AUTOMATISATION DU PROCESSUS DE MODÉLISATION 3D EN

ERIC JANSSENS-CORON
AUTOMATISATION DU PROCESSUS DE
MODÉLISATION 3D EN HYDROGÉOLOGIE PAR
SYSTÈME EXPERT ET ONTOLOGIES
Proposé de recherche présenté
dans le cadre du programme de doctorat en Géomatique
DÉAPRTEMENT DE SCIENCES GÉOMATIQUES
FACULTÉ DE FORESTERIE ET DE GÉOMATIQUE
UNIVERSITÉ LAVAL
QUÉBEC
2007
© Éric Janssens-Coron, 2007
ii
Table des matières
Table des matières ................................................................................................................. ii
Liste des figures .................................................................................................................... iii
I – Contexte.............................................................................................................................4
I.1 Considérations générales ...............................................................................................4
I.2 Les modèles hydrogéologiques .....................................................................................5
I.2.1 Définition................................................................................................................5
I.2.2 Les étapes de conception d’un modèle 3D hydrogéologique.................................6
II – Les difficultés de la modélisation hydrogéologique ......................................................11
II.1 Le cloisonnement des domaines d’expertise..............................................................11
II.2 La complexité de l’analyse des données ....................................................................12
II.3 Les experts : une ressource à géométrie variable.......................................................13
II.4 L’exemple d’une organisation : la Commission Géologique du Canada...................15
III – Problématique ...............................................................................................................16
IV – Les systèmes experts à la rescousse .............................................................................16
IV.1 Historique des systèmes experts ...............................................................................16
IV.2 Les systèmes experts en géosciences........................................................................17
IV.3 Définition d’un système expert à base de règles ......................................................18
IV.4 Limitations et inconvénients des systèmes à base de règles.....................................20
IV.5 Les systèmes experts de seconde génération............................................................21
V – L’acquisition et la représentation des connaissances.....................................................23
V.1 Le problème de l’acquisition des connaissances .......................................................23
V.2 Le problème de l’intégration de connaissances multidisciplinaires ..........................24
V.3 Vers des éléments de solution....................................................................................26
V.3.1 Les graphes conceptuels .....................................................................................26
V.3.2 Les ontologies .....................................................................................................27
V.4 Exemples d’utilisation en modélisation géologique 3D ............................................28
V.4.1 Combinaison de systèmes experts RBR et CBR.................................................28
V.4.2 Combinaison entre un système expert RBR et une ontologie.............................29
VI – Définition du doctorat...................................................................................................30
VI.1 Hypothèse .................................................................................................................30
VI.2 Objectifs....................................................................................................................30
VI.3 Perspectives ..............................................................................................................31
VI.4 Méthodologie............................................................................................................32
VI.4.1 Phase 1 : Représentation des connaissances......................................................33
VI.4.2 Étapes de la phase 1...........................................................................................34
VI.4.3 Phase 2 : Conception et évaluation d’un système opérationnel.........................34
VI.4.4 Étapes de la phase 2...........................................................................................35
VI.5 Calendrier .................................................................................................................37
Bibliographie ........................................................................................................................38
iii
Liste des figures
Figure 1 Diagramme d’un système typique d'eaux souterraines ............................................5
Figure 2 Les étapes du processus de modélisation hydrogéologique .....................................6
Figure 3 Les étapes du processus de modélisation géologique ..............................................7
Figure 4 Exemple de structure géologique à deux couches sédimentaires et quatre failles
sub-verticales (Source : gOcad, 2004)............................................................................8
Figure 5 Exemples de représentations : A) par frontières, B) par voxels (Bédard 2006).......9
Figure 6 Quelques types de données exploités pour la modélisation hydrogéologique de la
moraine d’Oak Ridge, Ontario (Source NRCAN)........................................................13
Figure 7 Accroissement de la population au Canada entre 1996 et 2006 (Foot, 1998)........14
Figure 8 Deux zones de failles normales réelles pour un même cas générique....................22
Figure 9 Les connaissances impliquées dans les concepts Contact et Unité Géologiques...25
Figure 10 Un exemple d’interaction entre CBR et RBR dans un système expert ................28
Figure 11 Exemple d’interaction entre ontologie et système expert. ...................................29
4
I – Contexte
I.1 Considérations générales
Gouvernements et économistes du monde entier s’accordent aujourd’hui à dire que
l’exploitation et la qualité des ressources en eau sont deux des plus grands problèmes
auxquels l’humanité devra faire face dans les décennies à venir (Petit, 2004; NRCAN,
2006). L’exploitation des eaux souterraines en particulier est un enjeu capital pour de
nombreux pays. Ainsi au Canada 30.3% de la population dépend des eaux souterraines pour
ses besoins domestiques en eau (Rutherford, 2004).
La science qui s'intéresse à la recherche, au captage et à la circulation de ces eaux
souterraines est l’hydrogéologie (OQLF). De plus en plus souvent on distingue deux types
d’hydrogéologie (Pfannkunch, 1990). L’hydrogéologie fondamentale étudie et développe
d’un point de vue théorique les lois et les méthodes de quantification des écoulements des
eaux souterraines. L’hydrogéologie environnementale s’appuie sur ces lois et méthodes
pour étudier des systèmes aquifères réels, c’est-à-dire des formations géologiques qui
contiennent, conduisent et produisent de l'eau (Castany, 1997). Cette dernière doit remplir
deux missions principales (NRCAN, 2005). D’une part elle doit veiller à ce que
l’exploitation par pompage des eaux des systèmes aquifères pour les besoins humains ne
dépasse pas leurs capacités à se recharger. D’autre part elle doit suivre l’évolution des
produits contaminants (par exemple les pesticides employés en agriculture) au sein de ces
réservoirs, produits qui sont susceptibles d’être dangereux pour la consommation humaine
ou pour l’environnement. Pour remplir ses missions, l’hydrogéologie environnementale
s’appuie sur des modèles hydrogéologiques dont l’objectif général est de représenter les
écoulements des eaux dans les aquifères. Mais pour les représenter correctement il faut se
placer dans un contexte spatial plus large. En effet, les aquifères sont en relation avec une
ou des rivières, des lacs et d’autres éléments de surface qui influe sur les écoulements en
rechargeant (par ex. pluie) ou au contraire en déchargeant (par ex. puits) les aquifères
comme le montre la figure suivante.
5
Figure 1 Diagramme d’un système typique d'eaux souterraines
Source : Environnement Canada. Notions élémentaires sur l'eau douce : Questions et
réponses. 5e édition. Ottawa. 2000.
Pour cette raison, l’ensemble aquifère – rivières – lacs est regroupé au sein d’une unité
spatiale fondamentale appelée bassin versant. Toutes les eaux situées dans le territoire du
bassin versant se déversent vers un lieu donné, généralement un cours d’eau. C’est dans ce
contexte de bassin versant que les modèles hydrogéologiques doivent représenter les
aquifères.
I.2 Les modèles hydrogéologiques
I.2.1 Définition
Les modèles hydrogéologiques sont des représentations théoriques simplifiées d'un système
aquifère. Ils comportent la définition d'une structure (le sous-sol), la formulation de lois
(relations déterministes ou probabilistes) reliant les entrées du système (par ex. des mesures
de débits) à ses sorties (par ex. diagrammes des flux des eaux souterraines), et la définition
des paramètres (constantes ou variables pouvant prendre des valeurs numériques comme les
coefficients de perméabilité des roches) entrant dans ces relations (Castany, 1997). Ils
cherchent à représenter l’écoulement de l’eau dans le sous-sol. Ce sont donc des modèles à
quatre dimensions (4D) incluant les trois dimensions de l’espace et le temps. Toutefois, on
s’intéressera plus particulièrement à l’aspect 3D de ces modèles mais tout en gardant à
l’esprit qu’il doit s’intégrer dans un modèle 4D.
6
I.2.2 Les étapes de conception d’un modèle 3D hydrogéologique
Il existe de nombreuses méthodologies pour la conception d’un modèle hydrogéologique
(Anderson, 1992; Beara, 1992, Kumar, 2002) mais toutes suivent le même schéma général,
décrit dans la figure suivante.
Le rectangle rouge précise les étapes auxquelles on s’intéressera plus particulièrement.
Définition de l’objectif
Caractérisation hydrogéologique
Modèle conceptuel hydrogéologique
Données
Modèle mathématique
Révision
Modèle numérique hydrogéologique
Calibration
Validation
Exploitation
Figure 2 Les étapes du processus de modélisation hydrogéologique
La définition de l’objectif du modèle. L’hydrogéologue identifie la (les) question(s)
auxquelles le modèle doit permettre de répondre. Par exemple, s’agit-il de visualiser la
situation de l’aquifère en temps réel, d’effectuer des prédictions à long terme, etc. ?
La caractérisation hydrogéologique. C’est une étape particulièrement complexe car elle a
pour objectif d’analyser et de compiler les données et informations nécessaires au modèle
conceptuel hydrogéologique. Ces informations sont issues de l’intégration et de l’analyse
des données hydrogéologiques (perméabilité des roches, piézométrie, etc.) et géologiques
(stratigraphie, minéralogie, etc.) acquises selon différentes techniques (cartographie,
forages, sismologie, piézométrie, etc.). Si l’hydrogéologue dispose des connaissances pour
analyser les premières, l’analyse des données géologiques impose d’avoir recours à des
7
experts géologues qui ont les connaissances nécessaires en géologie, l’étude scientifique la
constitution de la croûte terrestre et de son développement (OQLF). L’objectif des
géologues est de fournir aux hydrogéologues des informations sur les objets
géologiques constituant le sous-sol (couches sédimentaires, failles tectoniques, fractures,
etc.) et qui ont un impact potentiel sur la circulation des eaux (Ross, 2004). Parmi ces
informations on trouve en particulier la composition et la structure spatiale 3D. Par ailleurs,
ces données géologiques et hydrogéologiques ayant une forte composante spatiale, il est
également indispensable de faire appel à la géomatique, discipline disposant des
connaissances nécessaires à l’acquisition, au stockage, au traitement et à la diffusion des
données géographiques (OQLF). L’un des objectifs des experts géomaticiens est alors
d’aider à intégrer l’ensemble des données dans un référentiel géographique commun et
cohérent.
