La modélisation géométrique 3D

La modélisation géométrique 3D

Revue des concepts

Introduction

Afin d’introduire certains concepts théoriques jugés nécessaires à la compréhension de notre travail de recherche, nous allons brièvement discuter sur les données et leur rôle prépondérant dans la représentation numérique 3D. Ce chapitre introduit également les concepts d’analyse, processus permettant de déduire l’information des données pour mieux comprendre la réalité. Ces notions sont importantes car elles permettent de poser les bases tant dans notre approche théorique d’optimisation (chapitre 3) que notre approche expérimentale (chapitre 4).
Il nous a également semblé pertinent de faire une présentation des différents systèmes informatiques capables d’exploiter les données, et tout particulièrement celles qui sont tridimensionnelles. Ces systèmes informatiques tiennent une place importante dans la démarche de l’analyste lorsque celui-ci est dans une phase de compréhension de la réalité. Nous mettrons l’accent sur le système SOLAP ainsi que deux optimisations : la première concerne la notion de temps réel dans un SOLAP et la deuxième concerne la gestion de la donnée tridimensionnelle. Nous verrons par la suite dans le chapitre suivant comment ces deux optimisations influence directement notre recherche d’optimisation.

La donnée : de sa création à la génération de modèles 3D

Comme le souligne Aamodt et Nygard, la donnée, l’information et la connaissance sont trois notions extrêmement dépendantes (Aamodt et al., 1995). Les Figures 1-1 et 2-1 représentent le processus de construction de connaissances, la donnée servant de base à la génération de modèle et à l’élaboration de nouvelle connaissance. La donnée, en géomatique, est la représentation d’une information codée dans un format permettant son traitement par ordinateur (OQLF, 2006). La donnée peut être un nombre, un texte ou un symbole [(Longley et al., 2005) p 11] non interprétés (Davenport, 1997; Van der Spek et al., 1997). Elle est physique et peut donc être stockée. Lorsque nous donnons un sens, une signification, une interprétation spécifique à une donnée, nous la transformons en Information (Davenport, 1997; Van der Spek et Spijkervet, 1997; Choo et al., 2000; Pouliot, 2005). Dès qu’on décode les données dans leur contexte d’utilisation et selon la personne qui les lit, une même donnée peut recevoir diverses interprétations et peut donc conduire à différentes informations (ou bien à aucune information si on n’en comprend ni le caractère, ni le symbole). L’information est un élément de connaissance concernant un phénomène et qui, pris dans un contexte déterminé, a une signification particulière. Le cadre de référence qui détermine cette interprétation est constitué de la somme des connaissances (ensemble de faits, d’événements, de règles d’inférence et d’heuristiques) et des expériences de la personne qui effectue l’interprétation (OQLF, 2006).Afin de comprendre comment la donnée pourra nous informer dans les divers systèmes de découverte de connaissance, nous allons montrer la terminologie utilisée pour passer de la réalité à sa représentation numérique tridimensionnelle.

 De la réalité aux différents types de données

Le « Robert » définit la réalité comme étant constituée de « choses réelles et de faits réels », c’est à dire qui « existent en fait ». En géomatique, la réalité est constituée de phénomènes et de relations entre ces phénomènes. L’OQLF (2006) définit le phénomène comme la réalité qui se manifeste à la conscience, que ce soit par l’intermédiaire des sens ou non. Le phénomène constitue donc la réalité première. Comme le montre graphiquement la Figure 2-2, le phénomène peut prendre l’apparence d’un objet tangible comme une maison, d’un événement comme un accident, d’un concept comme la notion d’unité de fouille en archéologie ou finalement l’apparence d’un être vivant comme une personne. L’autre élément constitutif de la réalité est la relation entre les phénomènes, comme par exemple :
« Monsieur Jalon possède une maison ».
Afin de comprendre et de représenter numériquement cette réalité, nous allons chercher à la modéliser. La modélisation est une description dans un langage compréhensible à la fois par l’humain et par l’ordinateur de la forme, du mouvement et des caractéristiques d’un objet ou d’un ensemble d’objets qui crée un modèle, c’est-à-dire une représentation simplifiée de l’objet (OQLF, 2006). Cependant, un modèle reste une abstraction spécifique de la réalité et il doit faire ressortir de manière explicite les caractéristiques de ce qu’il est sensé modéliser. C’est en effet sur le modèle que l’analyse se fait d’où un contrôle permanent de la validité du modèle comme étant une représentation conforme à la réalité (Wilsey, 1999).
Étant donnée que les systèmes d’analyses visés par notre recherche sont principalement constitués de base de données, il n’est pas inutile de définir la démarche de modélisation ; démarche nécessaire pour passer d’une réalité à sa représentation : « Une méthode de modélisation est un ensemble de procédures et de règles à suivre permettant de capter la réalité du client et de concevoir une base de données correspondant aux besoins de cette réalité » (Bédard, 2003a). Au niveau conceptuel, c’est à dire indépendamment de la technologie utilisée, les modèles1 sont constitués de classes d’objets – ou d’entités suivant la méthode utilisée – décrites par des attributs, des opérations, des associations entre les classes d’objets, des agrégations de classes d’objets simples en classes d’objets complexes et des généralisations ou spécialisations d’une super-classe en ses sous-classes. Les phénomènes sont ainsi modélisés en classes d’objets. Cet objet est l’élément de base qui sert à construire des logiciels. Il est la matérialisation de la classe dont il reproduit les caractéristiques (OQLF, 2006).2 Les relations entre phénomènes, quant à elles, sont modélisées par des associations qui peuvent être de surcroît spatiales et/ou temporelles et décrites dans les classes d’objets (cf. Figure 2-3).
Figure 2-3 : La modélisation de la réalité en classe d’objets inspiré de (Bédard, 2003a)
Ainsi, les classes d’objets (ou entités), éléments essentiels d’un modèle conceptuel de données (MCD), sont décrites par des attributs et des opérations (cf. Figure 2-4). L’attribut est une « composante d’un modèle conceptuel de données, qui représente une caractéristique propre à un phénomène ou une caractéristique propre à une relation entre phénomènes » (OQLF, 2006). On y retrouve les attributs descriptifs comme le nombre d’étages d’un bâtiment, les attributs temporels comme la date de construction du même bâtiment, les attributs géométriques comme la position en (x,y,z) et les attributs graphiques comme la couleur. La donnée se retrouve ainsi stockée dans les valeurs d’attribut.
Les données descriptives (cf. Figure 2-4) sont des données relatives à un des attributs d’une entité ou d’une relation, à l’exclusion de sa position et de sa forme (OQLF, 2006). Cela comprend les attributs descriptifs comme le nombre d’étages d’un bâtiment par exemple, mais aussi les attributs temporels comme la naissance ou la mort de l’objet. On peut aussi rencontrer dans la littérature la notion de données temporelles comme étant une donnée qui peut avoir un lien avec toute notion de temps (durée ou instant) (Korte, 2001).

