre du formalisme CONGOO. Mémoire de fin d'études en sciences
géographiques option géométrologie, Université de Liége.
Shu, H., Spaccapietra, S., Parent, C., & Quesada Sedas, D. (2003). Uncertainty of Geographic
Information and Its Support in MADS. 2nd International Symposium on Spatial Data
Quality. Hong Kong, China.
Škrbić, S., Racković, M., & Takači, A. (2011). Towards the Methodology for Development of
Fuzzy Relational Dtabase Applications. Computer Science Information Systems, 8(1), pp.
27-40.
Smets, P. (1999). Uncertainty Management in Information Systems : Imperfect information :
Imprecision - Uncertainty. Kluwer Academic Publishers.
Snoussi, M., Gensel, J., & Davoine, P.-A. (2012). Extending TimeML and SpatialML languages
to handle imperfect spatio-temporal information in the context of natural hazards studies.
AGILE International Conference on Geographic Information Science, pp. 117-122.
Avignon, France.
Sowa, J. (1984). Conceptual structures : information processing in mind and machine . Addison
Wesley.
Sowa, J.-F. (2000). Knowledge Representation: Logical, Philosophical and Computational
Foundations. California: Brooks/Cole Publishing Company, Pacific Grove.
Thomopoulos, R. (2003). Représentation et interrogation élargie de données imprécises et
faiblement structurées. Thèse de doctorat, Institut national agronomique Paris-Grignon,
Paris, France. pp. 35-94.
Touati, Y., Amirat, Y., & Ali Chérif, A. (2007). Fuzzy logic based approach for robotics systems
control. stability analysis. Intelligent Robots and Systems IROS 2007, pp. 3968-3973.
Vandenberghe, R. (1991). An extended entity-relationship model for fuzzy databases based on
fuzzy truth values. 4th International Fuzzy Systems Association World Congress, pp. 280-
283.
Vert, G., Stock, M., & Morris, A. (2002). Extending ERD modeling notation to fuzzy
management of GIS data files. Data and Knowledge Engineering, 40, pp. 163-179.
Zadeh, L. (1965). Fuzzy sets. Information and Control, 8, pp. 338-353.
Zadeh, L. (1975). The concept of a linguistic variable and its application to approximate
reasoning. Information Sciences, 8(3), pp. 199-249.
Zoghlami, A. (2011). Incertitude et données archéologiques. 2ème Journée GEOMATIQUE ,
Gegena 2, URCA, Crestic. Reims, France.
http://archeo.univ-reims.fr/journee_geomatique2011/Diaporama/AZ_incertitude.pdf.
Asma ZOGHLAMI
229
Zoghlami, A. (2011). Traitement des informations spatio-temporelles imparfaites. De la
modélisation conceptuelle à la structuration de la base de données. Forum jeunes
chercheurs, conférence INFORSID, pp. 453-454. Lille, France.
Zoghlami, A., De Runz, C., & Akdag, H. (2011). Gestion de l’imperfection inhérente à la donnée
archéologique dans les modèles et les structures de données. Journées Informations
Géographiques et Observation de la Terre (JIGOT 2011). Rennes, France.
Zoghlami, A., De Runz, C., & Akdag, H. (2013). Through a fuzzy CTL logic for modelling urban
trajectories. ICAART. Barcelone, Spain.
Zoghlami, A., De Runz, C., Akdag, H., & Pargny, D. (2012). Through a fuzzy spatiotemporal
information system for handling excavation data. 15th Agile International Conference on
Geographic Information Science, pp. 179-196. Avignon, France.
Zoghlami, A., De Runz, C., Akdag, H., Zaghdoud, M., & Ben Ghezala, H. (2011). Handling
imperfect spatiotemporal information from the conceptual modeling to database
structures. International Symposium on Spatial Data Quality, pp. 165-170. Coimbra,
Portugal.
Zoghlami, A., De Runz, C., Pargny, D., Desjardin, E., & Akdag, H. (2012). Through an
Archaeological Urban Data Model Handling Data Imperfection. Computer Applications
and Quantitative Methods in Archaeology. Southampton, UK.
Zoghlami, A., Zayrit, K., De Runz, C., Desjardin, E., & Akdag, H. (2012). Vers la construction
d’un observatoire des pratiques agricoles : gestion et propagation de l’imprécision des
données agronomiques. Conférence Internationale Francophone sur l'Extraction et la
Gestion de Connaissance (EGC 2012), pp. 537-542. Bordeaux, France.
Zvieli, A., & Chen, P. (1986). Entity-relationship modeling and fuzzy databases. IEEE
International Conference on Data Engineering, pp. 320-327. Los Angeles, California.