Pour atteindre leur objectif, les géologues construisent un modèle géologique 3D du soussol, c’est-à-dire une représentation en trois dimensions des objets géologiques (MRNF,
2006). Les géomaticiens associent leurs connaissances en modélisation 3D à celles du
géologue pour construire ce modèle. La figure suivante résume les étapes du processus de
modélisation géologique dans le contexte de la modélisation hydrogéologique (Ross, 2005;
Houlding, 1994).
Analyse des données
géologiques et géophysiques
Modèle conceptuel géologique
Modèle géométrique 3D
Modèle géologique 3D
Figure 3 Les étapes du processus de modélisation géologique
L’analyse des données géologiques est une étape délicate car les objets géologiques ne
sont pas observables directement ce qui représente un sérieux handicap (Raper, 2000). On
ne peut les étudier que par des techniques d'exploration géologiques et géophysiques :
8
cartographie de terrain, sismologie, forages, etc. qui demandent de vastes connaissances.
Cette étape a pour but d’extraire les informations sur la structure spatiale et les propriétés
physiques des objets géologiques. Ces objets étant issus de successions de phénomènes
géologiques naturels tels que les processus de sédimentation océanique ou la tectonique des
plaques (Mercier, 1992), leurs formes et structures spatiales sont généralement complexes
(figure suivante). Elles ont une grande influence sur l’hydrogéologie. Ainsi une structure où
une couche de grès qui repose et est entouré par une couche d’argile imperméable constitue
par exemple un excellent aquifère à la différence d’un grès reposant sur un calcaire
fortement fissuré.
Figure 4 Exemple de structure géologique à deux couches sédimentaires et quatre failles
sub-verticales (Source : gOcad, 2004)
Les multiples propriétés physiques des objets géologiques sont également déterminantes et
doivent être analysées avec soin. Par exemple leur composition minérale et leur
granulométrie déterminent leur capacité à contenir et conduire l’eau. Ainsi un grès poreux
ou un calcaire fortement fissuré peuvent être des roches d’aquifère tandis qu’un calcaire
compact ou un basalte qui ont une porosité et une perméabilité quasiment nulles ne
contiennent pas d’eau.
Le modèle conceptuel géologique est une représentation mentale tridimensionnelle de la
structure géologique du sous-sol issue de l’étape précédente. Le géologue l’obtient en
déterminant la chronologie relative des objets géologiques, leur type de roche, leur âge,
leurs relations spatiales, etc. Il doit ensuite intégrer toutes ces informations de façon logique
et cohérente dans un même modèle ce qui est une difficulté majeure de la modélisation
géologique 3D (Bédard, 2006; Perrin, 2005).
9
Le modèle géométrique 3D est construit à partir du modèle conceptuel à l’aide d’un
logiciel de modélisation 3D. Il représente les objets géologiques sous forme de volumes et
leurs relations géométriques et topologiques. À cette étape le géologue collabore
étroitement avec le géomaticien qui maîtrise les différentes méthodes de construction des
modèles géométriques. En effet, ce modèle doit répondre aux contraintes identifiées par le
géologue mais aussi tenir compte des contraintes de modélisation liées aux types de
données exploitées, au type d’environnement à modéliser (par exemple milieu fortement
faillé d’une chaîne de montagnes, milieu marin à structures en couches régulières) et à
l’objectif de modélisation. Parmi les méthodes de modélisation géométriques les plus
couramment utilisées en géosciences on trouve les représentations par frontières et les
voxels (Bédard, 2006). La première consiste à identifier les volumes par leurs surfaces
frontières et en les laissant creux tandis que la seconde construit les volumes par
l’assemblage de cubes élémentaires, les voxels, comme le font les pixels dans une image en
2D (figure suivante).
Figure 5 Exemples de représentations : A) par frontières, B) par voxels (Bédard 2006)
Ces deux méthodes sont bien adaptées au contexte de la modélisation hydrogéologique car
elles permettront par la suite d’appliquer rapidement les méthodes de résolution des lois
d’écoulement du modèle hydrogéologique.
Le modèle géologique 3D enfin est le modèle géométrique 3D avec ses objets
géométriques auquel sont attachées des informations descriptives identifiées dans les étapes
précédentes comme l’âge et type de roche, etc., le tout formant les objets géologiques qui
seront nécessaires au modèle hydrogéologique pour identifier les conditions aux limites des
objets et les propriétés physiques indispensables.
10
On peut constater que ce processus de modélisation géologique conduit à un modèle
géologique uniquement 3D. Le temps n’intervient pas sauf en ce qui concerne
l’établissement de la chronologie. Ceci est dû au fait que les échelles de temps en géologie
et en hydrogéologie sont totalement différentes. Les structures géologiques se forment
généralement au cours de processus qui s’étendent sur des millions d’années, tandis que
l’eau peut parcourir plusieurs dizaines de kilomètres par an au sein des aquifères (Harter,
2003). À cette échelle de temps, on peut donc considérer que les objets géologiques sont
invariants. À ce titre on peut dire qu’il représente la composante statique du modèle
hydrogéologique tandis que les lois régissant l’écoulement de l’eau à travers ces volumes
constitueront sa composante dynamique.
Le modèle conceptuel hydrogéologique est l’étape où l’hydrogéologue exploite l’analyse
des données hydrogéologiques effectuée dans l’étape de caractérisation et les intègre au
modèle géologique 3D avec l’aide du géologue et du géomaticien. C’est donc à cette étape
que l’hydrogéologue associe la composante dynamique au modèle géologique statique à
l’aide en particulier des lois d’écoulement. Il émet alors des hypothèses de modélisation et
identifie les paramètres qui seront nécessaires à leur évaluation. Il définit en particulier :
•
•
•
•
Les limites spatiales et conceptuelles (conditions aux limites, etc.) de la zone.
Les caractéristiques hydrogéologiques des objets du modèle jugées pertinentes :
propriétés physiques comme la perméabilité par exemple.
Le modèle de milieu adapté à la zone : poreux, réseaux de failles, karstique.
Le type d’écoulement prédominant d’après la structure de l’aquifère, laminaire (le
long de surfaces comme les failles ou limites de couches), volumique, etc.
Les étapes suivantes du processus de modélisation sont la transcription par l’hydrogéologue
des hypothèses et des choix effectués précédemment sous forme mathématique dans un
modèle mathématique qui a pour but de résoudre les équations d’écoulement des eaux. Il
doit formuler les conditions aux limites, identifier les variables et les inconnues du système,
la loi d’écoulement et les équations différentielles et la méthode de résolution associée (par
exemple éléments finis ou différences finies). Suit la construction du modèle numérique
hydrogéologique par l’hydrogéologue. Il intègre le modèle géologique, le modèle
mathématique ainsi que des données de terrain relatives aux propriétés pertinentes du soussol (porosité, perméabilité, etc.), à la piézométrie, etc. La calibration et la validation du
11
modèle hydrogéologique s’assurent que le modèle hydrogéologique est capable de produire
des résultats conformes aux données de terrain. Si les résultats ne sont pas concluants il
peut être nécessaire de réviser le modèle conceptuel. Enfin l’hydrogéologue exploite le
modèle hydrogéologique pour répondre à l’objectif initialement posé de prédiction, de
visualisation, etc. de l’état de l’aquifère.
II – Les difficultés de la modélisation hydrogéologique
Le chapitre précédent l’a montré, la modélisation hydrogéologique est un processus qui
nécessite beaucoup d’expertise dans plusieurs domaines. Ce besoin d’expertise
multidisciplinaire est à l’origine de la complexité de ce processus ainsi que de plusieurs
problèmes décrits dans les sections suivantes. La section II.1 s’intéresse au problème de
cloisonnement des domaines d’expertise et au problème de l’analyse des données. La
section II.2 met en évidence le défi auquel sont soumis les experts dans l’analyse des
données. La section II.3 porte son attention sur la pénurie d’experts qui guette les
organisations dans les années à venir. Enfin la section II.4 montre un exemple concret
d’organisation confrontée à ces difficultés.
II.1 Le cloisonnement des domaines d’expertise
On l’a vu plus haut, pour concevoir un modèle hydrogéologique il faut nécessairement
passer par un modèle géologique. Ces deux modèles sont complexes et requiert chacun des
experts et des connaissances spécifiques. Même si ces experts collaborent au sein d’un
même projet, leurs domaines de compétences sont distincts ce qui peut gêner l’intégration
des modèles. Ils sont ainsi parfois confrontés à des problèmes de sémantique, un terme
pouvant voir son sens varier d’un domaine d’expertise à l’autre. Par exemple, le terme
‘nappe’ en géologie désigne une unité tectonique allochtone de grande dimension qui a été
transportée sur plusieurs kilomètres à partir de son point d'origine (Foucault, 1988) tandis
qu’en hydrogéologie c’est l’ensemble des eaux comprises dans la zone saturée d'un
aquifère (OQLF). Ainsi son langage et ses concepts propres vont isoler la discipline par
rapport aux autres et par rapport aux problèmes qui chevauchent les disciplines (Morin,
1994). Ce cloisonnement des domaines est souvent amplifié par le fait que les experts
12
travaillent souvent séparément, parce qu’ils n’interviennent pas dans les mêmes phases du
projet ou simplement à cause d’emplois du temps différents par exemple. Ceci peut
entraîner des problèmes de communication et faire dériver les travaux des experts dans une
autre direction que celle du projet commun. Il est alors nécessaire de corriger cette situation
ce qui prend du temps. Ces difficultés se traduisent souvent par des retards sur l’ensemble
du projet et impose une solide organisation.