Table des matières

Chapitre 1 : Introduction
1.1- Mise en contexte
1.1-1. La géomatique et la découverte de connaissance
1.1-2. L’opportunité archéologique : l’analyse spatio-temporelle de données 3D
1.2- Problématique
1.3- Objectifs
1.4- Méthodologie
1.5- Description des chapitres du mémoire
Chapitre 2 : Revue des concepts
2.1- Introduction
2.2- La donnée : de sa création à la génération de modèles 3D
2.2-1. De la réalité aux différents types de données
2.2-2. L’objet tridimensionnel
2.2-3. La modélisation géométrique 3D
2.3- L’analyse de données – revues de définitions
2.3-1. Les différentes catégories d’analyses
2.3-2. Les opérateurs d’analyse:
2.4- Les outils d’exploitation des données spatiales
2.4-1. Les systèmes transactionnels
2.4-2. Les systèmes d’analyse
2.5- Conclusion du chapitre
Chapitre 3 : L’optimisation des outils d’analyse en ligne
3.1- Introduction
3.2- La révision des données d’interprétation : nouveaux concepts
3.2-1. Principe
3.2-2. Mise à jour vs révision
3.2-3. Les processus de révision et de mise à jour, et les systèmes d’analyse en ligne 45
3.2-4. Révision de structure vs révision de données
3.3- La révision des données d’interprétation : sélection d’une structure multidimensionnelle
3.3-1. Le choix de l’architecture ROLAP
3.3-2. Le choix du schéma en étoile
3.3-3. Le choix de la structure Parent-enfant d’une dimension
3.3-4. Construction et reconstruction des agrégations
3.4- La révision des données d’interprétation : les règles d’application.
3.4-1. La révision des dimensions
3.4-2. La révision de la table des faits
3.5- Le SOLAP 3D
3.5-1. Le SOLAP 3D : de la théorie à la pratique
3.5-2. La nécessité d’un SOLAP 3D
3.6- Conclusion
Chapitre 4 : Application des concepts du SOLAP 3D à un contexte de fouille archéologique
4.1- La constitution des données archéologiques
4.1-1. Les objets archéologiques
4.1-2. L’interprétation des objets archéologiques
4.1-3. Les données d’observation
4.1-4. Les données d’interprétation
4.1-5. Les modèles 3D archéologiques
4.2- L’analyse des besoins des archéologues
4.2-1. Les besoins généraux sur l’analyse des données
4.2-2. Un besoin spécifique : la compatibilité cognitive
4.3- La révision de la structure multidimensionnelle : de la théorie à la pratique
4.3-1. Présentation du prototype
4.3-2. Analyse des résultats
4.4- Conclusion
Chapitre 5 : Discussion et conclusion
5.1- Présentation des résultats et discussion
5.1-1. L’exploration 3D avec les solutions OLAP et/ou SOLAP
5.1-2. L’élargissement des concepts de mises à jour de données d’une structure multidimensionnelle
5.1-3. L’application archéologique
5.2- Développement et recherches futures
Bibliographie
Annexe A Dimensions d’analyses utilisées en archéologie
Annexe B Dimensions d’analyses non -utilisée en archéologie

Télécharger le rapport complet