II.2 La complexité de l’analyse des données
Les territoires couverts par les bassins versants et même les aquifères peuvent s’étendre sur
plusieurs milliers de kilomètres carrés et plusieurs centaines de mètres de profondeur. Par
exemple, l’étude du bassin versant de la rivière Châteauguay, d’une superficie relativement
étendue de 2500 km2, a été initiée par le Ministère du Développement Durable, de
l’Environnement et des Parcs du Québec (MDDEP), la Commission Géologique du Canada
(CGC) et l’Institut National de la Recherche Scientifique – Eau, Terre et Environnement
(INRS-ETE) en 2003 et les résultats ont été publiés en 2006. Près de 40 experts en
géologie, hydrogéologie, géomatique, entre autres domaines, et 20 organismes provinciaux
et fédéraux ont été impliqués (Côté, 2006). Pour bien modéliser de telles régions, il est
nécessaire d’acquérir de grands volumes de données ce qui implique d’importantes
ressources en matériels, en personnels et en temps.
Même si on sait que dans de tels projets une part importante des ressources et du temps est
attribuée à cette acquisition des données (Longley, 2001), leur analyse est aussi une tâche
complexe et longue. Outre le grand volume de données à analyser, les experts sont
confrontés dans chaque discipline à leur hétérogénéité tant sémantique qu’au niveau de
leurs formats et de leurs modes de stockage.
La sémantique au sein d’un domaine d’expertise peut aisément varier en fonction de la
source et/ou de la date d’acquisition des données. Le mot ‘charbon’ signifie « une roche
sédimentaire stratifiée servant de combustible, noire et essentiellement formée de débris
végétaux » (Foucault, 1988). Mais l’avènement de techniques d’analyse et de méthodes de
classification de plus en plus sophistiquées ces dernières décennies a fait évoluer sa
définition qui indique désormais que cette roche doit contenir entre 85 et 92% de carbone.
13
Seules les vastes connaissances de l’expert dans son domaine permettent de résoudre ces
problèmes.
À cela, il faut ajouter l’hétérogénéité des structures de stockage de données comme le
montre la figure suivante.
Figure 6 Quelques types de données exploités pour la modélisation hydrogéologique de la
moraine d’Oak Ridge, Ontario (Source NRCAN)
En fonction du mode d’acquisition des données, l’expert doit manipuler des données
ponctuelles (description d’affleurements de structures géologiques en surface, échantillons
d’eau, de roches), linéaires (forages et piézomètres) et surfaciques (modèles numériques de
terrains, cartes, coupes, profils sismiques). Ces données peuvent également se présenter
sous forme de descriptions textuelles, d’images de télédétection, de fichiers informatiques,
etc. En plus de ses connaissances, l’expert a besoin de beaucoup temps et d’organisation
pour parvenir à compiler et analyser toutes ces données.
II.3 Les experts : une ressource à géométrie variable
L’emploi d’experts dans la construction des modèles 3D hydrogéologiques est en soi une
des causes du faible nombre de modèles. On peut envisager deux aspects à ce problème,
d’une part la gestion des experts et d’autre part l’expérience des experts. Les experts sont
des personnes spécialisées dans un domaine de connaissances. Par définition les
14
spécialistes sont peu nombreux. Par exemple l’Ordres des Géologues du Québec ne
comptait que 600 géologues membres en 2006 sur une population de plus de 7 600 000
personnes (Statistics Canada, 2006). Étant peu nombreux ils sont donc très demandés. Ce
manque de disponibilité réduit donc le nombre de modèles qu’ils peuvent aider à
construire. À cela il faut ajouter le vieillissement des experts. Selon Statistique Canada,
40% des membres de la population active auront plus de 45 ans d’ici à 2010,
comparativement à tout juste 23% aussi récemment qu’en 1993 (Statistics Canada, 1995).
Si les jeunes diplômés remplacent depuis toujours les experts plus âgés qui partent profiter
d’une retraite bien méritée, les effets du Baby Boom se font durement sentir depuis
quelques années et s’amplifieront encore dans les dix années à venir. À titre d’exemple, le
graphe suivant montre la forte augmentation de la population aînée au Canada entre 1996 et
2006 qui n’est pas comblée par les générations plus jeunes (Foot, 1998).
Figure 7 Accroissement de la population au Canada entre 1996 et 2006 (Foot, 1998)
Souvent l’impact démographique qui se traduit par des départs massifs au sein des
organisations pose en fait deux problèmes : l’un à la sortie et l’autre à l’entrée. Le premier
problème est souvent évident et bien identifié avec la perte de connaissances liée aux
départs, mais le second problème est beaucoup plus pernicieux. En effet, les départs
massifs à la retraite vont également déstabiliser le processus d’intégration des nouveaux
employés. Ainsi, les départs vont non seulement créer ce risque mais aussi un contexte qui
va en rendre plus difficile la gestion. Car, dans bien des cas, la transition, la transmission
des connaissances doivent se faire dans une interaction entre les générations. Or, l’urgence
et la taille des défis vont rendre ce processus interactif quasi impossible (Viola, 2005). La
modélisation 3D hydrogéologique est d’autant plus sensible à ce phénomène qu’elle
nécessite plusieurs groupes d’experts différents. C’est également un exercice qui demande
15
aux experts de pouvoir s’intégrer dans une équipe multidisciplinaire et d’être capable de
voir au-delà de leur domaine d’expertise, deux choses qui s’apprennent in situ et qui
complique encore la tâche de l’expert junior.
Cette rapide revue des ressources nécessaires à l’élaboration des modèles hydrogéologiques
permet de comprendre pourquoi la construction de tels modèles est restreinte à des projets
de grande envergure ou dont l’intérêt économique à court terme est évident
(approvisionnement en eau de villes à forte croissance de population par exemple). De plus,
elle ne peut être mise en œuvre que par des organisations disposant de moyens financiers,
humains, matériels et logistiques suffisants. La généralisation de l’emploi de ces modèles
n’est donc pas encore à l’ordre du jour ce qui est regrettable dans le contexte actuel où tous
les pays cherchent des moyens pour une meilleure gestion des ressources en eaux
souterraines.
II.4 L’exemple d’une organisation : la Commission Géologique
du Canada
Depuis 2003, une des priorités du Secteur des Sciences de la Terre du Ministère des
Ressources Naturelles du Canada est d’effectuer la cartographie des eaux souterraines pour
9 aquifères-clé nationaux sur la période 2003-2006. Des équipes de la Commission
Géologique du Canada (CGC) travaillent sur ces projets. Lors de réunions avec plusieurs
experts de la CGC, les discussions ont montré que la CGC est confrontée aux problèmes
énoncés précédemment. Les experts doivent partager leur temps entre plusieurs projets.
Leurs emplois du temps divergents sont susceptibles d’augmenter les problèmes
d’intégration. Le temps alloué à l’analyse des données est réduit ce qui peut entraîner des
erreurs d’interprétation. Par ailleurs, la CGC n’échappe pas au vieillissement de ses experts
et à ses conséquences concernant la perte et le passage des connaissances.
On constate donc que le problème vient à la fois du manque de temps dont disposent les
experts pour effectuer leurs analyses et du fait que seuls ces experts, et en particulier les
experts plus âgés, possèdent les connaissances nécessaires et suffisantes pour ces analyses.
16
III – Problématique
Une des solutions envisagées pour répondre à ce problème serait de disposer d’un outil
intégrant en tout ou partie les connaissances des experts des différents domaines impliqués
dans la modélisation hydrogéologique. C’est dans le cadre de cette réflexion que s’inscrit ce
doctorat. Cet outil serait capable d’analyser rapidement de grands volumes de données
hétérogènes, autoriserait un accès facile et permanent aux connaissances des experts à ses
utilisateurs et permettrait d’automatiser en tout ou partie le processus de modélisation
hydrogéologique. À ce stade, il faut répondre à deux questions. Tout d’abord quel type
d’outil peut-on envisager ? Les études en intelligence artificielle effectuées depuis les
années 1960 proposent une réponse par l’intermédiaire des systèmes experts, outils
logiciels conçus autour d’une base de connaissances et capables de tenir des raisonnements
(Harmon, 1985).
Mais ces systèmes experts sont confrontés à un problème fondamental : comment et dans
quelle mesure peut-on représenter les connaissances des experts ? C’est cette question qui
constitue la problématique centrale de l’automatisation du processus de modélisation 3D en
hydrogéologie.
Les chapitres suivants cherchent à montrer les avantages qu’il peut y avoir à utiliser de tels
outils malgré la difficulté à représenter les connaissances. Le chapitre IV présente en détail
les systèmes experts puis le chapitre V reprend le problème de représentation des
connaissances dans le cadre de la modélisation hydrogéologique avant de proposer une
solution et deux exemples d’applications.
IV – Les systèmes experts à la rescousse
IV.1 Historique des systèmes experts
Les systèmes experts constituent un des domaines d’étude de la recherche en intelligence
artificielle depuis le milieu des années 1960. Le but initial des recherches était d’établir
dans quelle mesure un programme informatique était capable d’apprendre des
17
connaissances. Feigenbaum, Lederberg et Buchanan construisirent en ce sens le système
DENDRAL (1965-1983), un outil de prévision des structures moléculaires utile en chimie
organique basé sur des règles. Leurs recherches définirent les principes de la conception de
tels systèmes. Ils mirent en évidence en particulier l’intérêt de séparer les connaissances
nécessaires à la résolution d’un problème du processus capable de manipuler ces
connaissances. Cette dissociation permet en particulier d’éditer ou redéfinir les
connaissances pour de nouveaux problèmes tout en conservant le même code pour
interpréter et utiliser ces connaissances. Ils mirent également en évidence la nécessité de
disposer de très vastes connaissances spécialisées même pour l’expertise dans un domaine
restreint et clairement contraint ainsi que les difficultés subséquentes d’acquisition et de
formalisation de ces connaissances à partir de celles d’un expert humain (Lindsay, 1993).
IV.2 Les systèmes experts en géosciences
Très tôt, plusieurs systèmes experts s’intéressant à la géologie ont été construits. L’un des
pionniers dans ce domaine fut Prospector, à la fin des années 1970. Ce système, par
l’intermédiaire de questions posées aux géologues utilisateurs et de modèles géologiques
stockés dans sa base de connaissances, était en mesure de présenter à ceux-ci des
possibilités de prospection insoupçonnées (Hart, 1978). Il fut l’un des grands succès
commerciaux des systèmes experts. Le Dipmeter Advisor System (Smith, 1984) était un
système d’aide à l’interprétation des données géophysiques issus de forages pétroliers. A
partir de données sur la conductivité électrique des milieux traversés et les orientations des
couches géologiques, il était en mesure d’effectuer des déductions sur l’environnement au
moment du dépôt sédimentaire. Ces informations s’avéraient utiles pour déterminer la
localisation optimale des futurs puits de forage. Plus récemment (Kruse, 1993), un système
expert a été utilisé pour identifier automatiquement les matériaux minéraux et végétaux
dans la Vallée de la Mort, en Californie et au Nevada, à partir d’informations spectrales
fournies par AVIRIS (Airborne Visible/Infrared Imaging Spectrometer). Stefanov et al
(2001) ont utilisé un système expert pour améliorer la classification des terrains de la zone
urbaine de Phoenix, Arizona à partir des données spectrales de Landsat TM et d’autres
informations sur l’utilisation des terrains. Brandel (2005), comme il a déjà été mentionné, a
commencé à appliquer les systèmes experts à la modélisation géologique 3D.
18
Ces dernières années voient se développer un certain intérêt pour l’automatisation du
processus de modélisation 3D en Sciences de la Terre (Bédard, 2006; Brandel, 2005). Pour
qu’un système logiciel soit capable d’effectuer en tout ou partie cette analyse des données,
il doit disposer de connaissances en géologie, hydrogéologie, modélisation 3D, semblables
à celles utilisées par les experts lors de la construction du modèle. Cette base de
connaissances associée à un composant capable de les utiliser en relation avec les
caractéristiques spécifiques d’une zone d’étude constituerait un système expert.
IV.3 Définition d’un système expert à base de règles
Idéalement, un système expert à base de règles (ou RBR pour Rule-Based Reasoning) est
un programme qui (a) raisonne avec des connaissances aussi bien symboliques que
mathématiques spécifiques à un domaine, (b) utilise des méthodes heuristiques (plausibles)
aussi bien qu’algorithmiques (certaines) spécifiques à un domaine, (c) effectue une tâche
aussi bien que les experts du domaine, (d) rend compréhensible à la fois ce qu’il sait et les
justifications de ses réponses, (e) reste flexible (Buchanan 1988). Cette définition stipule
donc qu’un système expert est constitué d’une base de connaissances qui stocke dans un
langage formel proche du langage naturel les connaissances factuelles (ou faits) spécifiques
du domaine et les principes généraux, règles et heuristiques représentant les modes de
raisonnement propres au domaine considéré et d’une entité, le moteur d’inférences, qui
mène les raisonnements et tire les conséquences impliquées par la connaissance incluse
dans le système. À ces deux composants fondamentaux il faut ajouter les interfaces
utilisateurs nécessaires à la conception et à l’interaction avec le système. À titre d’exemple
pour comprendre ce que sont les faits et les règles constituant une base de connaissances,
supposons que nous souhaitions identifier le type de roche d’un échantillon géologique à
partir des phrases :
« L’échantillon de roche E1 est composé de 92% de quartz. »
« Si un échantillon de roche est composé d’au moins 85% de quartz
alors c’est un grès. »
La première phrase est un fait, une assertion non conditionnelle. Ici, le fait peut être issu
directement d’une observation de terrain. La seconde phrase est une règle de production (ou
19
plus simplement une règle), une instruction associant un ensemble de conditions (ou
prémisse) à une conclusion. La prémisse doit être vraie pour déclencher la règle qui produit
une conclusion. Intuitivement en appliquant la règle au fait ci-dessus, on peut inférer que
l’échantillon E1 est un grès. Ce résultat est obtenu par l’application de la règle d’inférence
modus ponens qui dit que « si on a une proposition P vraie et qu’on sait que P vraie
implique que la proposition Q est vraie alors on peut en inférer que Q est vraie ». À l’issue
de l’application de la règle au fait, on obtient un nouveau fait qui vient enrichir nos
connaissances, sur l’échantillon E1 dans notre exemple :
« L’échantillon E1 est un grès »
Les faits peuvent être d’origine soit externe au système expert, des observations de terrain
par exemple, soit interne, le résultat de l’application d’une règle. Ils sont par contre toujours
spécifiques à un problème. La quantité de faits contenus dans la base de connaissances
varie selon le problème soumis au système expert. À l’opposé, les règles sont intrinsèques
au système et indépendantes des problèmes posées. Leur nombre ne varie pas au cours du
traitement. C’est pourquoi les règles sont considérées par certains auteurs comme la
mémoire à long terme du système tandis que la mémoire à court terme contient les
connaissances factuelles, susceptibles d’être modifiées, enrichies par le processus d’analyse
(Wollenberg, 1987). Ces deux types de mémoire rassemblent toutes les connaissances
nécessaires, et on espère suffisantes, à la résolution du problème posé.
Si la base de connaissances est en quelque sorte l’élément tactique d’un système expert, le
moteur d’inférences en constitue l’élément stratégique. C’est l’élément qui raisonne sur les
connaissances du système expert dans le but de parvenir à résoudre le problème posé. La
règle du modus ponens constitue le principe de base sur lequel est construit le moteur
d’inférences d’un système expert. Ce mécanisme est cependant insuffisant pour pouvoir
simuler un raisonnement. En effet, il est exceptionnel de résoudre un problème complexe
avec une seule règle. Il faut généralement un ensemble de règles dont l’enchaînement
permet d’aboutir à une conclusion. Il est donc nécessaire d’avoir une stratégie de chaînage.
Il existe deux types fondamentaux de chaînage, le chaînage avant et le chaînage arrière. Le
chaînage avant cherche à déterminer une conclusion à partir des faits dont on dispose. Pour
cela il traite chaque fait et examine les règles où ce fait apparait en prémisse. Si la prémisse
20
d’une règle est vraie celle-ci est déclenchée, propageant ainsi les faits. Il recommence
ensuite le processus de test des règles avec la nouvelle base de faits enrichie des
conclusions de la règle précédemment déclenchée. Si ce chaînage permet d’obtenir toutes
les informations possibles à partir d’un certain nombre de faits, l’inconvénient est qu’il est
facilement explosif même pour une petite base. C’est pourquoi il est utilisé quand il y a
relativement peu d’hypothèses à explorer (Harmon, 1985).
L’exemple précédent offre un bon exemple de chaînage avant si on y ajoute la règle R2 :
F1 : « L’échantillon de roche E1 est composé de 92% de quartz. »
R1 : « Si un échantillon de roche est composé d’au moins 85% de
quartz alors c’est un grès. »
R2 : « Si le type de roche d’un échantillon est du grès alors
l’échantillon est une roche d’aquifère ».
Le résultat du chaînage des règles est alors :
F1 déclenche R1.
R1 crée F2 : « L’échantillon E1 est un grès. »
F2 déclenche R2.
R2 crée F3 : « L’échantillon E1 est une roche
d’aquifère. »
Si au lieu de chercher à prouver un maximum de choses, on cherche plutôt à répondre à une
question précise, alors le chaînage arrière est plus indiqué. Celui-ci est dirigé par le but à
atteindre. On cherche quels sont les faits ayant produits ces symptômes. Il ne nécessite pas
d’avoir toutes les données à disposition au moment où le raisonnement commence. Le
processus démarre avec une hypothèse et pose une question du type « quels faits (clauses
des prémisses d’une règle) doivent être vrais afin de savoir si l’hypothèse est vraie ? » et
s’arrête soit à l’identification de la première hypothèse (suffisamment) plausible ou soit à
l’épuisement des hypothèses (Harmon, 1985). Il est possible de coupler le chaînage arrière
à du chaînage avant afin qu’après chaque évaluation d'une prémisse de règle, une
propagation en avant de cette évaluation soit faite pour tirer l'ensemble des conclusions
qu'il est possible d'en tirer.
IV.4 Limitations et inconvénients des systèmes à base de règles
Même si les systèmes experts basés sur des règles offrent de bonnes performances dans de
nombreux domaines d’applications, ils présentent plusieurs limitations qu’il ne faut pas
21
oublier. La plus évidente est que malgré la richesse de la base de connaissances, le système
ne connaît que ce qui est nécessaire et suffisant à la résolution d’un problème spécifique. Il
manque du « bon sens » humain (Clancey, 1983). Une anecdote connue concerne MYCIN,
un des premiers systèmes experts à base de règles, développé par l’université de Stanford
pour le diagnostic médical de la méningite. A la prescription d’un médicament pour le
traitement d’une méningite, MYCIN demanda si le patient était enceint alors qu’on lui avait
déjà indiqué qu’il s’agissait d’un homme. Un système expert étant construit pour la
résolution de problèmes spécifiques, il n’est pas en mesure d’effectuer d’autres tâches. Il
n’a pas non plus la capacité de remettre en question sa stratégie quand il se trouve confronté
à des problèmes qu’il ne peut pas résoudre immédiatement (Luger, 2005). Il est difficile de
vérifier la validité d’une solution fournie par ces systèmes. Ceux-ci ne sont généralement
pas capable de fournir autre chose que la séquence des étapes et des règles qu’ils ont
utilisées (Luger, 2005). Enfin, un système basé sur des règles ne peut pas apprendre. Son
évolution ne peut s’effectuer que par la modification des connaissances et des règles qu’il
utilise ce qui nécessite l’intervention d’un spécialiste (Clancey, 1983, Luger, 2005).
IV.5 Les systèmes experts de seconde génération
Dans de nombreux domaines les experts s’appuient souvent sur la connaissance de cas
qu’ils ont vu par le passé pour résoudre les nouveaux cas auxquels ils sont confrontés. C’est
également le cas en géosciences. Géologie et hydrogéologie étudient certes des objets
naturels aux formes géométriques irrégulières mais cependant ils présentent des
caractéristiques récurrentes qui permettent d’établir des cas de référence. La figure cidessous montre deux exemples de failles normales réelles dont les caractéristiques ont été
synthétisées pour créer un schéma représentant le cas de référence, cas qui est enseigné aux
apprentis géologues.
Disposer d’un cas typique permet au géologue de pouvoir identifier une faille normale quel
que soit le nombre ou la composition des couches géologiques impliquées, la direction de
plongement de la faille, etc. sans avoir à connaître toutes les configurations de failles
existantes. On peut transposer directement cet argument à un système de type système
expert. Il ‘suffit’ de stocker des cas typiques géologiques (séries sédimentaires, failles plis,
22
etc.) et hydrogéologiques (milieu poreux, fracturé, karstique, etc.) pour que le système soit
capable d’analyser puis de modéliser les données d’une zone d’étude en effectuant une
recherche dans sa base de cas. Dans le but d’explorer ce type de raisonnement et pour
pallier certaines limites des systèmes RBR, les chercheurs ont essayé à partir de la fin des
années 1980 – début des années 1990 d’intégrer le raisonnement à base de cas aux systèmes
experts de première génération baser sur des règles (Kolodner, 1992; Marling, 1999). De
tels systèmes hybrides font partie de la seconde génération de systèmes experts.
Figure 8 Deux zones de failles normales réelles pour un même cas générique
Un système à raisonnement à base de cas (ou CBR pour Case-Based Reasoning) est un
système qui trouve, adapte et réutilise des solutions anciennes à des problèmes déjà
rencontrés pour résoudre de nouveaux problèmes ou critiquer de nouvelles solutions
(Kolodner, 1992) tandis qu’un RBR, comme on l’a vu, infère des conclusions à partir de
faits.
La qualité d’un système CBR dépend de quatre critères (Kolodner, 1992). Tout d’abord son
expérience c’est-à-dire le nombre de cas qu’il connaît. Plus le système connaît de cas, plus
il est susceptible de trouver une solution à un nouveau problème. Toutefois la solution
fournie par un système possédant peu de cas n’est pas forcément pire, selon sa capacité
d’adaptation. Le second critère est sa capacité à comprendre les nouvelles situations, à
savoir se rappeler des expériences passées et interpréter la nouvelle situation par rapport à
celles-ci. Ceci pose le problème de l’indexation : comment trouver l’expérience passée la
23
plus proche de la nouvelle situation ? La recherche de cas et l’indexation qu’elle implique
constituent le cœur des CBR. Le troisième critère est la capacité d’adaptation du système.
Une fois l’expérience passée sélectionnée, dans quelle mesure le système est-il capable de
l’adapter à la nouvelle situation, par ajout, suppression ou substitution d’éléments dans
l’ancienne solution ? Enfin la qualité d’un système CBR dépend de sa capacité
d’évaluation. Pour pouvoir apprendre de ses expériences passées le système doit pouvoir
évaluer les plus et les moins de la solution utilisée.
Il y a deux types de CBR : les CBR dévolus à la résolution de problèmes et les CBR
interprétatifs. Dans le premier cas, les solutions aux nouveaux problèmes sont obtenues en
utilisant les anciennes solutions comme guide. Les processus d’adaptation sont alors très
utilisés pour arriver à la solution cherchée. On emploie souvent ces systèmes pour résoudre
des tâches de planification, de diagnostic ou de conception de solutions. Il existe de
nombreux exemples de ce dernier type d’application en diététique et nutrition pour la
composition de menus pour des personnes aux goûts et besoins alimentaires différents
(Marling, 1999). Dans les CBR interprétatifs, les nouvelles situations sont évaluées dans le
contexte des anciennes. Par exemple un avocat utilise ce type de raisonnement pour justifier
son argumentation en s’appuyant sur des cas anciens (Williams, 1992).
V – L’acquisition et la représentation des connaissances
V.1 Le problème de l’acquisition des connaissances
Dans un objectif d’intégrer la modélisation géologique et hydrogéologique, un système
expert constituerait l’élément central pour l’automatisation. Ce type de système vaut
principalement par les connaissances qu’il exploite. Pour qu’il possède les connaissances
nécessaires et suffisantes pour effectuer correctement son analyse, il est nécessaire
d’appliquer une méthode d’acquisition des connaissances. Cette acquisition a été identifiée
très tôt comme un problème critique dans la construction de logiciels ‘intelligents’
(Feigenbaum, 1977). Cela vient du fait que ce sont les experts humains qui possèdent
l’essentiel des connaissances. Ces connaissances sont généralement très vastes et une part
24
non négligeable est tacite. Par exemple ce que l’on appelle « le bon sens » est en fait un
ensemble de connaissances que les êtres humains utilisent sans en avoir conscience. Ces
connaissances tacites sont très difficiles voire impossibles à décrire. Par ailleurs les experts
sont habituellement des personnes occupées qu’on ne peut monopoliser sur de longues
périodes de temps pour obtenir leurs connaissances. De plus, un seul expert ne suffit pas à
construire une base de connaissances complète ou du moins adéquate à la résolution d’un
problème, car aucun expert n’est omniscient. Enfin, les connaissances ont une durée de vie
(McGaw, 1989). Ce sont des entités dynamiques qui peuvent évoluer avec notre
compréhension du monde ou simplement avec le temps.
Le processus d’acquisition des connaissances d’un domaine classiquement employé est
long et nécessite plusieurs étapes (McGraw, 1989). Il nécessite également de nombreuses
discussions entre le cogniticien (spécialiste en représentation des connaissances) et un voire
plusieurs experts du domaine lors des premières étapes d’identification et de
conceptualisation. Ce processus constitue l’élément essentiel de la méthodologie employée
dans le doctorat.
V.2 Le problème
multidisciplinaires
de
l’intégration
de
connaissances
Dans le cadre de la modélisation hydrogéologique, la difficulté est augmentée par la
nécessité de disposer de connaissances dans trois domaines. Il faut donc non seulement
acquérir ces connaissances mais aussi établir les relations qui les lient. À titre d’exemple, le
résultat d’un petit exercice de représentation des connaissances présenté dans la figure
suivante montre une partie des concepts nécessaires pour définir les concepts géologiques
de base que sont le Contact Géologique et l’Unité Géologique. On distingue en vert les
concepts de géologie structurale, en jaune les concepts liés à la classification des roches
telle que définie par le British Geological Survey (BGS, 1999), en orange ceux liés à la
stratigraphie et à l’âge des structures et en bleu les concepts géométriques tels que définis
dans le schéma spatial de la norme ISO-19107.
Figure 9 Les connaissances impliquées dans les concepts Contact et Unité Géologiques
25
26
Ce type de graphe, appelé réseau sémantique, a été l’objet d’étude en intelligence
artificielle dans les années 1970. Il permet à la fois de visualiser et de raisonner sur les
concepts et leurs relations. On constate dans cette figure qu’il y a plusieurs dizaines de
concepts et de relations pour décrire de façon sommaire deux concepts de base. Ceci
montre bien à quel point il est difficile de représenter des connaissances.
V.3 Vers des éléments de solution
V.3.1 Les graphes conceptuels
Dans le but de pouvoir raisonner sur les données stockées dans ce réseau, plusieurs théories
ont été proposées pour intégrer les relations logiques dans un réseau sémantique. Prospector
utilisait par exemple les réseaux partitionnés de Hendrix (1975) qui, en regroupant des
concepts simples au sein d’espaces, permettent d’établir des concepts plus élaborés. Plus
récemment, J.F. Sowa (1993) a conçu les graphes conceptuels. Le but de ce système est
d’exprimer la signification dans une forme qui est logiquement précise, humainement
lisible et informatiquement manipulable. Grâce à leur relation directe avec le langage les
graphes conceptuels peuvent servir comme langage intermédiaire pour la traduction des
formalismes orientés ordinateur depuis et vers les langages naturels (Sowa, 1993). Par
exemple, on peut traduire la phrase en langage naturel « Une faille coupe une série
sédimentaire. » par le graphe conceptuel suivant :
[Faille : *] (AGNT) [Couper : *] (OBJ) [Série Sédimentaire : *].
Les concepts sont représentés entre crochets. Dans [Faille : *], ‘Faille’ est le concept et
l’astérisque représente une instance indéfinie (‘une’ faille). Le graphe précédent se lirait
littéralement : « une instance de Faille est l’agent d’une instance de Couper dont l’objet est
une instance de Série Sédimentaire ». Ceci peut également se traduire en logique des
prédicats du premier ordre, forme de langage aisément manipulable par un ordinateur, par :
∃x ∃y ∃z (Faille(x) ∧ Couper(y) ∧ Série Sédimentaire(z) ∧ agnt(y, x) ∧ obj(y, z))
27
V.3.2 Les ontologies
On utilisera les graphes conceptuels de Sowa pour représenter les connaissances des
domaines et les relations entre eux mais il sera également nécessaire d’employer un autre
outil pour identifier et classer les concepts. Les sources et les méthodes d’acquisition de
données pour chaque domaine sont très variées. Par exemple en géologie, on utilise des
cartes, des coupes issues de l’interprétation d’un expert, des données géophysiques, etc.
Avant d’intégrer ces données dans un modèle géologique unique il faut s’assurer qu’il n’y a
pas d’hétérogénéités sémantiques.
Les ontologies sont reconnues pour permettre la combinaison de données géologiques
hétérogènes (Lin, 2003; Lüdascher, 2003; Brodaric, 2004). De nombreux travaux ont
établis ou tentent d’établir des ontologies dans plusieurs domaines des sciences de la Terre :
classification des roches (BGS, 1999), interopérabilité dans un organisme (Brodaric, 2004)
voire dans le cadre d’une initiative internationale d’homogénéisation des données
géologiques (Asch, 2004; NADM, 2004, JPL, 2006, Sen, 2005). À ces hétérogénéités intradomaines il faut ajouter les problèmes de sémantique inter-domaines issus de définitions
différentes ou incomplètes. Il a été montré que l’hétérogénéité sémantique des données est
une des principales barrières pour le partage de données (Brodeur, 2004). C’est donc un
problème critique dans notre contexte multidisciplinaire. On peut revoir l’exemple du terme
nappe en géologie et en hydrogéologie présenté dans la section II.1.1. Un dernier avantage
des ontologies est qu’elles permettent une structuration des connaissances facilitant la
recherche efficace d’informations (Lin, 2003). Ceci en fait un outil intéressant pour la base
de cas mais aussi pour enrichir les objets géométriques du modèle avec des propriétés
descriptives facilitant leur association. Cet enrichissement permettrait à son tour d’associer
ces objets autrement distincts en structures géologiques plus complexes. Par exemple,
soient deux unités d’âge Jurassique mais étant spatialement disjointes. La première unité de
propriété « composition chimique = SiO2 90% », pourrait être associée à la seconde de
propriété « composition chimique = Quartz 92% », car elles correspondent toutes deux au
concept « Grès » dont la définition est « ‘composition chimique > SiO2 85%’ ». Cette
association constituerait la couche géologique « Grès du Jurassique ».
28
V.4 Exemples d’utilisation en modélisation géologique 3D
V.4.1 Combinaison de systèmes experts RBR et CBR
La figure suivante propose un exemple d’interaction possible entre les raisonnements à
base de règles et à base de cas au sein d’un même système expert pour l’analyse d’une
coupe géologique 2D numérique issue de l’interprétation d’une photo par un géologue.
Données de terrain
Système Expert de
2ème génération
Interprétation du
géologue
Base de cas
Coupe 2D numérique
RBR + ontologies :
Nomenclature des objets
de la coupe.
Conclusion CBR :
2 failles normales
sont identifiées
RBR :
CBR :
Identification et exécution
des règles de construction
des objets aux alentours
d’une faille normale
Recherche d’un
cas similaire
Topographie
Contacts géologiques
Surface topographique
Faille
Limite de couche
Limite de couche
Objets identifiés et construits
Figure 10 Un exemple d’interaction entre CBR et RBR dans un système expert
29
Le système à base de règles commence par identifier et normaliser les informations
contenues dans la coupe géologique à l’aide d’ontologies. Il pourra également inférer
certaines conclusions simples comme distinguer les contacts géologiques et la surface
topographique. Il passe ensuite le relais au CBR qui cherche dans sa base de cas s’il
possède un cas proche de celui soumis. Il identifie un cas (entouré en rouge) et en conclut
que la coupe contient deux failles normales. Il soumet ses conclusions au RBR qui poursuit
avec l’identification des règles de construction à appliquer pour construire les objets de
cette coupe (par exemple : vérifier qu’aucun contact ne coupe les lignes de faille).
V.4.2 Combinaison entre un système expert RBR et une ontologie
La figure suivante résume succinctement la structure interne d’un système expert qui
pourrait être utilisé pour construire le modèle géologique 3D.
Figure 11 Exemple d’interaction entre ontologie et système expert.
30
Une ontologie établit les règles d’identification des concepts et leurs relations. La figure
présente une partie de la section dédiée à l’identification des roches en fonction de leur
composition minérale ainsi que quelques relations entre le type de roche et des propriétés
physique (concept de porosité) et hydrogéologique (concept d’aquifère). Cette ontologie
permet d’employer un vocabulaire normalisé pour la formalisation des faits et des règles de
la base de connaissances du système expert RBR. À partir de cette base de faits initiale, le
moteur d’inférence du système expert établit de nouveaux faits qui, en se propageant grâce
au chaînage des règles, permettent d’établir les propriétés des objets géologiques du
modèle. Associées à des règles sur la modélisation 3D, elles permettent finalement de
construire le modèle géologique 3D.
VI – Définition du doctorat
VI.1 Hypothèse
On suppose qu’il est possible de représenter les connaissances impliquées dans la
modélisation 3D en hydrogéologie pour qu’elles soient exploitables par un système de type
système expert de deuxième génération.
Plusieurs travaux ont déjà montré qu’il était possible de formaliser au moins en partie des
connaissances géologiques et de les exploiter dans des systèmes experts (Hart, 1978; Smith,
1984; Buchanan, 1988; Brandel, 2005). Toutefois, elles n’ont pas été exploitées pour
interpréter les données ni pour superviser la construction de modèles 3D géologiques. Elles
n’ont pas non plus été utilisées pour obtenir un modèle 3D hydrogéologique.
VI.2 Objectifs
L’objectif principal de ce doctorat est d’évaluer la capacité d’un système de type système
expert de seconde génération à analyser des données géologiques et hydrogéologiques et à
conduire un processus cohérent menant à la construction d’un modèle 3D hydrogéologique.
On l’a déjà vu, le problème fondamental auquel on est confronté pour atteindre cet objectif
consiste à représenter les connaissances en géologie, hydrogéologie et modélisation 3D
31
dans un contexte de modélisation 3D hydrogéologique pour que le système expert puisse
les exploiter. Si le problème est résolu et l’objectif atteint, l’hypothèse de départ sera
validée.
Pour atteindre l’objectif principal et résoudre le problème sus cité, plusieurs objectifs
spécifiques, constituant en quelque sorte des étapes de la méthodologie, devront être
réalisés :
•
•
•
•
•
Identifier les connaissances des trois domaines nécessaires à la modélisation 3D
hydrogéologique.
Identifier les raisonnements des experts dans ce contexte de modélisation.
Disposer de ces connaissances pour analyser des données géologiques et
hydrogéologiques dans le but de construire des objets 3D géologiques et
hydrogéologiques exploitables dans un modèle 3D hydrogéologique.
Identifier et concevoir les composants d’un système de type système expert de
seconde génération mettant en œuvre ces connaissances : base de connaissances et
moteur d’inférence, interface(s) utilisateur(s), moteur de rendu graphique 3D et
structure de données géométriques et descriptives.
Construire un système expert prototype à des fins de tests et de validation de la
solution par des utilisateurs experts en hydrogéologie ne disposant pas
nécessairement de connaissances approfondies en géologie ni en modélisation 3D.
VI.3 Perspectives
Ce doctorat cherche à fournir des éléments de réponse voire de solution à la préoccupation
de la CGC qui souhaite faciliter le partage de connaissances entre géologues,
hydrogéologues et géomaticiens lors de la construction d’un modèle 3D hydrogéologique.
Un tel décloisonnement des connaissances pourrait permettre, à terme, de disposer d’outils
logiciels facilitant la création et possiblement la mise à jour de ce type de modèles. Il
apporterait également une solution logicielle partielle aux problèmes d’intégration entre les
modèles géologiques et hydrogéologiques. Enfin, il pourrait éventuellement servir de base à
un outil qui capitaliserait les connaissances et le savoir des experts de la Commission, outil
qui pourrait être utile au personnel nouvellement intégré.
Pour autant qu’on sache, exploiter un système expert est une démarche originale dans le
domaine de la modélisation 3D hydrogéologique. De tels systèmes pourraient
potentiellement être une aide à l’analyse préliminaire d’un site d’étude en préparation d’une
32
campagne d’acquisition de données ou même en cours de prospection. Cela permettrait par
exemple de concentrer les moyens de prospection sur les zones disposant de peu de
données ou présentant un intérêt particulier (comme une zone fortement faillée nécessitant
un schéma de prospection plus concentré).
Ce type de systèmes pourrait être intéressant à plusieurs titres au sein d’un organisme ou
d’une entreprise car il permet de capitaliser les connaissances de ses experts (on parle
parfois de référentiels métiers). On peut alors envisager plusieurs rôles. Un rôle de soutien
de l’expertise en particulier en cas d’indisponibilité d’un expert. Par exemple lors de l’étude
d’un site, l’absence d’un expert géologue pourrait être compensée par ce système. Ce genre
de système pourrait jouer un rôle d’intégration en favorisant le décloisonnement des
métiers et en permettant une plus grande communication entre experts. Le système servirait
alors par exemple de base commune de connaissances sur lesquels les experts de disciplines
différentes pourraient se baser pour communiquer. Enfin, à plus long terme, un tel système
pourrait avoir un rôle d’éducation en formant la base d’un système tuteur intelligent pour
l’aide à la formation des experts juniors.
Dans un contexte plus général, ce doctorat pourrait contribuer à plusieurs domaines à plus
ou moins long terme. En représentation des connaissances, les graphes conceptuels n’ont
pas ou peu été exploités pour représenter les connaissances en géologie et hydrogéologie.
L’intérêt de les appliquer à ces domaines est que ces connaissances traitent d’objets et de
phénomènes naturels qui ne sont pas issus ni tributaires d’un raisonnement humain. Par
contre les géologues et hydrogéologues cherchent à les comprendre et à les formaliser.
Pouvoir formaliser de telles connaissances par des structures exploitables par nous mais
aussi par des machines serait une avancée intéressante dans notre capacité à comprendre
certains mécanismes régissant notre monde.
VI.4 Méthodologie
Comme il a déjà été mentionné plusieurs fois, la représentation des connaissances joue un
rôle central dans ce doctorat. La méthodologie se focalise donc principalement sur cet
aspect. On peut distinguer deux phases majeures, chacune répondant à une question plus
spécifique. La première phase cherche à valider ou infirmer l’hypothèse de départ. Dans
33
l’éventualité d’une validation, la seconde phase sera déclenchée et tentera d’atteindre
l’objectif principal fixé plus haut.
VI.4.1 Phase 1 : Représentation des connaissances
Question : peut-on représenter des connaissances géologiques et hydrogéologiques
nécessaires pour analyser des données géologiques et hydrogéologiques et conduire un
processus de modélisation 3D hydrogéologique ?
Pour répondre à cette question, il faut :
•
Identifier les connaissances des 3 domaines nécessaires à la modélisation 3D
hydrogéologique.
o
Identifier et analyser les cas typiques en géologie et hydrogéologie :
−
En géologie : Faille, pli, séries sédimentaires…
−
En hydrogéologie : aquifère confiné, semi-confiné, libre, milieu
équivalent poreux, karstique, faillé…
−
Représenter les connaissances de domaines nécessaires pour analyser
ces cas.
−
Représenter le raisonnement d’un pédagogue pour parvenir à leur
identification.
−
Associer à ces cas les démarches de raisonnement de l’expert.
−
En tirer les raisonnements globaux à tous les cas et spécifiques à chaque
cas.
o
Identifier les connaissances de domaines qui constitueront les faits et règles
régissant la base de faits, les dictionnaires de concepts, etc.
o
Exprimer en langage naturel formalisé le raisonnement, la démarche de
modélisation des experts pour chaque domaine.
•
Intégrer les connaissances des 3 domaines nécessaires à la modélisation 3D
hydrogéologique.
o
Identifier les raisonnements des experts dans ce contexte de modélisation.
o
Exprimer en langage naturel formalisé la démarche globale de modélisation
(intégration des différents modèles).
•
Tester ces connaissances sur des exemples simples de données géologiques et
hydrogéologiques.
Cette phase exploitera intensivement les graphes conceptuels et les ontologies.
34
VI.4.2 Étapes de la phase 1
Les étapes de cette phase seront celles du processus d’acquisition des connaissances :
l’identification des problèmes liés aux domaines de connaissances impliqués, des buts du
système et des experts à consulter, la conceptualisation et formalisation des connaissances
des experts exprimées d’abord en langage naturel puis à l’aide des graphes conceptuels,
implémentation dans un système prototype et validation de ce système sur des exemples
concrets mais simples. (McGraw, 1989).
Ces étapes nécessiteront l’accès à des ressources pédagogiques (livres, connaissances
personnelles, etc.) et des discussions avec des pédagogues et des experts en géologie et
hydrogéologie. La distinction entre pédagogue et expert n’a pour but que de mettre en
évidence les deux types de raisonnements permettant d’arriver à l’identification des objets
mais dans les faits il peut s’agir des mêmes personnes. Dans la démarche pédagogique, le
pédagogue analyse tous les éléments d’une situation, d’un phénomène au même niveau
alors que dans la démarche d’un expert, celui-ci se concentre immédiatement sur les points
clés caractéristiques de la situation. Ces discussions se feront à chaque fois dans deux
contextes différents quoique proches. Dans un premier temps, elles porteront sur
l’identification des connaissances intrinsèques à chaque domaine (géologie et
hydrogéologie) : quels sont les cas typiques à étudier, quels concepts et ontologies faut-il
utiliser, construire et/ou mettre à jour, etc. ? On gardera cependant à l’esprit le contexte de
modélisation 3D hydrogéologique. Dans un second temps, on se focalisera sur l’utilisation
des connaissances dans un contexte de modélisation 3D hydrogéologique. Il s’agira alors
d’identifier les connaissances et raisonnements nécessaires à l’intégration des
connaissances de domaines.
VI.4.3 Phase 2 : Conception et évaluation d’un système opérationnel
Question : Dans l’hypothèse où on peut représenter les connaissances nécessaires, un
système de type système expert est-il en mesure de construire un modèle 3D
hydrogéologique en analysant des données géologiques et hydrogéologiques ?
Pour répondre à cette question, il faut :
35
•
Identifier et au besoin développer les composants permettant la mise à jour et la
consultation du système, la construction et la visualisation des volumes et le
stockage des résultats.
•
Intégrer le moteur d’inférences et la base de connaissances du système expert aux
composantes ci-dessus.
•
Exploiter les connaissances rassemblées pour analyser des données géologiques et
hydrogéologiques dans le but de construire des objets 3D exploitables dans un
modèle 3D hydrogéologique.
•
Évaluer le système sur une zone d’étude pour laquelle on possède déjà des modèles
3D géologique et hydrogéologique.
L’évaluation du système consistera essentiellement en une appréciation par un ou plusieurs
utilisateurs hydrogéologues (et éventuellement géologues) lors d’une consultation du
système et par certains indicateurs qualitatifs et/ou quantitatifs associés à la comparaison
avec les modèles obtenus par les experts humains et le système SVM (pour le modèle
géologique uniquement).
Des données concrètes seront utilisées pour évaluer ce prototype. Il s’agit des données
géologiques et hydrogéologiques de l’esker Saint-Mathieu, site d’étude de la Commission
Géologique du Canada pour lequel il existe déjà un modèle géologique et un modèle
hydrogéologique construit par une équipe d’experts. Un second modèle, exclusivement
géologique, a été construit à l’aide d’un logiciel exploitant un apprentissage à base de cas,
SVM développé par Alex Smirnoff et Éric Boisvert de la Commission Géologique du
Canada (Smirnoff, 2006).
VI.4.4 Étapes de la phase 2
Cette phase a pour but d’évaluer le système dans son intégralité mais il est avant tout
nécessaire de construire toutes ses composantes. Il faut donc intégrer le moteur d’inférences
et la base de connaissances du système expert à :
o
Une interface utilisateur à développer totalement qui servira à la mise à jour et
à la consultation du système (interaction utilisateur / système lors de la
soumission d’un cas d’étude),
36
o
o
Un moteur 3D pour la construction et le rendu graphique du modèle 3D selon
la méthode B-Rep et, éventuellement, comme support visuel lors de la
consultation. gOcad est un outil envisageable,
Une structure de stockage à définir pour le stockage des données
géométriques et descriptives. PostgreSQL avec l’extension PostGIS est
envisageable.
Il sera ensuite possible d’évaluer la capacité du système à :
o
o
Analyser des données géologiques et hydrogéologiques : coupes, cartes,
forages, etc.
Conduire le processus de modélisation 3D hydrogéologique.
Sur la zone de l’esker Saint-Mathieu pour laquelle on possède déjà des modèles 3D
géologique et hydrogéologique.
Recherche préliminaire
Modélisation 3D
Représentation des connaissances
Examen de doctorat
Cours suivis
CIG/ISPRS'07 - GEOIDE Students Session
ICCS'08
Revue d'hydrogéologie à définir
Soumission d'articles
Revue de littérature
Expression des besoins des hydrogéologues
Identification de la zone d’étude
Acquisition des connaissances (AC)
==> Conclusion sur la faisabilité de l'AC
Constitution d’un prototype de SE
Intégration SE / moteur 3D / Interface
utilisateur
Tests à grandeur de la zone de test
Rédaction de la thèse
Tâche
VI.5 Calendrier
2007
2008
2007
2008
2007
2008
Rencontre / identification / étude préliminaire
J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D
2006
J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D
2006
J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D
2006
37
38
Bibliographie
[Asch, 2004] Asch, K., Brodaric, B., Laxton, J.L., Robida, F., 2004. An international
initiative for data harmonisation in geology, 10th EC GI & GIS Workshop, ESDI State of
the Art, Warsaw, Poland, 23-25 June 2004.
[Anderson, 1992] Anderson M.P., Woessner W.W., 1992. Applied Groundwater Modeling.
Academic Press, Inc., San Diego, CA, 381 pp.
[Beara, 1992] Beara, J., Beljinb, M. S., Rossc, R. R., 1992. Ground Water Issue:
Fundamentals of Ground-Water Modeling. EPA/540/S-92/005.
[Bédard, 2006] Bédard, K., 2006. La construction de modèles géologiques 3D : de la
standardisation au tutoriel. Mémoire de maîtrise, Université Laval, 2006.
[BGS, 1999] Gillespie, M.R., Styles, M.T., Robertson, S., Hallsworth, C.R., Knox,
R.W.O.B., McMillan, A.A., Powell, J.H., 1999. BGS Rock Classification Scheme. British
Geological Survey Research Report, RR 99-02, RR 99-03, RR 99-04, RR 99-06.
[Brandel ,2005] Brandel, S., Schneider, S., Perrin, M., Guiard, N., Rainaud, J.-F., Lienhard,
P., Bertrand, Y., 2005. Automatic building of structured geological models, Journal of
Computing and Information Science in Engineering -- June 2005 -- Volume 5, Issue 2, pp.
138-148.
[Brodaric, 2004] Brodaric, B., 2004. The design of GSC FieldLog: ontology-based software
for computer aided geological field mapping. Computers & Geosciences 30 (1), 5–20.
[Brodeur, 2004] Brodeur, J., 2004. Interopérabilité des données géospatiales : élaboration
du concept de proximité géosémantique, Thèse de doctorat, Université Laval, 2004.
[Buchanan, 1988] Buchanan, B., Smith, R.G., 1988. Fundamentals of Expert Systems,
Annual Reviews of Computer Sciences, 1988, vol. 3, pp.23-58.
[Caumon, 2004] Caumon, G., Lepage, F., Sword, C.H., Mallet, J-L., 2004. Building and
editing a sealed geological model. Mathematical Geology, 36(4): 405-424.
39
[Clancey, 1983] Clancey, W.J., 1983. The epistemology of a rule-based expert system - a
framework for explanation. Artificial Intelligence Volume 20, Issue 3, May 1983, pp. 215251.
[Côté, 2006] Côté, M.-J., Lachance, Y., Lamontagne, C., Nastev, M., Plamondon, R., Roy,
N., 2006. Atlas du bassin versant de la rivière Châteauguay. Collaboration étroite avec la
Commission géologique du Canada et l’Institut national de la recherche scientifique – Eau,
Terre et Environnement. Québec : ministère du Développement durable, de
l’Environnement et des Parcs, 64p.
[Feigenbaum, 1977] Feigenbaum, E.A., 1977. The art of artificial intelligence: I. Themes
and case studies of knowledge engineering. Technical Report: CS-TR-77-621, Stanford
University, Stanford, CA, USA, 1977.
[Foot, 1998] Foot, D.K., Loreto, R.A., McCormack T.W., 1998. Canada in the 21st
Century Series No. 4: Demographic Trends in Canada, 1996-2006: Implications for the
Public and Private Sectors. Industry Canada Research Publications, 1998.
[Foucault, 1988] Foucault, A., Raoult, J.F., 1988. Dictionnaire de géologie 3ème édition.
Editions Masson.
[Harmon, 1985] Harmon, P., King, D., 1985. Expert Systems: Artificial Intelligence in
Business. New York, NY: John Wiley & Sons.
[Hart, 1978] Hart, P.E., Duda, R.O., Elnaudi, M.T., 1978. PROSPECTOR – A ComputerBased Consultation for Mineral Exploration. Mathematical Geology. Vol. 10. No 5, 1978.
[Harter, 2003] Harter, T., 2003. Groundwater Quality and Groundwater Pollution. FWQP
Reference sheet 11.2, Publication 8084. Division of Agriculture and Natural Resources,
University of California.
[Hendrix, 1975] Hendrix, G.G., 1975. Encoding knowledge in partitioned networks. In
Associative Networks, ed. Findler, N., 51-92. New York: Academic Press.
40
[Houlding, 1994] Houlding, S., 1994. 3D Geoscience Modeling, Computer Techniques for
Geological Characterization. Springer-Verlag, Berlin, 1994, 309 p.
[ISO, 19107:2003] ISO Technical Comittee TC211, 2003. ISO 19107:2003. Geographic
information – Spatial schema. ISO, 2003.
[JPL, 2006] Jet Propulsion Laboratory, 2006. Semantic Web for Earth and Environmental
Terminology (SWEET), Phase 1 Report. sweet.jpl.nasa.gov.
[Kolodner, 1992] Kolodner, J., 1992, An introduction to Case-Based Reasoning. Artificial
Intelligence Review, Vol.6 No1, 1992, pp.3-34
[Kruse, 1993] Kruse, F. A., Lefkoff, A. B., Dietz, J. B., 1993. Expert system-based mineral
mapping in northern Death Valley, California / Nevada, using the Airborne
Visible/Infrared Imaging Spectrometer (AVIRIS). Remote Sensing of Environment, Vol.44,
No2, pp.309-336.
[Kumar, 2002] Kumar, C., 2002. Ground water flow models. Technical report, National
Institute of Hydrology. Roorkee – 247667 (Uttaranchal).
[Lin, 2003] Lin, K., Ludäsher, B., 2003, A System for Semantic Integration of Geologic
Maps via Ontologies, ISWC 2003 Workshop Proceedings, Semantic Web Technologies for
Searching and Retrieving Scientific Data, Sanibel Island, Florida, 2003.
[Lindsay, 1993] Lindsay, R.K., Buchanan, B. G., Feigenbaum, E. A., Lederberg, J., 1993.
DENDRAL: A case study of the first expert system for scientific hypothesis formation.
Artificial Intelligence, Volume 61, Issue 2 , June 1993, pp 209-261.
[Longley, 2001] Longley, P.A., Goodchild, M.F., McGuire, D.J., Rhind, D.W., Geographic
information systems and science, Wiley, 2001.
[Lüdascher, 2003] Ludäsher, B., Lin, K., Brodaric, B., Baru, C., 2003, Prototype for
geological map integration via domain ontologies, Digital Mapping Techniques ’03
Workshop Proceedings, Millersville, Pennsylvania , 2003.
41
[Luger, 2005] Luger, G., 2005, Artificial Intelligence: Structures and Strategies for
Complex Problem Solving, fifth edition, Addison-Wesley Eds.
[Mallet, 2002] Mallet, J.-L., 2002. Geomodeling. Oxford University Press, New York,
USA, 599pp.
[Marling, 1999] Marling, C. R., Petot, G. J., Sterling, L. S., 1999. Integrating Case-Based
and Rule-Based Reasoning to Meet Multiple Design Constraints. Computational
Intelligence 15 (3), pp 308–332.
[McGaw, 1989] McGraw, K.L., Harbison-Briggs, K., 1989. Knowledge acquisition:
principles and guidelines. Prentice-Hall, Inc., Upper Saddle River, NJ, USA, 1989.
[Mercier, 1992] Mercier J., Vergely P., 1992. Tectonique. Éditions Dunod, 214p.
[Morin, 1994] Morin, E., 1994. Sur l'interdisciplinarité. Bulletin Interactif du Centre
International de Recherches et Études transdisciplinaires, n° 2, 1994.
[MRNF, 2006] Ministère des Ressources Naturelles et de la Faune du Québec, 2006.
Bulletin d’information minière, Juin 2006.
[NADM, 2004] NADM Committee, 2004, NADM Conceptual Model 1.0 – A Conceptual
Model for Geologic Map Information. Site nadm-geo.org
[NRCAN, 2005] Ministère des Ressources Naturelles du Canada, Secteur des Sciences de
la Terre. Réussites scientifiques et technologiques, revue annuelle 2004-2005.
[NRCAN, 2006] Ministère des Ressources Naturelles du Canada, 2006. Bulletin
d’informations du programme sur les eaux souterraines, Vol. 3, No 2.
[OQLF] Office Québécois de la Langue Française, Le grand dictionnaire terminologique.
w3.granddictionnaire.com.
[Perrin, 2005] Perrin, M., Zhu, B., Rainaud, J.-F., Schneider, S., 2005. Knowledge-driven
applications for geological modeling. Journal of Petroleum Science and Engineering, 47,
pp 89-104.
42
[Petit, 2004] Petit, O., 2004, Surexploitation des eaux souterraines - Enjeux et
gouvernance. Natures Sciences Sociétés 12, 146-156 (2004).
[Pfannkunch, 1990] Pfannkunch H.-O., 1990. Elsevier's dictionary of environmental
hydrogeology. Amsterdam ; New York : Elsevier, 1990.
[Pouliot, 2006] Pouliot, J., Lachance, B., Kirkwood, D., 2006, Importance de la
modélisation géométrique pour les SIG 3D, Géomatique – 16/2006, SIG 3D, pp.29-49.
[Raper, 2000] Raper, J. F. (ed.), 2000. Multidimensional Geographic Information Science.
Taylor & Francis, London, 300 p.
[Ross, 2004] Ross, M., Parent, M., Martel, R., Lefebvre, R., 2004. Towards seamless
interactions between geologic models and hydrogeologic applications. Geological Models
for Groundwater Flow Modeling Workshop, 49th annual Meeting Geological Association
of Canada, Mineralogical Association of Canada, St. Catherines, Ontario, Canada, 2004.
[Ross, 2005] Ross, M., Parent, M., Lefebvre, R., 2005, 3D geologic framework models for
regional hydrogeology and land-use management: a case study from a Quaternary basin of
southwestern Quebec, Canada. Hydrogeology Journal, Volume 13, Numbers 5-6, pp.690707
[Rutherford, 2004] Rutherford S., 2004. Groundwater Use in Canada. West Coast
Environmental Law Research Foundation.
[Sen, 2005] Sen, M., Duffy, T., 2005. GeoSciML: development of a generic GeoScience
Markup Language. Computers & Geosciences, 2005, Vol. 31, No. 9, pp 1095-1103
[Smirnoff, 2006] Smirnoff, A., Boisvert, E., Paradis, S. J., 2006. Building 3d geological
models with the support vector machine. Geological Society of America 2006 Philadelphia
Annual Meeting, Philadelphia, Pennsylvania.
[Smith, 1984] Smith, R. G., Young, R. L., 1984. The Design of the Dipmeter Advisor
System. Proceedings of the 1984 annual conference of the ACM on The fifth generation
challenge. ACM/CSC-ER. Pages: 15 – 23.
43
[Sowa, 1993] Sowa, J.F., 1993. Conceptual Graphs in Perez, S. K., Sarris A.K., eds., 1995.
Technical Report for IRDS Conceptual Schema, Part 1: Conceptual Schema for IRDS, Part
2: Modeling Language Analysis, X3/TR-14:1995, American National Standards Institute,
New York, NY.
[Statistics Canada, 1995] Statistics Canada (1995). Greying of the Workforce. Perspectives
on Labour and Income. Vol. 7, no. 1, 33-38.
[Stefanov, 2001] Stefanov, W.L., Ramsey, M.S., Christensen, P.R., 2001. Monitoring
urban land cover change. An expert system approach to land cover classification of
semiarid to arid urban centers. Remote Sensing of Environment, Vol. 77, No 2, pp 173185.
[Viola, 2005] Viola J.-M., 2005. La gestion des transferts de connaissances entre
générations. Bulletin des Bibliothèques de France, Vol.50, No.3.
[Williams, 1992] Williams, S.M., 1992. Putting Case-Based Instruction Into Context:
Examples From Legal and Medical Education. Journal of the Learning Sciences, 1992,
Vol.2, No.4, pp.367-427.
[Wollenberg, 1987] Wollenberg, B.F., Sakaguchi, T., 1987. Artificial intelligence in power
system operations. Proceedings of the IEEE, 1987.